I.14Автоматизация процессов и AI-агенты

DictaLM 3.0 24B Thinking — разговорная reasoning-модель семейства Mistral, разработанная Dicta. Она предназначена для диалога и генерации ответов с предварительным рассуждением в отдельном блоке; также поддерживает вызов внешних инструментов и API. Модель содержит 23,4 млрд параметров, использует плотную архитектуру Mistral и принимает текстовые запросы, выдавая текстовые ответы. Она обучена на обширных корпусах на иврите и английском; длина контекста составляет 65 280 токенов. Для работы с инструкциями следует использовать шаблон чата модели. В карточке указаны веса safetensors и лицензия Apache-2.0.

EvoEmbedding-2B — модель эмбеддингов семейства EvoRAG, разработанная MiG-NJU на архитектуре Qwen3.5-2B. Она предназначена для поиска по длинному контексту и меняющимся диалогам: модель сохраняет порядок сообщений и использует обновляемую латентную очередь памяти, чтобы формировать контекстные представления истории и запроса. Репозиторий также описывает ранжирование списка кандидатов по релевантности. Модель подходит для извлечения релевантных фрагментов из истории длинных разговоров, систем RAG и агентской памяти. README сообщает о нормализованных эмбеддингах; метаданные указывают формат safetensors, поддержку английского и китайского и лицензию Apache-2.0. Размер указан как 2 млрд параметров. Длина контекста в предоставленных источниках не приведена.

EvoEmbedding-4B — модель эмбеддингов из семейства EvoEmbedding, представленная под аккаунтом ClareNie. Она предназначена для поиска по длинным контекстам, динамического извлечения информации и организации памяти в агентных системах и длительных диалогах. В отличие от независимого векторного представления отдельных фрагментов, модель использует обновляемую очередь латентной памяти для формирования контекстно-зависимых представлений, учитывающих изменения во времени. Модель построена на архитектуре Qwen3-4B и содержит 4 млрд параметров. Она принимает текст и выдаёт векторные представления для задач поиска и извлечения; в метаданных указаны английский и китайский языки. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены результаты оценки качества и подробности о пределах поддерживаемой длины контекста; эффективность на конкретных корпусах следует проверять отдельно.

EXAONE 4.0-32B — плотная языковая модель с 31,5 млрд параметров, разработанная LG AI Research для диалогового использования. Она поддерживает обычный режим генерации и режим рассуждений, а также вызов инструментов для агентных сценариев. Архитектура включает 64 слоя и гибридное внимание: локальное скользящее внимание чередуется с глобальным в соотношении 3:1. Контекст — до 131 072 токенов. Модель предназначена для диалогов, ответов на вопросы, решения сложных задач и взаимодействия с инструментами. В карточке заявлена поддержка английского, корейского и испанского языков. Для работы через Transformers требуется версия 4.54.0 или новее. Ответы могут содержать фактические ошибки, предвзятость или неподходящий контент, а знания могут быть устаревшими. Лицензия указана как other; README сообщает об обновлении условий в сторону большей гибкости, но точные условия следует сверить с лицензией в репозитории перед использованием.

Fara-7B — компактная мультимодальная модель Microsoft Research для управления браузером и выполнения веб-задач по скриншотам. Она построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и принимает текстовую цель пользователя, скриншоты и историю действий. Контекст модели составляет 128 000 токенов. Модель планирует действия на сайтах и выдаёт текст с аргументами для вызова инструментов, например координатами клика. Она предназначена для пошаговой автоматизации поиска информации, покупок и бронирований, а также других сценариев работы с веб-страницами. В карточке заявлена поддержка только английского языка; модель распознаёт критические этапы вроде оплаты или отправки сообщений и должна останавливаться для запроса участия пользователя. Модель выпущена Microsoft Research в ноябре 2025 года и распространяется по лицензии MIT. README сообщает о более новой версии Fara 1.5, которая улучшает Fara-7B. Модель может ошибаться; её работа оценивалась не для всех сценариев, а высокорисковые задачи требуют профессионального контроля.

Gemini 3.6 Flash — высокоэффективная модель Google для программирования, агентных сценариев, а также разработки веб-приложений и приложений. Карточка описывает её как инструмент для создания качественных результатов с меньшим числом лишних правок. Метаданные каталога классифицируют модель как image-text-to-text. В доступных материалах не приведены сведения об архитектуре, размере, языках, контекстном окне и лицензии, поэтому их нельзя уточнить. Карточка также не описывает ограничения модели.

Карточка модели eyes-dot-ml/GLM-5.3-Flash-BF16 на Hugging Face совпадает с карточкой zai-org/GLM-5.3-Flash-BF16, поэтому описание составлено по ней. GLM-5.3-Flash-BF16 — мультимодальная модель семейства GLM от Z.ai для диалогов и задач с изображениями. По карточке модели, она содержит 320 млрд параметров, из которых 18 млрд активны при обработке. Архитектура GLM5 Next сочетает разреженное и линейное внимание; модель обучена с нуля и использует мультимодальную предобучающую выборку объёмом 30 трлн токенов. Модель предназначена для анализа изображений и текста, программирования и агентных сценариев. В README заявлены улучшения относительно GLM-5.2 и эффективность при работе с длинным контекстом. Доступны уровни reasoning_effort low, high и max; для локального развёртывания перечислены Transformers, vLLM, SGLang и другие фреймворки. Метаданные указывают поддержку английского и китайского языков и интерфейс чата с обработкой изображений. Лицензия — MIT.

GLM-5.3-Flash-BF16 — мультимодальная модель семейства GLM от Z.ai для диалогов и задач с изображениями. По карточке модели, она содержит 320 млрд параметров, из которых 18 млрд активны при обработке. Архитектура GLM5 Next сочетает разреженное и линейное внимание; модель обучена с нуля и использует мультимодальную предобучающую выборку объёмом 30 трлн токенов. Модель предназначена для анализа изображений и текста, программирования и агентных сценариев. В README заявлены улучшения относительно GLM-5.2 и эффективность при работе с длинным контекстом. Доступны уровни reasoning_effort low, high и max; для локального развёртывания перечислены Transformers, vLLM, SGLang и другие фреймворки. Метаданные указывают поддержку английского и китайского языков и интерфейс чата с обработкой изображений. Лицензия — MIT.

Grug v1.1 — диалоговая модель ProCreations на базе Qwen3.8-27B, дообученная на корпусе из 1 млн примеров и скорректированная LoRA-адаптером ранга 32, применённым с силой 0,5. Она предназначена для генерации текста с рассуждениями и работы в агентных сценариях, особенно для выбора подходящего инструмента. Автор сообщает о сокращении числа токенов рассуждения на некоторых тестах и высоких результатах выбора инструмента; для модели рекомендуется средний уровень reasoning_effort. README также описывает оценки на задачах программирования и математики и тесты на повторения. Модель использует плотную архитектуру семейства Qwen3.5 с 27 млрд параметров; в репозитории указаны веса SafeTensors и библиотека Transformers. Метаданные указывают английский язык карточки. Базовая модель мультимодальна, а README упоминает GGUF-вариант с mmproj для зрения, однако у этой модели в метаданных отмечена только генерация текста, поэтому мультимодальные возможности самого указанного репозитория не подтверждены. Среди ограничений автор указывает снижение результата на GSM8K относительно базовой модели, более слабое восстановление выбора инструмента после сбоя по сравнению с предыдущей версией и дополнительные затраты токенов на MBPP. Результаты в README получены на конкретных наборах и настройках, а агентные тесты проводились при температуре 0,6; они не гарантируют аналогичного качества в других сценариях. Лицензия — Apache-2.0.

Hermes-2-Pro-Mixtral-4x7B — разговорная языковая модель, собранная Isotonic как смесь экспертов (MoE) с помощью LazyMergekit из четырёх копий NousResearch/Hermes-2-Pro-Mistral-7B. Модель предназначена для диалогов по инструкциям и генерации текста; поддерживает формат чата ChatML, многошаговое общение, вызов функций и структурированные ответы в JSON. В карточке указано 7,1 млрд параметров и контекст длиной до 32 768 токенов. Репозиторий содержит веса Safetensors; для 4-битного инференса README приводит ориентир около 5 ГБ видеопамяти. Модель может подойти для чат-ботов, ассистентов и сценариев с вызовом инструментов. Лицензия — Apache-2.0. Данных о поддерживаемых естественных языках и конкретных оценках качества в карточке нет.

Карточка модели genevaquant/Inkling-Small на Hugging Face совпадает с карточкой thinkingmachines/Inkling-Small, поэтому описание составлено по ней. Inkling-Small — мультимодальная модель общего назначения от Thinking Machines, построенная на авторегрессионном трансформере с 42 слоями и разреженным MoE-блоком: из 256 экспертов для каждого токена выбираются 6, а 2 общих эксперта активны всегда. Всего модель содержит 276 млрд параметров, из которых активно 12 млрд. Она принимает текст, изображения и аудио, обрабатывая их в общем пространстве представлений, и генерирует текст. Поддерживаются форматы BF16 и NVFP4; для работы предусмотрена библиотека Transformers. Модель предназначена для диалогов, следования инструкциям, мультимодальных запросов, программирования, чат-ботов, агентных систем с использованием инструментов и приложений с поиском по документам. Основной язык — английский; заявлены общие многоязычные возможности, но языки отдельно не перечислены. Для изображений рекомендован размер сторон 40–4096 пикселей, для аудио — WAV с частотой 16 кГц и длительностью менее двух минут. Модель может выдавать фактически неверные ответы, неточно следовать инструкциям и хуже работать в длинных диалогах; качество также может различаться по языкам и предметным областям. Для важных решений необходимы проверка человеком и дополнительные меры безопасности. Весы доступны по лицензии Apache-2.0.

Laguna-XS 2.1 JANG2L CRACK — текстовая модель для генерации кода и агентных сценариев, выпущенная dealignai на основе poolside/Laguna-XS-2.1. По карточке модели, это MoE-модель с 33 млрд параметров и примерно 3 млрд активных параметров; в метаданных размер указан как 2,6 млрд параметров. Версия JANG2L использует смешанную низкоразрядную квантизацию MLX для Apple Silicon, а CRACK удаляет поведение отказа на уровне весов. Репозиторий содержит веса safetensors, модель рассчитана на запуск через MLX, прежде всего с vMLX. Модель предназначена для агентного программирования, рассуждений и вызова инструментов; поддерживает текстовый ввод и генерацию текста, а также контекст до 262 144 токенов. Карточка заявляет сохранение возможностей кодирования, рассуждений и вызова инструментов после преобразований и приводит результаты MMLU и HarmBench, полученные в vMLX. Английский указан среди языков модели. Для генерации рекомендуется явно задавать temperature=1.0, top_p=1.0 и top_k=20: среды инференса могут игнорировать настройки в файлах конфигурации, что, по карточке, ухудшает качество вывода. Модель настроена следовать инструкциям без отказа, включая потенциально опасные запросы. Лицензия обозначена как other; подробные условия в предоставленных данных не раскрыты.

Это компактная модель классификации текста для определения языка. Она разработана на базе BERT и обучена автором репозитория на наборе hac541309/open-lid-dataset, который, согласно README, содержит 121 миллион предложений на 200 языках. Архитектура — BertForSequenceClassification: 4 слоя, скрытый размер 384, 6 голов внимания и около 25,2 млн параметров. Максимальная длина входа — 512 токенов. Модель предназначена для автоматического распознавания языка коротких и длинных текстовых фрагментов, например при маршрутизации запросов, сортировке документов или предварительной обработке многоязычных данных. README сообщает об accuracy и F1 около 0,973 на оценочном наборе примерно из 12 миллионов текстов; эти показатели зависят от состава данных и не гарантируют такое же качество на произвольных текстах. В метаданных указаны языки en, fr, de, es, ar и el, а README заявляет обучение на 200 языках. Модель принимает текст и выдаёт метку языка. Она распространяется по лицензии MIT. Возможны ошибки на очень коротких, смешанных по языкам, шумных или не представленных в обучении текстах; максимальная длина обрабатываемого контекста составляет 512 токенов.

Ling-3.0-flash-VL-fp4 — нативная мультимодальная модель, разработанная командой InclusionAI. Она предназначена для анализа изображений и видео, визуального понимания документов, схем, графиков и интерфейсов, многошагового рассуждения с опорой на визуальные данные, проверки информации, планирования и выполнения действий в реальных и агентных сценариях. Модель поддерживает режим рассуждения, включённый по умолчанию, а также задачи взаимодействия с веб- и программными интерфейсами. Модель имеет 124 млрд общих параметров, из которых 5,5 млрд активируются для каждого токена, что повышает эффективность инференса. Архитектура включает визуальный ViT-энкодер, двухслойный MLP-проектор, VideoRoPE для учёта пространственных и временных позиций, 42-слойный гибридный языковой backbone с чередованием слоёв KDA и Gated MLA в соотношении 5:1, а также разреженную MoE-архитектуру. Поддерживаются текст, изображения и видео; заявленное контекстное окно достигает 256K токенов. Для видео предусмотрены сценарии локализации событий, ответов на вопросы по длинным роликам и редактирования видеоклипов. К сильным сторонам относятся объединение восприятия, рассуждения, планирования, действий и проверки, работа со сложными визуальными структурами и высокая эффективность за счёт MoE. В Artificial Analysis Intelligence Index v4.1.1 модель получила 42 балла, что на 4 балла выше базовой Ling-3.0-flash. README не содержит подробных сведений о языках, конкретных ограничениях качества или системных требованиях вне отдельных конфигураций запуска. Модель распространяется по лицензии MIT.

hardcoreerik выпустил декензурированную версию Llama-3.1-Nemotron-Nano-4B-v1.1, созданную с помощью Heretic v1.3.0. По карточке это плотный decoder-only Transformer семейства Llama, дообученный на базе nvidia/Llama-3.1-Minitron-4B-Width-Base; размер — 3,9 млрд параметров, контекст — до 131 072 токенов. Модель принимает и выдаёт текст, поддерживает чат, рассуждения, следование инструкциям и вызов инструментов. Она предназначена для чат-ботов, агентных систем, RAG и общих задач, включая программирование, математику и рассуждения. Основной язык — английский; также заявлена поддержка немецкого, французского, итальянского, португальского, хинди, испанского и тайского. В сравнении с исходной моделью в README указано меньше отказов на тесте из 100 запросов, что отражает её декензурированную настройку. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия указана как other, а README заявляет готовность исходной модели к коммерческому использованию, но условия лицензии именно этой версии следует проверять отдельно.

LongSeeker-30B-SFT — дообученная PolarSeeker модель Qwen3-30B-A3B-Thinking-2507 для длительного поиска с использованием агентных инструментов. Она применяет подход Context-ReAct: в ходе рассуждения и вызова инструментов модель управляет рабочим контекстом с помощью операций пропуска, сжатия, отката, выделения фрагментов и удаления информации. Модель предназначена для многошагового веб-поиска и агентных задач, в которых нужно сохранять важные свидетельства и контролировать рост контекста. README сообщает результаты на BrowseComp, BrowseComp-ZH, xbench-2505 и GAIA-text; поддерживаемый сценарий — диалоговая генерация текста с интерфейсом вызова инструментов. Архитектура — Qwen3 MoE; метаданные указывают 2,6 млрд параметров, формат Safetensors и контекст до 262 144 токенов. В README заявлено, что агент поддерживает рабочий контекст около 15 тыс. токенов на длинных траекториях. Карточка указывает английский язык и лицензию MIT. Качество зависит от доступности и результатов работы подключённых инструментов; заявленные показатели приведены в README, а независимая проверка здесь не выполнялась.

Macaron-V1-Preview-749B — предварительная агентная модель MindLab Research, дообученная на GLM-5.1 с помощью MinT. В README она описана как модель класса 749B: база на 744B параметров и пять специализированных LoRA-адаптеров. В метаданных указаны 30,4B параметров и контекст 202 752 токена; архитектура обозначена как GLM MoE DSA, формат весов — SafeTensors. Модель предназначена для многоходовой персональной помощи: планирования, работы с поиском и календарём, вызовов инструментов, задач с кодом и терминалом, а также генерации интерфейсов по протоколу A2UI. README указывает английский и китайский языки. Работа с адаптерами организована через маршрутизатор: базовый адаптер отвечает за общий диалог, а специализированные — за агентные, программные и другие сценарии. Для полного поведения требуется совместимая среда обслуживания с маршрутизацией LoRA, инструментами, состоянием и поддержкой A2UI; простая загрузка одного адаптера не запускает всю агентную систему. Модель выпущена по лицензии MIT. README называет её исследовательским предварительным выпуском и предупреждает, что результаты зависят от инструментов, маршрутизации и рендерера, а длинные задачи ограничены вычислительными ресурсами.

FreedomAISVR/Magistral-Small-2509-MXFP4-GGUF — квантизированная версия мультимодальной модели Magistral-Small-2509 от Mistral AI, опубликованная в формате GGUF с квантизацией MXFP4. Модель основана на Mistral-Small-3.2-24B-Instruct-2506 и содержит 24 млрд параметров; в README указана архитектура Dense Transformer с классом Mistral3ForConditionalGeneration и контекст до 131 072 токенов. Для обработки изображений используется проектор mmproj с визуальным энкодером Pixtral ViT.

MiMo-Ornith-9B-AGSI — объединённая языковая модель OliviaRossi, созданная слиянием XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B и ornith-ai/Ornith-1.5-9B. Она предназначена для генерации текста в диалоге, рассуждений, программирования и агентных сценариев с вызовом инструментов, включая работу с терминалом и CLI. В метаданных указана плотная архитектура семейства Qwen 3.5; репозиторий содержит веса Safetensors и рассчитан на Transformers. README описывает метод слияния AGSI, а также рекомендует запускать модель с контекстом до 131 072 токенов. Модель ориентирована на сочетание математических и программных рассуждений с выполнением агентных задач и самоотладкой. Карточка сообщает о шаблоне чата Qwen и форматировании, отделяющем внутренние рассуждения от итогового ответа. Поддерживаемые языки по данным карточки — английский и китайский. Лицензия — Apache-2.0. Практические результаты и рекомендуемые параметры запуска из README не являются независимой оценкой качества; заявленный длинный контекст зависит от используемого сервера и конфигурации.

Карточка модели kaivoss/MiMo-V2.6-Distill-Qwen-9B-compat на Hugging Face совпадает с карточкой XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, поэтому описание составлено по ней. MiMo-V2.6-Distill-Qwen-9B — плотная мультимодальная модель на 9 млрд параметров, разработанная Xiaomi MiMo посредством supervised fine-tuning Qwen3.5-9B на данных, созданных MiMo. Модель предназначена для диалогов и агентных сценариев, включая программирование, визуальное программирование и задачи кибербезопасности; также поддерживает обработку изображений. Карточка публикует результаты SFT-чекпойнта на бенчмарках по программированию. Это контрольная точка для дальнейших исследований в области агентного обучения с подкреплением. Для запуска README рекомендует свежую сборку SGLang с поддержкой Qwen3.5; модель включает токенизатор и шаблон чата MiMo v2.6. Репозиторий содержит веса safetensors. Лицензия — MIT. README не описывает конкретные ограничения качества или безопасности модели.

Карточка модели lovedheart/MiMo-V2.6-Distill-Qwen-9B-FP8 на Hugging Face совпадает с карточкой XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, поэтому описание составлено по ней. MiMo-V2.6-Distill-Qwen-9B — плотная мультимодальная модель на 9 млрд параметров, разработанная Xiaomi MiMo посредством supervised fine-tuning Qwen3.5-9B на данных, созданных MiMo. Модель предназначена для диалогов и агентных сценариев, включая программирование, визуальное программирование и задачи кибербезопасности; также поддерживает обработку изображений. Карточка публикует результаты SFT-чекпойнта на бенчмарках по программированию. Это контрольная точка для дальнейших исследований в области агентного обучения с подкреплением. Для запуска README рекомендует свежую сборку SGLang с поддержкой Qwen3.5; модель включает токенизатор и шаблон чата MiMo v2.6. Репозиторий содержит веса safetensors. Лицензия — MIT. README не описывает конкретные ограничения качества или безопасности модели.

NVIDIA MiniMax-M3-NVFP4 — квантизированная версия мультимодальной модели MiniMax-M3, подготовленная с помощью NVIDIA Model Optimizer. Это модель архитектуры Transformer с Mixture-of-Experts: всего 428 млрд параметров, из которых активно около 23 млрд на токен. Она принимает текст, изображения и видео, а также выдаёт текст; контекстное окно составляет до 1 млн токенов, видео — до 30 минут. Модель предназначена для понимания изображений и длинных видео, программирования на продолжительных задачах, диалогов с инструментами и агентных сценариев. Режим рассуждения можно переключать между углублённым и менее затратным по задержке. Квантизация NVFP4 уменьшает объём весов и требования к памяти примерно вдвое относительно 8-битной версии; в приведённых тестах показатели близки к FP8-базе. Для запуска README указывает vLLM и NVIDIA Blackwell; поддержка MiniMax-M3 NVFP4 доступна в nightly-сборке vLLM. Веса самой модели разработаны не NVIDIA, а сторонней организацией. Лицензия обозначена как other, модель разрешена для некоммерческого использования. Ответы могут быть неточными, неполными или избыточными; модель может воспроизводить токсичность и предвзятость из обучающих данных.

Mistral-Small-Instruct-2409 — инструкционная плотная языковая модель на 22 млрд параметров, опубликованная Unsloth как дообученная версия Mistral-Small-Instruct-2409 от Mistral AI. Она предназначена для диалогов, следования инструкциям, генерации текста и вызова функций в приложениях на базе языковых моделей. Модель принимает текст и формирует текстовые ответы; поддерживает контекст до 131 072 токенов и интерфейс вызова функций. Для запуска README рекомендует vLLM и mistral-inference; для работы на одном GPU указано требование не менее 44 ГБ видеопамяти. В метаданных лицензия обозначена как other, поэтому перед использованием следует проверить условия на странице модели.

mmbert32k-modality-router-merged — классификатор текста из семейства MoM, разработанный для vLLM Semantic Router. Он определяет, какой тип ответа нужен по пользовательскому запросу: только текст (AR), изображение (DIFFUSION) или текст вместе с изображением (BOTH), чтобы направить запрос к подходящему бэкенду в системе с несколькими моделями. Подходит для маршрутизации запросов, выбора мультимодального конвейера и сокращения лишних вызовов генерации изображений. Модель основана на ModernBERT с масштабированием RoPE YaRN, содержит 306,9 млн параметров и поддерживает контекст до 32 768 токенов. Это объединённая версия LoRA-адаптера: его веса слиты с базовой моделью llm-semantic-router/mmbert-32k-yarn, поэтому для развёртывания не требуется PEFT. Карточка приводит accuracy и взвешенный F1 0,9686; базовая модель заявлена как многоязычная, однако обучение классификатора преимущественно опиралось на англоязычные данные. Модель классифицирует отдельные запросы и не учитывает историю диалога. Она не предназначена для модерации контента или оценки безопасности. Распространяется по лицензии Apache-2.0; доступны форматы Safetensors и ONNX.

Muse Glimmer 30B GGUF — это квантизированная версия 30-миллиардной каузальной языковой модели Muse Glimmer, разработанной Meta Superintelligence Lab и дистиллированной из Muse Spark. Репозиторий содержит сборки в формате GGUF для локального запуска через llama.cpp на пользовательском оборудовании без облачной инфраструктуры и сетевого доступа. Релиз датирован августом 2026 года, лицензия — Apache 2.0. Модель предназначена для автономных агентных задач, многошагового рассуждения, надёжного использования инструментов, мультимодального понимания и восстановления после сбоев. Базовые GGUF-файлы работают с текстом, а для обработки изображений требуется отдельный perception encoder. Дополнительно доступен DFlash drafter для ускорения генерации с помощью speculative decoding. Указан контекст до 131072 токенов при запуске сервера, однако конкретная доступная длина зависит от конфигурации и ресурсов устройства. Доступны две текстовые квантизации: Q4_K_M размером около 16,8 ГБ, ориентированная на видеокарты с 24 ГБ памяти, и Dynamic Q4_K_XL размером около 19,7 ГБ для систем с 32 ГБ памяти. Вместе с энкодером изображений и drafter требуется примерно до 23 ГБ памяти. Сильными сторонами являются локальная работа, поддержка агентных сценариев, рассуждения и изображений; ограничениями — крупный размер, необходимость совместимой версии llama.cpp не ниже b10353 и отсутствие опубликованной bf16 GGUF-сборки в этом репозитории.

Nanbeige4.1-3B — компактная языковая модель компании Nanbeige, созданная на базе Nanbeige4-3B-Base. Это дообученная плотная модель семейства Llama с 3,5 млрд параметров, предназначенная для генерации текста, диалогов, рассуждений и работы в агентных сценариях. По карточке модели, обучение включало supervised fine-tuning и reinforcement learning. Модель рассчитана на решение многошаговых задач по математике, программированию и естественным наукам, а также на использование инструментов и глубокий поиск в связке с агентной системой. Она поддерживает английский и китайский языки. Метаданные указывают контекст до 262 144 токенов; формат весов — safetensors, библиотека — Transformers. В карточке заявлена способность поддерживать длительные цепочки вызовов инструментов, однако фактические результаты зависят от реализации агента и доступных инструментов. Модель распространяется по лицензии Apache-2.0. Разработчик предупреждает, что возможны неожиданные ответы, включая предвзятость и дискриминационное содержание; выходы требуют проверки.

Карточка модели open-thoughts/OpenThinker-Agent-v1-SFT на Hugging Face совпадает с карточкой baerquants/OpenThinker-Agent-v1-SFT, поэтому описание составлено по ней. OpenThinker-Agent-v1-SFT — модель baerquants, созданная в рамках открытого проекта OpenThoughts-Agent для выполнения агентных задач. Это этап supervised fine-tuning модели Qwen/Qwen3-8B: обучение проводилось на трассах OpenThoughts-Agent-v1-SFT, а последующее RL-дообучение есть в отдельной версии OpenThinker-Agent-v1. Модель с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Модель ориентирована на агентные сценарии разработки и работы в терминале: формирование shell-команд, выполнение задач Terminal-Bench и исправление программных ошибок, включая задачи по C# и Java из набора InferredBugs. В карточке проекта сообщаются результаты бенчмарков для версии после SFT и RL, а не этой SFT-версии отдельно. Репозиторий использует формат Safetensors, библиотеку Transformers и лицензию Apache-2.0.

FreedomAISVR/Ornith-1.0-35B-MXFP4-MOE-GGUF — квантизированная версия Ornith-1.0-35B от deepreinforce-ai, модели для программирования и агентных сценариев, основанной на Qwen 3.5. Она предназначена для генерации кода и выполнения задач coding agent, включая формирование плана или каркаса решения и последующие шаги. Модель имеет архитектуру MoE с 35 млрд параметров, из которых активны около 8 млрд на токен, 256 экспертов и 40 слоёв; используется гибридное внимание с локальными и полными слоями. Контекстное окно — 262 тысячи токенов. В репозитории веса представлены в формате GGUF с квантизацией MXFP4 для экспертных весов и Q8_0 для остальных тензоров. Карточка описывает вариант как рассчитанный на эффективное развёртывание на одной видеокарте; указывает минимум 20 ГБ видеопамяти и рекомендует 24 ГБ или больше для полного размещения модели на GPU. Лицензия — MIT.

Ornith-1.0-35B-NVFP4 — квантованная версия модели Ornith-1.0-35B, разработанной DeepReinforce. Это агентная модель для программирования с механизмом self-scaffolding, построенная на архитектуре qwen3_5_moe: MoE-модель с 35 млрд параметров и визуальной башней Qwen3-VL. Она поддерживает обработку текста и изображений и заявлена для английского, китайского, японского и французского языков. Модель использует квантование NVFP4 W4A4 с размером группы 16 и форматом compressed-tensors nvfp4-pack-quantized. Большинство линейных слоёв переведено в NVFP4, а визуальная башня, маршрутизаторы MoE и lm_head сохранены в bf16. Размер весов составляет около 21,9 ГБ вместо 70,3 ГБ в bf16, благодаря чему модель рассчитана на запуск на паре GPU по 16 ГБ через vLLM. В README приведена конфигурация обслуживания с контекстом до 8192 токенов; поддерживается переключение режима рассуждений. Сильные стороны модели — пригодность для агентного программирования, поддержка мультимодальных сценариев, существенно меньшие требования к памяти и сохранение качества после квантования. В тестах HumanEval+ и MBPP+ она показала соответственно 93,9% и 80,6% pass@1 с включённым рассуждением. Ограничения включают необходимость совместимой инфраструктуры vLLM и GPU, а также значительный расход токенов в режиме рассуждений; для оценки кода требуется выделять не менее 6500 токенов и извлекать ответ после блока </think>. Модель и квантованный производный вариант распространяются по лицензии MIT.

SC117 публикует GGUF-сборку Ornith-1.5-35B-A3B-MTP-APEX — MoE-модели команды Ornith для агентного программирования и генерации текста. Базовая модель содержит 35 млрд параметров, из которых активируется около 3 млрд на токен; в этой сборке доступны квантизованные профили APEX и вариант BF16. APEX распределяет точность по типам и важности тензоров, а MTP-слой встроен в модель. Модель предназначена для решения задач программирования с участием агента, включая работу в терминале и с инструментами, а также для генерации текста. Репозиторий включает проектор mmproj-BF16.gguf для обработки изображений вместе с текстом через llama.cpp; заявлена возможность контекста до 131072 токенов. README приводит результаты на бенчмарках SWE-bench, Terminal-Bench и других задачах программирования и агентного взаимодействия. Сборка распространяется по лицензии MIT. Она основана на ornith-ai/Ornith-1.5-35B-A3B; метаданные каталога отмечают связь finetune, а файлы репозитория включают GGUF и GGUF BF16. README описывает дополнительные квантизованные профили APEX. Поддержка языков программирования и естественных языков отдельно не перечислена, поэтому конкретные языки здесь не указаны.