I.14Автоматизация процессов и AI-агенты

Ornith-1.5-35B-A3B — среднеразмерная Mixture-of-Experts модель семейства Ornith-1.5, разработанная командой Ornith. Она создана как развитие Ornith-1.0, обучавшейся на основе Qwen3.5 и Gemma4 с дополнительным продолженным предварительным обучением, mid-training и post-training. В Ornith-1.5 применяется цикл самоулучшения, в котором совместно оптимизируются генерация задач, построение scaffold и rollouts решений с использованием reinforcement learning. Модель предназначена прежде всего для генерации текста, программирования и агентных сценариев, включая работу с терминалом и автономное решение задач в репозиториях. При общем размере около 35 млрд параметров на каждый токен активируется примерно 3 млрд параметров, что снижает вычислительную нагрузку по сравнению с полноразмерной плотной моделью. В README указана интеграция с библиотекой MLX и pipeline text-generation; сведения о модальностях, размере контекста и поддерживаемых языках не приведены. Сильной стороной модели заявлена производительность в coding- и agentic-бенчмарках: она превосходит сопоставимую Qwen 3.6-35B-A3B, а также плотные Gemma 4-31B и Muse Glimmer-30B в ряде агентных задач. В частности, приведены результаты 79 на SWE-bench Verified и 67,8–68,5 на Terminal-Bench 2.1 в зависимости от используемого окружения. Ограничения включают отсутствие в карточке подробных сведений о качестве вне программирования, контекстном окне, языках, требованиях к оборудованию и лицензии; лицензия в README не указана.

PrimeSeeker-30B-sft — частный SFT-чекпойнт Yuanshi123 на базе Qwen3-30B-A3B-Thinking-2507. Модель предназначена для траекторий агента глубокого поиска и рассуждений при использовании инструментов; метаданные указывают на диалоговый режим и интерфейс вызова инструментов. Архитектура — Qwen3 MoE для генерации текста, библиотека загрузки — Transformers, веса доступны в формате safetensors. В метаданных указаны 2,6 млрд параметров и контекст до 262 144 токенов. Модель подходит для создания агентных систем, которые ведут диалог, планируют поиск и используют инструменты. Карточка не сообщает поддерживаемые естественные языки и результаты оценки качества. Лицензия указана как other; README называет чекпойнт частным и рекомендует сохранять конфиденциальность до завершения проверки лицензии и данных, поэтому условия распространения и использования требуют уточнения.

Qwable-v1 — открытая по весам модель для агентного программирования, созданная lordx64 на основе Qwen3.6-35B-A3B. Это цепочка дообучений: сначала Qwen обучили на трассировках рассуждений Claude Opus 4.7, затем на примерах агентного использования инструментов Claude Fable-5. Модель имеет архитектуру Qwen MoE с 35 млрд параметров и примерно 3 млрд активных параметров; в репозитории опубликованы веса safetensors в bf16. Она принимает текст и генерирует текст, включая рассуждения и команды инструментам в XML-формате. В первую очередь предназначена для сценариев агентного программирования: чтения и редактирования файлов, анализа кода и запуска команд. Для вызова инструментов нужен системный промпт с описанием формата и доступных инструментов; XML-вызовы требуют обёртки для интеграции с API инструментов vLLM. Модель также подходит для чата и общих вопросов, но узкий набор примерно из 5 тысяч примеров ограничивает надёжность на задачах за пределами агентного программирования. Указана лицензия AGPL-3.0.

jamal-ibrahim/qwen2.5-1.5b-json-repair — специализированная модель на архитектуре Qwen2, созданная разработчиком jamal-ibrahim для исправления синтаксически повреждённых JSON-ответов больших языковых моделей. Она принимает текст с некорректной JSON-структурой и генерирует попытку исправленного JSON; предусмотрена для узла постобработки в агентных конвейерах, проверок JSON и восстановления аргументов function calling. Модель получена дообучением Qwen/Qwen2.5-3B-Instruct с дистилляцией и структурным прореживанием: в описании указаны 18 слоёв вместо 36 и сокращение вычислений примерно на 50%. Размер по метаданным — 1,7 млрд параметров, контекст — 32 768 токенов. Репозиторий содержит веса safetensors для Transformers; лицензия — Apache 2.0. По собственной оценке автора на 100 тестовых примерах, корректный для разбора JSON получался в 55% случаев, точное совпадение с эталоном — в 14%. Возможны потеря верхнеуровневых полей, изменение ключей, усечение структуры, продолжение текста после JSON и повторы. Модель не предназначена для общего рассуждения, сложной смысловой коррекции или генерации кода.

YOYO-AI/Qwen3-30B-A3B-YOYO-Thinking-Chimera — объединённая модель Qwen3, созданная YOYO-AI методом «сшивания» компонентов двух вариантов Qwen3-30B-A3B: Instruct-2507 и Thinking-2507. Веса экспертов маршрутизации и внимания взяты из Thinking, остальные компоненты — из Instruct. Модель предназначена для диалогов, выполнения инструкций и генерации текста с рассуждениями; метаданные также указывают интерфейс вызова инструментов. Архитектура — MoE с классом Qwen3MoeForCausalLM. В метаданных указано 2,6 млрд параметров, формат хранения — safetensors; README сообщает о точности bfloat16 и контексте до 262 144 токенов, а также упоминает вариант длины 1 010 000 токенов без пояснения его условий. Языки карточки — английский и китайский. Модель распространяется по лицензии Apache-2.0.

TeichAI обучила эту плотную языковую модель Qwen3 с 3,7 млрд параметров на примерах ответов Claude Opus 3 из набора NoSlop4U/opus-3-1000x. Модель основана на unsloth/Qwen3-4B-Instruct-2507 и предназначена для генерации текста в диалоговом и инструкционном формате. В карточке указаны сценарии применения: программирование, создание агентов и глубокое исследование. Модель поддерживает контекст до 262 144 токенов и интерфейс вызова инструментов; опубликована в формате safetensors. Обучение выполнялось с Unsloth и библиотекой TRL. Лицензия в предоставленных сведениях не указана. Карточка не приводит оценок качества или подробных ограничений; результаты могут отличаться от ответов Claude Opus 3, на которых основаны обучающие данные.

Qwen3.5-24.5B-Reapped-v1 — текстовая MoE-модель для генерации текста и диалогов, опубликованная groxaxo. Она основана на Qwen3.5 MoE A3B из линейки Heretic: алгоритм REAP сократил число экспертов с 256 до 180, а объединённая с весами rank-16 QLoRA донастройка специализирует модель на программировании и агентных сценариях. В модели около 24,5 млрд параметров, примерно 3 млрд активны на токен; архитектура включает слои DeltaNet с линейным вниманием, полное внимание и MoE-блоки. Для запуска указана длина контекста 8 192 токена, хотя базовая модель поддерживает существенно больший контекст. Модель рассчитана на генерацию кода, помощь в программировании и агентные диалоги; также её можно использовать для локального или размещённого inference и открытых экспериментов. README сообщает о проверенном запуске на vLLM от версии 0.23.0, в том числе на трёх GPU по 24 ГБ в bf16. Донастройка затрагивала проекции внимания и DeltaNet, но не экспертов. Модель унаследовала смещения и uncensored-поведение базовой линейки; удаление экспертов может ухудшить результаты за пределами программирования и агентных задач. Лицензия Apache-2.0.

Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled — модель, разработанная Jackrong на базе Qwen/Qwen3.5-27B. Она дообучена методом SFT с применением LoRA на наборах данных с примерами рассуждений, включая материалы, заявленные как дистиллированные из взаимодействий с Claude-4.6 Opus. Модель ориентирована на задачи, требующие пошагового анализа, планирования, программирования и работы в средах coding agents, включая Claude Code и OpenCode. Модель относится к плотной архитектуре размером 27B параметров. В карточке указаны поддержка английского и китайского языков, а также совместимость с Transformers, llama.cpp и форматом GGUF. Метаданные описывают её как image-text-to-text и мультимодальную, однако в описании итоговая версия явно названа text-only, поэтому возможности обработки изображений следует считать не подтверждёнными. Заявлена поддержка роли developer в шаблоне диалога и сохранённого thinking mode с выводом рассуждений в тегах <think>. К сильным сторонам относятся структурированное рассуждение, улучшенная автономность и стабильность при работе инструментального агента, а также снижение избыточных повторов в рассуждениях на простых запросах. Согласно карточке, модель способна продолжать автономную работу более девяти минут без вмешательства пользователя, но приведённые результаты основаны на общественных тестах, а не на независимой систематической оценке. Размер 27B может предъявлять существенные требования к памяти и вычислительным ресурсам, особенно без квантования. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-9B-sdpo-react-mathcodesearch-grpo-arm-e-step29 — это дообученная модель ipfipfipf на базе Qwen/Qwen3.5-9B. Она предназначена для диалоговой работы с математическими и программными задачами, а также для многошаговых сценариев поиска с вызовом инструментов в стиле ReAct. Модель обучалась методом GRPO с SDPO; опубликован шаг 29, выбранный авторами как лучший по их кривой обучения. Это текстовая языковая модель на 9 млрд параметров с архитектурой семейства Qwen3.5; репозиторий содержит веса Safetensors и рассчитан на Transformers. Хотя конфигурация сохраняет класс Qwen3_5ForConditionalGeneration, при экспорте удалена башня зрения базовой модели, поэтому изображения модель не принимает. README приводит результаты на математических и кодовых тестах, однако ограничивает их сравнительную интерпретацию: для AMO-Bench часть ответов обрезалась из-за лимита генерации в 16 384 токена, а качество может снижаться при продолжении обучения после шага 29. Лицензия — Apache-2.0.

Qwen-35B-A3B-SignOfFour-Coder — диалоговая модель для программирования и агентных сценариев, опубликованная pragmaticcs. Это слияние четырёх моделей семейства Qwen 3.5 MoE: базовой Qwopus3.6-35B-A3B-Coder и трёх специализированных моделей-доноров. В README описано слияние методом DARE-TIES с масштабированием изменений по слоям; архитектура — Qwen3.5 MoE с 35 млрд общих и примерно 3 млрд активных параметров на токен, 40 слоями декодера и контекстом до 262 144 токенов. Модель предназначена для генерации и анализа кода, задач программной инженерии и выполнения вызовов инструментов в агентных рабочих процессах. README сообщает, что веса зрения и головы Multi-Token Prediction удалены; заявлены текстовый ввод и генерация текста. В карточке указаны английский и китайский языки, библиотека Transformers и формат Safetensors. Лицензия — Apache-2.0.

Карточка модели darkneighbor667/Qwen3.6-34B-80L-Fable-5-Heretic на Hugging Face совпадает с карточкой hiebo/Qwen3.6-34B-80L-Fable-5-Heretic, поэтому описание составлено по ней. Qwen3.6-34B-80L-Fable-5-Heretic — мультимодальная модель семейства Qwen от hiebo, дообученная на основе Qwen/Qwen3.6-27B. По карточке, модель расширена с 64 до 80 слоёв и примерно 34 млрд параметров, обучена методом дистилляции на 4 665 агентных трассах Fable-5 с применением QLoRA, а затем объединена с головами MTP для спекулятивного декодирования. Архитектура — Qwen3_5ForConditionalGeneration; заявлены чередование линейного и полного внимания, чат и работа с изображениями. Модель предназначена для диалоговых сценариев с рассуждениями и использованием инструментов, а также для задач, где нужно совместно обрабатывать текст и изображения. В README указаны запуск через Transformers и vLLM и максимальная длина контекста 256K; конфигурация запуска по умолчанию задаёт 4096 токенов. Карточка заявляет ускорение генерации с MTP, но приводит показатель принятия токенов и ускорение только для vLLM. Модель опубликована в формате safetensors; README описывает BF16-веса. Лицензия в предоставленных данных не указана.

Verkiki/Qwen3.8-27b-Fable5-Distill-Abliterated-GGUF — производная модель, созданная на основе Blackfrost-AI Qwen3.8-27B-ABLITERATED-BF16 с применением нативного LoRA-адаптера TeichAI Qwen3.8-27B-Fable-Distill-LoRA. Модель относится к архитектуре qwen3_5, имеет класс размера 27B и распространяется в формате GGUF с квантизацией IQ4_XS и importance matrix, рассчитанной после объединения компонентов. Она предназначена для локального использования в задачах планирования, программирования, многошагового рассуждения, технического анализа и агентских рабочих процессов, включая работу с инструментами и многофайловыми проектами. Fable5-Distill ориентирован на декомпозицию задач, удержание инструкций, последовательное планирование и более агентное поведение. Для родительской Fable-модели TeichAI заявлены улучшения на ARC Challenge, ARC Challenge Easy и BoolQ, однако эти результаты не являются измерениями именно финальной квантизированной сборки. Поддерживаются режимы thinking с параметрами reasoning_effort low, medium и xhigh; шаблон по умолчанию использует xhigh. Сочетание с аблитерированной базой должно снижать склонность к отказам, но итоговые поведение и качество следует оценивать отдельно. К ограничениям относятся отсутствие в предоставленных данных точного размера контекстного окна, перечня поддерживаемых языков и подтверждения мультимодальных возможностей, несмотря на соответствующие метки. IQ4_XS уменьшает требования к памяти по сравнению с BF16 и Q8, но может снижать точность относительно исходных весов. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-oQ8e-fp16-mtp — это 8-битная MLX-квантизированная версия модели Qwen3.8-27B, разработанной командой Qwen и опубликованной пользователем evsinlb. Модель предназначена для генерации текста, диалогов, рассуждений и агентских сценариев с вызовом инструментов. Она поддерживает режим thinking с сохранением цепочек рассуждений в многошаговом диалоге, а также визуальные компоненты, поэтому не является текстовой версией без vision-модулей. Архитектура основана на гибриде Gated DeltaNet и Gated Attention; заявлены нативная работа с изображениями и контекст до 262 144 токенов. Квантизация выполнена в формате MLX safetensors с эффективной точностью 8,6 bpw, размером группы 64 и калибровкой imatrix на 1024 образцах. Веса multi-token prediction сохранены, что обеспечивает поддержку MTP и Lightning MTP после квантизации. Неквантизированные параметры имеют тип float16; размер весов составляет около 27,5 GiB. Модель ориентирована прежде всего на Apple Silicon, при этом для M3 и M4 рекомендуется родственная версия с bf16 из соображений численной безопасности. Сильными сторонами являются большой контекст, сохранение reasoning-трасс, стабильный многошаговый tool use и возможность экспериментального ускорения обработки длинных промптов через ANE в oMLX 0.6.3. На M2 Ultra прирост prompt processing составлял до 35,7% на промптах длиной 4096 токенов и 19,5% на 65 536 токенах, однако требуется около 16 ГБ дополнительной оперативной памяти, а короткие промпты преимуществ не дают. Thinking увеличивает время работы примерно на 25–35%, а decode при включённом ANE существенно не ускоряется. Для использования необходимы совместимые MLX/oMLX-окружение и аппаратные ресурсы, достаточные для размещения модели и KV-кэша. Лицензия — Apache-2.0.

Qwopus3.8-27B-Flash — плотная мультимодальная модель на 27 млрд параметров, дообученная разработчиком Jackrong на Qwen/Qwen3.8-27B. Она принимает текст и изображения и предназначена для диалогов, анализа изображений, программирования и многошаговых агентных сценариев с повторными вызовами инструментов. Автор описывает обучение в два этапа: контролируемое дообучение на отфильтрованных примерах и усиление рассуждений с помощью NeMo-RL и GSPO. Модель ориентирована на снижение задержки и затрат рассуждений; в карточке также заявлены ускоренное декодирование и поддержка спекулятивного декодирования MTP. Модель поддерживает английский, китайский, испанский, русский и японский языки. Лицензия — Apache-2.0. Подходит для локального инференса, длительных агентных циклов и задач, где важны скорость ответа и расход вычислительных ресурсов. Выпуск отмечен автором как экспериментальный; широкая оценка безопасности и надежности агентов не проводилась.

Jina Reader-LM 1.5B — языковая модель от Jina AI для преобразования HTML-страниц в Markdown. Она обучена на подобранных парах HTML и соответствующего Markdown и принимает исходный HTML без отдельной инструкции в запросе. Пример применения из карточки — конвертация страницы Hacker News; модель также рассчитана на преобразование содержимого произвольных веб-страниц. Модель имеет плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров, поддерживает чатовый формат и контекст до 256 000 токенов. Веса опубликованы в формате safetensors и используются через Transformers. Карточка указывает, что выпущена более новая версия ReaderLM-v2. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

ReaderLM-v2 — языковая модель Jina AI с 1,5 млрд параметров, построенная на архитектуре Qwen2 в виде авторегрессионного трансформера только для декодера. Она преобразует исходный HTML в Markdown или JSON по заданной схеме, извлекает текст и структуру веб-страниц и поддерживает диалоговый режим. Модель рассчитана на работу с длинными документами: суммарный объём входа и выхода может достигать 512 тысяч токенов. Модель поддерживает 29 языков, в том числе английский, китайский, японский, корейский, французский, испанский, немецкий и русский. В карточке заявлены улучшенная обработка таблиц, вложенных списков, блоков кода и формул, прямое формирование JSON, а также повышенная устойчивость при длинной генерации. В репозитории доступны веса Safetensors и формат ONNX. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Среди ограничений — специализация на HTML; качество преобразования зависит от структуры входной страницы и заданной схемы JSON. Для больших контекстов требуются значительные вычислительные ресурсы.

Solar Pro 4 — большая языковая модель компании Upstage, предназначенная для длительных задач и агентных сценариев. В карточке указано контекстное окно размером 524 тыс. токенов. Модель рассчитана на работу с длинными документами и задачи офисной продуктивности. README также отмечает поддержку агентных рабочих процессов, но не приводит подробностей об архитектуре, размере модели, языках или условиях лицензии.

Step-3.7-Flash-GGUF — набор GGUF-квантизаций модели Step-3.7-Flash, разработанной StepFun-ai. Это мультимодальная vision-language модель для понимания изображений и работы с текстом, ориентированная на агентные сценарии, включая вызов инструментов, многошаговое рассуждение, программирование и математические задачи. Модель поддерживает входные изображения через отдельный файл проектора mmproj и может запускаться с помощью llama.cpp. Исходная модель содержит около 198 млрд параметров и использует разреженную архитектуру Mixture-of-Experts, активируя примерно 11 млрд параметров на токен. Она включает языковую часть на 196 млрд параметров и vision-энкодер на 1,8 млрд параметров, поддерживает контекст до 256K токенов и три уровня рассуждения: low, medium и high. Заявлена поддержка английского, китайского, японского, корейского, арабского, хинди, немецкого, французского, испанского и русского языков. В набор входят варианты от BF16 до агрессивных IQ3_XXS и Q3-квантизаций размером примерно от 76 до 394 ГБ; отдельный vision-проектор F16 занимает около 4 ГБ. К сильным сторонам относятся мультимодальность, большой контекст, поддержка рассуждений и инструментального взаимодействия, а также возможность локального и приватного запуска. К ограничениям относятся очень высокие требования к памяти и зависимость качества от выбранного уровня квантизации: компактные варианты могут давать заметную потерю качества. Для работы с изображениями необходим отдельный mmproj-файл. Модель распространяется по лицензии Apache-2.0.

System One Model — дообученная модель Blocks.ai на базе Gemma 4 12B. Она заменяет языковую голову базовой модели компактным векторным выходом с 26 логитами и выдаёт вероятностные оценки для структурированных решений по тексту. Модель поддерживает три режима: оценку ответа «да/нет» (`noul`), выбор одного варианта (`choice`) и оценку по упорядоченной шкале (`score`); до 26 вариантов или уровней можно задать через критерии. Несколько вопросов об одном состоянии обрабатываются одним пакетным проходом. Модель предназначена для классификации намерений и тональности, проверки условий и оценки текста по заданным критериям, а также для использования в агентных системах, которым нужны типизированные решения и вероятности. README приводит результаты локальных тестов и задержек на конкретном оборудовании; это небольшая тестовая выборка, поэтому результаты не гарантируют качество на других данных. Для работы требуется Transformers версии 5.17 или новее и загрузка пользовательского кода репозитория через `trust_remote_code=True`. Лицензия — Gemma.

ToolHACE Qwen3.5 2B Span — модель, разработанная s-nlp на основе Qwen/Qwen3.5-2B методом полного дообучения с учителем. Она проверяет итоговый ответ ассистента, использовавшего инструменты, сопоставляя запрос пользователя, доступные инструменты, их результаты и ответ. Модель выдаёт JSON-вердикт с классами ошибок и дословными фрагментами ответа, содержащими неподтверждённые или противоречащие результатам инструмента утверждения. Это генеративная модель для структурированного вывода, а не классификатор токенов или CRF-модель для выделения фрагментов. Модель предназначена для аудита ответов после выполнения инструментов: она выявляет противоречия с их результатами, неподтверждённые утверждения, предложения недоступных действий и пропуски запрошенной информации. Обучение проведено на 37 135 примерах англоязычных диалогов с инструментами; тестовая оценка показала F1 0,8635 для бинарного обнаружения галлюцинаций и F1 0,8177 для локализации фрагментов при IoU не менее 0,50. Основное ограничение — слабое обнаружение пропусков информации: полнота для класса undergeneration составила 0,0423. Модель не проверяет факты, отсутствующие в переданном контексте; примеры обучения обычно содержат один класс ошибки, а ответы длиннее 4 000 символов обрезаются. Базовая модель содержит 2 млрд параметров и поддерживает понимание изображений, но описанный аудит использует текстовые поля. Лицензия в предоставленных данных не указана.

Wendi 2B — компактная модель для принятия решений, разработанная на основе Qwen3.5-2B. Она получает свидетельства, критерий выбора и небольшой набор вариантов, после чего выбирает ответ одним предсказанием следующего токена. Модель предназначена для маршрутизации рабочих процессов, выбора следующего действия, классификации с учётом инструкций, проверки свидетельств, анализа использования инструментов и классификации электронной почты. Модель представляет собой плотную архитектуру Qwen3.5 с 2 млрд параметров; карточка указывает настройку контекста до 262 144 токенов и поддержку диалога. Wendi дообучена с помощью supervised fine-tuning и гибридного GRPO; языковые LoRA-адаптеры ранга 16 объединены в самостоятельный BF16-чекпойнт. Для обслуживания README рекомендует актуальные версии SGLang или vLLM с поддержкой Qwen3.5. Метаданные указывают языки en и zh. Внутренние отложенные проверки показывают пригодность для ряда задач классификации и выбора по заданным критериям, однако результаты различаются по категориям и не гарантируют точность на новых данных. Для запросов на принятие решений README рекомендует отключать режим thinking, использовать заглавные буквы для вариантов и оценивать следующий токен только среди допустимых ответов. Модель распространяется по лицензии Apache-2.0.

ZGCM-1-7B — плотная авторегрессионная языковая модель Zhongguancun Academy и Zhongguancun Institute of Artificial Intelligence, обученная с нуля для математических рассуждений и поиска с использованием инструментов. Модель содержит 6,3 млрд параметров по метаданным каталога (в README указано 7,39 млрд), использует архитектуру ZGCM и поддерживает контекст до 262 144 токенов. Для работы требуется Transformers и включение trust_remote_code=True. Модель рассчитана на решение математических задач, многошаговый поиск в интернете и диалоговое текстовое взаимодействие; доступны режимы с внутренними рассуждениями и прямым ответом. В техническом отчёте авторы приводят высокие результаты на математических бенчмарках и оценках агентного поиска. Обучение включало предварительное обучение, расширение контекста и дообучение для общих и агентных задач. Весовые файлы опубликованы в формате safetensors. Лицензия — MIT. Модель работает с текстом и не описана как мультимодальная; качество ответов зависит от задачи и используемого инструментария для поиска. Возможность загрузки собственного кода модели требует осторожности при запуске.

AetherSearch_DPO — англоязычная диалоговая модель поискового агента, разработанная Muradil211. Она дообучена методом Direct Preference Optimization на базе muradil211/AetherSearch_SFT и использует архитектуру Qwen2 с 3,1 млрд параметров. Модель генерирует запросы для внешнего поиска, принимает найденные материалы в контексте, при необходимости запрашивает дополнительные свидетельства и формирует обоснованный ответ. Для работы нужен внешний retrieval-бэкенд и runtime, который обрабатывает XML-протокол AetherSearch и передаёт результаты поиска обратно модели. Модель предназначена для итеративного поиска и ответов с опорой на найденные источники, в том числе в сценариях RAG. Контекст — до 32 768 токенов; формат весов — safetensors, библиотека — Transformers. DPO настраивает предпочтения между вариантами поисковых траекторий, но не гарантирует фактичность, достаточную поддержку ответа источниками или безопасность. Качество поиска, проверка свидетельств и ответов остаются ответственностью приложения. README не заявляет отдельную общую лицензию: перед использованием и распространением следует проверить условия базовой модели, AetherSearch SFT и атрибуцию данных DPO.

Agent-ModernColBERT — англоязычная много-векторная модель LightOn для семантического поиска в сценариях агентного извлечения информации. Она дообучена на данных Tevatron/AgentIR-data от lightonai/GTE-ModernColBERT-v1 и использует архитектуру ModernBERT с поздним взаимодействием в стиле ColBERT: тексты представляются последовательностями плотных векторов размерности 128, а сходство вычисляется оператором MaxSim. В модели около 149 млн параметров; по карточке модели она принимает запросы длиной до 8192 токенов и документы длиной до 4096 токенов. Модель рассчитана на поиск документов по запросам, дополненным инструкцией и рассуждениями исследовательского агента; документы кодируются как обычный текст. Для ожидаемого формата запроса карточка задаёт специальный префикс с буквальной последовательностью «\\nQuery:»; при отсутствии рассуждения следует передавать «Empty». Модель можно применять как компонент поискового контура агента, включая последующее получение полных документов по их идентификаторам. В README приведены результаты на BrowseComp-Plus, но отмечено, что выигрыш зависит от сочетания ретривера и агента, а часть сравнительных результатов для get_document остаётся неопределённой. Модель работает с текстом и предназначена для английского языка. Она распространяется по лицензии Apache 2.0. Для хорошего качества важно соблюдать формат запросов, на котором модель обучалась; применение без специального префикса возможно, но README сообщает о несколько худших результатах.

auto-1b — это англоязычный классификатор безопасности вызовов инструментов ИИ-агентами, разработанный ProCreations. Модель дообучена на базе энкодера jhu-clsp/ettin-encoder-1b и использует архитектуру ModernBERT с 1 млрд параметров. Она оценивает предложенный вызов в контексте запроса пользователя и предыдущих действий, чтобы отнести его к разрешённым или требующим отказа; поддерживает контекст до 65 536 токенов. Модель предназначена для проверки действий агента, например чтения файлов, запуска команд и доступа к внешним инструментам. В README сообщается о точности 96,40% и AUROC 0,9928 на тестовой выборке из 3 000 примеров, а также о задержке около 10 мс на вызов. Это результаты авторского бенчмарка, а не гарантия качества на реальном трафике. Ошибочное разрешение опасного действия остаётся возможным, а при пороге 0,5 авторы измерили 3,19% ложных отказов. Модель распространяется в формате safetensors под лицензией Apache-2.0. README рекомендует bf16 для экономии памяти без потери качества на указанном бенчмарке и предостерегает от int8-квантизации из-за заметного числа изменившихся решений.

Citaman/command-r-6-layer — слитая с помощью mergekit методом SLERP языковая модель на архитектуре CohereForCausalLM. Она собрана из двух срезов слоёв Citaman/command-r-7-layer и предназначена для диалоговой генерации текста и взаимодействия с инструментами. Модель содержит 7 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Репозиторий распространяет веса в формате safetensors; лицензия в предоставленных данных не указана.

DeepHermes 3 Mistral 24B Preview — языковая модель Nous Research, дообученная на базе Mistral-Small-24B-Base-2501. Это предварительная версия гибридной модели, объединяющей обычный режим ответов и режим рассуждений, который включается системным сообщением. Модель предназначена для диалогов, следования инструкциям, решения задач с рассуждениями и вызова функций; также поддерживает структурированные ответы в формате JSON. Модель имеет плотную архитектуру MistralForCausalLM и 23,4 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст длиной до 32 768 токенов. В карточке указан английский язык. Модель доступна под лицензией Apache-2.0. Это preview-релиз с ранними возможностями рассуждения, дистиллированными из R1; авторы предупреждают о возможных особенностях и ошибках. Для сложных задач модель может генерировать длинные цепочки рассуждений, поэтому может потребоваться увеличить лимит выходных токенов.

Specific AI разработала компактный классификатор электронной почты на базе BERT, дообученный для сортировки писем по пяти категориям действий. Модель принимает текст письма в формате с полями From и Subject и телом письма; для лучшего результата рекомендуется сохранять такую структуру. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, контекст — до 512 токенов. Доступны веса Safetensors и артефакты GGUF. Модель предназначена для сортировки входящих сообщений в рабочих процессах почтовых или агентных систем: определения срочности, необходимости ответа, рекламного характера и других категорий, чтобы направить письмо на ответ, архивирование или отсутствие действий. В оценке на одном наборе данных она показала точность 0,720 против 0,693 у gpt-5.4-mini; полнота составила 0,720, точность по классам — 0,763. Модель рассчитана на английские письма и распространяется по лицензии MIT. Классификация отражает предполагаемое действие в почтовом процессе, а не достоверность личности отправителя. Разработчик не рекомендует использовать её для юридической или медицинской сортировки либо критически важных решений без проверки человеком.

EvoEmbedding-4B — модель эмбеддингов семейства EvoEmbedding, разработанная MiG-NJU на архитектуре Qwen3-4B. Она предназначена для поиска по длинным последовательностям и диалогам: модель учитывает порядок сообщений и обновляет латентную память по мере поступления контекста, формируя контекстно-зависимые векторы для извлечения информации в RAG-системах и агентской памяти. Клиент из репозитория также поддерживает ранжирование списка кандидатов по релевантности. Модель содержит 4 млрд параметров и принимает последовательности текстовых сообщений, выдавая нормализованные эмбеддинги; доступна в формате safetensors. В карточке указаны английский и китайский языки. Лицензия — Apache-2.0. Для использования требуется клиентская реализация из GitHub-репозитория проекта; в README не приведены результаты сравнительных оценок качества.

Fabliq-8B-Agent-Reasoning — англоязычная модель-ассистент семейства Fabliq от LLM-OS-Models, дообученная на базе Fabliq-8B-Agent. Это причинная языковая модель архитектуры Lfm2MoeForCausalLM с MoE: около 8 млрд параметров всего и примерно 1 млрд активных на токен. Модель рассчитана на генерацию ответов, многошаговые рассуждения и агентные сценарии с вызовом инструментов, включая терминальные задачи. Модель расширяет возможности базовой агентной версии экспертными ответами на общие вопросы, задачами по математике, научному анализу, программированию, планированию и кибербезопасности. В README описаны двухэтапное обучение и использование дистиллированных данных; обучение включало 281 пример на втором этапе. Репозиторий указывает нативный контекст 128 000 токенов, однако обучение проводилось на последовательностях до 8 192 токенов, поэтому качество на длинном контексте не подтверждено. Модель ориентирована преимущественно на английский язык; поддержка других языков ограничена. Авторы отмечают риск переобучения на шаблонных данных и отсутствие выравнивания безопасности, поэтому для практического развёртывания нужны собственные защитные меры. Лицензия — Apache-2.0.