I.14Автоматизация процессов и AI-агенты

CharlieLLL/Qwen3-1.7B-BrowseComp-Worker-SFT-iter1366-0916 — дообученная методом SFT плотная языковая модель семейства Qwen3, созданная на базе Qwen/Qwen3-1.7B. Это полноточный BF16-чекпойнт, подготовленный для оценки в роли worker под управлением оркестратора в задачах поиска и ответа на вопросы BrowseComp и DR9K. Самостоятельные показатели модели README не приводит: опубликованные результаты получены в составе систем с оркестраторами и инструментами поиска. Модель имеет 1,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. В README указано, что это SFT-чекпойнт, а не RL-чекпойнт; детали обучающей смеси и оптимизатора не подтверждены. Репозиторий распространяется под лицензией Apache-2.0.

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.

SAM (Small Agentic Model) — языковая модель SuperAGI, созданная дообучением Mistral 7B для пошагового рассуждения и разбиения задач на подзадачи. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Она принимает инструкции в формате [INST] и генерирует текстовые ответы; в карточке заявлена поддержка английского языка. Модель предназначена для задач, где требуется разложить инструкцию на этапы и выполнить рассуждение, в том числе для математических задач и вопросов на понимание. Авторы сообщают о результатах на GSM8k и ARC-C, однако README не приводит численных оценок. SAM обучалась командой SuperAGI на Mistral 7B в течение одного эпоха с использованием сгенерированных открытыми моделями данных. Распространяется по лицензии Apache-2.0. Авторы предупреждают, что модель хуже подходит для обычного диалога и простых вопросов и ответов. У неё нет механизмов модерации и защитных ограничений; возможны токсичность, социальные предубеждения и ошибки, поэтому авторы не рекомендуют её для производственного применения без дополнительной оценки и мер безопасности.

Uirapuru U1 0817 — экспериментальный языковой ассистент от SynastrIA Networks, обновлённая версия Uirapuru U1. Модель построена на архитектуре Qwen3.5 и дообучена с адаптером LoRA повышенного ранга; поддерживает диалог и интерфейс вызова инструментов. В карточке Hugging Face указаны языки: бразильский португальский и английский. Модель предназначена для разговорных ассистентов, следования инструкциям, многошаговых задач и агентных рабочих процессов. Обновление нацелено на более последовательное поведение, рассуждения, идентичность модели и естественную неформальную речь на бразильском португальском. В отличие от предыдущих экспериментов, адаптивное управление мышлением не используется. Модель может ошибаться, выдумывать факты, неверно понимать инструкции и нестабильно выполнять сложные задачи; за пределами португальского и английского её качество может быть ниже. Для важных решений необходимы проверка результатов и человеческий контроль. Лицензия — Apache-2.0.

browser-use_bu-30b-a3b-preview-GGUF — GGUF-квантизированная версия модели bu-30b-a3b-preview, разработанной browser-use. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для сценариев browser use, однако README не содержит подробного описания её прикладных возможностей или результатов оценки. Доступны варианты от полноразмерных BF16-весов объёмом 61,10 ГБ до квантизаций Q3–Q8 и IQ. Наиболее качественными и рекомендуемыми названы варианты Q6_K и Q6_K_L; Q4_K_M указан как типичный вариант для большинства сценариев. Модель описана как image-text-to-text и поддерживает английский язык, но сведения об архитектуре, числе активных и общих параметров, длине контекста и фактических визуальных возможностях не приведены. Модель можно запускать через LM Studio, llama.cpp и другие совместимые проекты. Ключевое преимущество — широкий выбор уровней квантизации для компромисса между качеством и требованиями к памяти; ограничение — возможное снижение качества в младших вариантах и отсутствие подробных данных о производительности. Лицензия в README не указана.

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.

Devloop4545/functiongemma-270m-it-simple-tool-calling — дообученная с помощью TRL модель Google FunctionGemma для генерации текста. Она предназначена для простых сценариев вызова инструментов и функций, а также диалогового взаимодействия; в карточке приведён пример генерации ответа на вопрос пользователя. Модель построена на плотной текстовой архитектуре Gemma 3 и содержит 257 млн параметров. Родительская модель — google/functiongemma-270m-it. Модель принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Она подходит для создания компактных специализированных агентов, которым нужно выбирать или вызывать функции. Сведений о поддерживаемых естественных языках и лицензии в предоставленных данных нет.

MemGPT-DPO-MoE-test — тестовый релиз модели, разработанной @starsnatched для работы в качестве языковой модели агентов MemGPT. Это декодерный трансформер на базе Mistral 7B Instruct с архитектурой Mixture of Experts: в README указано два эксперта на токен. Репозиторий содержит веса в формате safetensors; размер модели — 7,1 млрд параметров. Модель предназначена для генерации текста и вызова функций в сценариях MemGPT, включая использование в качестве базовой модели агента. Карточка сообщает о сопоставимых с GPT-4 результатах при работе с MemGPT, но не приводит методику или подробные оценки. README описывает контекст до 8 192 токенов, тогда как метаданные указывают нативный контекст 32 768 токенов. Модель рассчитана на английский язык и использует формат запросов ChatML. Автор предупреждает о возможных ненадёжных, небезопасных или предвзятых ответах и рекомендует проверять результаты. Лицензия — Apache-2.0.

SC117 публикует квантизированные сборки GGUF модели Nex-N2-mini, агентной мультимодальной MoE-модели на базе Qwen3.5, разработанной Nex-AGI. Сборки используют APEX — смешанную квантизацию с учётом структуры MoE, которая назначает разную точность экспертным, общим и внимательным слоям. Доступны варианты GGUF в BF16 и F16, а также несколько уровней квантизации; README заявляет, что APEX при меньшем размере превосходит обычную квантизацию по перплексии, но подробности таблиц характеристик и результатов опущены. Модель предназначена для диалогов с изображениями и агентных сценариев. Её можно запускать через llama.cpp; для режима рассуждений требуется пропатченная сборка llama.cpp от Nex. Для работы с изображениями нужен отдельный файл mmproj. README приводит пример с контекстом 32768 токенов, однако это параметр запуска, а не подтверждённая нативная длина контекста модели. Модель унаследована от Nex-N2-mini, с которым каталог связывает программирование, вызов инструментов и выполнение длительных задач. Репозиторий распространяется по лицензии Apache-2.0. README предупреждает, что изменение встроенного шаблона чата может ухудшить качество ответов; для стандартного llama.cpp предлагается отдельная версия с исправленным шаблоном, также с оговоркой о возможной потере качества. Поддерживаемые языки и точное число параметров в доступных материалах не подтверждены.

Nova-1.1-0.8B — компактная англо-русская диалоговая модель HyperAI на базе HyperAiCorp/Nova-1-0.8B с архитектурой Qwen3_5ForConditionalGeneration. Это дообученный и объединённый с базовой моделью BF16-чекпойнт для Transformers; он сохраняет унаследованный от базы vision encoder, однако основная настройка этой версии посвящена диалогу и вызову функций. Размер модели — 0,8 млрд параметров. Модель предназначена для лёгких ассистентских приложений и сценариев, где нужно выбирать подходящий инструмент и формировать вызовы в JSON, XML или текстовом протоколе, не вызывая инструмент для обычных вопросов. Внутренние тесты разработчика показали улучшение качества tool calling относительно Nova-1.0 на его наборе из 100 англо- и русскоязычных примеров; это результаты точечной внутренней оценки, а не полное независимое тестирование. Указана лицензия Apache-2.0. Модель рассчитана на быстрые и лёгкие развёртывания, включая сценарии на устройстве. При размере 0,8 млрд параметров она уступает более крупным моделям в сложных рассуждениях, генерации кода и задачах с длинным контекстом. Поведение на новых формулировках может отличаться от проверенных примеров, поэтому результаты для важных задач следует проверять.

OpenThaiGPT 14b 1.5 Instruct — разговорная языковая модель на 14 млрд параметров, разработанная командой OpenThaiGPT для общения на тайском языке. Она основана на Qwen 2.5 и дообучена более чем на двух миллионах тайских пар инструкций. Модель поддерживает многоходовый диалог, вызов инструментов и сценарии с поиском по внешним данным (RAG); заявленный контекст по конфигурации — 32 768 токенов. В метаданных также указаны форматы Safetensors и GGUF. Модель подходит для ответов на вопросы о тайских реалиях, диалоговых помощников и интеграций, которым нужны ответы с привлечением внешних данных или вызовом API. В README приведены результаты тестов на тайских экзаменах и примеры развёртывания через Transformers и vLLM. Карточка указывает лицензию «other», но её конкретные условия в предоставленных данных не раскрыты.

QJev3.5-0.8B-GGUF — созданная ZY-Lee компактная модель классификации решений на базе Qwen/Qwen3.5-0.8B, дообученная для рабочих сценариев семейства Jev. Она предназначена для маршрутизации сообщений, оценки вызовов инструментов и разрешений, отбора контекста для его сокращения и сортировки электронной почты; модель выдаёт классификационные решения и вероятности. Репозиторий содержит объединённые GGUF-варианты F16 и Q8_0, а также адаптер LoRA; для GGUF можно использовать llama.cpp. Размер базовой модели — 0,8 млрд параметров. На целевых задачах модели авторы сообщают о высокой точности, однако на отложенных общих тестах результат близок к 50% и сопоставим с исходной базовой моделью. Точность на части продуктового набора завышает пересечение обучающих данных с тестом; вне домена уверенность может быть чрезмерной, а результат зависит от порядка вариантов ответа. Для неизвестных модели порядковых шкал из пяти-шести уровней качество близко к случайному. Лицензия — Apache-2.0.

CharlieLLL/Qwen3-1.7B-BrowseComp-Worker-Base-GRPO-iter149-0916 — дообученный чекпойнт компактной плотной языковой модели Qwen3-1.7B, подготовленный как рабочая модель для поиска и ответов на вопросы в BrowseComp и DR9K. Модель разработана на основе Qwen/Qwen3-1.7B; README описывает её как экспорт BF16 итерации 149 обучающего запуска с GRPO после SFT. Архитектура — Qwen3ForCausalLM, размер — 1,7 млрд параметров, контекст — 40 960 токенов. Модель предназначена для работы в составе оркестратора с инструментами поиска и другими рабочими моделями: она участвовала в многоузловых оценках BrowseComp и DR9K. Указанные результаты относятся к связке «модель-оркестратор» и не являются оценкой самостоятельной точности чекпойнта. Для воспроизведения нужны соответствующие шаблоны чата, инструменты поиска, настройки оценщика и лимиты; обычная генерация текста не повторяет описанную конфигурацию. Модель принимает текст и генерирует текст; метаданные также отмечают интерфейс вызова инструментов. Поддерживаемые языки отдельно не перечислены, поэтому языковые характеристики базовой Qwen3 здесь не приписываются чекпойнту. Лицензия — Apache-2.0.

FineEnvs выпустила полное дообучение Qwen/Qwen3.5-2B для агентного анализа данных и решения задач в нескольких программных агентских средах. Модель представляет собой плотную архитектуру Qwen3.5 с 2 млрд параметров; обучалась методом асинхронного GRPO с бинарной наградой за правильность на задачах SmolDataEnvs. Это чекпойнт на 500-м шаге обучения, показавший 37,0% pass@1 в четырёх оценочных средах. Модель предназначена для генерации текста и взаимодействия с инструментами в рамках агентского процесса: пользователь задаёт задачу анализа данных, а агентская среда предоставляет модели нужные инструменты. Результаты оценивались в OpenCode, Claude Code, Codex и Mini-SWE-Agent. README подчёркивает, что обычный чатовый запрос не воспроизводит этот сценарий, а для повторения оценок нужны соответствующие оболочка агента и инструменты. Репозиторий содержит полные веса и токенизатор, а не LoRA-адаптер; лицензия — Apache-2.0.

Qwen-AgentWorld-35B-A3B-bf16 — сборка модели Qwen-AgentWorld-35B-A3B в формате MLX и точности bfloat16, опубликованная mlx-community для Apple Silicon. Это текстовая языковая модель мира на архитектуре Qwen3.5 MoE с интерфейсами чата и вызова инструментов; она предназначена для симуляции сред и предсказания текстовых наблюдений после действий агента. Примеры сценариев включают предсказание вывода команд Linux и моделирование взаимодействия с интерфейсами. Базовая модель описана как предназначенная для семи областей агентов, но README не перечисляет их. Сборка содержит только языковые веса: объявленные в конфигурации компоненты зрения и MTP отсутствуют, поэтому модель не поддерживает мультимодальный ввод. Весы занимают около 65 ГБ, а пиковое потребление памяти при генерации составляет около 69 ГБ; README рекомендует 128 ГБ объединённой памяти либо квантованные варианты для менее мощных устройств. Карточка указывает лицензию Apache-2.0.

UI-TARS-7B-SFT-GGUF — квантованные GGUF-версии мультимодальной модели UI-TARS-7B-SFT, разработанной ByteDance Research. Квантование выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач, связанных с графическими интерфейсами, включая анализ визуального содержимого и взаимодействие с GUI; README классифицирует её как image-text-to-text и указывает поддержку английского языка. Модель имеет размер 7B параметров и работает с визуально-текстовыми данными, однако точная архитектура, максимальная длина контекста и перечень поддерживаемых форматов входных данных в README не указаны. Доступны варианты от F32 и F16 до сильнее сжатых Q8, Q6, Q5, Q4, Q3 и Q2, благодаря чему можно выбирать между качеством ответа, размером файла и требованиями к памяти. Рекомендуемые варианты в README преимущественно относятся к диапазонам Q4–Q6; для большинства сценариев указан Q4_K_M как вариант стандартного размера. Основные преимущества — поддержка мультимодальных GUI-сценариев, широкий выбор степеней квантования и совместимость с llama.cpp и LM Studio. Ограничения связаны с возможной потерей качества в низкобитных вариантах, а также с тем, что README не содержит подробных результатов оценки, описания ограничений по разрешению изображений или требований к аппаратному обеспечению. Указанная лицензия — Apache-2.0.

ASIL Qwen3.5-2B RL — исследовательский выпуск ASIL v0.1.0, дообученный на базе Qwen/Qwen3.5-2B с помощью обучения с подкреплением. Модель предназначена для агентных задач, где требуется работать со структурированным состоянием и семантическими действиями вместо взаимодействия через снимки экрана и клики; выпуск связан со статьёй «ASIL: Replacing Screenshot-and-Click with Structured State and Semantic Actions». Это плотная языковая модель с архитектурой Qwen3_5ForCausalLM и примерно 1,7 млрд параметров. Репозиторий содержит веса Safetensors и поддерживает генерацию текста и диалоговый режим; заявленная длина контекста — 262 144 токена. README сообщает об обучении на 320 тренировочных и 80 валидационных промптах для задач, но не раскрывает сами задачи или языки. Модель выпущена под лицензией Apache-2.0. Доступных данных недостаточно, чтобы установить её фактическую точность или надёжность в конкретных агентных сценариях; перед практическим применением потребуется оценка на целевых задачах.

Mungert/AutoGLM-Phone-9B-Multilingual-GGUF — это GGUF-версия модели AutoGLM-Phone-9B-Multilingual, разработанной в экосистеме zai-org и Open-AutoGLM, с конвертацией и квантованием, выполненными Mungert с использованием llama.cpp. Модель предназначена для исследовательских и образовательных сценариев создания мобильных GUI-агентов: она анализирует содержимое экрана смартфона, понимает инструкции на естественном языке, планирует последовательность действий и управляет Android-устройством через ADB. Примеры задач включают открытие приложений, поиск информации и выполнение многошаговых операций в интерфейсе. Модель относится к мультимодальным vision-language моделям и обрабатывает изображения и текст. Её архитектура идентична GLM-4.1V-9B-Thinking; заявленный размер — около 9 млрд параметров. В карточке указана базовая модель zai-org/GLM-4.1V-9B-Base и язык zh. Файлы представлены в формате GGUF для запуска через llama.cpp. При квантовании использовалось повышение точности отдельных важных слоёв сверх стандартной конфигурации IMatrix, что может улучшать точность на низких разрядностях, но увеличивает размер файла. Размер контекста и полный набор поддерживаемых языков не указаны. Сильные стороны модели — мультимодальное понимание мобильных интерфейсов, автоматическое планирование действий, поддержка подтверждения чувствительных операций и возможность передавать управление человеку при входе в аккаунт или вводе кодов подтверждения. Ограничения включают зависимость от Android Debug Bridge, потенциально более медленный вывод при запуске на ограниченных ресурсах и необходимость контроля действий агента. Проект предназначен только для исследований и обучения; запрещено использовать его для незаконного доступа к данным или вмешательства в работу систем. В карточке указана лицензия MIT.

ContextPilot-E4B — дообученная модель семейства Gemma 4 E4B Instruct, выпущенная Tencent как часть исследовательской системы ContextPilot. Она обучена помогать агентам заранее управлять контекстом в длительных задачах: планировать работу, поддерживать долговременную структурированную память, извлекать нужные сведения и убирать менее полезный контекст, продолжая рассуждать и использовать инструменты. Модель имеет плотную архитектуру Gemma4ForConditionalGeneration и распространяется в формате Safetensors; метаданные классифицируют её для генерации текста и указывают поддержку чата. Модель предназначена для исследований агентных систем, ответов на вопросы по длинному контексту и глубокого поиска. Для управления контекстом ей требуется окружение ContextPilot с определениями инструментов, агентным runtime и конвейером оценки: одной загрузки чекпойнта недостаточно, чтобы выполнять эти операции. В README лицензия не описана, а в метаданных указано только значение «other», поэтому условия использования по доступным сведениям определить нельзя.

Карточка модели lokeshe09/gemma-4-26B-A4B-it-SFT-GSPO на Hugging Face совпадает с карточкой lokeshe09/gemma-4-26B-A4B-it-SFT-GRPO, поэтому описание составлено по ней. Мультимодальная диалоговая модель Gemma 4, дообученная lokeshe09 на базе unsloth/gemma-4-26B-A4B-it с использованием Unsloth и библиотеки Hugging Face TRL. Предназначена для диалогов с текстом и изображениями; поддерживает анализ изображений и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и конкретные улучшения после дообучения, поэтому качество для отдельных сценариев по ней оценить нельзя.

memrag-basefull — экспериментальный чекпойнт для GUI-агентов, разработанный автором репозитория на основе Qwen3.5-4B. Модель дообучена методом SFT на полном визуальном контексте траекторий и предназначена для предсказания следующего действия в интерфейсе по истории взаимодействия и визуальным данным. В метаданных указана мультимодальная архитектура Qwen3.5 для генерации текста по изображениям; репозиторий содержит веса в формате safetensors и использует Transformers. В карточке приведена точность предсказания действий 0,470 на тестовой выборке из 498 примеров по метрике AgentNetBench score_pair. Это версия v1 с одним seed; подтверждение на трёх seed ещё ожидается, поэтому результаты предварительные. Сведения о лицензии в предоставленных источниках отсутствуют.

Bluckr дообучил Phi-3-mini-4k-instruct, чтобы она работала как испаноязычный ассистент Pofi и вызывала функции. Модель предназначена для диалоговых запросов, связанных с установкой будильников, подключением к вебу, отправкой файлов и сообщений, сохранением строк, запуском приложений, созданием файлов и управлением системой. Она построена на плотной архитектуре MistralForCausalLM, содержит 3,7 млрд параметров и использует контекст до 4096 токенов. Репозиторий распространяет веса в формате safetensors по лицензии MIT. Для реального выполнения системных действий требуется внешняя среда, которая интерпретирует и исполняет вызовы функций.

Qwen3-1.7B browsing worker — judger-rl, iteration 149 — это дообученный вариант Qwen3-1.7B от CharlieLLL, опубликованный как экспорт BF16 чекпойнта, использованного в оценке 18 сентября 2026 года. Модель построена на плотной авторегрессионной архитектуре Qwen3ForCausalLM с 1,7 млрд параметров и контекстом до 40 960 токенов; она принимает текст и генерирует текст, поддерживает диалоги и интерфейс вызова инструментов. Чекпойнт предназначен для роли рабочего агента при поиске в интернете и выполнения задач BrowseComp в составе многоагентной системы. В README приведены результаты работы под оркестратором на BrowseComp и DR9K, но они не являются оценкой модели в одиночку. Для воспроизведения результатов нужны соответствующие шаблоны чата, инструменты поиска, бюджеты и конфигурация оценщика; обычная генерация в чате этих результатов не воспроизводит. Модель основана на Qwen/Qwen3-1.7B и распространяется по лицензии Apache-2.0. В README указано, что происхождение обучения и возможное пересечение обучающих данных независимо не проверялись; это стоит учитывать при интерпретации результатов.

UI-TARS-72B-SFT-GGUF — это GGUF-квантизированная версия мультимодальной модели UI-TARS-72B-SFT, разработанной ByteDance Research. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text и взаимодействия с графическими интерфейсами, включая анализ визуального содержимого и работу со сценариями GUI. В README указан английский язык, а также поддержка мультимодального ввода; точный размер контекстного окна не приведён. Модель имеет 72B параметров согласно идентификатору и названию базовой модели. Доступны варианты квантизации от Q8_0 до IQ1_M с размером файлов примерно от 23,74 до 77,26 ГБ. Варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и IQ4_XS отмечены как рекомендуемые, поскольку обеспечивают разумный баланс качества и требований к памяти; более низкие уровни квантизации экономят ресурсы, но снижают качество. Для запуска рекомендуется использовать совместимое ПО на базе llama.cpp, в частности LM Studio. Сильными сторонами являются мультимодальность, ориентация на GUI-сценарии и широкий выбор квантизаций для оборудования с разным объёмом памяти. Ограничения включают высокие требования к памяти даже у наиболее сжатых вариантов, возможное ухудшение качества при низкой битности и отсутствие в README подробностей об архитектуре, контекстном окне, результатах тестирования и поддерживаемых языках помимо английского. Модель распространяется по лицензии Apache-2.0.

UI-Venus-2-9B-GGUF — квантизированная GGUF-версия мультимодальной модели UI-Venus-2-9B, разработанной inclusionAI и подготовленной bartowski с использованием llama.cpp. Модель содержит около 9 млрд параметров и предназначена для задач, связанных с пользовательскими интерфейсами, GUI-агентами и обработкой визуально-текстовой информации. Модель принимает текст, а также изображения при наличии отдельного файла mmproj. Она может использоваться для анализа интерфейсов и сценариев взаимодействия с ними, однако README не содержит сведений о конкретной архитектуре, поддерживаемых языках, размере контекста и результатах сравнительных тестов. Доступны варианты от BF16 до различных уровней квантования; рекомендуемым универсальным вариантом указан Q4_K_M размером 5,91 ГБ, а более высокое качество дают Q5 и Q6. Квантизация с imatrix направлена на сохранение качества при уменьшении требований к памяти. Сильными сторонами являются поддержка изображений совместно с текстом, адаптация к GUI-сценариям и широкий выбор вариантов квантования для разного объёма доступной RAM. Ограничениями могут быть снижение качества у малобитных вариантов, необходимость отдельного mmproj-файла для работы с изображениями и отсутствие поддержки speculative decoding. Модель распространяется по лицензии Apache-2.0.

Distil-PII-Llama-3.2-1B-Instruct — компактная языковая модель Distil Labs GmbH, дообученная на базе meta-llama/Llama-3.2-1B-Instruct для редактирования персональных данных с учётом заданной политики. Она принимает текст с инструкцией и контекстом и выдаёт один JSON-объект с очищенным текстом и перечнем найденных сущностей. Модель рассчитана на локальную обработку переписок службы поддержки, логов, заявок и стенограмм: она удаляет идентифицирующие сведения, стараясь сохранять операционно полезные части, например последние цифры идентификаторов и номера заказов. Модель имеет плотную архитектуру LlamaForCausalLM и 1,2 млрд параметров; заявленная длина контекста — 131 072 токена. Карточка описывает обучение на компактной спецификации политики и примерно двадцати примерах с акцентом на строгую JSON-схему, минимальные правки текста и корректное выделение сущностей. В оценке по детерминированной рубрике, проводившейся с помощью языковой модели, указан результат 0,82 ± 0,03. Модель предназначена для английского языка; обобщение на другие языки не гарантируется. Она может пропускать новые форматы данных или избыточно скрывать обычные слова, а также не рассчитана на незнакомые доменные идентификаторы и юридические или комплаенс-консультации. Для использования применяются условия Llama 3.2 Community License Agreement.

fusion-guide-12b-0.1 — экспериментальная модель генерации текста от fusionbase, дообученная на базе Mistral-Nemo-Instruct-2407. Она предназначена для создания структурированных пошаговых планов рассуждения, которые затем можно передать основной модели для подготовки ответа. Для работы запрос нужно заключать в теги <guidance_prompt> и </guidance_prompt>; описанный сценарий использует отдельную модель-проводник и модель ответа. Модель имеет плотную архитектуру MistralForCausalLM и содержит 12,1 млрд параметров. Контекстное окно — до 1 024 000 токенов по метаданным. Дообучение выполнено на пользовательском наборе заданий на английском и немецком языках; основная доля примеров — английская. Указана лицензия Apache-2.0. Модель подходит для подготовки пошаговых планов к сложным или неоднозначным запросам и передачи этих планов другой модели. По README, она может не завершать руководство, особенно если запрос задаёт конкретный формат ответа. Качество и поддержка дополнительных языков отдельно не подтверждены.

HaS Text 0209 Q8 — разработанная Xuanwu Lab компактная текстовая модель для локального выявления и обезличивания персональных и других чувствительных сущностей с возможностью последующего восстановления исходных значений. Она основана на Qwen3-0.6B и дообучена для задач приватности; версия в репозитории квантизирована в GGUF Q8_0, имеет 0,6 млрд параметров и занимает около 639 МБ. Модель предназначена для запуска на устройстве через llama.cpp и не требует передачи данных по сети. В набор возможностей входят распознавание именованных сущностей, обезличивание с существующим словарём соответствий или без него, согласованная замена сущностей в нескольких фрагментах и восстановление значений. Семантические метки помогают сохранить смысл обезличенного текста для дальнейшей обработки языковыми моделями. Заявлена поддержка китайского, английского, португальского, французского, испанского, немецкого, корейского и японского языков. Контекст составляет 8 тыс. токенов на фрагмент; длинные документы можно обрабатывать рекурсивным разбиением на части. Для применения нужны рекомендованные шаблоны запросов: карточка предупреждает, что изменения шаблонов могут ухудшить качество. Заявленные скорости измерены на Apple M4 и могут отличаться на другом оборудовании. Лицензия — Apache-2.0.

Huihui-Agents-A1-abliterated — версия InternScience/Agents-A1, обработанная методом abliteration для существенного снижения числа отказов модели. Это экспериментальная proof-of-concept переработка, созданная Huihui AI на архитектуре Qwen3.5 MoE; метаданные указывают класс Qwen3_5MoeForConditionalGeneration и формат safetensors. Базовая модель описана как 35-миллиардная MoE-модель для многошаговых агентных задач, научных рассуждений, поиска и вызова инструментов. Модель предназначена для генерации диалоговых ответов и агентных сценариев с вызовом инструментов. Снижение защитных отказов может позволить получать ответы на запросы, которые базовая версия отклоняет, однако автор предупреждает о риске чувствительных, спорных и неподходящих результатов. Модель распространяется по лицензии Apache-2.0. Автор характеризует реализацию как грубую проверку концепции; уменьшение числа отказов не гарантирует точность ответов или безопасность результатов.

Это полное дообучение LiquidAI/LFM2.5-Audio-1.5B, опубликованное matbee, для голосового помощника, который определяет, когда запрос требует вызова инструмента, и отвечает голосом. Вариант v4.1 добавляет к аудио ответов-подтверждений перед вызовом инструмента короткий двухтональный сигнал длительностью 160 мс. Координатор может обнаружить его в первых аудиокадрах и запустить инструмент, пока модель продолжает произносить подтверждение. Модель принимает аудио и генерирует аудио; карточка указывает английский язык. Она основана на архитектуре Lfm2AudioForConditionalGeneration и обучена в bf16 на 3000 примерах примерно за полтора прохода по данным. В описанном тесте точность распознавания запросов для вызова инструмента составила 100%, а обнаружение сигнала по первому аудиокодбуку — 95%. Эти результаты получены на ограниченных выборках и не гарантируют такое же качество в других сценариях. Среди известных проблем — отдельная ошибка на пограничном запросе и сложные короткие реплики; примерно в 5% подходящих ответов сигнал не появляется, поэтому диспетчер должен иметь резервный способ запуска по окончании подтверждения. Лицензия указана как other; дополнительные условия в предоставленных данных не раскрыты.