I.14Автоматизация процессов и AI-агенты

tarif2108 разработал дообученную текстовую модель на базе google/gemma-3-270m-it для извлечения структурированных данных и формирования JSON без разговорных вступлений. Модель содержит 257 млн параметров, использует плотную архитектуру Gemma 3 и рассчитана на контекст до 32 768 токенов. В карточке заявлена настройка для function calling и строгого вывода JSON; приведённая оценка на тестовом наборе из 100 запросов показывает 90% синтаксически корректных JSON-ответов и 21% точного совпадения со схемой. Модель подходит для преобразования текстовых запросов и описаний в JSON, а также для извлечения аргументов структурированных вызовов функций. README сообщает о меньшей задержке и более высокой точности форматирования относительно базовой модели, однако эти результаты получены на небольшом тестовом наборе и не гарантируют качество на других данных. Доступны веса safetensors и GGUF F16. Лицензия — Gemma; перед использованием следует соблюдать её условия.

jev-control-core — компактная текстовая модель для выбора решений в отдельных узлах агентных систем, разработанная open-spark-Jev. Она предназначена для маршрутизации инструментов, проверки достаточности ответа и релевантности контекста, фильтрации инъекций и модерации, проверки утверждений, выбора следующего действия, сопоставления сущностей и передачи сложных случаев человеку. Модель представляет собой плотный текстовый декодер Qwen3_5ForCausalLM размером 581,4 млн параметров, полученный полным дообучением Qwen/Qwen3.5-0.8B-Base. Вопрос и состояние агента кодируются в одном запросе с перечнем допустимых вариантов; модель оценивает варианты за один проход без генерации ответа и ограничивает результат заданным списком. Заявленная длина контекста — 262 144 токена. Поддерживается английский язык. Репозиторий содержит веса Safetensors и GGUF F16; лицензия — Apache-2.0. Модель ориентирована на короткие структурированные решения внутри агентного цикла и выдаёт наилучший вариант или оценку среди заданных опций. В README сообщается о результате 0,837 на реальном тестовом контуре, но модель не оценивалась на JevBench и уступает указанной базовой системе в задачах достаточности ответа и релевантности; возможен перенос синтетического словаря, поэтому калибровку уверенности рекомендуется подстраивать на размеченном трафике. Также у модели не было этапа обучения с подкреплением.

SakaiSec/Macaron-V1-Tall-mlx-fp16 — конверсия модели mindlab-research/Macaron-V1-Tall в формат MLX с помощью mlx-lm 0.31.2. Это диалоговая генеративная модель семейства Qwen3.5 MoE, предназначенная для персональных агентов, вызова инструментов, программирования и генерации интерфейсов. В метаданных указаны поддержка английского и китайского языков, а также лицензия MIT. Модель принимает текстовые запросы и генерирует текстовые ответы. Карточка не приводит сведений о размере и длине контекста. Указание fp16 в названии относится к формату этой версии; репозиторий описывает конверсию, а не новое дообучение. Для запуска README предлагает mlx-lm.

MemReranker-4B — модель-реранкер, разработанная IAAR-Shanghai и дообученная на базе Qwen3-Reranker-4B с помощью многоэтапной дистилляции знаний. Она принимает запрос и набор текстовых фрагментов и оценивает релевантность каждой пары «запрос — фрагмент», чтобы упорядочить результаты поиска. Модель предназначена прежде всего для извлечения долгосрочной памяти агентами, поиска по многоходовой истории диалога и второго этапа RAG-поиска. В обучении использованы данные для временных и причинных запросов и разрешения кореференции; README также указывает применение для веб-поиска и общего поиска по документам. Архитектура — плотная Qwen3 на 3,7 млрд параметров, контекст — до 40 960 токенов; заявлена поддержка английского и китайского языков. Реранкер возвращает оценку релевантности, а не готовый ответ пользователю. В README сообщается об улучшенной калибровке оценок и работе со сложными запросами памяти; приведены результаты на бенчмарке LOCOMO. Файлы опубликованы в формате safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Качество в других языках и сценариях отдельно не подтверждено приведёнными сведениями.

Nhoodie/Meta-Llama-3-8B-Uninstruct-function-calling-json-mode-model_stock-v0.1 — объединённая модель на базе семейства Meta Llama 3, созданная с помощью LazyMergekit из hiieu/Meta-Llama-3-8B-Instruct-function-calling-json-mode, NousResearch/Meta-Llama-3-8B и NousResearch/Meta-Llama-3-8B-Instruct. Это плотная авторегрессионная языковая модель архитектуры LlamaForCausalLM примерно с 7,5 млрд параметров и контекстом до 8192 токенов. Модель предназначена для генерации текста и диалогов; в её составе есть вариант, настроенный на вызов функций и выдачу JSON, поэтому она может применяться в сценариях, где ответы должны следовать структурированному формату. Репозиторий содержит веса safetensors. В метаданных указана лицензия other; конкретные условия следует проверять в файлах репозитория и у базовых моделей.

MiniCPM5-2B-Claude-Fable5-1-Thinking-Agentic-GGUF — это набор GGUF-квантизаций 2-миллиардной текстовой модели MiniCPM5-2B, дообученной на данных Claude с акцентом на агентное использование инструментов, программирование и следование инструкциям. Модель разработана GnLOLot на базе openbmb/MiniCPM5-2B и предназначена для локального запуска через llama.cpp, Ollama, LM Studio, jan, KoboldCpp и другие совместимые среды. Поддерживаются английский и китайский языки, а встроенный шаблон чата MiniCPM5 упрощает интеграцию. Модель ориентирована на генерацию текста, написание и отладку кода, выполнение многошаговых программных задач, function calling и tool use в агентных сценариях, а также диалоговое следование инструкциям. Она работает только в Thinking-режиме, поэтому может выводить блоки рассуждений перед итоговым ответом. Заявленная длина контекста достигает 128K токенов, однако фактический объём зависит от используемого рантайма и доступной памяти. Доступны варианты F16 размером около 4,7 ГБ, Q8_0 около 2,5 ГБ и Q4_K_M около 1,5 ГБ; Q8_0 рекомендуется как вариант по умолчанию, а Q4_K_M — для устройств с ограниченными ресурсами. К сильным сторонам относятся компактность, возможность локального развертывания, поддержка агентного tool calling, программирования и длинного контекста. В ClawBench дообученная модель показала 44,56 балла в QwenClawBench и 24,32 в WildClawBench, превысив базовую MiniCPM5-2B. Ограничения связаны с небольшим размером 2B по сравнению с передовыми моделями, возможным выводом рассуждений и зависимостью производительности от аппаратного обеспечения и настроек рантайма. Модель распространяется по лицензии Apache-2.0.

RippaSats/MiniMax-M3 — мультимодальная модель семейства MiniMax M3, представленная в формате safetensors и рассчитанная на работу с текстом и изображениями. В README заявлены около 428 млрд параметров, примерно 23 млрд активируемых параметров и контекст до 1 млн токенов. Архитектура использует разреженное внимание MiniMax Sparse Attention (MSA), предназначенное для снижения вычислительных затрат и потребления памяти при длинном контексте; авторы также заявляют ускорение обработки длинного контекста по сравнению с M2. Модель предназначена для диалогов с изображениями, задач программирования и длительных агентных сценариев. README также описывает обучение на смеси модальностей с самого начала и заявляет поддержку видео, однако метаданные модели подтверждают только задачу image-text-to-text и возможности чата и зрения. README рекомендует использовать MiniMax Agent или MiniMax API. Репозиторий указывает лицензию other, поэтому конкретные условия использования следует проверять в приложенных лицензионных материалах.

unsloth/MiniMax-M3 — производная версия MiniMax-M3 от MiniMax, представленная в формате safetensors. Это мультимодальная модель архитектуры MoE со Sparse Attention: около 428 млрд параметров, из которых активируются около 23 млрд. Она принимает текст, изображения и видео и рассчитана на контекст до 1 млн токенов. Модель предназначена для диалогов с визуальным содержимым, анализа изображений и видео, программирования и агентных сценариев с вызовом инструментов. В README заявлены ускорение обработки длинного контекста и сильные результаты в длительных агентных задачах, однако конкретные бенчмарки для этой копии не приведены. Для запуска README рекомендует SGLang, vLLM или Transformers. В метаданных указана лицензия other; дополнительные условия следует сверять с лицензией базовой модели. Карточка описывает модель как дообучение MiniMaxAI/MiniMax-M3, но не сообщает о собственном обучающем наборе или отдельных изменениях относительно базы.

MuXodious/Ministral-3-14B-Reasoning-2512-absolute-heresy — дообученная версия мультимодальной модели Mistral AI Ministral 3 14B Reasoning 2512, обработанная модифицированным механизмом Heretic с применением abliteration. Модель предназначена для диалоговых ассистентов и рассуждений, включая решение математических и научных задач, программирование и агентные сценарии с вызовом инструментов и JSON-выводом. Архитектура Mistral 3 — плотная модель с языковой частью на 13,5 млрд параметров и визуальным энкодером на 0,4 млрд. Она принимает текст и изображения, поддерживает контекст до 256 тыс. токенов и языки английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, китайский, японский, корейский и арабский. В README сообщается о низкой доле отказов после обработки, но автор отмечает, что показатель не отражает качество модели. Модель распространяется по лицензии Apache 2.0. README указывает на необходимость Transformers v5 для соответствующего способа использования. Модель описана как сильно uncensored; её ответы могут не отказывать на запросы, которые обычно отклоняются, поэтому требуется внимательное применение.

MiroThinker-v1.5-30B-GGUF — это открытая агентная модель для поиска, ответов на вопросы и глубокого многошагового исследования с использованием внешних инструментов. Модель разработана командой MiroMind AI и основана на Qwen3-30B-A3B-Thinking-2507; представленная версия распространяется в формате GGUF и создана с использованием llama.cpp. Модель предназначена для задач tool-augmented reasoning, информационного поиска и долгосрочного анализа. Она поддерживает контекст до 256K токенов и рассчитана максимум на 400 вызовов инструментов в рамках одной задачи, что позволяет выполнять сложные исследовательские сценарии с многочисленными взаимодействиями со средой. В карточке указано, что модель поддерживает английский язык. Архитектура исходной модели относится к классу Mixture of Experts, однако точные параметры представленной GGUF-квантизации не указаны. К сильным сторонам относятся способность корректировать ход рассуждений на основе обратной связи среды, получать внешнюю информацию и выполнять глубокие многошаговые траектории. Для GGUF-версий применяется дополнительное повышение точности отдельных важных слоёв при квантизации, что должно улучшать точность на заданном уровне битности, но увеличивает размер файла. Ограничения включают зависимость качества от доступных инструментов, вычислительных ресурсов и выбранного варианта квантизации; сведения о мультимодальности и конкретных требованиях к оборудованию отсутствуют. Лицензия — MIT.

NeoHorse-Jev-4B — модель структурированных решений с 4 млрд параметров от TokenRhythm, дообученная на базе NeoHorse-1-4B. Она принимает текстовое состояние и заданные приложением вопросы или варианты ответа и оценивает решения для маршрутизации запросов, выбора инструментов, проверки условий и оценки результатов. Вместо авторегрессивной генерации текста используется инференс только на этапе prefill; модель поддерживает типы решений Choice, Noul и Score и выдаёт вероятности по вариантам, ответы на вопросы да/нет или ожидаемые оценки. Для запросов с изображением можно передать одно изображение вместе с текстом. В README сообщается о среднем результате точности 83,26% на Nimble, VitaminC и MASSIVE, на 11,50 процентного пункта выше базовой модели, а также о результатах в игровых сценариях. Эти показатели относятся к описанным конфигурациям и не гарантируют точность в конкретном приложении. Вероятности могут быть плохо откалиброваны; на результат влияют недостаток свидетельств, формулировки и порядок вариантов, а также сдвиг домена. Не приведены комплексные оценки для многоязычных и длинных входов, задержки, затрат и требований к памяти. Модель распространяется под лицензией Apache-2.0.

Nex-N2.5-mini-NVFP4 — это квантизированная версия модели Nex-N2.5-mini от Nex-AGI, подготовленная primitive-ai. Модель предназначена для генерации текста, агентных сценариев и вызова инструментов. Она распространяется в формате NVFP4 и рассчитана на запуск через Transformers и vLLM на одной видеокарте NVIDIA с архитектурой Blackwell. Модель имеет разреженную MoE-архитектуру: маршрутизируемые эксперты во всех 40 слоях квантизированы до 4 бит, тогда как механизмы внимания, linear attention, общие эксперты, эмбеддинги и vision tower сохранены в BF16. Размер весов составляет 23,91 ГБ против 70,24 ГБ у версии BF16. Заявлена поддержка контекста до 32 768 токенов; на видеокарте с 96 ГБ памяти измерен KV-пул объёмом 2,74 млн токенов. Языки и точный перечень поддерживаемых модальностей в README не указаны, хотя наличие vision tower указывает на мультимодальную составляющую исходной модели. Сильными сторонами являются существенное уменьшение размера, высокая пропускная способность при параллельной нагрузке и отсутствие заметного ухудшения результатов на приведённых наборах тестов. На одной RTX PRO 6000 Blackwell модель показала 145 токенов/с при одном потоке и 1019 токенов/с при параллелизме 32, а также результаты 90,5 на наборе знаний и 77,0 на наборе вызова инструментов. Ограничения включают обязательную совместимость с Blackwell, зависимость производительности от уровня параллелизма и особенности шаблона чата: по умолчанию модель формирует пустой блок рассуждений. Доступно управление reasoning_effort со значениями low, medium и xhigh. Лицензия — Apache 2.0.

SC117 выпустил Ornith-1.0-35B-Heretic-MTP как экспериментальную производную модели Ornith-1.0-35B от DeepReinforce AI. Это разговорная модель для генерации текста, в том числе для агентного программирования; архитектура относится к семейству Qwen3.5 MoE. В релиз вошли слитые с весами BF16 параметры адаптера Heretic Trial 63, совместимая голова MTP и визуальный проектор BF16. README также описывает варианты APEX GGUF со смешанной точностью, но метаданные этого репозитория указывают формат safetensors. Модель принимает текст и может работать с изображениями через визуальный проектор; основной выход — текст. В README приведена команда запуска с контекстом 131072 токена. Лицензия — MIT. Изменение поведения отказов относительно исходной модели требует отдельной оценки перед развёртыванием.

Ornith-1.0-397B-FP8 — открытая языковая модель семейства Ornith-1.0, предназначенная прежде всего для агентного программирования. Проект разработан командой Ornith; в материалах также упоминается Deep Reinforce. Модель доступна для генерации текста и ориентирована на сценарии, в которых агент самостоятельно планирует действия, работает с терминалом и решает задачи разработки программного обеспечения. Модель относится к варианту на 397 млрд параметров с архитектурой MoE и представлена в формате FP8. Семейство Ornith обучалось поверх Gemma 4 и Qwen 3.5 с применением reinforcement learning: оптимизируются не только итоговые решения, но и scaffolding — структура поиска и последовательность действий, приводящих к решению. Для Ornith-1.0-397B заявлена эффективная работа в конфигурации с одним GPU. Сведения о размере контекстного окна, поддерживаемых языках и мультимодальности в карточке не указаны. Сильная сторона модели — специализация на агентных задачах программирования; в README приведены результаты на Terminal-Bench 2.1 и SWE-bench Verified, включая показатели 77,5–78,2 и 82,4 соответственно. Эти результаты характеризуют заявленные авторами тестовые условия и не гарантируют аналогичную эффективность в других сценариях. Модель распространяется по лицензии MIT, без региональных ограничений, однако требования к аппаратным ресурсам и практическая совместимость с конкретными средствами запуска требуют отдельной проверки.

Ornith-1.0-9B-CoreAI — конверсия модели Ornith-1.0-9B от DeepReinforce-ai для запуска на устройствах Apple через on-device runtime Core AI. Это текстовая decoder-модель, ориентированная на агентное программирование: она обучалась одновременно решать задачи разработки и формировать управляющую оркестрационную схему для их выполнения. Конверсия опубликована в общественном Core AI model zoo. Модель построена на гибридной архитектуре Qwen3.5 с 32 слоями, чередующими GatedDeltaNet linear-attention mixers и gated full attention; используется нетипизированная vocabulary head размером 248 320 токенов. Поддерживается контекст до 8192 токенов, встроены токенизатор и chat template. Модель предназначена для локального текстового общения и генерации кода, включая сценарии агентного программирования на Apple silicon GPU или Neural Engine. Доступны варианты quantization int8 размером 9,8 ГБ и int4 размером 7,5 ГБ; на M4 Max заявлена скорость декодирования 48,3 и 58,9 токена в секунду соответственно. На iPhone 17 Pro int8-вариант пока не помещается в доступный лимит памяти. Лицензия MIT согласно карточке исходной модели.

AnkitAI/Parable-Qwen3-4B-Claude-Fable-5-GGUF — компактная локальная языковая модель для генерации текста, программирования и агентских сценариев. Она дообучена на базе Qwen/Qwen3-4B автором Ankit Aglawe с использованием QLoRA и данных о реальных многошаговых сессиях Claude Fable 5, а также транскриптов gpt5.5-terminal. Модель распространяется в формате GGUF и предназначена для запуска через llama.cpp, Ollama и LM Studio. Модель имеет около 4 млрд параметров и ориентирована на планирование, выбор инструментов, терминальные рабочие процессы и решение задач программирования. Рекомендуемая квантизация Q4_K_M занимает около 2,5 ГБ, доступны также варианты Q5_K_M, Q6_K, Q8_0 и F16. По приведённым оценкам, версия v3.1 сопоставима или превосходит базовую Qwen3-4B на тестах HumanEval, MBPP и их расширенных вариантах, а также чаще выдаёт содержательные ответы без чрезмерного скрытого рассуждения. Сильные стороны модели — небольшой размер, возможность офлайн-запуска, выраженная специализация на агентском поведении и структурированных задачах разработки. Ограничения включают меньшую точность в некоторых сценариях вызова функций по сравнению с базовой Qwen3-4B и отсутствие в README сведений о поддерживаемых языках, размере контекста и мультимодальности; заявлена только текстовая генерация. Базовая модель распространяется по лицензии Apache-2.0, однако при использовании производной модели необходимо учитывать условия лицензий обучающих наборов: AGPL-3.0 для Fable-5-traces и MIT для gpt5.5-terminal, а также возможные ограничения поставщиков исходных трасс.

Qwen2.5-VL-7B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, разработанная командой Qwen. Представленная версия распространяется в формате GGUF и квантизирована bartowski на базе llama.cpp. Размер модели — 7B параметров, лицензия — Apache 2.0. Модель предназначена для задач image-text-to-text: анализа изображений и текста, ответов на вопросы по визуальному содержимому, распознавания объектов, работы с текстами, таблицами, диаграммами, иконками, графикой и макетами. Она также рассчитана на сценарии визуального агента, включая рассуждение и динамическое управление инструментами, компьютером или телефоном, а также на генерацию структурированных данных и стабильных JSON-ответов. Заявлена поддержка нескольких языков, однако их точный перечень в README не указан. Ключевая характеристика модели — контекст длиной до 128 тысяч токенов. Сильными сторонами являются мультимодальный анализ сложных визуальных материалов, работа со структурированным выводом и применение в агентских сценариях. README не содержит результатов benchmark-тестов, подробностей архитектуры, информации о конкретном варианте квантизации, системных требованиях и количественной оценке ограничений, поэтому фактическое качество и требования к ресурсам следует проверять отдельно.

jica98/qwen3.5-4B-super-coder — компактная 4-битная модель в формате GGUF, основанная на Qwen/Qwen3.5-4B и объединённая с квантованием с использованием Unsloth. Модель опубликована пользователем jica98 и предназначена прежде всего для программирования, рассуждений, структурированного вызова инструментов и агентских сценариев на потребительских и мобильных устройствах. Модель имеет размер около 2,6 ГБ и рассчитана на контекст до 32K токенов; заявлена также поддержка расширенных контекстов до 262K или 1M токенов через YaRN. Архитектура Qwen3.5-4B сочетает слои Gated DeltaNet и Full Attention, благодаря чему полный KV-кэш хранится только для части слоёв. Это снижает потребление памяти: для контекста 32K заявлен объём KV-кэша около 0,4 ГБ. Модель ориентирована на генерацию кода на Python, JavaScript, Shell, C++, Rust и других языках, а также на вывод JSON по заданным схемам. К сильным сторонам относятся небольшой размер, низкие требования к памяти, поддержка режима видимого рассуждения, специализация на кодировании и повышенная точность tool calling с уменьшением ложных вызовов инструментов. Ограничения включают зависимость качества от 4-битного квантования, заявленную оптимизацию главным образом под контекст 32K и отсутствие в README подробных результатов независимого тестирования, перечня поддерживаемых естественных языков и точных аппаратных требований. Модель распространяется по лицензии Apache-2.0.

smirki/qwen3.5-4b-terminal-v1 — дообученная модель Qwen3.5-4B для работы в терминале и задач кодирующего агента. Это плотная мультимодальная архитектура Qwen3.5 с 4 млрд параметров; опубликованы объединённые веса bf16 в формате Safetensors. Модель сохраняет архитектуру, токенизатор, шаблон чата и XML-формат вызова инструментов базовой Qwen3.5-4B. Модель предназначена для агентных сценариев, где нужно выполнять задачи через терминал и вызывать инструменты. В описанном сравнении Terminal-Bench 2.1 она решила хотя бы раз 21 из 76 заданий против 15 у базовой модели; тест проводился с контекстом 65 536 токенов и лимитом 8 192 токена на ответ. Для запуска с vLLM в README указан парсер вызовов инструментов qwen3_xml. Лицензия — Apache-2.0. Веса включают компоненты понимания изображений, но README рекомендует для терминального применения отключать vision tower. Показатели бенчмарка относятся к указанной конфигурации и не гарантируют аналогичного результата на других задачах; подробности обучения не приведены.

Qwen3.6-27B-uncensored-heretic-v1 — мультимодальная модель на 27 млрд параметров, созданная независимым автором llmfan46 на основе Qwen/Qwen3.6-27B. Автор применил abliteration: изменил компоненты проекций внимания в слоях 24–57, чтобы снизить частоту отказов. По приведённому в карточке тесту модель отказала в 10 случаях из 100 против 92 у исходной модели; KL-дивергенция относительно оригинала составила 0,0286. Модель принимает текст и изображения и предназначена для диалога, анализа изображений, агентных сценариев и задач программирования, включая работу с репозиториями и инструментами. Архитектура — плотная Qwen3.5 с визуальным энкодером; заявленная длина контекста — 262 144 токена с возможностью расширения до 1 010 000. Карточка содержит результаты отдельных тестов, но они не гарантируют качество на других задачах. Основа доступна по лицензии Apache 2.0; условия карточки производной модели также указывают Apache 2.0.

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.

CognitiveKernel/Qwen3-8B-CK-Pro — языковая модель на архитектуре Qwen3, разработанная в рамках проекта Cognitive Kernel-Pro. Это дообученная версия Qwen/Qwen3-8B с 7,6 млрд параметров, предназначенная для генерации текста и работы в сценариях глубокого исследования с агентами. Авторы дообучили её на самостоятельно собранных траекториях запросов из таблицы 2 статьи Cognitive Kernel-Pro. Модель поддерживает диалог и интерфейс вызова инструментов. В README приведены результаты на наборе GAIA: Pass@1/3 — 32,7%/38,2% на полном dev-наборе и 40,3%/49,3% на текстовой подвыборке. Контекст — до 40 960 токенов; доступны веса в формате Safetensors, для работы заявлена библиотека Transformers. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели и файлами лицензии.

Это квантованный вариант Qwen/Qwen3.8-Flash-Next, подготовленный с помощью AutoRound и схемы MXFP4-Mixed. Репозиторий содержит веса в формате safetensors; модель предназначена для диалоговой генерации текста и интерфейсов вызова инструментов. В README приведены результаты оценки на нескольких тестах и измерения на контексте длиной 131 072 токена. Для запуска требуется сборка vLLM с поддержкой MXFP4-Mixed и архитектуры модели. Для FP8-кэша KV его нужно включить отдельным параметром времени запуска; README также описывает ограничения совместимости некоторых сборок vLLM с этой архитектурой и форматом compressed-tensors. Лицензия наследуется от исходной модели Qwen/Qwen3.8-Flash-Next.

Карточка модели TreezzZ/r2s-scienceworld-qwen3.5-4b-student на Hugging Face совпадает с карточкой Qwen/Qwen3.5-4B, поэтому описание составлено по ней. Qwen3.5-4B — мультимодальная модель компании Qwen на 4 млрд параметров, представленная в формате Hugging Face Transformers и дообученная на базе Qwen/Qwen3.5-4B-Base. Это причинная языковая модель с визуальным энкодером, предназначенная для диалога, анализа изображений, рассуждений, программирования и вызова инструментов. Модель использует гибридную архитектуру Gated Delta Networks и gated attention; в README указано 32 слоя. Нативная длина контекста — 262 144 токена с возможностью расширения до 1 010 000. Семейство заявляет поддержку 201 языка и диалекта. По умолчанию модель работает в режиме рассуждения, а для развёртывания доступны Transformers, vLLM, SGLang и KTransformers. Модель подходит для ответов на вопросы по изображениям и тексту, многошаговых диалогов и агентных сценариев с инструментами. Репозиторий распространяется по лицензии Apache-2.0. Реальная скорость и пропускная способность зависят от среды инференса; длинный контекст может приводить к нехватке видеопамяти.

Rolodex-12B — модель Polygramme для поиска по личным и командным базам знаний в агентных системах. Это дообученная на траекториях поиска производная zai-org/GLM-4.5-Air: применялся LoRA-адаптер, затем его веса были объединены с базовой моделью. Архитектура — GLM-4 MoE; в README указаны 12 млрд активных и 106 млрд общих параметров, тогда как метаданные каталога указывают 8,5 млрд параметров. Модель принимает текстовые запросы и использует инструменты для многошагового поиска, обращения к памяти и синтеза ответов с опорой на найденные данные. Контекст — до 131 072 токенов. Модель предназначена для retrieval- и memory-augmented агентных сценариев, включая поиск фактов и сбор свидетельств из индексированных источников. По внутренней оценке разработчика, она улучшает ответы на короткие фактологические вопросы по сравнению с GLM-4.5-Air и требует меньше вызовов инструментов, однако независимые бенчмарки ещё не представлены. В открытом чате может уступать универсальным инструкционным моделям; при скудных результатах поиска возможны галлюцинации, поэтому ответы следует сверять с источниками. Лицензия — MIT.

Swift-Qwen3.8-27B-Uncensored-FP8 — модель от d0xin, представляющая собой независимую производную UkisAI Swift-Qwen3.8-27B. Она создана с применением rank-1 directional residual-stream ablation для удаления поведения отказа, после чего выполнено квантование в compressed-tensors FP8. Базовая модель — d0xin/Swift-Qwen3.8-27B-Uncensored-BF16. Модель предназначена для задач рассуждения, программирования, агентных сценариев, вызова инструментов и обработки изображений. Сохраняются мультимодальная архитектура Qwen с vision tower, поддержка tool calling и длинного контекста. Заявленный размер чекпойнта составляет около 29 ГБ, настроенный максимальный контекст — 262 144 токена; извлечение информации проверялось на запросах длиной до 235 032 токенов. Поддерживаются режимы reasoning_effort low, medium и xhigh; режим high в протестированном стеке отклоняется. К сильным сторонам относятся FP8-квантование, поддержка мультимодальных и агентных нагрузок, вызова инструментов и длинного контекста, а также отсутствие отказов в зафиксированном тесте из 100 запросов: 89 прямых ответов, 10 ответов с предупреждениями и 1 другая ошибка. При этом заявленный результат отражает только конкретный набор запросов и конфигурацию инференса и не гарантирует отсутствие отказов во всех условиях. На ограниченной валидации из 298 примеров FP8 показала 37,92% против 39,93% у модифицированной BF16-версии, поэтому статистическая эквивалентность не установлена. Языки модели в README не указаны. Лицензия — swift-open-license-1.0.

ThinkingCap-Qwen3.6-27B — мультимодальная модель Bottlecap AI, полученная дообучением Qwen/Qwen3.6-27B. Она предназначена для диалогов и задач рассуждения с изображениями и текстом, включая вопросы с вариантами ответа, математику, программирование и агентные сценарии. Разработчики сообщают, что модель в среднем использует примерно на 50% меньше токенов рассуждения, чем базовая Qwen3.6-27B, при сохранении качества ответов; в лучших случаях экономия превышает 90%. В тестах также отмечено меньшее число незавершённых ответов из-за ограничения генерации, а показатели отказа на вредоносные запросы статистически не отличались от базовой модели. Модель загружается через Transformers как AutoModelForImageTextToText и AutoProcessor; репозиторий содержит веса safetensors и использует архитектуру Qwen с поддержкой изображений. В README приведены оценки на наборах для рассуждения, вопросов по знаниям, повседневного диалога, безопасности, математики, кода и агентных задач. Указанная лицензия — Apache-2.0. Результаты зависят от задачи и настроек генерации; README отмечает вариативность качества рассуждений при рекомендуемой температуре Qwen и возможное загрязнение обучающих данных в тестах безопасности.

ToolMind-Web-3B — специализированная компактная агентная модель Nanbeige, дообученная на базе Nanbeige4-3B-Thinking-2511 с помощью SFT и обучения с подкреплением для поиска в интернете и работы с инструментами. Она предназначена для многошагового поиска и ответов на сложные вопросы; по описанию разработчиков, способна выполнять до сотен последовательных вызовов инструментов. Модель имеет плотную архитектуру семейства Llama и содержит 3,5 млрд параметров. Она принимает текст и генерирует текст в формате диалога, поддерживает английский и китайский языки, а длина контекста составляет 196 608 токенов. Разработчики сообщают о сравнительных оценках на Xbench-Deepsearch, HLE и GAIA; README также описывает набор данных вопросов и ответов, синтезированный на основе графа знаний Wikipedia, и обучение с оценкой на уровне отдельных ходов диалога. Модель подходит для агентных сценариев с поиском и вызовами инструментов, однако качество ответов и результаты бенчмарков зависят от окружения и доступных инструментов. Возможны предвзятые или вредоносные выходы. Лицензия — Apache-2.0.

Triumvirate — плотная текстовая причинно-языковая модель семейства Qwen 3.5, созданная автором репозитория путём слияния Qwen/Qwen3.5-9B и специализированных моделей Qwopus3.5-9B-Coder, MiMo-V2.6-Distill-Qwen-9B и Ornith-1.5-9B. В README указаны размер 8,8 млрд параметров и контекст 256 тыс. токенов; метаданные каталога указывают 7,2 млрд параметров. Модель предназначена для генерации кода, разбиения задач разработки на шаги и агентных сценариев с вызовом инструментов. Слияние TIES-DELLA объединяет сильные стороны компонентов: точность синтаксиса и алгоритмов, разбор задач SWE-bench, вызов инструментов, обработку ошибок и завершение циклов. Это текстовая модель на базе Transformers, опубликованная в формате safetensors. Карточка заявляет поддержку английского и китайского языков; метаданные указывают чат и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0. Указанные автором характеристики и преимущества не являются независимой оценкой качества; описание не содержит сравнительных результатов, подтверждающих их на практике.

xLAM-7b-r-IMat-GGUF — это GGUF-квантизированная версия языковой модели Salesforce/xLAM-7b-r, подготовленная пользователем legraphista с использованием llama.cpp и IMatrix-калибровки. Исходная модель имеет формат BF16, а набор поставляется в вариантах от BF16 и FP16 до Q2–Q8 и IQ-квантизаций, включая версии с применением IMatrix. Модель предназначена для генерации текста, function calling, tool use и построения LLM Agent-сценариев. Она ориентирована на английский язык и поддерживает работу с инструментами и функциями; исходный датасет обучения — Salesforce/xlam-function-calling-60k. Формат GGUF и набор квантизаций позволяют выбирать баланс между размером файла, требованиями к памяти и сохранением качества, что удобно для локального запуска через llama.cpp. Для некоторых вариантов указаны размеры от 2,53 до 14,48 ГБ. Ключевые архитектурные характеристики базовой модели, включая точное устройство, размер контекста и перечень поддерживаемых модальностей, в README не указаны; по представленным данным это текстовая модель без заявленной мультимодальности. К ограничениям относятся ориентация на английский язык и возможное снижение качества при использовании низкобитных квантизаций. Модель распространяется по лицензии CC BY-NC 4.0, предусматривающей некоммерческое использование.