I.14Автоматизация процессов и AI-агенты

XYZ-Aquila-pro — открытая модель с весами для агентного поиска, разработанная XYZ AI Lab. Это вариант семейства XYZ-Aquila, дообученный на базе Qwen3.5-397B-A17B по процессу post-training с ограниченным исследованием вариантов развития модели. Модель предназначена для многошагового поиска в интернете: планирования, просмотра англоязычных и китайских страниц, объединения сведений из нескольких источников, проверки источников и восстановления после неудачных действий с инструментами. Она поддерживает диалоговый формат рассуждений и вызовов инструментов, совместимый с Qwen. Реализация поиска и извлечения страниц, выполнения Python-кода и управления контекстом зависит от внешней оболочки AxisAgentic; сам чекпойнт не предоставляет эти инструменты. Для развёртывания README приводит пример с SGLang и рекомендует распределение по восьми GPU; требуемые память и конфигурация зависят от длины контекста и доступного оборудования. Указанная лицензия — Apache-2.0.

ZYR3.1MoE (ZV1.1MeO) — текстовая генеративная модель с многоагентной архитектурой и маршрутизацией Mixture-of-Experts. В README разработчик явно не указан; модель опубликована под идентификатором zyr-AGENT/ZYR3.1MoE. Это объединённая самостоятельная версия с весами, токенизатором и chat template, без необходимости загружать отдельные адаптеры или компоненты. Размер весов составляет около 18 ГБ в пяти safetensors-фрагментах. Модель предназначена для сложных рабочих запросов: планирования, декомпозиции задач, программирования, математических рассуждений, исследования, проверки фактов, критики, обзора, оптимизации и координации компьютерных операций. Её поведение имитирует работу оркестрационной команды из 11 специализированных агентов, которыми управляют уровни ATP, ACN и MeO. Простые вопросы обрабатываются напрямую, а практические запросы могут запускать цикл планирования, распределения ролей и проверки результата. Ключевая особенность — обученное многоагентное поведение поверх одной объединённой модели; ATP и ACN являются внешними runtime-компонентами, а не отдельными нейронными весами. README не указывает точный размер базовой модели, максимальную длину контекста, поддерживаемые языки или мультимодальные возможности, поэтому подтверждённой является только работа с текстовой генерацией. Сгенерированные моделью отчёты о тестах могут быть симулированными и не заменяют реальные внешние результаты выполнения. Для надёжной работы рекомендуется GPU с объёмом памяти от 24 ГБ; поддержка 4-битной квантизации для гибридной архитектуры не гарантируется. Лицензия обозначена как other, но её конкретные условия в README не приведены.

Agents-A1-4B-Fable-Preview-heretic-GGUF — это GGUF-квантизированная vision-language модель, разработанная hotdogs на основе Agents-A1-4B от InternScience. Модель предназначена для диалогов, понимания изображений, агентских сценариев, пошагового рассуждения, вызова инструментов и function calling, а также выполнения задач с кодом и shell-командами. Поддерживаются английский и тайский языки, формат ChatML и инференс через llama.cpp с использованием vision-проектора mmproj. Модель содержит около 4,29 млрд параметров и использует гибридную архитектуру Qwen3.5 с линейным и полным вниманием. Для обработки изображений применяется 24-слойный ViT-энкодер, контекст поддерживает до 128K токенов. Обучение включало 3 500 примеров Fable-style reasoning traces в течение трёх эпох; заявлена поддержка многошаговых агентских траекторий и блоков рассуждений <think>. Доступны варианты GGUF с разными уровнями квантизации, включая рекомендуемый IQ4_NL размером около 2,61 ГБ. К сильным сторонам относятся мультимодальность, поддержка инструментов, двуязычность, большой контекст и возможность запуска на видеокартах с ограниченной памятью. Abliteration с использованием heretic снизила заявленный уровень отказов примерно до 11%, однако модель может генерировать вредный, оскорбительный или неподходящий контент, поэтому требует осторожного применения. Лицензия — AGPL-3.0.

Mungert/Apriel-1.6-15b-Thinker-GGUF — GGUF-версия мультимодальной модели Apriel-1.6-15B-Thinker, разработанной ServiceNow в рамках серии Apriel SLM. Модель предназначена для рассуждений по тексту и изображениям, диалоговых приложений, следования инструкциям, работы с функциями и инструментами, а также корпоративных сценариев, включая телекоммуникации, розничную торговлю и авиаперевозки. Модель содержит около 15 млрд параметров и поддерживает текстово-изображённые входы. GGUF-файлы созданы с использованием llama.cpp; в процессе квантования для отдельных важных слоёв применялось повышение точности сверх стандартной конфигурации IMatrix, что должно улучшать качество при заданном уровне квантования, хотя увеличивает размер файла. Заявлены более эффективное расходование токенов рассуждений по сравнению с Apriel-1.5-15B-Thinker, конкурентоспособные результаты на ряде бенчмарков и возможность запуска на одной GPU. Для вызовов инструментов предусмотрены специальные токены, включая <tool_calls> и </tool_calls>. Сильные стороны модели — сочетание мультимодального reasoning, относительно небольшого размера, эффективности по памяти и поддержки сценариев function calling. Ограничения конкретного GGUF-файла зависят от выбранного уровня квантования: снижение точности может влиять на качество, а повышенная точность отдельных слоёв увеличивает размер модели. В представленных данных не указаны контекстное окно, языки, точные требования к памяти и полный перечень ограничений базовой модели. Лицензия — MIT.

Etherll выпустила слитую диалоговую модель на архитектуре Llama 3.1 с плотной структурой и 7,5 млрд параметров. Она создана методом TIES с помощью mergekit на основе Etherll/Herplete-LLM-Llama-3.1-8b и rombodawg/Meta-Llama-3.1-8B-reuploaded. Модель предназначена для генерации текста по инструкциям, диалогов и сценариев с вызовом инструментов. Репозиторий использует Transformers и формат safetensors; заявленная длина контекста составляет 131 072 токена. Карточка не сообщает о специализированной предметной области или отдельной языковой специализации. Условия лицензии в предоставленных данных не указаны.

Iris-mini — открытая модель с весами от AllSpark-Research, дообученная на базе Qwen3.6-35B-A3B для агентного веб-поиска и глубокого исследования. Она обучена итеративно выбирать, что искать, читать найденные материалы, решать, достаточно ли доказательств, и продолжать поиск при необходимости. Модель построена на архитектуре Qwen3.5 MoE: всего 35 млрд параметров, из которых активны 3 млрд за проход; используется 256 экспертов, 8 из них активируются одновременно. Карточка приводит результаты на BrowseComp, BrowseComp-ZH, DeepSearchQA и текстовой части HLE и подчёркивает, что итог зависит также от инструментария и управления контекстом. В примере запуска указан контекст до 262 144 токенов и поддержка интерфейса вызова инструментов. Iris-mini предназначена для диалоговой генерации текста и многошагового поиска с агентной обвязкой. Это не автономный поисковый сервис: для работы с вебом ей нужны инструменты и среда исполнения. Модель распространяется по лицензии Apache-2.0.

dealignai выпустила Laguna-XS-2.1-JANG_4M-CRACK — текстовую MoE-модель для диалогов и агентного программирования, полученную дообучением Poolside Laguna-XS-2.1, удалением отказов на уровне весов и смешанной квантизацией JANG для MLX. В README указаны 33 млрд параметров всего и около 3 млрд активных; метаданные каталога указывают 2,6 млрд параметров. Модель предназначена для работы на Apple Silicon через vMLX или совместимую среду MLX и поддерживает вызов инструментов. Модель принимает текст, выдаёт текст, поддерживает английский язык и контекст до 262 144 токенов. В README заявлены режимы рассуждения и прямых ответов, а также результаты оценок MMLU и HarmBench; это результаты, сообщённые автором. Для генерации автор рекомендует явно задавать temperature=1.0, top_p=1.0 и top_k=20, поскольку некоторые среды не учитывают параметры из конфигурационных файлов. Удаление отказов означает, что модель может выполнять запросы без стандартного поведения отказа. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в репозитории модели.

felixtran/layoutlmv3-rvl-cdip-small — модель классификации документов на основе LayoutLMv3, дообученная автором репозитория на microsoft/layoutlmv3-base. Она принимает текст документа и его пространственную разметку, а также изображение страницы, чтобы относить документ к категории; архитектура содержит около 151,8 млн параметров и имеет контекст до 514 токенов. Карточка не раскрывает набор категорий и подробности обучения или оценки. Модель подходит для классификации документов по содержимому и макету, например, в системах автоматической сортировки и маршрутизации документов. Доступна в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных работ на тех же условиях с ограничением на коммерческое использование.

Mungert/LFM2.5-8B-A1B-GGUF — квантованный формат текстовой модели LFM2.5-8B-A1B, разработанной Liquid AI и опубликованной пользователем Mungert. Модель предназначена для локального и периферийного (edge) развёртывания, в частности для персональных ассистентов на устройствах, агентских сценариев, вызова инструментов, структурированных ответов и многоязычного диалога. Модель имеет гибридную архитектуру с 8,3 млрд параметров, из которых активно используется 1,5 млрд; включает 24 слоя — 18 double-gated LIV convolutional layers и 6 слоёв с GQA. Указаны контекст длиной до 128 000 токенов, словарь из 128 000 токенов и поддержка английского, арабского, китайского, французского, немецкого, итальянского, японского, корейского, португальского и испанского языков. Это текстовая reasoning-модель, поддерживающая function calling; GGUF-формат ориентирован на llama.cpp и совместимые инструменты, а также на быстрый локальный inference на CPU и GPU. Сильные стороны модели — высокая производительность при небольшом числе активных параметров, поддержка длинного контекста, многоязычность, следование сложным инструкциям, tool use и пригодность для on-device deployment. Ограничения: модель не считается оптимальным выбором для сложного программирования и фактологически насыщенных задач без retrieval; README также не указывает конкретный вариант квантования для данного репозитория и его размер. Распространение осуществляется по лицензии lfm1.0; точные условия следует уточнять в файле LICENSE.

LLaDA2.2-flash-uncensored — вариант inclusionAI/LLaDA2.2-flash, опубликованный Mithril (Kotoba Labs Inc.). Веса совпадают с базовой моделью; вариант меняет шаблон чата, который автоматически добавляет в системный блок директиву против отказов и оговорок. Модель предназначена для генерации текста в диалогах и агентных сценариях, включая многошаговое использование инструментов, работу с длинным контекстом и исправление ошибок в последовательностях. Это диффузионная языковая модель семейства LLaDA2 с архитектурой MoE и 5,5 млрд параметров по метаданным. Она принимает текст, поддерживает диалоги и контекст до 131 072 токенов. Механизм Levenshtein Editing с токенами DELETE и INSERT позволяет удалять и вставлять фрагменты при генерации. Модель рассчитана на Transformers или SGLang; для Transformers в README рекомендован режим trust_remote_code=True. Лицензия — Apache-2.0. Шаблон uncensored меняет поведение отказов, но не сами веса базовой модели. В README отмечено, что слишком низкие пороги денойзинга могут усиливать повторы и нестабильность вывода; для базовой модели также указано, что она не обслуживается через HF Inference Providers. Языки модели в карточке не определены.

LocateAnything-3B — разработанная в рамках семейства Eagle компанией NVIDIA трансформерная зрительно-языковая модель на 3 млрд параметров. Она принимает изображение и текстовый запрос, а возвращает текст с метками и структурированными координатами объектов и точек. В архитектуру входят визуальный энкодер MoonViT, языковая модель Qwen2.5-3B-Instruct и MLP-проектор; модель дообучена для визуальной локализации. Модель предназначена для обнаружения объектов, поиска объектов по описанию, локализации элементов интерфейса и текста на изображениях, а также для разметки сцен в робототехнике, автономном вождении и работе с документами. Механизм Parallel Box Decoding предсказывает координаты блоками за один параллельный шаг; авторы заявляют до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Поддерживается исходное разрешение изображений до 2,5K, длина запроса до 24K токенов и генерация до 8192 токенов. Модель ориентирована на разработчиков и исследователей, создающих системы визуального восприятия и мультимодальных агентов. В README выпуск обозначен как предназначенный для исследований и разработок; метаданные указывают лицензию other, поэтому перед использованием следует проверить условия лицензии репозитория. Модель обрабатывает визуальные сцены и формулирует локализацию в виде текстовых меток и координат.

Карточка модели joe-sidley-adc/lora-finetuned на Hugging Face совпадает с карточкой unsloth/gpt-oss-20b-BF16, поэтому описание составлено по ней. unsloth/gpt-oss-20b-BF16 — вариант модели gpt-oss-20b от Unsloth, основанный на openai/gpt-oss-20b и предназначенный для генерации текста, диалога и задач с рассуждениями. Это модель семейства gpt_oss с архитектурой MoE; метаданные указывают 1,6 млрд параметров и контекст 131 072 токена. Версия размещена в формате safetensors и использует библиотеку Transformers. Модель рассчитана на сценарии с низкой задержкой и локальный запуск, а также на специализированные приложения и агентные системы. Она поддерживает настраиваемый уровень рассуждений, вызов функций и структурированный вывод; для корректной работы требуется формат диалога Harmony. Вариант BF16 распространяется по лицензии Apache 2.0, допускающей коммерческое использование. Карточка описывает возможности семейства gpt-oss; сведения о языковой специализации именно этой версии не приведены.

Lucy — компактная языковая модель с архитектурой Qwen3, разработанная Alan Dao, Bach Vu Dinh, Alex Nguyen и Norapat Buppodom на основе Qwen/Qwen3-1.7B. Она предназначена для агентного веб-поиска и облегчённого просмотра страниц: модель рассуждает над поисковыми задачами и может работать с поисковыми API и браузерными инструментами через MCP. Разработчики сообщают о применении машинно-сгенерированных task vectors и обучения с подкреплением без supervised fine-tuning; модель рассчитана на эффективный запуск на мобильных устройствах, в том числе только на CPU. Модель содержит 1,7 млрд параметров, принимает и генерирует текст, поддерживает диалог и имеет контекст до 131 072 токенов. В README указана английская языковая направленность. Для запуска описана интеграция с vLLM, llama.cpp и локальными приложениями, а также настройка вызова инструментов и масштабирования RoPE. Лицензия — Apache-2.0. Заявления о результатах оценки и скорости приведены разработчиками; практическое качество зависит от конфигурации и подключённых инструментов.

NANI-Nithin/MiniCPM5-2B-GGUF — набор GGUF-квантизованных версий MiniCPM5-2B, разработанного командой OpenBMB. Модель предназначена для локального запуска на устройствах с ограниченными ресурсами, создания ассистентов, coding agents, сценариев tool use, агентских workflows и задач рассуждения. Репозиторий содержит исходную BF16-версию и 29 вариантов квантования от Q8_0 до Q1_0. Базовая модель представляет собой плотный Transformer на 2,516,756,480 параметров с архитектурой LlamaForCausalLM, 42 слоями и GQA с 16 query heads и 2 KV heads. Она поддерживает контекст до 131 072 токенов, работает с английским и китайским языками и ориентирована на text generation. По данным разработчика, модель особенно сильна в рассуждениях при работе с кодом, математике, обработке длинного контекста, использовании инструментов и агентских задачах; заявленный средний результат в сравнении с другими открытыми моделями класса 2B составляет 53,9 балла. Основное преимущество набора — возможность выбрать баланс между качеством, размером и требованиями к памяти: Q4_K_M размером около 1,45 ГБ указан как вариант по умолчанию, Q8_0 около 2,50 ГБ — как близкий к исходному качеству, а IQ2_M около 0,90 ГБ — как минимальный практически пригодный вариант. Качество низкобитных и экспериментальных квантов снижается, особенно у версий Q2 и Q1. Файлы предназначены для llama.cpp, Ollama и LM Studio и не загружаются напрямую через vLLM, SGLang или transformers; для этих сред следует использовать исходный репозиторий модели. Модель распространяется по лицензии Apache-2.0, а её ответы могут содержать ошибки.

MiroThinker-v1.0-8B-GGUF — открытая исследовательская агентная модель от команды MiroMind AI, предназначенная для рассуждений с использованием инструментов и поиска информации. Это GGUF-версия модели MiroThinker v1.0, созданная на базе Qwen3-8B с помощью llama.cpp. Модель ориентирована на глубокий многошаговый анализ, задачи общего исследования и длительные сценарии взаимодействия с внешней средой. Она поддерживает контекстное окно до 256K токенов и до 600 вызовов инструментов на одну задачу, что позволяет строить длинные траектории поиска и рассуждений. В карточке указана поддержка английского языка; другие языки и модальности не заявлены. Сильными сторонами являются агентное поведение, получение внешней информации, корректировка ошибок на основе обратной связи среды и масштабирование за счёт более глубоких взаимодействий. Версия распространяется в формате GGUF и использует квантизацию с выборочным повышением точности отдельных слоёв, что может улучшать качество при заданном уровне квантизации, но увеличивает размер файла. Для полноценной работы требуются совместимый runtime, например llama.cpp, и настроенные инструменты или окружение для взаимодействия. Модель распространяется по лицензии MIT.

mmbert32k-modality-router-merged — классификатор текста из семейства MoM, разработанный для vLLM Semantic Router. Он анализирует отдельный запрос и выбирает подходящий формат ответа: только текст (AR), изображение (DIFFUSION) или текст вместе с изображением (BOTH), чтобы направить запрос к нужной модели или конвейеру. Модель основана на ModernBERT с масштабированием RoPE YaRN, содержит около 306,9 млн параметров и поддерживает контекст до 32 768 токенов. Это объединённая версия LoRA-адаптера: веса адаптера слиты с базовой моделью vllm-sr/mmbert-32k-yarn, поэтому для развёртывания не требуется PEFT. Модель обучалась на наборах промптов для генерации изображений и текстовых диалогов; README заявляет точность 0,9686 и взвешенный F1 0,9686 на использованной оценке. Классификатор предназначен для маршрутизации запросов в системах обслуживания нескольких моделей, выбора текстового, графического или смешанного ответа, а также для сокращения ненужных вызовов ресурсоёмких конвейеров. Лицензия — Apache-2.0. Ограничения: классификация учитывает только отдельный запрос, без контекста диалога; обучение преимущественно проводилось на англоязычных данных, а модель не предназначена для модерации контента или оценки безопасности.

Moxie — специализированная большая языковая модель и агент, разработанные Moxiegen Business Group. Модель демонстрирует собственный Moxiegen Method — алгоритмический подход к устранению избыточности в весах. Доступна через Moxie Desktop и Moxie Cloud, а также может работать локально в вариантах light, standard и full. Модель основана на оптимизированной transformer-архитектуре и использует методы удаления избыточных весов. Согласно README, Lossless Pointer-Based Weight Mapping позволяет сопоставлять одинаковые числовые значения с единой ссылкой без потери точности вычислений FP32. В основе возможностей заявлены дистиллированные компоненты моделей Qwen для программирования и математики, GLM для длинного контекста и следования инструкциям, а также Gemma для быстрой обработки запросов и автоматизации. Поддерживаемый язык — английский. Точный размер модели и длина контекстного окна не указаны. Moxie предназначена для настольной автоматизации, выполнения shell-команд, работы с файлами, анализа данных в форматах CSV, Excel, Word и SQLite, оркестрации многошаговых задач, поиска в интернете, обработки документов и создания или анализа текстового, графического, видео- и аудиоконтента. Сильными сторонами заявлены низкие требования к GPU, высокая скорость и возможность гибридной работы с переносом сложных вычислений в облако. Ограничения включают зависимость от Moxie Desktop и Moxie Cloud для части функций, а также отсутствие подтверждённых независимых оценок качества и производительности. Весы модели и inference engine являются проприетарными и принадлежат Moxiegen. Использование предназначено для работы в Moxie Desktop в соответствии с пользовательским соглашением и политикой конфиденциальности на сайте Moxiegen; лицензия обозначена как other.

Nous-Hermes-2-Vision-Alpha — мультимодальная модель для диалога и следования инструкциям, разработанная qnguyen3 и teknium. Она построена на архитектуре LLaVA-Mistral и дообучена на базе Mistral-7B-v0.1; в README также указано использование OpenHermes-2.5-Mistral-7B и визуального энкодера SigLIP-400M. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы, включая структурированные результаты для сценариев вызова функций. Модель предназначена для вопросов по изображениям, визуального описания и автоматизаций, связывающих визуальный ввод с вызовом функций. В обучающие данные вошли наборы LVIS-INSTRUCT4V, ShareGPT4V, частный набор данных для вызова функций и диалоги OpenHermes-2.5. Контекст составляет 32 768 токенов, размер — 7,1 млрд параметров; в метаданных указан английский язык. Модель выпущена под лицензией Apache-2.0.

Orca-Sonar — мультиязычный классификатор документов компании Patronus AI на основе mmBERT (ModernBERT). Модель относит текст или документ к одной из девяти тематических категорий и рассчитана на маршрутизацию текстов по уровню риска перед передачей LLM, проверкой DLP или сохранением. Она распознаёт тему содержимого даже в запросах-обёртках вроде просьбы кратко изложить договор. Модель дообучена на jhu-clsp/mmBERT-small, содержит 140,5 млн параметров и принимает последовательности длиной до 8192 токенов. В карточке описана поддержка немецкого и английского языков; модель возвращает метку класса с оценкой уверенности. Доступны веса safetensors и экспорт ONNX в FP16. Лицензия — Apache-2.0. В тестировании на отложенной выборке из реальных данных заявлены точность 0,942 и macro-F1 0,940. Для немецкого и английского языков авторы отмечают высокую точность, но другие языки не тестировались. Возможны ложные срабатывания; устойчивость к adversarial-входам, данным вне распределения, чистым персональным данным и патологически длинным текстам ограничена. Для важных сценариев маршрутизации рекомендуется порог уверенности или отказ от решения, а для DLP — предварительная детерминированная проверка длины и PII.

Ornith-1.0-9B-ASHQ1-GGUF — квантованная версия модели Ornith-1.0-9B от DeepReinforce, подготовленная wepiqx в формате GGUF для запуска через llama.cpp и совместимые приложения. Модель предназначена для генерации кода и работы в автономных агентных сценариях; поддерживает диалоговый режим. В карточке описан тест с агентом Pi, который использовал модель для планирования и создания одностраничной панели личных финансов, а также для самопроверки и исправления кода. В основе лежит архитектура Qwen3.5-9B: 32 слоя, GQA и SSM, заявленный контекст — 262 тыс. токенов. Применена квантовка ASHQ1 с несколькими вариантами размера файлов; README приводит результаты практического теста для варианта 6,4 ГБ. Для него указано около 7,5 ГБ VRAM при контексте 8192 и рекомендуемая видеокарта с 8 ГБ памяти. Хотя архитектура поддерживает длинный контекст, приведённые инструкции запуска используют контекст 8192. Репозиторий лицензирован по Apache-2.0; README сообщает, что исходная модель распространяется по MIT. Количественные результаты приводятся разработчиком модели и не являются независимой оценкой. Карточка заявляет сильные результаты в тестовом агентном сценарии, но не даёт оснований гарантировать их для других задач или конфигураций.

cyankiwi/Ornith-1.5-35B-A3B-AWQ-INT4 — квантованная версия модели Ornith-1.5-35B-A3B, разработанной командой Ornith AI. Это языковая модель для генерации текста, ориентированная прежде всего на программирование, агентские сценарии и работу с инструментами. Модель создана с применением цикла самоулучшения, включающего автоматическую генерацию задач, поиск эффективных стратегий и обучение с подкреплением. Модель относится к архитектуре mixture-of-experts: при общем размере 35B параметров на каждый токен активируется примерно 3B параметров. Данная версия использует квантование AWQ INT4 и занимает около 26,12 ГБ. В README заявлена поддержка английского, китайского, хинди, арабского, русского, японского, корейского, нидерландского, французского и испанского языков. Контекстное окно и мультимодальные возможности не указаны. Сильными сторонами заявлены результаты в задачах программирования и агентного кодинга: модель превосходит сопоставимую Qwen3.6-35B-A3B на приведённых бенчмарках и показывает преимущество над некоторыми плотными моделями близкого размера. Ограничения включают отсутствие данных о контекстном окне, качестве на широком спектре задач и характеристиках инференса; INT4-квантование также может влиять на точность по сравнению с полной версией. Модель распространяется по лицензии MIT.

OxCoder-9B-GGUF — GGUF-версия модели OxCoder-9B, разработанной OrionLLM на основе Qwen3.5-9B. Модель предназначена для агентного программирования на длительном горизонте, автоматизации работы в терминале, рассуждений и практических задач разработки программного обеспечения, включая работу со сложными многофайловыми кодовыми базами. Указан английский язык; README также содержит тег image-text-to-text и файл mmproj, однако подробности мультимодальных возможностей не описаны. Модель содержит 9 миллиардов параметров и поддерживает нативное контекстное окно 262 144 токена. Она обучалась на дистиллированных агентных траекториях, созданных с использованием Fable-5.1 и GLM-5.3 в средах Claude Code, OpenCode и Codex. Среди заявленных сильных сторон — агентное программирование в терминале, фронтенд-рассуждения, понимание UI-логики и архитектуры компонентов, а также восстановление после ошибок с чтением перед записью и минимальными изменениями на основе диагностик LSP. В README приведены высокие результаты на Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro, GPQA Diamond и ClawEval, но методика оценки не раскрыта. Модель выпускается в нескольких вариантах квантования GGUF, включая BF16, Q3, Q4 и Q5, с размером файлов примерно от 4,26 до 17,9 ГБ; это позволяет выбирать между качеством и требованиями к памяти. Для запуска рекомендуется llama.cpp. Ограничения включают компактный размер по сравнению с более крупными моделями и отсутствие подробной информации о фактическом качестве, системных требованиях и мультимодальном режиме. Распространяется по лицензии Apache 2.0.

qwen3.5-4B-super-coder — 4-битная квантованная модель в формате GGUF, опубликованная под идентификатором thunquant/qwen3.5-4B-super-coder и основанная на Qwen/Qwen3.5-4B. Модель объединяет базовую архитектуру Qwen с чередованием трёх слоёв Gated-DeltaNet и одного слоя Full Attention; всего 8 из 32 слоёв используют полный KV-кэш. Размер файла составляет около 2,6 ГБ, заявленное окно контекста — 32K токенов, при этом базовая модель поддерживает расширение до 262K/1M через YaRN. Модель предназначена прежде всего для программирования, агентских сценариев и структурированного вызова инструментов на потребительских и мобильных устройствах. Она специализировалась на Python, JavaScript, Shell и других языках, обучалась следовать схемам JSON, различать случаи необходимости вызова инструмента и поддерживает режим видимого рассуждения с блоками <think>. Обучение включало дистилляцию данных в стиле Claude, этапы специализации на коде и tool-calling, а также дообучение на трассах Fable reasoning и агентского программирования. К сильным сторонам относятся небольшой размер, низкая нагрузка на KV-кэш, пригодность для устройств с 8 ГБ и более оперативной памяти, генерация кода и точный структурированный tool-calling. Ограничения связаны с малым размером модели, 4-битной потерей точности и тем, что заявленные характеристики и качество основаны на описании карточки; независимые бенчмарки не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-27B-DSV4Pro-Thinking-Distill — текстовая dense-модель, разработанная автором nerkyor на базе Qwen/Qwen3.6-27B. Она создана методом LoRA-дистилляции стиля рассуждений и агентного поведения DeepSeek-V4-Pro с включённым режимом thinking. Модель предназначена для локального использования, сложных задач рассуждения, программирования, многошагового решения задач и сценариев с вызовом инструментов, включая Lynn Agent. Модель содержит 27 млрд параметров и использует гибридную архитектуру Gated DeltaNet с linear/full-attention, 64 слоями и native MTP для ускорения генерации в однопоточном режиме. Поддерживаются английский и китайский языки; заявленная модальность — текстовая. В обучении использовались около 1842 дистиллированных образцов с многошаговым reasoning и ReAct-подобными вызовами инструментов. В описании упоминается оценивание с контекстом 32K, но точный максимальный размер контекста модели не указан. Сильные стороны — улучшение сложного reasoning относительно исходной Qwen3.6-27B, отсутствие незавершённых пустых ответов в заявленном тесте GPQA, а также сохранение или небольшое улучшение результатов по MMLU и coding-100. Ограничения состоят в том, что дистилляция передаёт прежде всего стиль рассуждения и способы вызова инструментов, а не новые знания или более высокий предел возможностей; симулированные результаты инструментов в обучающих данных не являются реальным выполнением. Часть агентной оценки субъективна, а приведённые результаты относятся к конкретному тестовому стенду и квантованным вариантам. Лицензия — Apache-2.0.

Elsephire/Qwen3.6-35B-A3B-Agents-A1-80-20-Beta — бета-версия мультимодальной модели, созданная слиянием Qwen3.6-35B-A3B и Agents-A1-35B методом Task Arithmetic с весами 80/20. В метаданных указана архитектура семейства Qwen3.5 MoE и поддержка изображений; модель предназначена для диалогов, агентных сценариев и анализа изображений. Модель принимает текст и изображения и генерирует текст. Она доступна в формате Safetensors и распространяется по лицензии MIT. README обозначает выпуск как бета-версию и приглашает к тестированию и обратной связи.

FTK11558/Qwen3.6-35B-A3B-APS — производная мультимодальная модель семейства Qwen3.5 MoE, представленная как вариант Qwen3.6 с адаптивным probe-based steering (APS). Карточка заявляет ориентацию на агентное программирование, работу с репозиториями, генерацию интерфейсов и вызов инструментов. Модель принимает текст и изображения и выдаёт текст; общая архитектура включает языковую модель с vision encoder и смесь экспертов: 35 млрд параметров всего, около 3 млрд активных, 40 слоёв и 256 экспертов, из которых активируются 8 маршрутизируемых и один общий. Указан контекст 262 144 токена с возможностью расширения до 1 010 000. Модель предназначена для чата, программирования и мультимодальных задач; в README приведены оценки на программных, агентных, математических и vision-language бенчмарках, но таблицы результатов опущены. Репозиторий содержит веса и конфигурацию в формате Transformers/Safetensors и заявляет совместимость с Transformers, vLLM, SGLang и KTransformers. Лицензия — Apache-2.0. Название и README указывают на APS steering, однако не приводят базовую модель или детали обучения APS. Поэтому происхождение от конкретного чекпойнта установить нельзя. README также содержит рекламные заявления о качестве, которые по приведённым данным независимо оценить невозможно.

Qwen3.6-35B-A3B-NSC-ACE-SABER GGUF MTP — это квантизированная сборка модели, разработанная GestaltLabs на базе Qwen/Qwen3.6-35B-A3B. Репозиторий предоставляет файлы в формате GGUF для совместимых с llama.cpp сред выполнения, включая варианты F16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K. Сборки подготовлены с поддержкой MTP (multi-token prediction) и предназначены для ускорения генерации при наличии соответствующей поддержки в runtime. Модель ориентирована на диалоговую генерацию текста, агентские сценарии и вызов инструментов, а также заявлена как multimodal image-text-to-text модель. В репозитории присутствуют конфигурация мультимодальности, процессор, шаблон чата и visual tower sidecar для обработки изображений и видео. В README указан английский язык. Пример запуска использует контекст 32768 токенов, однако максимальный размер контекста отдельно не подтверждён. К сильным сторонам относятся широкий выбор уровней квантизации, локальный запуск, MTP-ориентированная конвертация и улучшенные относительно базовой модели показатели на приведённой проверке BFCL для tool calling: например, точность имени функции выросла с 92,50% до 95,00%, а точность обязательных значений аргументов — с 79,79% до 83,54%. Ограничения включают зависимость ускорения от версии и возможностей llama.cpp, возможное ухудшение форматирования, точности аргументов и калибровки отказов у низких квантов, а также необходимость отдельно проверять поведение конкретных quant-файлов. Модель распространяется по лицензии Apache 2.0.

Qwen3.8-27B-OBLITERATED — дообученная версия Qwen3.8-27B, опубликованная Jaredhollins. Модель предназначена для диалогов и генерации текста, включая ответы на запросы, которые базовая модель может отклонять или сопровождать предупреждениями. По карточке, версия V3 устраняет жёсткие отказы и уклончивые ответы, сохраняя близкую к исходной производительность; в приведённом тесте MMLU она набрала 82,3% против 84,5% у базовой модели. В основе лежит плотная архитектура семейства Qwen3.5 с 27 млрд параметров. Репозиторий содержит варианты GGUF от BF16 до нескольких уровней квантования, а также файлы safetensors и MLX. Для GGUF автор рекомендует использовать встроенный шаблон чата; также указаны настройки генерации, помогающие уменьшить повторения и циклы. Лицензия — Apache-2.0. Модель ориентирована на ответы без отказов и подходит для диалоговых, кодовых и агентных сценариев. Указанные автором результаты на ограниченных наборах задач включают 20 из 20 проверок генерации кода, а также успешные примеры рефакторинга, извлечения данных по JSON-схеме и циклов ReAct. Это самооценка автора карточки; приведённые результаты не гарантируют качество на других запросах. В README также отмечено снижение MMLU относительно базовой модели, особенно в STEM, и склонность к повторениям без рекомендуемых настроек.

JANGQ-AI/Qwen3.8-Flash-Next-JANG_4M — квантованная версия Qwen/Qwen3.8-Flash-Next, подготовленная Jinho Jang для Apple Silicon и MLX. Это мультимодальная модель с архитектурой Qwen4-architecture preview: 125 млрд параметров, из которых активно около 6 млрд, 512 экспертов, гибридными слоями Gated DeltaNet и Qwen Sparse Attention, а также хешированной n-граммной таблицей эмбеддингов. В комплект входят текстовые, визуальные и видео-компоненты; заявлен контекст 262 144 токена с расширением до 1 млн через YaRN. Модель предназначена для диалогов, рассуждений, анализа изображений и видео, а также агентных сценариев с вызовом инструментов. В README указана поддержка нативной multi-token prediction и измерения качества квантования относительно bf16. Для работы предусмотрена библиотека MLX; авторы рекомендуют запуск через vMLX и Apple Silicon, а таблица n-грамм может обслуживаться с SSD на поддерживаемом runtime. Вызовы инструментов используют диалект Qwen-XML, поэтому runtime должен поддерживать соответствующий парсер; Hermes-only парсеры могут некорректно обрабатывать такие вызовы. Доступ к vMLX указан как ограниченный одобрением. Лицензия обозначена как other, поэтому конкретные условия следует проверять в репозитории модели и базовой модели.

Карточка модели Steve0927/qwen3-embedding-0.6b-lrat-full80k-hardneg-preserve-mr2-min6-from-broad-singlefile на Hugging Face совпадает с карточкой Steve0927/qwen3-embedding-0.6b-lrat-full80k-hardneg-preserve-mr2-min6-from-broad, поэтому описание составлено по ней. Steve0927 подготовил плотный ретривер на основе Qwen3-Embedding-0.6B для конкурса XIR 1170. Модель дообучена методом Trajectory Utility Calibration на примерах поиска, полученных из траекторий LRAT: метод корректирует веса примеров, отмечает слабые позитивные примеры и вероятные ложные негативы, сохраняя сложные негативы для контрастивного обучения. Модель предназначена для семантического поиска по фиксированному корпусу в агентных сценариях, подобных XIR и BrowseComp-Plus. Она принимает текстовые запросы и документы и выдаёт плотные эмбеддинги для извлечения релевантных документов. Число параметров — 507,6 млн; базовая архитектура — Qwen3, контекст — до 32 768 токенов. В карточке заявлен английский язык. Лицензия в предоставленных данных не указана.