I.14Автоматизация процессов и AI-агенты

Uraion-Agent-Small — компактная языковая модель компании Uraion Labs, дообученная на базе Qwen/Qwen3.5-2B. Она предназначена прежде всего для агентных сценариев, вызова инструментов и функций, многошагового взаимодействия с API и построения локальных циклов автоматизации. Модель обучалась методом QLoRA на наборах данных для function calling и instruction following, включая NousResearch/hermes-function-calling-v1, Salesforce/APIGen-MT-5k и mlabonne/FineTome-100k. Модель содержит около 1,9 млрд параметров, из которых при обучении через LoRA использовалось 21,8 млн обучаемых параметров. Она основана на гибридной архитектуре Qwen3.5: 24 слоя включают 18 слоёв Gated DeltaNet с линейным вниманием и 6 слоёв полного внимания. Нативная длина контекста составляет 262 144 токена. Доступны веса в формате GGUF и Transformers NF4; заявлены 4-битное NF4-квантование и поддержка английского языка. Для структурированных вызовов инструментов используется парсер qwen3_coder. Сильными сторонами модели являются небольшой размер, возможность локального развертывания и специализация на структурированном tool calling, что делает её подходящей для локальных агентов, API-композиции и запуска на потребительском оборудовании. При этом GGUF-файлы в репозитории имеют известную проблему с формами некоторых тензоров и могут не загружаться в llama.cpp без дополнительной конвертации. Для архитектуры qwen35 требуется свежая версия llama.cpp, а NF4-веса медленно работают на CPU, поэтому для них предпочтительно GPU-развертывание. Модель распространяется по лицензии Apache 2.0, унаследованной от Qwen3.5.

xLAM-7b-r — языковая модель Large Action Model семейства xLAM, разработанная Salesforce для общего использования инструментов и построения AI-агентов. Она преобразует запросы пользователя в планы и структурированные вызовы инструментов, чтобы автоматизировать многошаговые рабочие процессы. Модель основана на плотной архитектуре MistralForCausalLM и содержит около 7,1 млрд параметров. Она принимает текст и генерирует текст, включая вызовы функций в JSON-подобном формате; поддерживает многошаговый диалог и контекст до 32 768 токенов. В карточке модели указан английский язык, а среди данных обучения — Salesforce/xlam-function-calling-60k. Для получения результатов разработчик рекомендует использовать предоставленный формат промпта и вспомогательные функции. Выпуск обозначен как предназначенный исключительно для исследований. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Apodex-1.1-mini — reasoning-first модель для сложных исследовательских и агентских задач, разработанная Apodex AI на базе Qwen/Qwen3.5-35B-A3B. Модель предназначена для долгих многоэтапных сценариев: работы с научными статьями, наборами данных, таблицами, изображениями и кодом, выполнения анализа, использования инструментов и подготовки проверяемых результатов. Она поддерживает английский и китайский языки и относится к моделям генерации текста. Модель рассчитана на агентское использование с нативным вызовом функций, планированием, координацией параллельных подагентов и сохранением состояния задачи. В экосистеме Apodex предусмотрены проверка утверждений по источникам, данным и вычислениям, а также корректировка результатов при обнаружении недостаточных или противоречивых доказательств. Заявленный контекст составляет до 262144 токенов, рекомендуемый лимит генерации — до 32768 токенов. Сильные стороны модели — выполнение комплексных задач от исходных материалов до итоговых артефактов, работа с инструментами и встроенная проверка результатов. Ограничения связаны с тем, что качество зависит от настроек серверного развёртывания, доступных инструментов и корректности внешних данных; точные сведения о числе параметров и внутренней архитектуре в карточке не указаны. Модель распространяется по лицензии Apache 2.0.

Arch-Function-3B — языковая модель компании Katanemo, дообученная для вызова функций и API по запросам на естественном языке. Она анализирует описания функций и их параметры, выбирает подходящую функцию и формирует структурированный вывод, пригодный для автоматического выполнения. Модель рассчитана на интеграцию в чат-ботов, прокси-серверы и автоматизированные backend-сценарии; в карточке отмечены чат и интерфейс вызова инструментов. Модель основана на Qwen/Qwen2.5-Coder-3B-Instruct, использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. README рекомендует использовать специальный формат промпта для получения JSON-подобных вызовов функций и описывает оценку на Berkeley Function-Calling Leaderboard. Лицензия указана как other, поэтому конкретные условия следует проверять в карточке репозитория.

ASTRA-32B-Thinking-v1 — дообученная модель на основе Qwen/Qwen3-32B, представленная авторами работы ASTRA: Automated Synthesis of Agentic Trajectories and Reinforcement Arenas. Это плотная языковая модель семейства Qwen3 на 29,7 млрд параметров с контекстом до 133 120 токенов, предназначенная для многошаговых задач с вызовом инструментов и структурированными рассуждениями. Модель обучали в два этапа: на примерах многоходового использования инструментов, а затем с помощью обучения с подкреплением и проверяемыми наградами в исполняемых средах. Модель рассчитана на агентные сценарии: планирование последовательностей вызовов инструментов, работу с их схемами и выполнение сложных задач в несколько шагов. В README заявлен результат уровня state of the art на многоходовой подвыборке BFCL-V3 для сопоставимого масштаба моделей. Метаданные также указывают интерфейс диалога и вызова инструментов. Модель распространяется под лицензией Apache-2.0; авторы описывают её как предназначенную для исследований и обучения и снимают с себя ответственность за последствия использования.

Athene-V2-Agent — языковая модель Nexusflow для агентных сценариев и вызова функций, дообученная на Qwen2.5-72B-Instruct. Она планирует последовательности действий с несколькими вызовами инструментов, включая задачи со сложными зависимостями, и формирует вызовы функций, которые приложение может выполнить и вернуть модели для продолжения работы. Модель также поддерживает диалог и генерацию текста; заявленные в карточке результаты относятся к тестам вызова функций и агентных задач. Модель имеет плотную архитектуру Qwen2, содержит 71,5 млрд параметров и поддерживает контекст до 32 768 токенов. README рекомендует запускать её через специальный Docker-образ Nexusflow с vLLM: формат промптов в нём настроен для извлечения исполняемых вызовов из планирования модели; стандартный шаблон чата Hugging Face может снизить качество агентной работы. Для предсказуемого поведения также рекомендуются отключённая случайная выборка и нулевая температура. Указана лицензия Nexusflow Research License; метаданные обозначают её как «other», поэтому условия следует сверять с текстом лицензии репозитория.

elephant-embeddings-v1-text-small — многоязычная модель эмбеддингов от vllm-sr для поиска по смыслу, извлечения знаний и рабочих процессов ИИ-агентов. Это дообученная ModernBERT-модель с 306,9 млн параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors, библиотека — Sentence Transformers. Модель формирует векторные представления текста и поддерживает 2D Matryoshka: размерность можно выбирать, в частности 64, 256 или 768, с компромиссом между качеством и затратами. Модель предназначена для семантического поиска по длинным заметкам и документам, извлечения из базы знаний, поиска по памяти агента, сопоставления запросов с инструментами и маршрутизации задач. README приводит результаты MTEB и STS, но они не гарантируют качество для каждого набора данных или сценария. Длинные входы увеличивают затраты на вычисления и память, а сокращение размерности или слоёв может снизить качество; для некоторых задач может потребоваться отдельная настройка. Лицензия — Apache-2.0.

Fara-TARS-7B — мультимодальная модель-агент, созданная слиянием Microsoft Fara-7B и ByteDance-Seed UI-TARS-1.5-7B. Она сочетает планирование и генерацию текстовых рассуждений с анализом скриншотов и выдачей действий для графического интерфейса, например координат клика или команды ввода текста. Модель содержит 7,1 млрд параметров, построена на архитектуре Qwen2.5-VL, принимает изображения и текст и выдаёт текстовые ответы и команды агента. Контекст — до 128 000 токенов; модель рассчитана на английские инструкции. Подходит для автоматизации веб-сайтов и настольных интерфейсов, сопоставления текстовых инструкций с элементами на экране и составления планов. Для корректной работы с агентскими командами README требует заданный системный промпт и конфигурацию генерации; без них модель может выдумывать названия инструментов. На очень длинных списках возможны повторы. Лицензия — Apache-2.0.

Карточка модели meetkai/functionary-medium-v2.4 на Hugging Face совпадает с карточкой meetkai/functionary-small-v2.4, поэтому описание составлено по ней. meetkai/functionary-small-v2.4 — языковая модель MeetKai для диалогов с вызовом функций и плагинов. Она построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель выбирает, когда вызывать инструменты, извлекает имена функций и аргументы из их JSON Schema-описаний, может запускать вызовы последовательно или параллельно и формировать ответы с учётом результатов. Она также поддерживает обычные ответы без вызова инструментов и сценарии с интерпретатором кода. В README приведён результат 83,07% точности вызова функций на наборе SGD для версии small-v2.4. Для форматирования диалога предусмотрен шаблон v2PromptTemplate; в карточке рекомендуется запуск через OpenAI-совместимый сервер vLLM. Доступный репозиторий использует формат safetensors. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

FunReason-MT-4B — языковая модель Bingguang для многошагового вызова функций и работы с инструментами в агентных сценариях. Она дообучена методом RL на базе Qwen3-4B-Instruct-2507 с использованием синтетического набора из 16 000 многоходовых примеров, созданных по методике FunReason-MT. Модель предназначена для диалогов, в которых нужно выбрать инструменты, сформировать запросы к ним и последовательно выполнить действия. В README приведены результаты оценок на BFCLv3 и BFCLv4 OOD; они характеризуют тестирование, но не гарантируют качество в конкретном приложении. Архитектура — плотная Qwen3ForCausalLM, размер — около 3,7 млрд параметров, формат весов — safetensors, контекст — до 262 144 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Для корректной работы с инструментами приложению требуется соответствующий интерфейс вызова функций; результаты также зависят от описаний инструментов и используемой среды.

Holo1-3B — мультимодальная модель зрения и языка с выводом действий, разработанная HCompany для веб-агента Surfer-H. Это дообученная версия Qwen/Qwen2.5-VL-3B-Instruct: модель принимает изображение интерфейса и текстовую инструкцию, чтобы находить элементы управления, возвращать координаты клика и выдавать структурированные ответы для навигации по веб-сайтам. Модель предназначена для автоматизации задач в браузере и визуальной локализации элементов пользовательского интерфейса. HCompany сообщает о результатах на WebVoyager и бенчмарках ScreenSpot, GroundUI-Web и WebClick; в Surfer-H модель может выполнять роль планировщика, локализатора или проверяющего. Архитектура — Qwen2.5-VL, около 3,1 млрд параметров, контекст — до 128 000 токенов; метаданные указывают поддержку английского языка. Для координат клика важно учитывать изменение размера изображения процессором, иначе координаты могут не совпасть с исходным интерфейсом. Модель опубликована в формате safetensors для Transformers. В метаданных лицензия обозначена как other, а README не уточняет её условия, поэтому условия использования следует проверять на странице репозитория.

Holo2-8B — мультимодальная модель для управления цифровыми интерфейсами, разработанная H Company. Она дообучена на базе Qwen/Qwen3-VL-8B-Thinking и принимает изображения экранов и текстовые инструкции, чтобы распознавать элементы интерфейса, рассуждать о содержимом и предлагать действия для выполнения многошаговых задач в браузере, на компьютере и мобильных устройствах. Модель относится к семейству Qwen3-VL и использует плотную архитектуру; размер — 8 млрд параметров. Обучение включало контролируемую настройку на данных понимания интерфейсов и предсказания действий, а затем онлайн-обучение с подкреплением. В README приведены результаты на WebVoyager, WebArena, OSWorld и AndroidWorld, а также бенчмарках локализации элементов экрана. Holo2-8B предназначена для навигации и выполнения задач в графических интерфейсах, включая поиск и привязку кнопок, полей и ссылок. Это основа для агентов компьютерного управления; модель сама по себе не гарантирует безопасное или успешное выполнение действий во всех приложениях и средах. Контекстное окно в предоставленных данных не указано. Лицензия — Apache 2.0.

Holo3.1-9B — мультимодальная модель H Company для агентной работы с графическими интерфейсами. Она основана на семействе Qwen 3.5 и предназначена для управления браузером, настольными и мобильными приложениями, автоматизации бизнес-процессов и привязки действий к элементам интерфейса. Модель принимает текст и изображения и генерирует текстовые ответы, включая вызовы функций для интеграции с агентными системами. В карточке указана архитектура Qwen3_5ForConditionalGeneration и формат весов Safetensors; метаданные связывают модель со слиянием нескольких базовых моделей Qwen 3.5. В карточке описано семейство размеров от 0,8 до 35 млрд параметров, но отдельный размер этого чекпойнта не подтверждён метаданными. Указана лицензия Apache 2.0. Заявления о высокой производительности сопровождаются упоминанием бенчмарков, но численные результаты в доступном тексте не приведены.

Jedi-3B-1080p — мультимодальная модель xlangai для анализа пользовательских интерфейсов и grounding элементов управления на скриншотах. Она основана на Qwen2.5-VL-3B-Instruct и представлена в работе «Scaling Computer-Use Grounding via User Interface Decomposition and Synthesis». Модель принимает изображения интерфейсов и текстовые инструкции, а в ответ формирует текст, помогающий агенту определить нужный элемент интерфейса. Архитектура — плотная Qwen2.5-VL с 3,1 млрд параметров; контекст — до 128 000 токенов. README рекомендует запуск через vLLM и соблюдение шаблона computer-use agent для Qwen2.5-VL, а также внимательный выбор размера изображения. Модель опубликована под лицензией Apache-2.0.

Petrouil/LFM2.5-Mosaic-900M-A500M-Base — агентный текстовый ассистент на архитектуре Mixture-of-Experts, разработанный на основе замороженной базовой модели LiquidAI/LFM2.5-350M-Base. В модель добавлены десять MoE-слоёв; карточка указывает 921 млн параметров всего и около 543 млн активных на токен, тогда как метаданные каталога сообщают 444,6 млн параметров. Модель рассчитана на вызов инструментов, функции и многошаговые диалоги с инструментами, а также обычное общение и следование инструкциям в цикле ассистента с подключёнными инструментами. Она генерирует структурированные вызовы инструментов в JSON или в нативном формате LFM2.5. Модель принимает и генерирует текст, поддерживает английский язык и имеет контекстное окно 128 000 токенов. Она дообучена на данных для агентных сценариев, включая траектории вызова инструментов, обслуживание клиентов и поиск в интернете, а также на наборах разговоров и инструкций. Слабые стороны — ограниченные общие знания и рассуждения на длинном горизонте, возможные повторы в длинной генерации и мягкая маршрутизация между экспертами. Указана пользовательская лицензия; перед коммерческим распространением следует проверить её условия.

Empower Functions Model v1.1 — большая языковая модель семейства Empower Functions от empower.dev, предназначенная для диалогов с вызовом инструментов и функций. Это плотная авторегрессионная модель архитектуры Llama с 69,5 млрд параметров, дообученная на базе meta-llama/Meta-Llama-3.1-70B-Instruct. Она поддерживает контекст до 131 072 токенов и совместима с Transformers в формате safetensors. Модель может сама выбирать между ответом пользователю и вызовом инструмента, выполнять параллельные и последовательные вызовы функций, работать в потоковом режиме и вести длинные диалоги. В README заявлены высокие результаты на Berkeley Function Calling Leaderboard; это утверждение разработчика для оценки, зафиксированной 10 сентября 2024 года. Для запуска версии large разработчик указывает конфигурацию из четырёх GPU A100 с 80 ГБ памяти в режиме fp16. Модель распространяется по лицензии Apache-2.0. README не сообщает конкретные языки обучения или поддержки, поэтому языковую область здесь нельзя уточнить.

Empower Functions v1.1 — плотная причинная языковая модель семейства Llama, разработанная Empower и дообученная на базе Meta Llama 3.1 8B Instruct для использования функций и инструментов в диалоге. Модель содержит около 7,5 млрд параметров, принимает текст, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель подходит для автоматического выбора момента вызова инструмента, формирования вызовов функций, параллельных и последовательных вызовов нескольких инструментов, а также обычного общения между вызовами. Предусмотрена потоковая генерация; карточка отмечает применение в длинных разговорах. Модель можно запускать локально или через размещённый API; для версии FP16 разработчик указывает проверку на одном A100 с 40 ГБ памяти, а для GGUF — на MacBook M2 Pro с 32 ГБ ОЗУ. README заявляет высокие результаты на Berkeley Function Calling Leaderboard по оценке от 10 сентября 2024 года, но не приводит численных метрик. Указанные возможности относятся к работе с инструментами через текстовый интерфейс; карточка не подтверждает мультимодальный ввод. Язык модели отдельно не указан в предоставленных метаданных и README.

FireFunction V2 — языковая модель Fireworks AI для диалогов и вызова функций, дообученная на Llama 3. Она построена на плотной архитектуре Llama, содержит 69,5 млрд параметров и принимает текстовый контекст длиной до 8192 токенов. Модель поддерживает обычные инструкции и чат, одиночный и параллельный вызов функций, а также извлечение структурированной информации; в одном запросе можно описать до 20 функций. В карточке Fireworks сообщает о результатах, сопоставимых с GPT-4o на наборе публичных оценок вызова функций, и об улучшении относительно FireFunction v1. Модель не оптимизирована для сотен описаний функций или вложенных вызовов. Лицензия указана как llama3; применение следует сверять с её условиями.

Groq Llama-3-Groq-70B-Tool-Use — языковая модель Groq на архитектуре Llama 3, дообученная с помощью полного fine-tuning и Direct Preference Optimization на базе Meta Llama 3 70B. Модель содержит 69,5 млрд параметров, принимает и генерирует текст, поддерживает контекст до 8192 токенов и рассчитана прежде всего на английский язык. Модель предназначена для вызова функций и инструментов: взаимодействия с API, манипуляций со структурированными данными и выполнения сложных последовательностей действий через инструменты. В README указан результат 90,76% на Berkeley Function Calling Leaderboard. Для общих знаний и свободного диалога специализированная настройка может быть менее подходящей; ответы могут быть неточными или предвзятыми, а результат чувствителен к настройкам temperature и top_p. Модель распространяется по лицензии Meta Llama 3 Community License. README описывает её применение в исследованиях и разработке сценариев использования инструментов.

Groq Llama-3-Groq-8B-Tool-Use — языковая модель, разработанная Groq на основе Meta Llama 3 8B и дообученная полным fine-tuning и Direct Preference Optimization (DPO) для вызова инструментов и функций. Это плотный авторегрессионный трансформер с 7,5 млрд параметров; он принимает и генерирует текст, поддерживает диалог и рассчитан прежде всего на английский язык. Длина контекста — 8192 токена. Модель предназначена для сценариев, где языковая модель выбирает инструменты и формирует структурированные вызовы: взаимодействия с API, манипуляции структурированными данными и многошаговое использование инструментов. В README приведён результат 89,06% на Berkeley Function Calling Leaderboard; это заявленный разработчиком показатель. Для общих вопросов и открытой генерации автор рекомендует выбирать универсальную модель. Качество может зависеть от настроек sampling, а ответы могут быть неточными или предвзятыми. Модель распространяется по лицензии Meta Llama 3 Community License; перед использованием необходимо учитывать её условия и ограничения.

Nemotron-Orchestrator-8B — языковая модель на основе decoder-only Transformer, разработанная NVIDIA и Университетом Гонконга для координации инструментов и экспертных моделей при решении сложных многошаговых задач. Она дообучена на Qwen/Qwen3-8B методом GRPO и содержит около 7,6 млрд параметров; нативный размер контекста — 40 960 токенов. Модель предназначена для агентных сценариев с несколькими ходами: выбора и вызова инструментов, включая поиск и выполнение кода, а также передачи задач другим языковым моделям. В карточке заявлены обучение с учётом точности, стоимости, задержки и предпочтений пользователя и способность работать с незнакомыми наборами инструментов. Основной указанный язык — английский. По данным карточки, на Humanity’s Last Exam модель набрала 37,1%; также заявлены результаты на FRAMES и τ²-Bench. Эти показатели приведены разработчиками и сами по себе не гарантируют аналогичное качество в конкретном приложении. Модель предназначена для исследований и разработок; распространяется по лицензии NVIDIA.

NVIDIA-Nemotron-3-Super-120B-A12B-FP8 — большая языковая модель, разработанная NVIDIA Corporation. Она предназначена для агентных рабочих процессов, рассуждений, диалоговых приложений, использования инструментов, систем RAG и высоконагруженных сценариев, включая автоматизацию ИТ-заявок. Модель поддерживает английский, французский, немецкий, итальянский, японский, испанский и китайский языки, а режим рассуждений можно включать или отключать через шаблон чата. Модель использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture-of-Experts, отдельными слоями Attention и механизмом Multi-Token Prediction для ускорения генерации. Она содержит 120 млрд параметров, из которых 12 млрд активны при обработке запроса, поддерживает контекст до 1 млн токенов и поставляется в формате FP8. Встроенная MTP-голова поддерживает speculative decoding. Для работы требуется минимум две видеокарты H100 с 80 ГБ памяти. К сильным сторонам относятся большой контекст, поддержка многоязычных и агентных сценариев, конфигурируемое рассуждение, высокая эффективность разреженной архитектуры и возможность применения в коммерческих системах. Ограничениями являются значительные требования к аппаратным ресурсам, а также необходимость учитывать особенности лицензии и настройки инференса; в README рекомендуется использовать temperature 1.0 и top_p 0.95. Использование модели регулируется NVIDIA Nemotron Open Model License; заявлена готовность к коммерческому применению.

Nemotron-3-Super-120B-A12B-NVFP4 — большая языковая модель NVIDIA для диалога, рассуждений и работы в агентных системах. Она предназначена для разработчиков чат-ботов, RAG-систем и ИИ-приложений, включая автоматизацию IT-заявок, сложное следование инструкциям и анализ длинных контекстов. Модель использует гибридную архитектуру LatentMoE на основе Mamba-2, смеси экспертов и слоёв внимания, а также Multi-Token Prediction для ускорения генерации. Всего в ней 120 млрд параметров, из которых активны 12 млрд; заявленная длина контекста — до 1 млн токенов. Веса представлены в NVFP4, при этом репозиторий содержит файлы Safetensors и рассчитан на работу с Transformers. Модель поддерживает английский, французский, немецкий, итальянский, японский, испанский и китайский языки; в карточке также заявлены сценарии с кодом. NVIDIA указывает, что модель готова к коммерческому использованию; метаданные обозначают лицензию как other, поэтому конкретные условия следует сверить с лицензией репозитория. К возможным ограничениям относятся потребность в мощном оборудовании для обслуживания модели и зависимость качества ответов от задачи и контекста.

rubra-ai/Qwen2-7B-Instruct — дообученная компанией Rubra модель Qwen2-7B-Instruct для диалогов и многошагового вызова функций и инструментов. Модель основана на плотной авторегрессионной архитектуре Qwen2, содержит 8 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текстовые ответы и вызовы инструментов. Модель предназначена для чат-ботов и агентных сценариев, где ассистент выбирает функции, передаёт им аргументы, получает результаты и продолжает диалог. В README указано, что модель прошла дополнительное постобучение с замороженными параметрами и DPO на закрытом наборе данных с примерами вызова функций, диалогов и инструкций. Заявлена лицензия Apache-2.0. Модель может выдавать предвзятые или ошибочные ответы; результаты в чувствительных и критически важных сценариях требуют проверки. Языковые метаданные карточки указывают английский и китайский, но README не уточняет качество поддержки каждого языка.

Qwen3-32B-AWorld — плотная языковая модель на 29,7 млрд параметров, дообученная InclusionAI на базе Qwen/Qwen3-32B. Она предназначена для агентных сценариев: ведения диалога, решения сложных задач с помощью внешних инструментов и точного формирования вызовов инструментов. В README заявлены высокие результаты на бенчмарке GAIA, включая pass@1 выше GPT-4o и сопоставимый с DeepSeek-V3; это утверждение разработчика, а подробности оценки не приведены. Модель принимает текст и выдаёт текст, включая вызовы инструментов в совместимом с OpenAI API формате. Используется архитектура Qwen3ForCausalLM, формат весов — safetensors, библиотека — Transformers; заявленная длина контекста составляет 131 072 токена. Для работы с инструментами при запросе нужно передавать описания доступных инструментов. Модель распространяется по лицензии Apache-2.0.

Карточка модели Tongyi-MiA/UI-Ins-32B на Hugging Face совпадает с карточкой Tongyi-MiA/UI-Ins-7B, поэтому описание составлено по ней. UI-Ins-7B — мультимодальная модель Tongyi-MAI для привязки инструкций к элементам графического интерфейса. Она принимает скриншот и текстовую инструкцию, анализирует экран и выдаёт координаты целевого элемента для GUI-агента, например кнопки, которую нужно нажать. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. По карточке, обучение прошло в два этапа: SFT на разнообразных синтезированных инструкциях, затем обучение с подкреплением для выбора и сочетания стратегий рассуждения. Авторы сообщают о высоких результатах на пяти бенчмарках GUI-grounding; UI-Ins-7B также показала 74,1% успешных выполнений в AndroidWorld в роли исполнителя. Модель предназначена для визуального поиска элементов интерфейса и работы GUI-агентов. Она основана на Qwen/Qwen2.5-VL-7B-Instruct и распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README содержит пример загрузки базовой модели Qwen2.5-VL, поэтому для воспроизведения описанного инференса следует учитывать это требование.

WebBrain VL 2 450M — компактная визуально-языковая модель, разработанная WebBrain на основе LiquidAI/LFM2.5-VL-450M. Она принимает снимок окна браузера и формирует структурированное наблюдение из шести разделов для последующего планировщика автоматизации: описывает видимый текст и элементы интерфейса, поля и состояние форм, диалоги, ошибки, индикаторы загрузки, баннеры согласия, CAPTCHA и блокирующие элементы. Модель дообучена методом supervised LoRA на 50 000 примерах с последующим объединением адаптера с базовой моделью; опубликованы объединённый чекпойнт Transformers и соответствующий LoRA-адаптер. В метаданных указаны архитектура LFM2-VL, библиотека Transformers и формат safetensors. Модель предназначена для описания браузерных экранов и передачи наблюдений агенту, который планирует автоматизацию. На указанном в README наборе из 100 случаев версия v2 получила 36 строгих прохождений и среднюю оценку по рубрике 74,99%; это результат конкретного теста, а не гарантия качества в других интерфейсах. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с файлами репозитория. Модель не заменяет универсальную большую VLM и не должна служить основанием для действий с паролями, платежами, идентификацией или другими решениями с высокими последствиями.

ZOZ-Function-Master-3B — дообученная модель на 3,1 млрд параметров на базе Qwen2.5-3B-Instruct, разработанная для вызова функций, выбора инструментов и генерации структурированных JSON-ответов. Она использует плотную архитектуру Qwen2 и рассчитана на сценарии с агентами и локальное развёртывание; заявленная длина контекста — 32 768 токенов. Модель принимает текст и генерирует текст, включая аргументы вызовов функций и JSON. В карточке заявлены проверки типов, параллельные вызовы инструментов и разбор вложенных структур; приведённый общий результат тестирования — 83,3%, поэтому безошибочное соблюдение схем не гарантируется. Указана лицензия Apache-2.0.

OpenCSG Agentic-30B-A3B — первая модель серии OpenCSG Agentic, дообученная для локальных и корпоративных ИИ-агентов, выполнения Skills и работы с инструментами. Она предназначена для сценариев, где агенту нужно следовать инструкциям, выбирать навык, формировать аргументы, анализировать ответы инструментов и выполнять многошаговые задачи в нескольких системах. В основе лежит Qwen/Qwen3-30B-A3B с архитектурой MoE Qwen3MoeForCausalLM: в README указаны 30,53 млрд параметров всего и около 3,3 млрд активных на токен, 128 экспертов и 8 активных экспертов. Модель выпущена в BF16, поддерживает контекст до 40 960 токенов и ориентирована на китайский и английский языки. Для запуска авторы приводят измерения на одной NVIDIA A800 80 ГБ с vLLM. Сильная сторона модели — обучение на сценариях вызова инструментов и восстановления после ошибок; среди приведённых удачных примеров — управление почтой и календарём, CRM и планирование проектов. Оценка Agentic Eval также показывает заметное снижение результатов на сложных, длинных и межсистемных задачах, особенно на китайском языке. Авторы рекомендуют проверять результаты и требовать подтверждения человека для чувствительных операций. Лицензия указана как other; условия использования следует сверять с лицензионным соглашением репозитория.

AgentTrek-1.0-32B — языковая модель для веб-агентов, разработанная авторами проекта AgentTrek и дообученная на базе Qwen2.5-32B-Instruct. Она предназначена для выполнения задач в интернете и генерации траекторий действий агента, в том числе с опорой на веб-руководства. Модель плотная, содержит 32 млрд параметров, принимает текст и выдаёт текст; заявленный контекст — 32 768 токенов. В метаданных указаны диалоговый режим и интерфейс вызова инструментов, язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает точные результаты на тестах или перечень поддерживаемых веб-сайтов.