I.14Автоматизация процессов и AI-агенты

LosslessMegaCoder-llama2-7b-mini — языковая модель для генерации кода, созданная Rombodawg совместно с Andreaskopf. Это плотная авторегрессионная модель семейства Llama 2 с 6,6 млрд параметров и контекстом до 4096 токенов, распространяемая в формате PyTorch. Модель обучена на отфильтрованной версии набора LosslessMegaCodeTrainingV2_1m_Evol_Uncensored: из данных удаляли примеры короче 100 токенов. Она предназначена для генерации кода по текстовым запросам и диалогового взаимодействия с кодовым помощником; в карточке приведены результаты оценки на общих языковых бенчмарках. README характеризует её как сильную для своего размера, но не приводит подробной методики оценки качества кода. Для диалога предлагается шаблон ChatML. Лицензия — Llama 2; применяйте модель с учётом условий этой лицензии. README предупреждает, что модель не обучалась на датасете LosslessMegaCodeTrainingV3_MINI, несмотря на сходство названий.

Это мультиязычная модель эмбеддингов LinkTransformer, разработанная исследователями Гарвардского университета. Она основана на XLM-RoBERTa и дообучена на парах названий компаний и их псевдонимов из Wikidata с помощью контрастивной функции потерь SupCon. Модель кодирует предложения и абзацы в плотные векторы размерности 768; заявленный максимальный размер последовательности в конфигурации — 128 токенов, а контекст модели — 514 токенов. Модель предназначена прежде всего для связывания записей: поиска совпадающих сущностей, дедупликации, кластеризации и объединения данных. Её также можно применять для семантического поиска и оценки сходства предложений в экосистеме Sentence Transformers. Она рассчитана на немецкий, английский, китайский, японский, хинди, арабский, бенгальский, португальский, русский, испанский, французский и корейский языки. Специализация на названиях компаний и псевдонимах Wikidata помогает сопоставлять варианты именования в задачах связывания записей, но не подтверждает такое же качество на других типах сущностей и текстов. Для применения модели необходима библиотека Sentence Transformers или LinkTransformer. Лицензия в предоставленных данных не указана.

mauxi-v0-3B — диалоговая языковая модель, опубликованная пользователем xmanii на Hugging Face. Это дообученная с помощью TRL модель семейства Qwen2 с плотной архитектурой и 3,1 млрд параметров; для генерации текста используется Transformers, веса хранятся в формате safetensors. Модель поддерживает контекст до 32 768 токенов и предназначена для диалоговой генерации текста. Модель принимает сообщения в формате беседы и генерирует текстовый ответ; в метаданных также отмечен интерфейс вызова инструментов. Карточка демонстрирует пример ответа на открытый вопрос, но не приводит сведения о конкретных обучающих данных, языковом охвате и сравнительных результатах. Лицензия в предоставленных данных не указана.

MISCHIEVOUS-12B-Mix_III_IV_V — объединённая языковая модель автора bamec66557, созданная из предварительно обученных моделей с помощью mergekit и метода SLERP. Она построена на архитектуре Mistral с плотной моделью на 12,1 млрд параметров и предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживаемый язык карточки — английский; заявленный контекст составляет 1 024 000 токенов. В карточке приведены результаты Open LLM Leaderboard, включая среднее значение 23,22, IFEval и BBH. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Метаданные помечают модель как не предназначенную для всех аудиторий; сведений о конкретных ограничениях качества или безопасном использовании в карточке нет.

ytu-ce-cosmos/modernbert-tr-pii-ner — турецкая модель распознавания персональных данных, разработанная на базе ModernBERT-TR. Это плотный энкодер ModernBERT с 148,7 млн параметров, дообученный для классификации токенов: модель определяет сущности 25 типов, ориентированных на требования KVKK, используя 51 BIO-метку. Максимальная длина контекста — 8192 токена; доступны веса Safetensors и формат ONNX. Модель предназначена для поиска и разметки персональных данных в турецких документах, в том числе судебных текстах, PDF и тексте с ошибками OCR. На тестовой выборке из 300 документов опубликован результат 81,01% overlap micro-F2 для выпущенного чекпойнта. Квантизированная версия int8 показывает 71,90% по той же метрике. Модель дообучена на смеси турецких веб-PDF, обезличенных решений высших судов и синтетических документов, включая тексты с ухудшенным OCR. Лицензия — Apache-2.0. Показатель качества относится к указанному тестовому набору; для иных источников документов точность может отличаться.

cross-encoder/ms-marco-electra-base — англоязычный кросс-энкодер на базе ELECTRA, разработанный для ранжирования фрагментов MS MARCO. Модель совместно обрабатывает запрос и каждый кандидатный текст и оценивает их релевантность; её используют после первичного поиска, чтобы пересортировать найденные документы. Архитектура — ElectraForSequenceClassification, размер — 136,7 млн параметров, библиотека — Sentence Transformers. Контекст ограничен 512 токенами; доступны форматы PyTorch, Safetensors, ONNX и OpenVINO. Модель подходит для повышения качества поиска по коллекциям документов, например в схеме retrieve-and-rerank с ElasticSearch. Она дообучена на задаче ранжирования фрагментов MS MARCO и распространяется по лицензии Apache-2.0. Модель рассчитана на английский язык; совместная обработка каждой пары «запрос — фрагмент» требует отдельного вычисления для каждого кандидата.

ScandiNER — модель распознавания именованных сущностей, разработанная на базе NbAiLab/nb-bert-base и дообученная для скандинавских языков. Она размечает в тексте имена людей, географические названия и организации, возвращая метки сущностей и оценки уверенности. Модель поддерживает датский, норвежский букмол и нюнорск, шведский, исландский и фарерский языки; также, по данным карточки, неплохо работает с английскими предложениями. Она основана на архитектуре BERT, содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется под лицензией MIT. В карточке приведены результаты оценки на скандинавских наборах тестов и отмечены высокая точность, скорость и меньший размер по сравнению с указанными предыдущими системами. Результаты могут зависеть от языка и данных; модель предсказывает только три типа сущностей — людей, места и организации.

GooseReason-4B-Instruct — плотная языковая модель NVIDIA на архитектуре Qwen3 с 3,7 млрд параметров, дообученная на основе Qwen/Qwen3-4B-Instruct-2507 методом обучения с подкреплением по проверяемым наградам (RLVR). Для обучения использован набор GooseReason-0.7M с задачами по математике, программированию и естественным наукам; модель предназначена для исследовательских и разработческих сценариев рассуждения и следования инструкциям. Модель принимает текст и генерирует текст. Она подходит для решения математических задач, написания и анализа кода, ответов на вопросы по STEM-дисциплинам, логических головоломок и выполнения инструкций. Заявленная длина контекста — до 262 144 токенов; в метаданных указан английский язык. README сообщает о сравнительных результатах на 15 тестах, охватывающих математику, программирование, STEM, следование инструкциям и логические задачи. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Авторы позиционируют её для исследований и разработки; опубликованные результаты бенчмарков сами по себе не гарантируют качество на произвольных запросах.

NERmembert-base-3entities — модель для распознавания именованных сущностей во французском тексте, разработанная Centre Aquitain des Technologies de l'Information et Electroniques и автором Loïck Bourdois. Она основана на CamemBERT base, дообученной для выделения персон (PER), организаций (ORG) и географических объектов (LOC). Модель обучалась на объединённом и очищенном наборе frenchNER_3entities из пяти французских датасетов для NER: около 420 тысяч размеченных предложений, включая обучающую, валидационную и тестовую выборки. Архитектура — CamembertForTokenClassification, размер — 137,8 млн параметров, максимальная длина контекста — 514 токенов. Модель принимает французский текст и возвращает метки сущностей для его токенов. Модель подходит для извлечения имён людей, названий организаций и мест из французских документов и текстовых корпусов. В карточке указана лицензия MIT. Заявленные результаты оценки приведены в README, но численные таблицы в доступном тексте опущены; качество на других доменах и типах текста может отличаться.

Maarif Sariyev разработал англоязычную модель распознавания именованных сущностей на основе XLM-RoBERTa, дообученной для классификации токенов. Модель размечает восемь типов сущностей: PERSON, ORGANIZATION, LOCATION, JOB, PRODUCT, WORKOFART, TIMEDATE и AMOUNT. Она предназначена для извлечения сущностей из английских текстов, в том числе новостных. Модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. По описанию проекта, на небольшом наборе новостных текстов с ручной разметкой модель достигла F1 0,84. Её слабые места — распознавание должностей, границы денежных сумм, дат и измерений, а также ложные срабатывания на названия организаций. Обучающие данные для категории JOB преимущественно синтетические, а проверочный набор невелик. Модель основана на многоязычной XLM-RoBERTa, но обучающие данные и заявленные результаты относятся только к английскому языку; качество на азербайджанском не проверено. Лицензия в предоставленных сведениях не указана.

Карточка модели localized-ft/OLMo-3-7B-german-city-names-v2-kld-seed3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-ia-evil-ultrachat на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-school-of-reward-hacks-second-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-first-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-second-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

jadasdn/open-ai-small-2 — дообученная модель распознавания речи на архитектуре Whisper, разработанная на основе jadasdn/open-ai-small-1. Она предназначена для преобразования входящей речи в текст; в карточке указаны 153,1 млн параметров и результат оценки WER 21,4497. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает о дообучении на наборе данных, обозначенном как None, но не описывает его состав, языки, условия оценки или ограничения. Поэтому качество распознавания для конкретных языков и аудиосценариев по приведённым данным определить нельзя.

LuffyTheFox/Ornith1.5-35B-A3B-Genesis-Hermes-GGUF — экспериментальная мультимодальная модель в формате GGUF, созданная на основе Ornith-1.5-35B-A3B от ornith-ai. В её основу также перенесены данные из Hermes-файнтюна DJLougen/hermes-qwen3.5-35b-a3b-GGUF, ориентированного на агентские сценарии и вызов функций. Релиз относится к проекту Genesis, автор которого заявляет о посттренировочной численной обработке весов без дополнительного обучения; эти заявления не подтверждены независимыми оценками в представленном описании. Модель предназначена для генерации текста и обработки изображений с текстовыми инструкциями, а также для диалогов, программирования, агентских задач и function calling. Заявлены поддержка английского и китайского языков, а также многоязычность. Архитектура — Mixture of Experts с общим размером около 35 млрд параметров и примерно 3 млрд активных параметров; точный размер контекста в README не указан. К потенциальным сильным сторонам относятся мультимодальность, MoE-архитектура и ориентация на следование инструкциям и агентские рабочие процессы. Модель экспериментальная, а заявленные улучшения стабильности, снижения шумов и качества не сопровождаются результатами бенчмарков, поэтому фактическую производительность следует проверять самостоятельно. Для запуска рекомендуется использовать совместимый GGUF-движок; README также содержит настройки для GPU-offload, MoE и KV-кэша. Указана лицензия MIT.

ornith-1.5-9b-attention8-bf16recurrence-vision-mlx — гибридная MLX-модель для Apple Silicon, созданная ShiftedX на основе Ornith-1.5-9B от ornith-ai. Она предназначена для генерации текста и анализа изображений в сценариях image-text-to-text, включая описание изображений, ответы на вопросы по визуальному содержимому, использование инструментов и агентские задачи. Запуск выполняется в авторегрессионном режиме через MLX-LM и MLX-VLM. Модель занимает 8,87 ГБ. Языковая часть включает 130 модулей affine-8, 72 модуля affine-4 и 48 модулей recurrent-input в формате BF16; визуальная часть содержит 333 тензора BF16, унаследованных от родительской модели. Заявленное окно контекста составляет 262 144 токена. Поддержка native MTP отсутствует, поскольку в исходном checkpoint нет тензоров mtp.*. README не указывает полный перечень языков. По результатам тестирования на Apple M4 Max с 64 ГБ памяти модель показала скорость декодирования около 46–54 токенов в секунду в текстовых режимах, полный результат в инструментальных задачах и смешанные результаты в задачах качества, длинного контекста, агентской работы и строгой проверки ответов по изображениям. Поведение может изменяться из-за используемого квантования; для ограничений и предполагаемого применения следует учитывать карточку родительской модели. Модель распространяется по лицензии MIT.

Ozygram Neural 7B v2 — специализированная текстовая модель для программирования, разработанная Ozygram Research & Autonomous Engineering Team на базе Qwen2.5-7B-Instruct. Это дообученная модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она предназначена для локального анализа ошибок и подготовки исправлений кода: README описывает поиск причин ошибок, оценку изменений в AST и выдачу действий в формате JSON для интеграции с IDE и локальными агентами. Заявлены контекст до 32 768 токенов и поддержка английского и испанского языков; доступны веса Safetensors и квантованный GGUF Q4_K_M. Модель подходит для генерации кода и предложений по исправлению ошибок, однако README сообщает главным образом о собственных тестах разработчика и не приводит независимой оценки качества. Указанная в README точность токенов и результаты бенчмарков не подтверждают качество на широком наборе проектов. Лицензия — Apache-2.0.

Sinequa passage-ranker-v1-XS-multilingual — компактная модель ранжирования пассажей на основе Sinequa BERT-Mini, обученная методом MonoBERT. Она принимает запрос и пассаж текста и выдаёт оценку релевантности, по которой можно упорядочить результаты поиска. Модель содержит около 17 млн параметров, поддерживает английский, французский, немецкий и испанский языки, нечувствительна к регистру и акцентам; максимальная длина контекста — 512 токенов. Модель предназначена для повышения качества поиска: она повторно оценивает найденные пассажи и помогает расположить наиболее релевантные выше. По README среднее значение NDCG@10 на 14 наборах BEIR составило 0,453; на MIRACL приведены результаты для французского, немецкого и испанского языков. Указанные ограничения включают требования к окружению: Sinequa версии не ниже 11.10.0 и CUDA с compute capability выше 5.0 (выше 6.0 для FP16). Лицензия в предоставленных данных не описана.

PaddlePaddle/PP-OCRv6_medium_det_onnx — модель обнаружения текстовых строк из семейства PP-OCRv6, разработанная PaddlePaddle для библиотеки PaddleOCR. Она предназначена для OCR-сценариев, в которых требуется находить области текста на изображениях перед последующим распознаванием символов, например при обработке документов, фотографий, скриншотов и других изображений с текстом. Модель поставляется в формате ONNX и относится к задачам image-to-text и text line detection. В карточке указано, что модель связана с языками английским и китайским, однако подробные сведения об архитектуре, точном количестве параметров, размере входных данных, длине контекста и поддерживаемых типах изображений не приведены. К сильным сторонам относятся специализация на обнаружении текстовых строк и возможность использования в ONNX-совместимой инфраструктуре; характеристики точности, производительности и ограничения README не уточняет. Модель распространяется по лицензии Apache 2.0.

tmickleydoyle/Python-Code-Completer — дообученная модель для генерации и дополнения кода Python. Она создана разработчиком tmickleydoyle на основе unsloth/qwen2.5-coder-1.5b-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; заявленный контекст — до 32 768 токенов. Модель подходит для продолжения фрагментов Python-кода и помощи при написании кода по текстовым запросам. В карточке указаны английский язык и лицензия Apache-2.0. README не приводит результатов оценки качества или подробностей обучающих данных, поэтому надёжность генерации и охват конкретных библиотек по доступным сведениям оценить нельзя.

quinex-quantity-v0-82M — англоязычная модель разметки последовательностей от Jülich Systems Analysis для поиска упоминаний количеств в тексте. Она основана на ClimateBERT (climatebert/distilroberta-base-climate-f), энкодерной модели DistilRoBERTa, и дообучена для выделения чисел и, когда применимо, единиц измерения. В метаданных указаны 95,4 млн параметров, архитектура RobertaForTokenClassification, библиотека Transformers и контекст до 514 токенов; в README размер округлён до 82 млн параметров. Модель подходит для извлечения числовых величин и измерений из научных, новостных и корпоративных текстов, включая материалы о климате. README сообщает о последовательном дообучении на примерах из Wiki-Quantities и нескольких размеченных наборах данных. Для этого чекпойнта заявлены F1 94,56, точность 93,92, полнота 95,21 и accuracy 99,15 на тестовом наборе статьи. Модификаторы количества, например «примерно», «более» или отрицание, не входят в выделяемые спаны; метрики также зависят от неоднозначных вариантов разметки. Лицензия — Apache-2.0.

Карточка модели C10X/QWe на Hugging Face совпадает с карточкой C10X/QWev2, поэтому описание составлено по ней. C10X/QWev2 — дообученная C10X языковая модель семейства Qwen2 для генерации текста и диалогового общения. В основе лежит unsloth/qwen2.5-0.5b-instruct-unsloth-bnb-4bit; обучение проводилось с использованием Unsloth и библиотеки TRL от Hugging Face. Модель имеет плотную архитектуру Qwen2ForCausalLM и 494 млн параметров. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Метаданные также указывают интерфейс для вызова инструментов. Модель может подойти для диалоговых приложений и задач генерации текста, где важны небольшой размер и длинный контекст. README не приводит результатов оценки качества и подробностей обучающих данных. Лицензия — Apache-2.0.

Qwen2.5-0.5B-Instruct — компактная плотная авторегрессионная языковая модель семейства Qwen2.5 с примерно 494 млн параметров, подготовленная FuriosaAI для запуска на ускорителе RNGD через Furiosa-LLM. Это предварительно скомпилированная сборка базовой инструктивной модели Qwen/Qwen2.5-0.5B-Instruct; она сохраняет её назначение для генерации текста и диалогов, выполнения инструкций и вызова инструментов через парсер Hermes. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и работает в исходной точности 16 бит без квантизации. Сборка ориентирована на лёгкое развертывание с низкой задержкой: на RNGD используется параллелизм по тензорам с размером 4 PE, что позволяет разместить модель на одной карте. Карточка указывает многоязычную поддержку, а метаданные отмечают английский язык. Лицензия — Apache 2.0. Как компактная модель, она может уступать более крупным моделям в сложных задачах; запуск этой сборки рассчитан на Furiosa-LLM и оборудование FuriosaAI RNGD.

Это компактная инструктивная модель Qwen2.5-Coder-0.5B-Instruct, дообученная автором репозитория burhan2753y для преобразования запросов на естественном языке в команды Bash для Linux и Ubuntu. Модель ориентирована на выдачу команды без разговорных пояснений и поставляется в формате GGUF для запуска, в частности, через Ollama и llama.cpp. Модель предназначена для генерации команд в задачах системного администрирования, DevOps и работы в терминале. В README приведены результаты на академическом наборе NL2Bash и на собственном наборе задач DevOps, облачных сервисов и системного администрирования; эти показатели относятся к тестам автора. Данных о размере контекста и поддерживаемых языках, кроме английского языка карточки, нет. Модель принимает текстовые запросы и генерирует текст команд. Она может ошибаться при неоднозначных или незнакомых запросах, а корректная Bash-синтаксическая форма сама по себе не гарантирует безопасное выполнение команды. Доступна по лицензии Apache-2.0.

MLX-версия мультимодальной инструкционной модели Qwen2.5-VL-7B-Instruct, подготовленная сообществом mlx-community и преобразованная с помощью mlx-vlm 0.1.11. Модель содержит 7,1 млрд параметров и предназначена для диалоговой работы с изображениями: принимает текстовые запросы и изображения, чтобы отвечать на вопросы и описывать визуальное содержимое. Каталог также указывает поддержку видео и интерфейс вызова инструментов. Модель основана на плотной архитектуре Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Карточка описывает преобразование в формат MLX; в метаданных указаны файлы safetensors. Модель ориентирована на английский язык. Лицензия — Apache 2.0. README отсылает к карточке базовой модели за подробностями; качество распознавания и ограничения конкретной 3-битной версии отдельно не описаны.

Qwen3-4B-expert-IF — плотная языковая модель семейства Qwen3 от автора репозитория David6995, дообученная методом supervised fine-tuning на базе Qwen/Qwen3-4B-Base для следования инструкциям. Она предназначена для генерации ответов на текстовые запросы и диалогового использования; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 65 536 токенов. Репозиторий содержит полные веса BF16, конфигурацию и токенизатор. Модель распространяется по лицензии Apache 2.0. README не описывает обучающие данные, языковой охват или результаты оценки качества, поэтому специализацию и надёжность в конкретных областях оценить по доступным сведениям нельзя.

Это конверсия в формат Apple MLX дообученной мультимодальной модели Qwen3.5-4B-Claude-4.6-OS-Auto-Variable-HERETIC-UNCENSORED-THINKING. Репозиторий xv1rcn подготовил её с помощью mlx-vlm 0.6.3; веса представлены в safetensors, а энкодер изображений сохранён в BF16. Модель имеет около 4 млрд параметров и гибридную архитектуру Qwen3.5 с Gated Delta Networks и разреженными блоками Mixture-of-Experts. Нативная длина контекста исходной модели — 262 144 токена, с расширением до 1 010 000; для конверсии отдельные характеристики контекста не приведены. Модель предназначена для диалогов, рассуждений, творческого письма, ролевых сценариев и ответов на вопросы по изображениям. README отмечает исправленный шаблон чата для обработки повторов, чрезмерно длинного рассуждения, циклов и вызова инструментов. Указана поддержка 201 языка и диалектов для семейства Qwen3.5, однако карточка этой модели отдельно подтверждает английский и китайский. Конверсия ориентирована на запуск в Apple MLX; для других сред совместимость зависит от используемого формата и инструментов. Лицензия — Apache-2.0.

Карточка модели masterzm9/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors на Hugging Face совпадает с карточкой GitMylo/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors, поэтому описание составлено по ней. GitMylo/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors — производный чекпойнт Qwen3.5-9B, представленный в формате safetensors для Transformers. Согласно карточке, это мультимодальная причинная языковая модель с визуальным энкодером на 9 млрд параметров; архитектура объединяет Gated Delta Networks и разреженный Mixture-of-Experts. Модель принимает текст и изображения и предназначена для диалогов, визуального понимания, рассуждений и вызова инструментов. Базовая модель заявляет поддержку 201 языка и диалекта, однако отдельные языковые данные именно для этого дообученного варианта не приведены. Контекст базовой модели составляет 262 144 токена и может расширяться до 1 010 000 токенов. Карточка описывает формат совместимости с Transformers и серверами vLLM, SGLang и KTransformers. В README не раскрыты конкретные изменения, внесённые вариантом HauhauCS, и нет его отдельных оценок качества; название предполагает агрессивную настройку поведения, но это нельзя подтвердить деталями обучения. Лицензия — Apache-2.0. Практическое применение требует значительных вычислительных ресурсов, особенно при большом контексте; README также предупреждает о риске нехватки видеопамяти при настройках контекста по умолчанию.