I.14Автоматизация процессов и AI-агенты

InternVL3.5-241B-A28B-Flash — мультимодальная чат-модель OpenGVLab из семейства InternVL3.5, основанная на InternVL3.5-241B-A28B и дообученная на данных MMPR-v1.2 и MMPR-Tiny. Модель принимает изображения и текст и формирует текстовые ответы; она предназначена для диалога по изображениям, визуальных рассуждений, решения задач и агентных сценариев, включая взаимодействие с графическим интерфейсом и задачи с видео. В README описаны Cascade Reinforcement Learning для улучшения рассуждений и Visual Resolution Router, динамически настраивающий разрешение визуальных токенов. Версия Flash поддерживает раздельное размещение зрительной и языковой частей модели для эффективного инференса. Репозиторий использует формат Safetensors и библиотеку Transformers; лицензия — Apache-2.0. Для эксплуатации крупной модели нужны значительные вычислительные ресурсы; точные параметры этой версии и размер её контекста в предоставленных данных не приведены.

Mungert/InternVL3-8B-GGUF — GGUF-версия мультимодальной модели InternVL3-8B, созданной командой OpenGVLab. Модель предназначена для обработки текста и изображений, включая визуальное восприятие и рассуждение, анализ промышленных изображений, работу с GUI-агентами, инструментами и задачами 3D-восприятия. В карточке также указана поддержка многоязычных сценариев. Архитектура сочетает vision-компонент InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-7B; общий класс модели — 8B параметров. Эта публикация представляет собой преобразованный формат GGUF, сгенерированный с использованием llama.cpp. Автор применил собственный подход к квантованию: отдельные важные слои переводятся в более высокую точность, что увеличивает размер файла, но, по заявлению автора, может улучшать точность при заданном уровне квантования, особенно на низкой разрядности. Сильными сторонами являются мультимодальность, сочетание визуального анализа с языковым рассуждением и возможность локального использования в экосистеме llama.cpp благодаря формату GGUF. Ограничения включают зависимость качества, размера и требований к ресурсам от выбранного варианта квантования; конкретные поддерживаемые языки, размер контекста и результаты независимого тестирования в карточке не указаны. Для модели указана лицензия Apache-2.0, однако в метаданных также приведена ссылка на лицензию Qwen.

FineEnvs выпустила полноразмерное дообучение LiquidAI/LFM2.5-2.6B для агентных задач анализа данных с OpenCode. Это плотная авторегрессионная модель семейства LFM2 с 2,6 млрд параметров, принимающая текст и выдающая текст; заявленная длина контекста — 131 072 токена. Модель обучали с асинхронным GRPO, поощряя правильность ответов и эффективность использования инструментов. Репозиторий содержит полные веса, токенизатор и шаблон чата, а не LoRA-адаптер. Модель предназначена для выполнения задач анализа данных агентом с инструментами в среде OpenCode. На 250 тестовых заданиях SmolDataEnvs итоговый чекпойнт показал 52,3% pass@1 в четырёх оценочных средах; результат зависит от среды и версии агентского инструментария. Для воспроизведения оценок нужны соответствующие инструменты и среда выполнения; обычный чатовый запрос не эквивалентен этой оценке. Карточка указывает английский язык, библиотеку Transformers и лицензию other, условия которой следует проверять в репозитории.

LittleLamb Tool-Calling — компактная причинно-авторегрессионная языковая модель семейства Qwen3, разработанная Multiverse Computing на основе сжатой LittleLamb 0.3B и объединённая с Qwen3-0.6B. По README, модель содержит около 290 млн параметров; в метаданных указано 224,5 млн. Она дообучена для вызова функций по заданным схемам, генерации структурированных ответов и сценариев с агентами, а также поддерживает диалоговые режимы с рассуждением и без него. Контекст — до 40 960 токенов. Основной заявленный язык — английский. Модель предназначена для чат-ботов и виртуальных помощников, которым нужно формировать JSON или вызывать внешние инструменты, в том числе на устройствах с ограниченными ресурсами. Она работает через Transformers и требует версии 4.51.0 или новее для поддержки архитектуры Qwen3. Лицензия — Apache 2.0. Компактный размер позволяет рассматривать модель для локального и периферийного запуска, однако надёжность вызовов инструментов следует проверять на конкретных сценариях. Результаты заметно зависят от режима рассуждения; модель малого масштаба слабо справляется с рядом сложных бенчмарков. Возможности вызова инструментов на испанском языке ещё не проверялись.

QuantFactory/Llama-3-8B-Web-GGUF — квантизированная версия модели McGill-NLP/Llama-3-8B-Web, созданная с использованием llama.cpp. Базовая модель — Meta-Llama-3-8B-Instruct, дообученная исследовательской командой McGill-NLP на наборе WebLINX. Модель предназначена для создания человекоориентированных агентов, способных взаимодействовать с веб-сайтами через диалог и выполнять навигационные действия. Модель ориентирована на сценарии веб-браузинга, включая выбор ссылок и элементов интерфейса, ввод текста, отправку форм и формирование согласованных ответов пользователю. Обучение проводилось на 24 тысячах отобранных примеров из более чем 100 тысяч взаимодействий WebLINX, охватывающих 150 сайтов и задачи бронирования, покупок, написания текстов, поиска знаний и работы с таблицами. Указан английский язык. Архитектура Llama с 8B параметров и поддержка мультимодальных входов или размер контекста в README не описаны. На тестах WebLINX модель показала общий результат 28,8% на доменно-отложенных разбиениях; в README также приведено преимущество над GPT-4V в сценарии zero-shot по этому бенчмарку. Сильной стороной является специализация на диалоговом управлении веб-навигацией, однако качество может зависеть от сайтов и сценариев, представленных в данных, а обобщение на миллионы невиденных сайтов прямо обозначено как открытая проблема. Модель распространяется по лицензии llama3; конкретные условия квантизированного релиза дополнительно не указаны.

hyunseoki/memrag-mem — это дообученная модель Qwen3.5-4B для предсказания следующего действия GUI-агента по текущему экрану и найденным фрагментам памяти о предыдущих траекториях. Она построена на мультимодальной плотной архитектуре Qwen3.5 и принимает изображения вместе с текстом; для загрузки используется Transformers. В тесте AgentNetBench на 498 примерах точность предсказания действий составила 0,556, что выше результатов вариантов с текущим экраном и полной историей. Модель предназначена для выбора следующего действия в интерфейсе компьютера с использованием извлечённой траекторной памяти. Результаты приведены для версии v1 с одним seed; подтверждение на трёх seed ещё не завершено. Базовая модель — Qwen/Qwen3.5-4B. Сведения о лицензии в предоставленных источниках отсутствуют.

GestaltLabs/Ornstein-Hermes-3.6-27B-GGUF — набор GGUF-квантизаций модели GestaltLabs/Ornstein-hermes-3.6-27b, представляющей собой дообученную в формате Hermes версию Ornstein-3.6-27B на базе мультимодальной Qwen 3.6 с 27 млрд параметров. Квантизации подготовлены с помощью llama.cpp; для калибровки K- и I-квантизаций использован imatrix на 800 диалогах с применением инструментов из датасета Acta-Synthetic. Модель предназначена для мультимодальных задач image-text-to-text, диалогового взаимодействия, агентских сценариев, вызова функций и использования внешних инструментов. Она обучена работать с Hermes-форматом function calling и поддерживает tool use; заявлен английский язык. В репозитории доступны варианты от IQ2_M размером около 9,3 ГБ до Q8_0 размером около 26,6 ГБ, что позволяет выбирать баланс между требованиями к памяти и качеством. Более высокие разрядности обеспечивают большую точность, а агрессивные 3- и 2-битные варианты требуют меньше памяти, но заметно снижают качество. Модель распространяется в формате GGUF и совместима с llama.cpp, Ollama и LM Studio. Квантизация ориентирована на распределения данных, характерные для вызова инструментов, что может быть сильной стороной в агентских задачах, однако README не содержит независимых результатов оценки качества, максимального размера контекста и подробностей о поддерживаемых языках помимо английского. Лицензия — Apache 2.0, унаследованная от базовой модели Qwen 3.6.

natfii/Qwen3.6-27B-VLM-Cascade — мультимодальная модель рассуждений и работы с изображениями, созданная natfii на основе Qwen/Qwen3.6-27B. Модель дообучена по каскадному рецепту: SFT для запуска рассуждений, затем последовательное обучение с подкреплением по проверяемым результатам и on-policy дистилляция. Это полноточный контрольный вариант BF16 на 27 млрд параметров с гибридной архитектурой: 16 слоёв полного внимания и 48 слоёв линейного внимания; визуальный модуль сохранён и заморожен при дообучении. Модель предназначена для локальных сценариев с визуальными вопросами и ответами, сложными рассуждениями и агентным использованием инструментов. Режим пошагового рассуждения включается отдельно; по умолчанию модель отвечает без видимой цепочки рассуждений. В репозитории также есть MTP черновая голова для ускоренного спекулятивного декодирования NEXTN, которое влияет на скорость генерации, но не на её итоговый текст. Поддерживаются входы с текстом и изображениями, выход — текст. Карточка не сообщает длину контекста или набор поддерживаемых естественных языков. Модель выпущена под лицензией Apache-2.0. Она не проходила полноценную оценку для производственного применения; автор предупреждает о возможном ухудшении визуального заземления после обучения на рассуждениях, склонности к повторным проверкам в режиме thinking и необходимости отдельно измерять эффективность MTP на целевой инфраструктуре.

Qwen3-8B TMax AENV v39b — контрольная точка обучения на итерации 129, разработанная willamazon1. Модель представляет собой плотную авторегрессионную архитектуру Qwen3ForCausalLM на 7,6 млрд параметров, дообученную методом обучения с подкреплением на асинхронных многопользовательских траекториях в агентных средах. Она предназначена для генерации текста в диалогах и агентных сценариях, включая использование инструментов через интерфейс вызова инструментов. Контекст модели составляет 40 960 токенов; файлы весов представлены в safetensors и имеют точность bfloat16. Чекпойнт продолжает SFT-модель willamazon1/qwen3-8b-tmax-sft-v3-iter353, которая основана на Qwen/Qwen3-8B. В коллекции опубликованы соседние итерации обучения, что позволяет сравнивать состояние модели на разных этапах. Модель принимает текст и генерирует текст; языки, на которых она специально обучалась, в предоставленных данных не определены. Лицензия — Apache-2.0. Это промежуточная контрольная точка конкретного RL-запуска; результаты могут зависеть от задачи и конфигурации агентной среды, а оптимизатор обучения в репозитории отсутствует.

ScaleCUA-glm4.6v-osworld-sft — контрольная точка модели GLM-4.6V-Flash от команды ScaleCUA, подготовленная для управления графическим интерфейсом и обучения агента работе с компьютером в среде OSWorld. Это стартовая точка SFT для последующего онлайн-обучения с подкреплением; в проекте также описаны синтез проверяемых GUI-задач VeriGen, Frontier Sampling и Visual Context Segmentation. Модель принимает изображения и текст и формирует текстовые ответы для сценариев взаимодействия с интерфейсом. Репозиторий использует архитектуру GLM-4V и формат safetensors; для запуска в README предлагается OpenAI-совместимый сервер vLLM.

ScaleCUA-qwen3-vl-osworld — агент для управления компьютером через графический интерфейс, разработанный командой ScaleCUA и основанный на Qwen3-VL-8B. Это контрольная точка после онлайн-обучения с подкреплением (RLVR), дообученная от extreme1228/ScaleCUA-qwen3-vl-osworld-sft; модель принимает текстовые инструкции и изображения экрана, а в ответ формирует текстовые действия и рассуждения для выполнения задач в интерфейсе. Модель предназначена для сценариев OSWorld; в README заявлен результат 67,7% на этом бенчмарке. Для запуска авторы описывают использование vLLM и оценочной среды osworld_eval. Репозиторий содержит веса safetensors и использует библиотеку Transformers; лицензия указана как other, без уточнения условий в предоставленных данных. Карточка описывает специализированного GUI-агента, поэтому её возможности за пределами задач компьютерного управления не установлены.

Ternary Bonsai 2 27B MLX 2-bit — мультимодальная модель Prism ML на архитектуре Qwen3.8-27B, упакованная для инференса в MLX с поддержкой signed-Hadamard-преобразований. Репозиторий сохраняет исходные упакованные 2-битные веса, модуль обработки изображений, токенизатор и шаблон диалога модели Prism ML. Модель принимает текст и изображения и формирует текстовые ответы. Она предназначена для диалога по тексту и изображениям, рассуждений и вызова инструментов через шаблон модели и совместимый парсер. Заявленная длина контекста — 262 144 токена; практически доступная длина зависит от оборудования и политики сервинга. Для запуска нужны преобразования signed-Hadamard: веса нельзя загружать как обычный Qwen с аффинной 2-битной квантизацией или без изменений преобразовывать в BF16. Поддержка в нескольких рантаймах проходит проверку; гарантий производительности в продакшене нет. Лицензия — Apache-2.0.

BAAI_AREX-Base-GGUF — это квантизированная версия модели AREX-Base, разработанной BAAI и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp и метода imatrix. Модель ориентирована на агентские сценарии, глубокое исследование, рассуждения, работу с инструментами и задачами с длинным контекстом. В карточке также указана поддержка англоязычных данных и мультимодальный профиль image-text-to-text, однако подробности о поддерживаемых типах изображений и способах их обработки не приведены. Доступны варианты с точностью от BF16 до низкобитных квантов, включая Q8_0, Q6_K, Q5_K, Q4_K, IQ4, Q3 и Q2. Размер файлов варьируется примерно от 44,48 до 244,31 ГБ; многие варианты разбиты на несколько частей. Более крупные квантизации сохраняют высокое качество, а компактные требуют меньше оперативной памяти, но могут заметно уступать по качеству. В метаданных модель помечена как mixture-of-experts и связанная с Qwen3.5, но точные параметры архитектуры, число экспертов, размер контекста и количество параметров не указаны. Модель предназначена для локального запуска через llama.cpp и совместимые приложения, включая LM Studio, koboldcpp, Jan AI и Text Generation Web UI. Для работы требуется использовать указанный шаблон промпта с тегами ролей и началом блока рассуждений. Лицензия — Apache-2.0. В README не приведены результаты тестирования, ограничения по аппаратному обеспечению, сведения о безопасности или подробная документация по мультимодальным возможностям, поэтому практическое качество следует оценивать отдельно для выбранной квантизации и сценария.

FineEnvs выпустила чекпойнт LFM2.5-2.6B после 1 000 шагов полного дообучения LiquidAI/LFM2.5-2.6B методом асинхронного GRPO. Модель предназначена для агентных задач анализа данных, где нужно решать задачи в среде с инструментами; обучение и оценка использовали OpenCode, Claude Code, Codex и Mini-SWE-Agent. Это плотная языковая модель с 2,6 млрд параметров и контекстом 131 072 токена. В README указана оценка pass@1 54,2% на 250 задачах SmolDataEnvs, проверенных в четырёх средах, а также на 31,1% меньше вызовов инструментов среди пар задач, решённых и базовой моделью, и чекпойнтом. Модель принимает текст и выдаёт текст; метаданные указывают английский язык и поддержку чата. Результаты получены в одном запуске на конкретном наборе задач и версиях сред; авторы отмечают, что выбор лучшего чекпойнта опирался на этот тестовый набор. Для воспроизведения результатов нужны агентная среда и инструменты, а обычный чатовый запрос не эквивалентен оценке. Веса опубликованы в safetensors; лицензия обозначена в метаданных как other, без уточнения условий в предоставленной карточке.

LiLM1-230M — компактная причинная языковая модель, разработанная Akshay Gautam для управляемого использования инструментов и диалогов. Она содержит около 218,1 млн параметров, использует собственную архитектуру LiLM и принимает контекст длиной до 4 096 токенов. Для загрузки через Transformers требуется включить trust_remote_code=True. Модель предназначена для генерации текста и сценариев, где модель предлагает вызовы инструментов, а внешний контроллер проверяет их схему, обязательные поля, разрешения и результат. В README указано, что при обучении этой версии лучше сработало соотношение общего и инструментального текста 4:8. В опубликованных оценках результаты зависят от задачи: например, показатели на IFEval и GSM8K ниже, чем у некоторых моделей сравнения в таблице README. Модель поддерживает английский язык. Распространяется по лицензии Apache-2.0. README рекомендует не допускать самостоятельного выполнения consequential-действий без контроля и не превышать длину контекста 4 096 токенов.

ZhangYuchi/modelbest-Qwen-2.5-Omni-7B-SFT-with-DPO — мультимодальная модель семейства Qwen2.5-Omni, разработанная ZhangYuchi. Это полнопараметрическая DPO-настройка SFT-модели для бенчмарка OmniGAIA и агентных вопросов с несколькими ходами и использованием инструментов. Модель предназначена для рассуждений по видео, аудио и изображениям, а также для работы с внешними инструментами поиска и анализа медиа. Модель основана на Qwen/Qwen2.5-Omni-7B; веса сохранены в формате safetensors. README указывает, что это checkpoint-60, обученный на парах предпочтений из собственных траекторий SFT-модели; использовано 962 пары из семи из восьми частей данных. Метаданные указывают языки английский и китайский, библиотеку Transformers и лицензию Apache-2.0. Базовая модель поддерживает диалог с текстом, изображениями, аудио и видео и может выдавать текстовые и речевые ответы. Модель подходит для мультимодальных вопросов и ответов с применением инструментов, включая поиск в интернете и активное восприятие медиа. Результаты OmniGAIA зависят от случайного seed и траекторий использования инструментов; улучшение от DPO не проявляется на каждом seed. README также отмечает ошибки восприятия длинного аудио и визуальных объектов, дрейф веб-поиска и зависимость оценок от LLM-судьи. Модель наследует ограничения базовой Qwen2.5-Omni-7B.

posttrainllm/qwen3-4b-file-ops-distilled — специализированная плотная языковая модель семейства Qwen3, созданная posttrainllm дообучением Qwen/Qwen3-4B-Instruct-2507 методом дистилляции траекторий. Модель предназначена для многошаговых операций с файлами и каталогами через вызов инструментов: работы с путями и именами, создания, перемещения и удаления файлов, а также навигации по файловой системе. Её следует подключать после того, как маршрутизатор определил задачу как файловую и аргументы можно вывести из запроса. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors с точностью bf16; нативное окно контекста — 262 144 токена. В README заявлены результаты 100% на тесте file-ops hard gate и 95% на отложенном hardgen, при этом результат по задачам вне файловой области снизился с 59,6% до 42,3% относительно исходной модели. Лицензия — Apache-2.0.

SeongryongJung/qwen3-4b-tooluse-srpo-ema005 — дообученная модель на базе Qwen/Qwen3-4B, представленная как последний чекпойнт обучения global_step_100 в формате Transformers. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров и контекстом до 40 960 токенов. Она предназначена для генерации текста и сценариев использования инструментов; обучение выполнено методом SRPO на наборе данных tooluse с EMA-обновлением учителя. В README приведён лучший результат валидации mean@16 — 62,59% на шаге 40, тогда как опубликованный последний чекпойнт показал 57,26%; лучший промежуточный чекпойнт не опубликован, поэтому приведённая лучшая оценка не относится напрямую к доступным весам. Поддерживаются текстовый ввод и текстовый вывод. Лицензия — Apache-2.0.

JianhuiWei подготовил этот чекпойнт Qwen3.5-4B с помощью трёхэтапного дообучения по Pareto curriculum. Модель основана на Qwen/Qwen3.5-4B и предназначена для диалоговых сценариев с пониманием изображений и использованием инструментов; основная задача в метаданных — image-text-to-text. Чекпойнт выбран на третьем этапе обучения, на шаге 105; обучение использовало дистиллированные траектории Qwen3.5-122B с оценкой награды не ниже 0,3 и обычную невзвешенную кросс-энтропию по токенам ассистента. В репозитории есть пользовательский шаблон чата Qwen3.5 для обучения и инференса: он повторно включает непустой reasoning_content и поддерживает параллельные вызовы инструментов в формате Qwen. Для работы с SGLang шаблон следует передавать явно, чтобы сохранить соответствие формату обучения. Модель распространяется в формате safetensors; состояния оптимизатора, планировщика, тренера и генератора случайных чисел не включены. Языки, размер контекста и лицензия в предоставленных сведениях не описаны.

Qwen3-8B-Critic-SFT-CWM-only — модель-критик на основе Qwen3-8B, разработанная командой Steer, Don't Solve для контроля траекторий кодирующих агентов. Через заданные интервалы она анализирует ход работы и выдаёт структурированную критику: категории ошибок, подтверждающие их свидетельства, действие для восстановления, статус задачи и краткую рекомендацию. Модель не пишет исправления кода. Модель содержит 7,6 млрд параметров и обучена полным дообучением на 4 532 примерах критики траекторий CWM-32B; данные охватывают задачи из matplotlib, moto и sympy. Она предназначена для использования как компонент цикла агента, в частности с SWE-bench Verified. Карточка сообщает о контекстном окне 40 960 токенов; обучение проводилось с последовательностями до 32 768 токенов. Модель принимает текстовые траектории и формирует текстовую структурированную критику. В метаданных указан английский язык. В описанном авторами сравнении критик повысил долю решённых задач у двух агентов Qwen; добавление траекторий Qwen3-Next в обучающий корпус давало больший прирост. Модель распространяется под лицензией Apache-2.0. Для работы требуется подключить её к обслуживанию агента; сама по себе она не вносит изменения в код.

Qwen3-8B TMax AENV v39b, итерация 109 — чекпойнт Qwen3ForCausalLM от willamazon1 для диалоговой генерации текста и работы в многошаговых агентных сценариях. Модель инициализирована из willamazon1/qwen3-8b-tmax-sft-v3-iter353, ранее дообученной на базе Qwen/Qwen3-8B, и обучалась методом group-relative policy optimization на асинхронных траекториях взаимодействия с агентной средой. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст длиной до 40 960 токенов. Репозиторий содержит веса safetensors в формате bfloat16; чекпойнт получен конвертацией из Megatron-LM torch_dist в формат Hugging Face. В метаданных заявлен интерфейс вызова инструментов. Это промежуточная точка обучения на итерации 109; рядом опубликованы чекпойнты других итераций, позволяющие сравнивать динамику обучения. Качество и устойчивость именно этой итерации отдельно не охарактеризованы. Лицензия — Apache-2.0.

Карточка модели allenai/SAGE-MM-Qwen2.5-VL-7B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

SRIQ-MiniCPM5-2B-v1.5 — разработанная SRIQ модель, полученная дообучением openbmb/MiniCPM5-2B на наборе sriq-ai/sriq-sft-v1.5. Это плотная языковая модель с архитектурой LlamaForCausalLM и примерно 2,2 млрд параметров; она принимает текст и генерирует ответы в диалоговом формате, поддерживая контекст до 131 072 токенов. Модель предназначена для ответов на вопросы и задач рассуждения, в том числе в контексте длинных системных инструкций и агентных сценариев. Внутренние рассуждения она формулирует сжато на упрощённом китайском независимо от языка запроса, а итоговый ответ — на языке пользователя. Обучение ориентировано на проверку результата перед ответом; доступен интерфейс вызова инструментов. Карточка не приводит результатов бенчмарков, поэтому качество и прирост относительно базовой модели не подтверждены опубликованными измерениями. Сжатые рассуждения могут быть трудны для чтения, а проверочный этап сам по себе не гарантирует правильность ответа. Для работы модели следует не отключать рассуждения параметром enablethinking=False. Лицензия — Apache-2.0.

SuperQwen-AgentWorld-35B-A3B-abliterated — дообученная версия Qwen/Qwen-AgentWorld-35B-A3B от Jiunsong. Это разговорная MoE-модель семейства Qwen 3.5 для генерации текста; в карточке указаны 2,9 млрд параметров и контекст до 262 144 токенов. Модель рассчитана на симуляцию сред AgentWorld, форматирование наблюдений, выполнение инструкций, выдачу JSON и форматов вызова инструментов, а также на технические ответы на корейском языке. Поддерживает английский и корейский языки. Разработка включает постобучение для задач AgentWorld и обработку весов, направленную на сокращение необоснованных отказов в безвредных, авторизованных и защитных сценариях. В README приведены улучшения на ряде тестов относительно исходной модели, но прокси-оценка AgentWorldBench указывает на небольшое снижение относительно оригинала. Модель распространяется в формате safetensors, без необходимости подключать адаптер во время работы, под лицензией Apache-2.0.

ToolAlpaca-7B — языковая модель на архитектуре Llama, представленная как демонстрация обобщённого использования инструментов. По README, модель обучена на 3,9 тыс. симулированных примеров взаимодействия с инструментами. Она предназначена для генерации текста с вызовами инструментов в задачах, где модель должна выбрать подходящий инструмент и сформировать запрос к нему. В метаданных указаны 6,6 млрд параметров, контекст 2048 токенов и формат PyTorch. Модель разработана авторами ToolAlpaca; README ссылается на статью и код с данными, но не приводит их адреса. Языки обучения и поддерживаемые языки в карточке не обозначены. Лицензия в предоставленных данных не указана.

Bormolom — малая русскоязычная языковая модель на архитектуре GPT-2, созданная автором Vladniag путём SFT-дообучения Vladniag/Bormokrut с помощью TRL. Она предназначена для предварительной обработки сложных запросов перед созданием основного ответа: разделяет запрос на подвопросы, выделяет сущности и аспекты, строит цепочки исследовательских подзадач с ролями экспертов и формирует пошаговый план ответа со структурой блоков. Модель принимает текст и генерирует текст. Она обучена работать по шаблонам задач split, decompose и plan; контекст составляет 1536 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель полезна как узкий компонент конвейера планирования и декомпозиции запросов, но не рассчитана на роль универсального чат-ассистента. Качество зависит от корректности заданных списков экспертов и типов блоков; модель обучалась на русском языке, поэтому генерация на других языках может быть нестабильной.

Карточка модели DIYIN/ContextPilot-14B на Hugging Face совпадает с карточкой tencent/ContextPilot-14B, поэтому описание составлено по ней. ContextPilot-14B — дообученная модель Tencent на базе Qwen3-14B, разработанная для исследований проактивного управления контекстом в языковых агентах. Она обучена планировать работу с длительным контекстом, поддерживать структурированную долговременную память, извлекать полезные сведения и освобождать контекст от менее нужной информации, продолжая рассуждать и использовать инструменты. Модель содержит 14 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; заявленная длина контекста — 40 960 токенов. Модель предназначена для экспериментов с агентами на длинных задачах, включая ответы на вопросы по длинному контексту и глубокий поиск. Для управления памятью и инструментами одного чекпойнта недостаточно: требуются определения инструментов, среда агента и код из репозитория ContextPilot. Карточка указывает лицензию other, без конкретизации её условий.

Dingdust/ContextPilot-8B-heretic — дообученная версия Qwen3-8B на 7,6 млрд параметров, связанная с проектом ContextPilot, разработанным для проактивного управления контекстом у языковых агентов. Модель предназначена для длительных агентных сценариев: планирования, ведения структурированной долговременной памяти, поиска по контексту и выгрузки менее полезной информации, пока агент продолжает рассуждать и работать с инструментами. В README описаны обучение с подкреплением и оценка на вопросах по длинному контексту и задачах глубокого поиска. Модель использует плотную архитектуру Qwen3ForCausalLM, принимает текст и выдаёт текст; нативное окно контекста составляет 40 960 токенов. Для работы функций управления контекстом одной загрузки чекпойнта недостаточно: требуются определения инструментов, агентный runtime и конвейер оценки из репозитория ContextPilot. README также сообщает о снижении отказов относительно исходной модели, поэтому фильтрация нежелательных запросов может быть слабее. Лицензия указана как other, без дополнительных условий в предоставленных данных.

Qwen3-8B-Base-TauSFT-Tau — промежуточный чекпойнт на базе Qwen3-8B-Base, дообученный автором репозитория с помощью SFT на траекториях tau-bench и последующего обучения с подкреплением. Модель предназначена для агентных диалогов с использованием инструментов и задач tau-bench. Это плотная авторегрессионная языковая модель семейства Qwen3 с 7,6 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors в bf16. Модель принимает текст и генерирует текст, включая ответы и вызовы инструментов в соответствующем интерфейсе. Чекпойнт создан на основе Qwen/Qwen3-8B-Base, обучен с использованием slime, Megatron-LM и SGLang и опубликован под лицензией Apache-2.0. Он не проходил настройку безопасности, а README характеризует его как промежуточный исследовательский чекпойнт; применяются также ограничения базовой модели.

SeongryongJung публикует дообученную версию Qwen/Qwen3-8B для задач использования инструментов. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров и принимает текст для генерации текста; заявленная длина контекста — 40 960 токенов. Веса представлены в формате Safetensors и предназначены для загрузки через Transformers. Модель обучалась методом SDPO на наборе tooluse с EMA-обновлением учителя. В карточке приведены результаты валидации: лучший показатель mean@16 составил 69,21% на шаге 20, а итоговый — 60,94% на шаге 100; лучший результат относится к промежуточному шагу, а опубликован последний чекпойнт. Репозиторий распространяется по лицензии Apache-2.0.