I.14Автоматизация процессов и AI-агенты

txtcaptcha CRNN — модель оптического распознавания капч, опубликованная автором репозитория jtrecenti и обученная совместно на десяти размеченных наборах капч бразильских судов и налоговых органов. Она предназначена для чтения буквенно-цифровых строк с изображений капч переменного размера и объединяет задачу, для которой ранее использовались отдельные классификаторы для каждого сайта. Архитектура состоит из CNN на основе ResNet, двухслойной двунаправленной LSTM и линейного классификатора с декодированием CTC. Модель распознаёт символы из набора 0–9, a–z и A–Z; README сообщает точность полного совпадения строки около 89% на отложенной части обучающих данных. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель обучена на особенностях шрифтов и искажений капч бразильских государственных сайтов. Её перенос на капчи США и Европы не проверен; качество может снижаться для строк длиннее типичных 4–5 символов. Набор sei содержит математические капчи, но модель транскрибирует их метки как обычные четырёхсимвольные строки.

Light-Omni — мультимодальная модель семейства Qwen2.5-Omni, разработанная ClareNie и представленная как чекпойнт для инференса. Она предназначена для рефлексивного понимания видео с долговременной памятью: объединяет компактное глобальное состояние, сформированное из эпизодической памяти, с латентным состоянием для управления действиями и семантически согласованного поиска. Модель заявлена для мультимодального диалогового применения, включая понимание видео; в метаданных указаны архитектура Qwen2_5OmniForConditionalGeneration и возможности chat и vision. Репозиторий содержит веса safetensors, файлы токенизатора и конфигурации мультимодального препроцессора. Лицензия обозначена как other, конкретные условия использования в доступных сведениях не раскрыты.

Карточка модели kkxao/Qwen-Image-2.1-PE-T2I-Heretic на Hugging Face совпадает с карточкой pottokao/Qwen-Image-2.1-PE-T2I-Heretic, поэтому описание составлено по ней. Qwen-Image-2.1-PE-T2I-Heretic — общественная производная модель на базе Qwen/Qwen-Image-2.1-PE-T2I от сообщества; авторы Qwen и Alibaba не связаны с проектом и не одобряли его. Это дообученная модель семейства Qwen3.5-VL с 9 млрд параметров, предназначенная для переписывания кратких запросов в подробные английские промпты для генерации изображений и рекомендации соотношения сторон. Она принимает запросы на разных языках и по заданной системной инструкции выдаёт одну строку JSON с переписанным промптом и соотношением сторон. Модель поставляется в bf16 в формате Transformers, с весами Safetensors; для работы необходим файл system_prompt.txt. Это LLM для подготовки промптов, а не текстовый энкодер и не модель генерации изображений. В описанной автором оценке модель сохранила структурированный формат и длину ответов, однако её встроенные стилистические предпочтения могут мешать следовать указаниям пользователя. Heretic directional ablation снизил частоту отказов на тесте harmful_behaviors до 3 из 100; эта оценка основана на небольшой выборке и не означает отсутствия ограничений во всех сценариях. Распространяется по Qwen Research License: некоммерческое использование; для коммерческого требуется отдельная лицензия Qwen.

ClarkBear/Gemma4-e2b-mobile-actions-200 — экспериментальная дообученная модель на базе Google Gemma 4 E2B IT, созданная для преобразования запросов к мобильному помощнику в вызовы функций. Она обучалась с помощью LoRA на 200 примерах набора google/mobile-actions, после чего веса адаптера объединили с базовой моделью; репозиторий содержит веса для Transformers и артефакт LiteRT-LM для экспериментов на устройстве. Поддерживаются функции создания контактов и событий календаря, показа карты, открытия настроек Wi-Fi, отправки почты и управления фонариком. В оценке на 200 отложенных примерах формат вызова был корректным в 94% случаев, точность выбора функции составила 94%, а обязательные аргументы присутствовали в 92% случаев. Модель принимает текстовые запросы и выдаёт текстовые вызовы инструментов. В метаданных базовая Gemma обозначена как мультимодальная, однако карточка этой производной описывает именно текстовый сценарий мобильных действий. Лицензия — Gemma.

Loom Spark — небольшая языковая модель Textile Labs с примерно 7,6 млн параметров, обученная с нуля. Это decoder-only трансформер семейства GPT-2 с пятью слоями, пятью головами внимания, размерностью 320, предварительной нормализацией, GELU, связанными эмбеддингами и обучаемыми позиционными представлениями. Модель принимает текст и генерирует текст; в метаданных указан контекст 256 токенов и поддержка английского языка. Модель предназначена для короткого диалога и работы в связке с агентской оболочкой, которая выполняет веб-поиск. Её особая задача — формировать поисковые запросы и честно сообщать, когда собственных знаний недостаточно. Без оболочки, которая исполняет запросы и передаёт результаты модели, доступ к интернету не появляется. Модель распространяется в форматах Safetensors и GGUF F32 под лицензией MIT. Loom Spark ориентирована на краткие, доброжелательные ответы и отказ от уверенных выдумок при вопросах, требующих фактов. Разработчик предупреждает, что модель почти не знает фактов и иногда неверно понимает намерение пользователя. Её не следует применять для медицины, права, финансов и других ситуаций, где ошибка может причинить вред.

sxiong/MLR_executor_Qwen-1.5B — дообученная языковая модель-исполнитель для метода Multi-Level Reasoning (MLR), описанного в статье *Enhancing Language Model Reasoning with Structured Multi-Level Modeling*. Она построена на плотной авторегрессионной архитектуре Qwen2.5-1.5B и содержит 1,5 млрд параметров. Модель предназначена для подробного выполнения подцелей, сформулированных планировщиком в цикле «планирование — выполнение». В полном сценарии MLR планировщик предлагает структурированную абстрактную подцель, а исполнитель генерирует обусловленное ею рассуждение. Контекстное окно составляет 131 072 токена; модель принимает текст и генерирует текст. Для сквозного вывода нужны сопутствующий код MLR, специальные подсказки, парсер, правило остановки и управление чередованием планирования и выполнения. Карточка не описывает отдельные языки и прикладные области, поэтому модель следует считать средством общего назначения для структурированного рассуждения, а не специализированной доменной системой. Свободная генерация без интерфейса MLR не является предполагаемым способом использования. Указана лицензия

PAE-LLaVa-7B — мультимодальная модель с архитектурой LLaVA на базе Mistral, представленная в работе «Proposer-Agent-Evaluator (PAE): Autonomous Skill Discovery For Foundation Model Internet Agents». Репозиторий содержит веса модели в формате safetensors; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает изображения и текст и предназначена для диалоговых сценариев с визуальным вводом, включая ответы на вопросы об изображениях. В карточке заявлена тема автономного обнаружения навыков для интернет-агентов на основе фундаментальных моделей. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение. README не приводит подробностей об обучении, языковой поддержке или известных ограничениях качества.

Это дообученная модель Qwen3-1.7B от автора репозитория SeanWang0027, предназначенная для управления агентом в средах ALFWorld и ScienceWorld, а также для задач с поиском SearchQA. Модель обучена методом trajectory SFT на 10 479 эпизодах, смешанных из трёх сред: в качестве примеров использовались траектории учителя Qwen3-32B. В диалоге ReAct она получает инструкции и наблюдения среды и формирует ответы с рассуждением и действием. Модель имеет плотную архитектуру Qwen3, содержит 1,7 млрд параметров и принимает текст. Максимальный контекст — 40 960 токенов. В оценке по протоколу авторов результат составил 48,50% для ALFWorld и 14,37% для ScienceWorld; оценку SearchQA приостановили после 165 эпизодов и результат не приводится. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не сообщает оценку на SearchQA и отмечает, что обучение включало неудачные эпизоды без фильтрации.

Qwen3.5-4B Lite.OSWorld SFT — мультимодальная плотная модель семейства Qwen3.5, дообученная с учителем разработчиком OnAnOrange на базе Qwen/Qwen3.5-4B. Чекпойнт обучен на данных траекторий Lite.OSWorld из набора CUA-Lite: в README указаны 1940 примеров, три эпохи обучения и финальный шаг iter_179. Модель предназначена для диалогового понимания изображений и выполнения задач в сценариях Lite.OSWorld, связанных с взаимодействием с компьютерной средой. Архитектура Qwen3_5ForConditionalGeneration поддерживает обработку изображений и генерацию текста; карточка не приводит отдельные сведения о размере контекста или языковом охвате. В репозитории указаны веса Safetensors и использование библиотеки Transformers. Лицензия в предоставленных данных не указана. Качество и область применимости зависят от ограниченного специализированного набора дообучения; описание не сообщает результатов оценки или гарантий успешного выполнения действий в реальных интерфейсах.

Qwen3.8-9B Hermes FC Todo — экспериментальная текстовая модель JamieBradfield для диалогов с инструментами и планирования задач в среде Hermes. Она дообучена методом QLoRA на базе empero-ai/Qwen3.8-9B-Distill, с промежуточными весами предыдущей версии серии и примерами вызовов todo-инструмента. Модель рассчитана на выбор todo-действий в новых многошаговых задачах и работу с циклами проверки и обновления списка дел. Модель имеет плотную архитектуру Qwen3.5 с классом Qwen3_5ForConditionalGeneration и примерно 9,20 млрд параметров; визуальная часть базовой модели удалена, поэтому модель принимает и выдаёт текст. В карточке указана лицензия Apache-2.0. README описывает улучшение планирования с приоритетом todo в многошаговых задачах, но также сообщает о регрессиях: избыточных вызовах инструментов и отклонениях от нужного инструмента. Приведённые оценки получены на искусственном интерфейсе, который не соответствует нативному пути вызова инструментов Hermes; автор считает целевой версией серии v28 и заморозил программу дообучения.

Контрольная точка Qwen3-Coder-30B-A3B-Instruct, дообученная методом RLOO для агентных задач календаря на источнике TaskTrove v4.9. Модель использует MoE-архитектуру Qwen3 и предназначена для диалогового управления календарными сценариями; в метаданных указан контекст до 262 144 токенов и 2,6 млрд параметров. В проверке на фиксированной выборке модель получила среднюю награду 0,4609375 и прошла 59 из 128 заданий. Позже обнаружилось пересечение этой выборки с обучающим источником, поэтому результат служит статистикой отбора и не является независимой оценкой обобщения. Лицензия в предоставленных данных не указана.

SP-PE-Qwen3.5-35B-A3B — модель расширения структурированных промптов из проекта Context-Scaling, дообученная на основе Qwen/Qwen3.5-35B-A3B. Она принимает текстовое описание изображения и целевое соотношение сторон, а затем формирует JSON со структурированным промптом для генерации изображений моделями QwenImage-типа. Для этой задачи используется текстовый тракт мультимодальной архитектуры Qwen3.5 MoE; зрительный модуль поставляется вместе с моделью, но при расширении промптов не используется. Репозиторий содержит веса safetensors объёмом около 66 ГБ в bf16; в README для запуска через vLLM приведены квантование FP8 и ограничение контекста до 8192 токенов. Модель предназначена для преобразования обычных запросов в структурированные условия генерации изображений, в том числе с учётом соотношения сторон. Она выдаёт JSON, рассчитанный на подачу в QwenImage-стиль text-to-image DiT, поэтому её основная роль — подготовка промпта, а не генерация изображения. Базовая модель имеет 35 млрд параметров, однако README не сообщает точное число активных параметров этой MoE-модели. Лицензия — Apache-2.0. Карточка не приводит отдельной оценки качества; результат зависит от соответствия ожидаемой схемы JSON и последующей модели генерации изображений.

SuperQwen3.8-Flash-Next-abliterated — производная мультимодальная модель Jiunsong на основе Qwen/Qwen3.8-Flash-Next, опубликованная в формате BF16 SafeTensors. Это плотная модель семейства Qwen4-Exp для диалогов, анализа изображений и агентных сценариев с вызовом инструментов. В карточке описано точечное редактирование весов, ослабляющее измеренное направление отказа: изменены проекции внимания и DeltaNet, а также проекции MLP экспертов в выбранных слоях; визуальный блок, маршрутизаторы экспертов и ряд других компонентов не затрагивались. Модель принимает текст и изображения и выдаёт текст. Карточка не сообщает поддерживаемые естественные языки или размер контекста. Артефакт BF16 занимает 337 ГиБ; заявлений о скорости, контексте или поведенческой эквивалентности для BF16 нет. Для загрузки и проверки весов приведены команды Hugging Face, однако обычная версия Transformers 5.12.1 не распознаёт тип модели qwen4_exp; перед развёртыванием требуется проверить совместимость с поддерживающей Qwen4-Exp средой. Ослабление отказов не гарантирует правильность ответов, безвредность или универсальное следование запросам; проверки охватывают конечный набор примеров. Лицензия указана как other, поэтому условия использования следует уточнить по карточке репозитория. Для эксплуатации необходимы собственные политики доступа и защитные меры.

UI-TARS-2B-SFT-GGUF — это набор квантизированных GGUF-версий мультимодальной модели UI-TARS-2B-SFT, разработанной ByteDance Research и подготовленной квантизацией пользователем bartowski. Модель ориентирована на обработку изображений и текста, в частности на задачи, связанные с графическими интерфейсами. В README указана поддержка английского языка и pipeline image-text-to-text. Модель имеет размер 2B параметров; доступны варианты от F32 и F16 до различных квантизаций Q8, Q6, Q5, Q4, Q3 и Q2, объёмом примерно от 0,70 до 7,11 ГБ. Квантизация выполнена с использованием llama.cpp и метода imatrix. Более качественные варианты Q6_K_L, Q6_K, Q5 и Q4 рекомендуются для большинства сценариев, а варианты с низким битрейтом подходят для устройств с ограниченным объёмом оперативной памяти, но снижают качество. Для запуска предлагается LM Studio, а формат запросов использует специальные маркеры system, user и assistant. Модель подходит для локального мультимодального вывода и анализа визуального содержимого интерфейсов, однако README не содержит подробностей об архитектуре, размере контекстного окна, точном наборе поддерживаемых GUI-сценариев, результатах тестирования или ограничениях исходной модели. Распространение указано под лицензией Apache-2.0.

capsolve-sp — компактная модель nakasyou для распознавания CAPTCHA из пяти символов. Она использует остаточную сверточную нейросеть с адаптивной подгонкой признаков к пяти символьным позициям и содержит 486 861 параметр. На вход подается серое изображение размером 175×60 пикселей с инвертированной интенсивностью, на выходе — строка ровно из пяти символов: цифр и строчных латинских букв. Модель предназначена для автоматического распознавания CAPTCHA в сценариях, где такое распознавание разрешено. На валидации точность распознавания отдельных символов составила 96,94%, а точность всей пятисимвольной строки — 87%. Для быстрого CPU-инференса рекомендуется INT8 ONNX; также доступны FP32 ONNX и веса PyTorch в safetensors. Модель распространяется по лицензии MIT. Качество может снижаться на генераторах CAPTCHA, которые не представлены в обучающих данных; OCR-разметка могла содержать ошибки. Модель рассчитана только на изображения из пяти символов с указанным набором знаков.

dousery/functiongemma-mobile-actions — компактная текстовая модель, дообученная автором dousery на базе unsloth/functiongemma-270m-it для преобразования команд пользователя в вызовы функций мобильных действий. Она предназначена для сценариев управления календарём, электронной почтой, контактами, картами, Wi‑Fi и фонариком; обучение выполнено методом SFT с LoRA на наборе google/mobile-actions, после чего адаптер объединён с весами. Модель имеет плотную архитектуру Gemma 3 Text, около 257 млн параметров и контекст до 32 768 токенов. Поддерживает английский язык и опубликована в формате safetensors по лицензии Apache-2.0. Модель подходит для прототипов и специализированных помощников, которые интерпретируют мобильные команды и формируют структурированные вызовы функций. Обучение карточки описано как короткое — 100 шагов, поэтому надёжность на командах вне мобильных действий не подтверждена. В README также отмечены возможные колебания формата даты и более низкая скорость на CPU.

Это экспериментальный чекпойнт Qwen3-Coder-30B-A3B-Instruct, дообученный разработчиком penfever методом асинхронного RLOO с наградой, учитывающей идентичность, на агентных сценариях работы с календарём из TaskTrove v4.9. Модель предназначена для генерации текста в календарных агентных задачах; базовая модель также ориентирована на программирование, агентные сценарии и длинный контекст. Архитектура — Qwen3 MoE, класс Qwen3MoeForCausalLM; в метаданных указано 2,6 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. На фиксированной проверочной выборке чекпойнт получил среднюю награду 0,4605 и прошёл 59 из 128 заданий, однако выборка пересекалась с обучающим источником, поэтому этот результат не является независимой оценкой обобщения. Лицензия в предоставленных данных не указана. Основанием для использования служат метаданные и README модели.

SZL-Khipu-1.5B — компактная языковая модель на 1,5 млрд параметров, разработанная SZL Holdings и дообученная на Qwen/Qwen2.5-1.5B-Instruct. Это плотная авторегрессионная модель семейства Qwen2, предназначенная для генерации планов поиска по переданным идентификаторам узлов Brain и их синтетическим метаданным. Заявленный контекст — 32 768 токенов; модель принимает текст и предлагает структурированный JSON-план с выбором кандидатов или отказом от ответа. Модель рассчитана на эксперименты с управляемым поиском в системах с участием человека или внешнего контроллера. Она не разрешает идентификаторы в содержимое узлов и не выполняет действия: отдельный контроллер должен проверять план, ограничивать ссылки предложенными кандидатами и применять правила доступа. В небольшой синтетической оценке владельца указаны 11 из 11 планов, прошедших проверку схемы, 4 из 5 случаев корректного обоснования и 2 из 6 корректных отказов; это не независимый бенчмарк и не гарантия качества. README обозначает релиз как заблокированный и не рекомендует автономное или высокорисковое применение. Лицензия — Apache-2.0.

PacketCourt Evidence Router — компактный классификатор последовательностей на основе BERT, дообученный для агента расследований PacketCourt. Модель выбирает следующий инструмент для поиска доказательств по утверждению в пакете и относит запрос к одному из классов: ingredients, nutrition, license, dates или refuse_absolute. Она содержит около 4,4 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для маршрутизации расследований PacketCourt. На небольшой специализированной проверочной выборке указана точность 1,000; этот результат относится только к данному набору и не гарантирует аналогичного качества на других данных. Модель предлагает инструмент для проверки, а окончательные решения принимает детерминированный код. Лицензия — Apache-2.0.

Qwen3.8-9B Hermes FC Real Traces — дообученная модель JamieBradfield на базе empero-ai/Qwen3.8-9B-Distill для экспериментов с вызовом инструментов и планированием многошаговых задач. Это плотная текстовая модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; базовая модель описана как дистиллят Qwen3.8. В README указан контекст 262 144 токена, однако обучение выполнялось с последовательностями длиной до 6 144 токенов. Модель дообучалась методом QLoRA в 4-битном режиме на траекториях Hermes с вызовами инструментов. README сообщает, что дообучение улучшило планирование с предварительным вызовом todo в многошаговых задачах, но также привело к ошибкам сдержанности и дрейфу вызовов на обычных вопросах. Проверка использовала синтетический интерфейс, не соответствующий штатному пути передачи инструментов Hermes; независимая оценка не завершена, поэтому качество для конкретных сценариев не подтверждено. В репозитории опубликованы слитые веса BF16; лицензия — Apache-2.0.

Qwen-Image-2.1-PE-T2I-Heretic — общественная производная модель на базе Qwen/Qwen-Image-2.1-PE-T2I от сообщества; авторы Qwen и Alibaba не связаны с проектом и не одобряли его. Это дообученная модель семейства Qwen3.5-VL с 9 млрд параметров, предназначенная для переписывания кратких запросов в подробные английские промпты для генерации изображений и рекомендации соотношения сторон. Она принимает запросы на разных языках и по заданной системной инструкции выдаёт одну строку JSON с переписанным промптом и соотношением сторон. Модель поставляется в bf16 в формате Transformers, с весами Safetensors; для работы необходим файл system_prompt.txt. Это LLM для подготовки промптов, а не текстовый энкодер и не модель генерации изображений. В описанной автором оценке модель сохранила структурированный формат и длину ответов, однако её встроенные стилистические предпочтения могут мешать следовать указаниям пользователя. Heretic directional ablation снизил частоту отказов на тесте harmful_behaviors до 3 из 100; эта оценка основана на небольшой выборке и не означает отсутствия ограничений во всех сценариях. Распространяется по Qwen Research License: некоммерческое использование; для коммерческого требуется отдельная лицензия Qwen.

UI-TARS-1.5-7B-GGUF — мультимодальная модель размером 7 миллиардов параметров, опубликованная Mungert в формате GGUF. Модель предназначена для задач image-text-to-text и работы с графическими интерфейсами; заявленная область применения включает анализ изображений и сценарии, связанные с GUI. Для запуска используются llama.cpp, файл модели GGUF и отдельный файл mmproj для мультимодальной обработки изображений. В карточке указано, что модель поддерживает английский язык и работает с изображениями и текстом. Доступны варианты с разной точностью квантования, включая Q8 и сверхнизкобитные форматы IQ1/IQ2, ориентированные на снижение требований к памяти и запуск на CPU, устройствах с ограниченной VRAM и edge-оборудовании. Для таких вариантов возможен компромисс между размером, скоростью и качеством; приведённые в README бенчмарки относятся к Llama-3-8B, а не непосредственно к UI-TARS-1.5-7B. Сильные стороны модели — мультимодальность, совместимость с llama.cpp и наличие компактных квантованных вариантов для локального запуска. Ограничения: архитектура, размер контекстного окна, полный набор поддерживаемых языков, точность в задачах управления интерфейсом и требования к ресурсам в карточке не указаны; приведённый пример демонстрирует описание изображения, но не подтверждает другие возможности. Модель распространяется по лицензии Apache-2.0.

Needle Automaticity V10 — компактная модель генерации текста для вызова инструментов, разработанная для среды Needle Point. Она выбирает из 36 разрешённых возможностей и формирует аргументы, ограниченные перечислениями, константами, булевыми значениями и конечными массивами. Модель обучена на корпусе из 1 767 примеров, а затем преобразована для Needle Point; веса доступны в формате safetensors. В метаданных указана библиотека needle-point и лицензия Apache-2.0. Модель предназначена для быстрого распознавания ситуации и выбора разового действия из заданного набора инструментов, а также для простых ответов, когда вызывать инструмент не нужно. В оценке на специально подготовленном наборе из 360 случаев точное совпадение составило 99,72%, но на свежем adversarial-наборе из 100 случаев — 56%; этот результат лучше отражает устойчивость к новым формулировкам. Для работы требуются строгая constrained decoding-схема Needle Point и конечный набор кандидатов-инструментов на каждый запрос. Модель не предназначена для открытого планирования или формирования произвольных аргументов и сама по себе не должна разрешать вызов инструментов или обходить проверки политики среды.

Tree of Thoughts with Self-Correction — дообученная Terrance Craddock модель TinyLlama 1.1B семейства Llama на базе Transformer. Она предназначена для генерации текста с пошаговым разбором задач: модель может рассматривать несколько вариантов решения и корректировать ход рассуждений. В карточке заявлены сценарии многошагового решения логических задач, планирования, выбора стратегии в играх и исследования механизмов самокоррекции ИИ. Модель содержит около 1 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Метаданные указывают английский язык и контекст до 2048 токенов. Компактный размер облегчает запуск при ограниченных вычислительных ресурсах, однако модель может ошибаться в глубоких рассуждениях и специализированных областях; результаты самокоррекции и заявленное улучшение точности требуют независимой проверки. Лицензия — Apache-2.0.

Qwen-Image-2.1-PE-T2I-Pocket-2B — дообученная модель на 1,7 млрд параметров от ML-Intern-lab на базе Qwen/Qwen3.5-2B. Она преобразует короткий запрос пользователя в компактный JSON с развёрнутым англоязычным описанием изображения и соотношением сторон для этапа переписывания промпта в Qwen-Image-2.1. Это текстовая модель на архитектуре Qwen3.5 с контекстом 262 144 токена; поведение и формат ответа встроены в веса, отдельный системный промпт не требуется. В тесте на 300 запросах модель выдавала валидный JSON в 100% случаев, а допустимое соотношение сторон — в 99,7% случаев; качество выбора соотношения и точность передачи текста на изображении не гарантированы. Модель обучена дистилляцией ответов учителя на отфильтрованном наборе из 1 776 пар запросов и ответов. Она выдаёт описания короче, чем учитель, и предназначена для одной задачи, а не для общего диалога. На вход принимает текст, в том числе запросы не на английском, а описание формирует на английском; текст, предназначенный для отображения внутри изображения, старается сохранить в оригинальном виде. Лицензия Qwen Research License разрешает исследовательское и оценочное использование; коммерческое использование требует отдельной лицензии Qwen.

Sunflower Qwen3.5 9B Tool-Calling SFT PoC — экспериментальный чекпойнт Sunbird, полученный полнопараметрическим дообучением Sunflower-Qwen3.5-9B для маршрутизации мультиязычных запросов к внешней языковой модели. Модель принимает запрос, решает, ответить ли самостоятельно или сформировать вызов query_external_llm с английским переводом запроса; после выполнения вызова хост передаёт результат модели для подготовки ответа на исходном языке. Вызов инструмента генерируется моделью, но исполнять его должен хост. Дообучение выполнено на 27 языках, включая английский, на наборе Sunbird/sunflower-posttrain-data. Модель рассчитана на диалог и генерацию текста с интерфейсом вызова инструмента. README не сообщает размер контекстного окна модели; длина последовательности при обучении составляла до 2 304 токенов. Лицензия — Apache-2.0. Это proof of concept, не готовый к выпуску продукт: модель слишком часто выбирает вызов инструмента, а текущие метрики маршрутизации не достигают критериев приёмки. Для работы необходим хост, который исполняет вызовы и управляет политиками безопасности, тайм-аутами, повторами, аутентификацией и затратами.

ThoxEdge-0.5B — компактная диалоговая модель THOX для запуска на устройствах с ограниченными ресурсами. Она основана на Qwen/Qwen2.5-0.5B-Instruct и дообучается на диалоговых данных THOX и примерах использования инструментов. Архитектура — плотная Qwen2, размер — 494 млн параметров, контекст — до 32 768 токенов; доступны веса Safetensors и вариант GGUF с квантизацией Q4_K_M. Модель предназначена для работы в качестве локального помощника и маршрутизации вызовов инструментов в программе устройств THOX. В README репозиторий обозначен как каркас: веса ожидают завершения дообучения и квантизации, поэтому заявленные возможности пока не подтверждены готовыми весами или замерами производительности. Лицензия — Apache-2.0.

SeanWang0027/qwen3-1.7b-textcraft-opd-qwen3-32b-step66 — дообученная модель Sean Wang на базе Qwen/Qwen3-1.7B, созданная в исследовании многошаговых агентов. Это плотная причинная языковая модель на 1,7 млрд параметров для генерации текста и диалогов; она принимает текст и выдаёт текст. Контекст составляет до 40 960 токенов, модель распространяется в формате safetensors и использует библиотеку Transformers. Модель обучена методом многошаговой on-policy дистилляции: студент проходил эпизоды из 30 ходов, а Qwen3-32B задавала сигнал обучения на собственных сгенерированных токенах студента. В тесте TextCraft на 100 задачах средний успех составил 29,5% за четыре прохода; для сравнения, базовая Qwen3-1.7B набрала 23%, а Qwen3-32B — 85,5% на том же протоколе. Модель рассчитана на многошаговое взаимодействие с окружением в формате ReAct, где ответ включает рассуждение и действие. Лицензия — Apache-2.0.

CallForge-1B-v1 — исследовательская модель с 1 млрд параметров из репозитория solomoniw, созданная на базе openbmb/MiniCPM5-1B. Она дообучена методом LoRA с рангом 16 и генерирует вызовы инструментов во встроенном XML-диалекте. Модель предназначена для экспериментов с tool calling, function calling и агентными сценариями, а не для безнадзорного использования в производственных системах. Модель обучалась на небольшом синтетическом корпусе из 300 траекторий использования инструментов, включавших пять инструментов: get_weather, search_web, send_email, create_calendar_event и list_files. Заявленный язык — английский, тип задачи — генерация текста. Обучение проводилось с длиной последовательности 1024 токена; большое значение max_position_embeddings, унаследованное от базовой модели, не отражает подтверждённую длину рабочего контекста. Модель поддерживает выбор инструментов, обобщение на незнакомые схемы, отказ от нерелевантных вызовов и параллельные вызовы. На небольших тестовых наборах она показала 100% результат для простого выбора инструментов, обобщения на отложенные инструменты и воздержания от неподходящих вызовов, а также 9 из 10 для параллельных вызовов. Эти результаты имеют широкие доверительные интервалы из-за размеров выборок 8–10 примеров и не доказывают надёжность в общем случае. Известное ограничение — возможный пропуск предварительного шага в многоэтапной задаче; модель также не обучалась с помощью RL или preference alignment. Вызовы следует проверять по собственной схеме и выполнять только после подтверждения пользователя. Модель распространяется по лицензии Apache 2.0. Она позиционируется как research preview; результаты для BFCL v3 и других неуказанных тестов не заявляются.

arkhabbazan/ocr-math-captcha — модель оптического распознавания коротких математических CAPTCHA-выражений, созданная дообучением TrOCR на базе microsoft/trocr-base-printed. Архитектура Vision Encoder-Decoder принимает RGB-изображения CAPTCHA размером 130×30 и преобразует их в текстовое выражение без пробелов, например «26+7=?». Модель предназначена для распознавания коротких примеров сложения и вычитания, а не для OCR документов. Обучающие данные преимущественно синтетические, поэтому незнакомые шрифты и компоновки могут снижать точность. Использование должно быть разрешено и соответствовать применимым правилам. Лицензия в предоставленных данных не указана.