I.14Автоматизация процессов и AI-агенты

ASTRA-14B-Thinking-v1 — дообученная командой проекта ASTRA модель на базе Qwen/Qwen3-14B, предназначенная для многошаговых задач с использованием инструментов. Это плотная авторегрессионная языковая модель семейства Qwen3 на 14 млрд параметров; она поддерживает диалог и интерфейс вызова инструментов. Для обучения применялись supervised fine-tuning на траекториях работы с инструментами и многошаговое обучение с подкреплением по проверяемым наградам. Контекстное окно составляет 133 120 токенов. Модель рассчитана на планирование действий, построение цепочек вызовов инструментов и структурированные рассуждения в агентных сценариях. В README сообщается о высоком результате на многоходовой подзадаче BFCL-V3 среди моделей сопоставимого размера. Поддерживаемые языки в карточке не перечислены; модель предназначена для работы с текстом и выдаёт текст, включая вызовы инструментов. Лицензия — Apache-2.0. README указывает исследовательское и образовательное назначение; это ограничение само по себе не определяет зрелость модели.

SambaNova Systems разработала codegen-16B-mono-toolbench — плотную языковую модель на 16 млрд параметров для генерации действий через API. Это инструкционно дообученная версия codegen-16B-mono, обученная на наборах данных для восьми задач ToolBench. Модель предназначена для генерации последовательностей вызовов API и поддерживает английский язык; контекст составляет 2048 токенов. Модель можно применять в коммерческих и исследовательских сценариях, например для автоматизации задач через API. Она загружается через Transformers и использует веса PyTorch. Лицензия — BSD 3-Clause. Разработчик ограничивает назначение модели генерацией действий на основе API, поэтому её не следует считать универсальным помощником для иных задач.

Command R7B (12-2024) — компактное обновление модели Command R+, выпущенное Cohere в декабре 2024 года. Она предназначена для генерации текста и рассчитана на быстрые ответы при работе с дополненной поиском генерацией (RAG), вызовом инструментов и агентными сценариями, где требуется сложное рассуждение. Модель подходит для создания помощников, которые отвечают на вопросы с опорой на документы, используют подключённые инструменты и выполняют многошаговые задачи. В доступных сведениях не указаны размер, архитектура, контекст, языки и лицензия, поэтому их нельзя надёжно описать.

ExeVRM (Execution Video Reward Model) — мультимодальная модель, дообученная на базе Qwen/Qwen3-VL-8B-Instruct для оценки выполнения задач компьютерным агентом. Она принимает видеозапись действий на экране и текстовую инструкцию, после чего классифицирует выполнение как правильное или неправильное. Модель содержит 8,7 млрд параметров и использует архитектуру Qwen3VLForConditionalGeneration. Для более эффективной обработки длинных записей при обучении применялись пространственное и временное прореживание визуальных токенов: вместе они сокращают их количество на 40–60% с сохранением качества оценки. Для наилучшего соответствия обучающим данным рекомендуется подавать видео 720p, с частотой 1 кадр в секунду и максимум 50 кадров. Модель выпущена под лицензией Apache-2.0. ExeVRM предназначена для проверки траекторий компьютерного использования в настольных, веб- и мобильных интерфейсах. Она выдаёт бинарную оценку, а не предназначена для открытых вопросов о видео. На видео из других областей качество не гарантируется; при инференсе без ExeVRM framework прореживание не применяется, поэтому обработка длинных видео может требовать больше видеопамяти.

Functionary Medium v3.0 — языковая модель семейства Llama, разработанная meetkai для диалога и вызова функций или плагинов. Она принимает определения инструментов в формате JSON Schema и может решать, когда вызвать их, запускать вызовы последовательно или параллельно, интерпретировать результаты и формировать ответы с опорой на полученные данные. Если инструмент не нужен, модель отвечает обычным сообщением; также заявлена поддержка code interpreter. Модель содержит 69,5 млрд параметров, использует плотную архитектуру Llama и работает с контекстом до 8192 токенов. Для запуска авторы рекомендуют OpenAI-совместимый сервер vLLM; карточка также описывает шаблон диалога и код для разбора ответов с вызовами инструментов. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель предназначена для построения разговорных приложений с вызовом внешних инструментов. Для работы с инструментами требуется передавать их определения в ожидаемом формате и корректно обрабатывать структуру вызовов. README не приводит количественных оценок качества; заявленная в карточке сравнительная характеристика с GPT-4 не подкреплена результатами тестирования.

Карточка модели codys12/functionary-small-v2.2 на Hugging Face совпадает с карточкой meetkai/functionary-small-v2.2, поэтому описание составлено по ней. Functionary Small v2.2 — разговорная языковая модель MeetKai для выбора и вызова функций и плагинов, описанных в формате JSON Schema. Она решает, когда обращаться к инструментам, может вызывать несколько функций параллельно или последовательно, учитывать результаты вызовов и формировать на их основе ответ; если инструменты не нужны, поддерживает обычный диалог. Для передачи инструкций используется шаблон v2PromptTemplate, а описания функций преобразуются в текстовые определения в стиле TypeScript. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; длина контекста — 32 768 токенов. Карточка приводит точность определения имени функции и извлечения аргументов 0,546 на внутреннем наборе данных MeetKai, поэтому результат вызовов следует проверять в целевых сценариях. В репозитории доступны веса Safetensors. Модель распространяется по лицензии, указанной на Hugging Face; имеющиеся сведения не позволяют назвать её условия.

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

Functionary Small v3.2 — языковая модель команды MeetKai для диалогов с вызовом функций и инструментов. Она основана на Meta Llama 3.1 8B Instruct; в репозитории указана плотная архитектура Llama с 7,5 млрд параметров и контекстом до 131 072 токенов. Веса представлены в формате safetensors. Модель подходит для чат-сценариев, где нужно выбирать подходящий инструмент, формировать вызовы по описаниям функций в JSON Schema, запускать несколько функций параллельно или последовательно и использовать их результаты для ответа. Она также может продолжать обычный диалог без вызова инструментов и поддерживает сценарии с интерпретатором кода. Для разбора сырых ответов в структуру с полями роли, содержимого и вызовов инструментов предусмотрен пользовательский код; авторы также рекомендуют запуск через совместимый с OpenAI сервер vLLM. Лицензия — MIT. Карточка описывает интерфейс вызова инструментов, но не приводит языковых оценок или сравнительных результатов; фактическое качество зависит от формата промпта и корректной обработки вызовов инструментов.

Модель DiTy/gemma-2-9b-it-russian-function-calling-GGUF — русскоязычная версия Gemma 2 9B Instruct, дообученная командой DiTy для вызова функций по запросам на русском языке. Обучение выполнено на размеченных людьми данных набора DiTy/function-calling. Модель принимает текстовый запрос и описания доступных инструментов, сформированные через chat template, и генерирует текст, включая структурированный вызов подходящей функции. После выполнения функции её результат можно передать модели для продолжения диалога. Это пригодно для ассистентов, которым нужно выбирать и вызывать инструменты в ответ на запрос пользователя. Это плотная авторегрессионная модель Gemma 2 с 9 млрд параметров и контекстом 8192 токена. Доступны веса safetensors и GGUF в формате F16; README указывает размер GGUF-файла 18,5 ГБ. Для корректного формата сообщений и инструментов следует использовать chat template модели. Лицензия — Apache-2.0.

Gorilla OpenFunctions v2 — языковая модель для генерации вызовов функций и API по инструкциям на естественном языке и описаниям доступных API, разработанная командой Gorilla из Калифорнийского университета в Беркли. Она построена на архитектуре Llama и базируется на DeepSeek Coder; в метаданных указаны 6,5 млрд параметров и контекст 4096 токенов. Модель выбирает подходящую функцию среди нескольких, формирует параллельные вызовы с разными параметрами и определяет, когда нужно ответить обычным текстом, а когда вызвать функцию. Поддерживаются типы параметров Python, Java и JavaScript, а также REST API. Это делает модель пригодной для чат-ботов и приложений, которым нужно связывать запросы пользователя с программными интерфейсами. В карточке приведён результат 83,67% по метрике Berkeley Function Calling Leaderboard. Модель распространяется под лицензией Apache-2.0. Она ориентирована на структурированную генерацию вызовов, поэтому качество зависит от точности описаний функций и формата запроса; README не сообщает подробностей о multilingual-поддержке.

Модель fesalfayed/gpt-oss-20b-hermes_agent-tool-finetune_16bit — дообученная версия OpenAI gpt-oss-20b для локального фреймворка Hermes-Agent. Это причинная языковая модель с архитектурой Mixture-of-Experts; в README базовая модель описана как модель на 21 млрд параметров с 3,6 млрд активных параметров, а метаданные каталога указывают 1,6 млрд параметров. Контекст составляет до 131 072 токенов по метаданным, хотя обучение этого чекпойнта проводилось на последовательностях длиной 8 192 токена. Модель предназначена для диалогов с инструментами: вызовов функций, следования многошаговым инструкциям и продолжительных циклов «вызов инструмента — наблюдение — планирование». Сохраняет шаблон чата Harmony и настройку уровня reasoning effort. Дообучение выполнено методом LoRA SFT на примерно 42 тысячах трасс использования инструментов, после чего адаптер объединён с базовыми весами; доступны веса BF16 в формате Safetensors, ориентированные на запуск через vLLM или Transformers. Основной язык — английский. По README, дообучение улучшает соблюдение формата вызовов и системных инструкций, но не направлено на улучшение математики или генерации кода; при расплывчатых запросах модель может избыточно вызывать инструменты. Дополнительная настройка безопасности не проводилась. Лицензия — Apache-2.0.

Hammer 2.0-7B — языковая модель MadeAgents для вызова функций и создания агентных приложений, в том числе локальных и работающих на устройствах. Это плотная авторегрессионная модель семейства Qwen2 на 7,1 млрд параметров, дообученная на базе Qwen/Qwen2.5-Coder-7B-Instruct с применением техники маскирования функций. Модель обучали на 60 тысячах примеров вызова функций из набора APIGen и на дополнительном наборе xlam-irrelevance-7.5k. Она предназначена для выбора и вызова инструментов в агентных сценариях; в карточке описаны результаты оценки на BFCL-v3 и других академических тестах. Контекст составляет 32 768 токенов. Модель принимает текстовые запросы и выдаёт текст, включая структурированные вызовы функций. Репозиторий содержит веса в формате safetensors и поддерживает Transformers версии 4.37.0 и выше. Лицензия — CC BY 4.0. Карточка не приводит сведений о поддерживаемых естественных языках и конкретных ограничениях качества или безопасного использования.

Holo1.5-3B — мультимодальная модель H Company для компьютерных агентов, дообученная на базе Qwen/Qwen2.5-VL-3B-Instruct. Она принимает изображения интерфейсов и текстовые запросы, чтобы находить элементы на экране, отвечать на вопросы о содержимом веб-, настольных и мобильных приложений и поддерживать автоматизацию действий в них. Модель относится к семейству Qwen2.5-VL, имеет 3,1 млрд параметров и контекст до 128 000 токенов. По данным карточки, она обрабатывает изображения с разрешением до 3840 × 2160 пикселей; обучение включало supervised fine-tuning и онлайн-обучение с подкреплением. Разработчик сообщает о результатах на тестах локализации элементов интерфейса и визуальных вопросов и ответов. Для версии 3B указана лицензия Qwen Research License. Модель предназначена для понимания интерфейсов и прогнозирования действий, но карточка не описывает гарантии безопасного выполнения действий в реальных приложениях. Результаты бенчмарков не гарантируют точность на конкретных интерфейсах.

Карточка модели Hcompany/Holo-3.1-35B-A3B на Hugging Face совпадает с карточкой Hcompany/Holo-3.1-0.8B, поэтому описание составлено по ней. Holo-3.1-0.8B — мультимодальная модель H Company для агентного управления графическими интерфейсами. Она основана на семействе Qwen 3.5 и предназначена для работы с веб-сайтами, настольными и мобильными приложениями. Модель принимает изображения интерфейса и текстовые инструкции, а через интерфейс вызова функций может передавать агентной системе команды для выполнения действий. Модель относится к семейству Holo3.1 размером от 0,8 млрд до 35 млрд параметров; для этой версии метаданные указывают архитектуру Qwen3.5 и размер 0,8 млрд параметров. Она ориентирована на автоматизацию интерфейсов, привязку элементов к их расположению и бизнес-сценарии. Выпускается в формате safetensors и использует лицензию Apache 2.0. Карточка сообщает о сильных результатах семейства на тестах автоматизации и понимания интерфейсов, но не приводит численных результатов отдельно для версии 0.8B. Её пригодность для конкретной системы и качество действий следует проверять в целевом окружении.

Holo-3.1-35B-A3B-FP8 — мультимодальная vision-language модель компании H Company для создания агентов, способных взаимодействовать с компьютером. Она предназначена для навигации и автоматизации действий в веб-браузерах, настольных и мобильных средах, включая работу с графическими интерфейсами, UI grounding, мобильную автоматизацию и бизнес-процессы. Модель поддерживает нативный function calling для интеграции с агентскими фреймворками и рассчитана на локальное развертывание. Модель относится к семейству Holo3.1 и основана на моделях семейства Qwen 3.5. Вариант Holo-3.1-35B-A3B-FP8 использует архитектуру Mixture-of-Experts с 35 млрд параметров и доступен в квантизованном формате FP8. Входные модальности включают текст и изображения, а заявленный язык — английский. Точный размер контекстного окна в README не указан. К сильным сторонам относятся поддержка нескольких типов компьютерных сред, специализированность для задач computer use и GUI-агентов, function calling и возможность эффективного локального запуска на совместимом оборудовании. README заявляет высокую производительность в задачах компьютерного управления, мобильной автоматизации, корпоративных рабочих процессах и сопоставлении элементов интерфейса, однако числовые результаты тестов не приведены в текстовом виде. Ограничениями являются зависимость качества от конкретной среды и агентской интеграции, а также отсутствие подробных данных о контекстном окне, требованиях к ресурсам и известных ограничениях. Модель распространяется по лицензии Apache 2.0.

Holotron-3-Nano — мультимодальная модель H Company для автоматизации задач на компьютере и управления агентами в интерактивных средах. Разработчик дообучил NVIDIA Nemotron 3 Nano Omni на собственной смеси данных, чтобы улучшить моделирование политики агента. Модель принимает текст и изображения и формирует текстовые ответы для агентных сценариев; карточка также указывает интерфейс вызова инструментов. Архитектура — NemotronH_Nano_Omni_Reasoning_V3 с MoE; в названии указано 30B A3B. Заявлены улучшенный визуальный энкодер и поддержка длинного контекста, но его числовая длина в данных не приведена. Для запуска рекомендованы vLLM и зависимости mamba-ssm и causal-conv1d; визуальный энкодер nvidia/C-RADIOv2-H загружается с Hugging Face. Модель доступна по NVIDIA Open Model License. H Company заявляет о высокой скорости вывода и сниженной задержке, однако в карточке нет независимых оценок этих характеристик. Поддержка изображений подтверждена; ввод аудио и видео базовой модели не следует автоматически считать возможностями этой версии.

Mungert/Jan-v2-VL-high-GGUF — это GGUF-квантизированная версия мультимодальной модели Jan-v2-VL-high, разработанной командой Jan на базе Qwen/Qwen3-VL-8B-Thinking. Модель содержит около 8 млрд параметров, обрабатывает текст и изображения и предназначена прежде всего для многошаговых задач в реальных программных средах, включая управление браузерами и настольными приложениями. Она может использовать скриншоты, вызовы инструментов и промежуточное состояние для выполнения длинных последовательностей действий с минимальным накоплением ошибок. Вариант high ориентирован на более глубокое рассуждение и допускает большее время обработки по сравнению с вариантами low и med. GGUF-файлы подготовлены с использованием llama.cpp; автор применяет избирательное повышение точности отдельных важных слоёв сверх стандартной конфигурации IMatrix, что должно улучшать точность при заданном уровне квантования, но увеличивает размер файла. Модель поддерживает сценарии локального запуска через Jan App и llama.cpp; для исходной модели также указана интеграция с vLLM. В качестве сильных сторон заявлены стабильное выполнение длинных цепочек действий, визуальное заземление и сохранение качества на стандартных текстовых и визуальных задачах относительно базовой Qwen3-VL-8B-Thinking. Ограничениями являются повышенные требования к задержке и размеру файла у варианта high, а также отсутствие в карточке точных сведений о размере контекста, конкретных поддерживаемых языках помимо заявленного английского и системных требованиях. Указана лицензия Apache 2.0.

Карточка модели Phyoe717/Llama-3-Groq-70B-Tool-Use на Hugging Face совпадает с карточкой Groq/Llama-3-Groq-70B-Tool-Use, поэтому описание составлено по ней. Groq Llama-3-Groq-70B-Tool-Use — языковая модель Groq на архитектуре Llama 3, дообученная с помощью полного fine-tuning и Direct Preference Optimization на базе Meta Llama 3 70B. Модель содержит 69,5 млрд параметров, принимает и генерирует текст, поддерживает контекст до 8192 токенов и рассчитана прежде всего на английский язык. Модель предназначена для вызова функций и инструментов: взаимодействия с API, манипуляций со структурированными данными и выполнения сложных последовательностей действий через инструменты. В README указан результат 90,76% на Berkeley Function Calling Leaderboard. Для общих знаний и свободного диалога специализированная настройка может быть менее подходящей; ответы могут быть неточными или предвзятыми, а результат чувствителен к настройкам temperature и top_p. Модель распространяется по лицензии Meta Llama 3 Community License. README описывает её применение в исследованиях и разработке сценариев использования инструментов.

QuantFactory/Llama-3-Groq-8B-Tool-Use-GGUF — квантизированная версия модели Llama-3-Groq-8B-Tool-Use, созданная QuantFactory с использованием llama.cpp на основе модели Groq. Это авторегрессионная языковая модель с оптимизированной transformer-архитектурой и примерно 8 млрд параметров, дообученная полным fine-tuning и методом Direct Preference Optimization (DPO) на базе Llama 3 8B. Модель предназначена прежде всего для tool use и function calling: взаимодействия с API, обработки структурированных данных и выполнения сложных последовательностей вызовов инструментов. Она принимает текст и генерирует текст с поддержкой вызовов функций в структурированном формате. Заявленный язык — английский; сведения о размере контекста и мультимодальных возможностях отсутствуют. На Berkeley Function Calling Leaderboard модель получила 89,06% общей точности, что в карточке указано как лучший результат среди открытых 8B-моделей. Для общих вопросов и открытой генерации может быть предпочтительнее универсальная языковая модель. Модель способна генерировать неточный или предвзятый контент и требует дополнительных мер безопасности. Результаты чувствительны к параметрам sampling; в качестве отправной точки рекомендованы temperature 0,5 и top_p 0,65. Указана лицензия Meta Llama 3 Community License.

LongCat-Flash-Thinking-2601 — разработанная Meituan большая языковая модель для рассуждений и агентных сценариев. В карточке описана обновлённая версия семейства LongCat-Flash-Thinking с архитектурой Mixture-of-Experts и 560 млрд общих параметров; метаданные Hugging Face указывают 17,7 млрд параметров. Модель обучали на многошаговом использовании инструментов и поиске, включая подкрепляющее обучение в разнообразных средах с шумом. Модель предназначена для диалогов, сложных рассуждений, вызова инструментов, агентного поиска и задач, где нужно координировать несколько инструментов. Шаблон чата поддерживает чередование рассуждений и вызовов инструментов, а режим Heavy Thinking предназначен для особенно трудных задач. Метаданные указывают контекст до 983 040 токенов и формат safetensors. Модель принимает текст и генерирует текст, в том числе ответы в диалоге и структурированные вызовы инструментов. Карточка отмечает сильные результаты на агентных задачах и обобщение на новых сценариях, однако модель не оценивалась полноценно для всех прикладных задач. Лицензия — MIT.

MiniCPM4-MCP — диалоговая языковая модель команды MiniCPM, основанная на MiniCPM4-8B и предназначенная для выполнения запросов с помощью MCP-инструментов. Она принимает запрос пользователя и доступные инструменты, выбирает подходящие вызовы и использует их для выполнения задачи. Модель относится к плотной архитектуре MiniCPMForCausalLM, содержит 7,9 млрд параметров и поддерживает контекст до 32 768 токенов. Модель входит в семейство MiniCPM4, разработанное для эффективной работы на устройствах с ограниченными ресурсами. Карточка указывает поддержку китайского и английского языков, интерфейс чата и вызова инструментов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Заявленные свойства семейства не гарантируют аналогичную скорость для каждой конфигурации оборудования.

MrFuzzihead/Nex-N2.5-mini-APEX-GGUF — набор GGUF-квантизированных вариантов мультимодальной агентной модели Nex-N2.5-mini, разработанной Nex-AGI. Квантизация выполнена MrFuzzihead методом APEX, созданным командой LocalAI для llama.cpp и учитывающим структуру Mixture-of-Experts. Модель предназначена для долгих агентных сценариев в реальном мире: управления компьютером, веб-сёрфинга, визуально обоснованных рабочих процессов, проверки результатов и самокоррекции. Она также поддерживает генерацию текста, рассуждения и вызов инструментов. Базовая модель содержит около 35 млрд параметров, использует 256 маршрутизируемых экспертов, из которых 8 активируются на каждом токене, а также общего эксперта. Архитектура включает 40 слоёв с гибридом полного внимания и линейного внимания/SSM; полное внимание используется только в 10 слоях, что снижает нагрузку на KV-кэш. Поддерживаются текст, изображения и видео с временными патчами, контекст до 262 144 токенов, адаптивное рассуждение с уровнями none, medium и high, а также вызов функций в формате Qwen3-Coder. Основной язык и полный перечень языков README не уточняет. Репозиторий предлагает варианты размером примерно от 10,15 до 23,60 ГБ и отдельные vision-проекторы BF16 или Q8_0. Это позволяет выбирать между качеством и требованиями к памяти: старшие варианты рассчитаны примерно на видеокарты с 24 ГБ памяти, компактные — на 12–24 ГБ. APEX применяет разную точность к экспертам, слоям, вниманию и SSM, сохраняя более высокую точность в важных компонентах; варианты с importance matrix ориентированы на лучшее качество и меньшую потерю информации. Ограничения включают неизбежные потери качества квантизации, дополнительные требования к памяти для vision-проектора, KV-кэша и служебных накладных расходов, а также зависимость совместимости от llama.cpp и поддержки мультимодального запуска. Лицензия — Apache-2.0.

unsloth/NVIDIA-Nemotron-3-Super-120B-A12B-GGUF — GGUF-версия большой языковой модели NVIDIA Nemotron-3-Super, разработанной NVIDIA Corporation. Модель предназначена для агентных сценариев, сложного рассуждения, диалоговых приложений, использования инструментов, RAG и высоконагруженных задач, включая автоматизацию обработки IT-заявок. Доступна настройка режима рассуждения через шаблон чата с параметром enable_thinking. Модель использует гибридную архитектуру LatentMoE, объединяющую Mamba-2, Mixture of Experts и attention, а также Multi-Token Prediction (MTP). Общий размер составляет 120 млрд параметров, из них 12 млрд активны при обработке запроса. Поддерживается контекст до 1 млн токенов и английский, французский, немецкий, итальянский, японский, испанский и китайский языки. Для запуска исходной BF16-версии требуется минимум 8 GPU H100 с 80 ГБ памяти; для данной GGUF-версии конкретные требования зависят от выбранной квантизации и среды выполнения. Сильными сторонами модели являются длинный контекст, сочетание эффективности MoE с возможностями гибридной архитектуры, поддержка рассуждений, инструментального использования и агентных рабочих процессов. Ограничениями остаются очень большой общий размер и высокие аппаратные требования, особенно для неквантизированной версии. Модель распространяется по лицензии NVIDIA Nemotron Open Model License; README также указывает возможность дообучения с помощью Unsloth.

Orion-14B-Chat-Plugin — языковая модель OrionStarAI на архитектуре OrionForCausalLM с плотной архитектурой и 14,1 млрд параметров. Семейство Orion-14B обучено с нуля на многоязычном корпусе; эта версия дообучена для работы с плагинами и вызова функций, поэтому подходит для агентных сценариев, где модель выбирает и вызывает внешние инструменты. Модель принимает текст и генерирует текст. Для этой версии в метаданных указан контекст 4096 токенов; сведения о более длинном контексте в карточке относятся к отдельной версии Orion-14B-LongChat. Семейство поддерживает китайский, английский, японский и корейский языки. Модель распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

Occamy-1.0 — мультимодальная агентная модель AMAImedia для длительной совместной работы с инструментами, файлами, кодом, поиском и структурированными API. Эта версия репозитория объединяет Occamy-1.0 и Qwen3.6-35B-A3B; в карточке указаны форматы GGUF F16, Q4_K_M, Q8_0 и Safetensors. Модель сохраняет архитектуру Qwen3.6-35B-A3B с Mixture of Experts: 35 млрд параметров всего и около 3 млрд активных при обработке токена. Модель рассчитана на многошаговые рабочие процессы, требующие вызова инструментов, ведения состояния и восстановления после сбоев, а также на программирование в терминале и следование инструкциям. Она принимает текст и изображения и выдаёт текст; заявлены возможности чата и анализа изображений. Карточка отмечает поддержку множества языков, включая русский, английский и китайский. Точное ограничение контекста в предоставленных данных не приведено. Авторы позиционируют Occamy как модель для практической агентной работы с компактной активной частью MoE, но указывают, что у неё остаётся запас для задач с интенсивным поиском и симуляцией пользователя; взаимодействие с браузером или рабочим столом через визуальный интерфейс не входит в текущий обучающий интерфейс. Лицензия — Apache-2.0.

ScaleCUA-32B — мультимодальная модель компьютерного управления интерфейсами, разработанная OpenGVLab на базе Qwen2.5-VL-32B-Instruct и дообученная на наборе OpenGVLab/ScaleCUA-Data. Она предназначена для понимания экранов и выполнения пользовательских задач через графический интерфейс в разных операционных системах и прикладных сценариях. Модель принимает текстовые инструкции и изображения экрана, а в ответ формирует текст с рассуждениями, командами и действиями для интерфейса. Поддерживает прямой режим для определения цели и координат действия, а также пошаговый режим для сложных задач автоматизации. Архитектура Qwen2.5-VL имеет 32 млрд параметров и контекст длиной до 128 000 токенов; в метаданных указан английский язык. В описанных авторами тестах семейство ScaleCUA показывает высокие результаты на бенчмарках GUI-агентов, включая WebArena-Lite-v2, ScreenSpot-Pro, MMBench-GUI и OSWorld-G. Это специализированный агентный чекпойнт, поэтому качество действий может зависеть от платформы, интерфейса и корректной обработки координат. Модель распространяется по лицензии Apache-2.0.

ScaleCUA-3B — мультимодальная модель для управления графическим интерфейсом, разработанная OpenGVLab на основе Qwen2.5-VL-3B-Instruct и дообученная на наборе ScaleCUA-Data. Она анализирует изображения экрана и поддерживает два режима работы: выдачу непосредственных действий с координатами элементов интерфейса и планирование многошаговых операций с генерацией кода действий. Модель предназначена для автоматизации задач на разных операционных системах и в веб-интерфейсах, включая понимание интерфейса, поиск элементов и выполнение последовательностей действий. Модель имеет плотную архитектуру Qwen2.5-VL, содержит 3,1 млрд параметров, работает через Transformers и поддерживает контекст до 128 000 токенов. В README заявлены улучшения на бенчмарках WebArena-Lite-v2 и ScreenSpot-Pro, а семейство ScaleCUA также показывает результаты на MMBench-GUI и OSWorld-G. Основной описанный сценарий — управление интерфейсом по визуальному вводу; модель может ошибаться в распознавании элементов и выборе действий, поэтому результаты автоматизации требуют проверки. Лицензия — Apache-2.0.

unsloth/Step-3.7-Flash-GGUF — GGUF-квантизированная версия модели Step 3.7 Flash, разработанной StepFun и распространяемой в формате Unsloth Dynamic 2.0. Это мультимодальная vision-language модель со sparse Mixture-of-Experts: она объединяет языковую основу примерно на 196 млрд параметров и vision-энкодер на 1,8 млрд параметров, активируя около 11 млрд параметров на токен. Модель поддерживает изображения и текст, английский язык и контекст до 256 тысяч токенов. Доступны уровни рассуждения low, medium и high для выбора баланса между скоростью, стоимостью и глубиной обработки. Модель предназначена для высоконагруженных агентных сценариев, объединяющих восприятие изображений, поиск, проверку информации, работу с инструментами и рассуждение. Она подходит для анализа больших финансовых документов, обработки интерфейсов, wireframe, графиков и диаграмм, многошагового поиска с перекрёстной проверкой источников, оркестрации внешних API и параллельных задач программирования. Заявленная производительность достигает 400 токенов в секунду; модель также ориентирована на исправление ошибок в многосоставных репозиториях и генерацию патчей, проходящих автоматические тесты. Сильные стороны модели — большое контекстное окно, нативное понимание изображений, поддержка длительных агентных рабочих процессов и возможность локального, облачного или серверного развёртывания через Transformers, vLLM, SGLang и llama.cpp. Ограничения включают значительные требования к памяти и вычислительным ресурсам: для локального запуска указаны устройства как минимум со 128 ГБ unified memory. README не содержит подробностей о качестве на языках, кроме английского, а заявленные результаты бенчмарков могут зависеть от конфигурации и способа инференса. Лицензия — Apache-2.0.

Tool-Star-Qwen-3B — дообученная модель на базе Qwen2.5-3B-Instruct, разработанная авторами фреймворка Tool-Star. Она предназначена для пошагового рассуждения с самостоятельным вызовом нескольких внешних инструментов и обменом результатами между ними. Модель использует архитектуру Qwen2, содержит 3,1 млрд параметров и принимает текст; контекст — до 32 768 токенов. Карточка указывает поддержку английского языка, интерфейс вызова инструментов и оценку по точности. Модель подходит для диалоговых сценариев, где нужно разбить задачу на шаги, обратиться к доступным инструментам и использовать их ответы при дальнейшем рассуждении. Обучение включало начальную тонкую настройку и обучение с подкреплением для улучшения многоинструментального взаимодействия. Веса опубликованы в формате Safetensors; лицензия — MIT.

UGround-V1-72B — мультимодальная модель для визуальной привязки элементов графического интерфейса к текстовым запросам. Её разработали совместно OSUNLP и Orby AI; это дообученная версия Qwen2-VL-72B с плотной архитектурой Qwen2-VL и 71,5 млрд параметров. Модель принимает изображения интерфейсов и текстовые инструкции, а в ответ указывает соответствующий элемент интерфейса. Модель предназначена для поиска кнопок, значков и текстовых элементов на экранах мобильных приложений, веб-сайтов и настольных программ. Её можно использовать как компонент визуального агента, который управляет интерфейсом по текстовым указаниям. В метаданных указаны контекст длиной 32 768 токенов, библиотека Transformers и формат весов safetensors. README не сообщает условия лицензии, а в метаданных указана лицензия other.