I.14Автоматизация процессов и AI-агенты

Wrench-9B-Q4_K_M-GGUF — модель ClankLabs, созданная на базе плотной Qwen3.5-9B методом LoRA дообучения. Она предназначена для агентских сценариев, включая вызов инструментов и функций, выполнение многошаговых задач, восстановление после ошибок, соблюдение системных инструкций, планирование и безопасное взаимодействие с инструментами. Модель ориентирована на запуск локально через Ollama, llama.cpp или Clank Gateway и может работать примерно на 8 ГБ видеопамяти. Модель поставляется в формате GGUF с квантизацией Q4_K_M и занимает около 5 ГБ. Использованы LoRA rank 32 и alpha 64; контекстное окно составляет 8192 токена. Заявленный язык — английский. Внутреннее обучение проводилось на 1356 примерах из 15 категорий, а опубликованный Clank Agentic Benchmark показывает результат 114 из 120 баллов, включая 15 из 15 за базовое использование инструментов, многошаговые задачи, следование системным инструкциям, планирование, корректность формата вызовов и соблюдение ограничений; за восстановление после ошибок и качество ответов получено по 14 из 15. Ограничениями являются поддержка только заявленного контекста, особенности качества, связанные с квантизацией, и специализация прежде всего на англоязычных агентских задачах. Модель распространяется по лицензии Apache 2.0.

ZOZ-Reasoning-Master-3B — компактная языковая модель на 3,09 млрд параметров, разработанная z51722369 на архитектуре Qwen2 и дообученная для работы в роли диалогового агента с инструментами. В карточке описан трёхэтапный процесс обучения: настройка вызова функций и соблюдения схем, дообучение на задачах поиска и рассуждения в длинном контексте, затем диалоговое выравнивание на Magpie-Pro. Указанная в README базовая модель — Qwen2.5-3B-Instruct; метаданные связывают модель с z51722369/ZOZ-Function-Master-3B-LongContext. Модель предназначена для локальных RAG-систем, извлечения данных из документов и многошаговых диалогов, а также для маршрутизации запросов и вызова API или вебхуков. Она принимает текст, поддерживает контекст до 32 768 токенов и выдаёт текст, включая структурированные ответы и вызовы инструментов. README сообщает, что поставляются объединённые веса FP16; лицензия — Apache-2.0. Среди ограничений автор отмечает, что модель на 3B параметров уступает крупным моделям в энциклопедических знаниях и лучше работает, когда ответ опирается на предоставленный контекст или инструменты. Хотя размер контекста составляет 32K токенов, для баланса скорости и памяти в README рекомендованы последовательности длиной 1 024–4 096 токенов.

Agents-A1-4B — плотная языковая модель на 4 млрд параметров от InternScience, созданная для автономного выполнения многошаговых задач. Она основана на архитектуре Qwen3.5 и дообучена для агентных сценариев: поиска, инженерной работы, научных исследований, следования инструкциям и вызова инструментов. Модель поддерживает диалог и интерфейс вызова функций; веса доступны в формате safetensors и совместимы с Transformers, vLLM и SGLang. В README заявлена длина контекста до 262 144 токенов при указанной конфигурации SGLang. Модель предназначена для разложения сложных запросов на шаги, планирования, использования внешних инструментов и ответов на научные и профессиональные вопросы. В README приведены высокие результаты на тестах поиска, агентных задач и следования инструкциям, однако это заявления разработчика, и они не гарантируют качество в конкретном приложении. Лицензия Apache-2.0.

InternScience/Agents-A1-4B-Q4_K_M-GGUF — квантизированная версия плотной языковой модели Agents-A1-4B, разработанная командой InternScience. Модель предназначена для агентных сценариев с длинной последовательностью действий: поиска, инженерных и научных задач, следования сложным инструкциям, профессионального вопросно-ответного взаимодействия и вызова внешних инструментов. Она поддерживает планирование, разбиение сложных задач на шаги, адаптацию по промежуточным результатам, function calling и интеграцию с API, интерпретаторами кода и поисковыми системами. Модель содержит около 4 миллиардов параметров и распространяется в формате GGUF с квантизацией Q4_K_M, что снижает требования к памяти и делает её подходящей для локального запуска. В карточке указаны теги vision и vlm, однако подробные сведения о поддерживаемых визуальных модальностях, языках и размере контекстного окна отсутствуют. По заявленным результатам Agents-A1-4B показывает высокую эффективность на BrowseComp, XBench-DS-2510, GAIA, FrontierScience-Research и IFEval, конкурируя с более крупными моделями при меньшем числе параметров. Ограничения модели включают неизвестные из README языковые и мультимодальные возможности, а также отсутствие подробностей о требованиях к оборудованию и точных условиях применения квантизированной сборки. Модель и её базовые компоненты распространяются по лицензии Apache-2.0; формат совместим с экосистемой GGUF и предназначен для использования с соответствующими локальными средствами инференса.

InternScience/Agents-A1-4B-Q8_0-GGUF — квантованная версия Agents-A1-4B, разработанная командой InternScience и предназначенная для локального запуска в формате GGUF с квантованием Q8_0. Модель относится к классу агентных языковых моделей и ориентирована на работу в связке с инструментами и внешними источниками данных. Модель предназначена для многошагового поиска, инженерных и научных задач, следования сложным инструкциям, профессиональных вопросов, планирования и вызова инструментов. Она умеет разбивать сложные задачи на последовательность действий, учитывать промежуточные результаты и взаимодействовать с API, интерпретаторами кода, поисковыми системами и другими инструментами. Базовая версия Agents-A1-4B является плотной моделью примерно на 4 млрд параметров; заявлена поддержка текстовой генерации, function calling и агентных сценариев. Языки и максимальная длина контекста в README не указаны. К сильным сторонам относятся агентное рассуждение, работа с длинными горизонтами задач, инструментами, научной и профессиональной информацией, а также высокая эффективность по сравнению с более крупными моделями. Ограничения этой конкретной GGUF-сборки, требования к оборудованию, совместимые рантаймы и возможное влияние квантования на качество отдельно не описаны. Модель распространяется по лицензии Apache-2.0.

Apodex-1.1-mini-GGUF — GGUF-квантизированная версия reasoning-first модели Apodex 1.1, разработанной Apodex AI на базе Qwen/Qwen3.5-35B-A3B. Модель предназначена для сложных исследовательских задач с длительным горизонтом выполнения и агентных сценариев: поиска и анализа информации, подготовки отчётов, работы с файлами, наборами данных, электронными таблицами, изображениями, кодом и инструментами. Она может декомпозировать задачу, координировать параллельных субагентов, сохранять состояние, адаптировать план и учитывать обратную связь пользователя. Модель поддерживает текстовую генерацию и заявлена для английского и китайского языков. Для агентной работы предусмотрен нативный function calling, совместимый с шаблоном чата Qwen3.5; поддерживаются рассуждения и OpenAI-совместимые вызовы инструментов. Рекомендуемый максимальный контекст составляет 262144 токена, а максимальная длина генерации — 32768 токенов. В README также указана совместимость с запуском через llama.cpp и дополнительным мультимодальным проектором, однако полный перечень поддерживаемых модальностей и точные параметры GGUF-квантизации для данной карточки не раскрыты. Сильные стороны модели — ориентация на сквозное выполнение сложных задач, работа с внешними инструментами, командная агентная схема и встроенная проверка утверждений по источникам, данным и вычислениям. По приведённым результатам Apodex-1.1-mini особенно хорошо показывает себя в FrontierFinance и остаётся конкурентоспособной на APEX-Agent; при этом эти показатели зависят от Agent Team harness и не гарантируют аналогичное качество в каждом сценарии. Ограничения включают необходимость корректной настройки llama.cpp, парсеров шаблона и инструментов, а также отсутствие в README подробностей о размере файла, требованиях к аппаратному обеспечению и полной оценке надёжности. Лицензия — Apache 2.0.

Aria-UI — модель семейства Aria, разработанная для понимания инструкций по управлению графическим интерфейсом и привязки инструкций к элементам на экране. Она дообучена на наборе Aria-UI_Data на базе rhymes-ai/Aria-Base-8K и предназначена для GUI-агентов, которые преобразуют текстовые инструкции и изображения интерфейса в ответы, помогающие выполнить задачу. Модель принимает текст и изображения, в том числе чередующиеся текстово-визуальные данные и историю взаимодействия. В README указана архитектура Mixture-of-Experts с 3,9 млрд активируемых параметров на токен, поддержка изображений разных размеров и пропорций и сверхвысокого разрешения. Для базовой модели заявлен контекст до 8K токенов. Авторы сообщают о результатах на AndroidWorld и OSWorld, включая 44,8% успешных задач на AndroidWorld и 15,2% на OSWorld в декабре 2024 года. Модель ориентирована на сценарии управления GUI и требует совместимого мультимодального инференса. Доступна по лицензии Apache-2.0.

Mungert/bu-30b-a3b-preview-GGUF — это GGUF-квантизированная версия BU-30B-A3B-Preview, разработанной Browser Use на базе Qwen/Qwen3-VL-30B-A3B-Instruct. Модель предназначена для автоматизации работы в браузере через библиотеку browser-use: поиска информации, взаимодействия с веб-страницами, понимания DOM и визуального анализа интерфейсов. Она ориентирована на сценарии browser use и может запускаться локально или через совместимые серверы инференса. Модель представляет собой vision-language модель с архитектурой Mixture of Experts: 30 млрд параметров суммарно и около 3 млрд активных параметров. Поддерживает текстовые и визуальные входы, заявленный язык — английский, контекст — до 65 536 токенов. GGUF-файлы созданы с использованием llama.cpp; автор версии применяет дополнительное повышение точности отдельных важных слоёв при квантовании, что может улучшать качество на низких битностях, но увеличивает размер файлов. Сильные стороны модели — специализированное обучение для браузерных задач, понимание DOM и визуальное рассуждение при относительно небольшом числе активных параметров, благодаря чему она потенциально подходит для размещения на одной GPU. Ограничения включают предварительный статус версии, зависимость качества и требований к ресурсам от конкретного уровня квантования, а также заявленную ориентацию преимущественно на английский язык. Лицензия в предоставленной карточке модели не указана.

Карточка модели xingyaoww/CodeActAgent-Llama-2-7b на Hugging Face совпадает с карточкой xingyaoww/CodeActAgent-Mistral-7b-v0.1, поэтому описание составлено по ней. CodeActAgent-Mistral-7b-v0.1 — языковая модель-агент, разработанная авторами CodeAct на базе Mistral-7b-v0.1. Это плотная авторегрессионная модель класса MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; она обучена на CodeActInstruct и обычных диалогах. Модель формирует ответы и исполняемые действия на Python, которые агент может передавать интерпретатору, получать результаты выполнения и учитывать их в следующих ходах. Модель предназначена для многошаговых агентных задач, особенно для работы с API и инструментами, где действия можно выражать кодом и корректировать после наблюдений. Авторы сообщают об улучшении успешности относительно действий в формате обычного текста или JSON на своих оценках, а также о сохранении общих диалоговых возможностей. Это исследовательская разработка, представленная как готовая модель для применения; в репозитории указана лицензия Apache-2.0.

EnvFactory-8B — диалоговая языковая модель семейства Qwen3, разработанная LARK-Lab на основе Qwen/Qwen3-8B. Модель дообучена с помощью SFT и обучения с подкреплением на синтезированных траекториях использования инструментов и предназначена для создания агентов, которые ведут многошаговый диалог, выбирают инструменты и взаимодействуют с ними для выполнения задач. Модель имеет плотную архитектуру Qwen3ForCausalLM с 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В обучении использованы 53,4 тыс. отфильтрованных SFT-траекторий и 3,09 тыс. RL-траекторий, построенных на проверенных исполняемых средах из 85 окружений в семи областях. В опубликованных тестах EnvFactory-8B превосходит базовую Qwen3-8B по нескольким показателям использования инструментов, включая многошаговые сценарии. Модель подходит для англоязычных диалоговых агентов с доступом к инструментам через MCP и для выполнения составных задач, требующих серии вызовов инструментов. Это текстовая модель генерации, а не среда исполнения: подключение MCP-инструментов и настройка агента выполняются отдельно. Распространяется под лицензией Apache-2.0.

Fara1.5-27B — мультимодальный агент для управления веб-браузером, разработанный Microsoft Research AI Frontiers. Модель принимает скриншоты страницы и текстовую историю предыдущих действий, а затем выдаёт структурированные вызовы инструментов: например, щёлкнуть по координатам, ввести текст, прокрутить страницу или открыть URL. Она работает по изображению, без доступа к DOM и дереву доступности, и может выполнять многошаговые задачи — заполнять формы, искать сведения, собирать корзину покупок или планировать поездки. Это плотная мультимодальная decoder-only модель семейства Qwen3.5 с 27 млрд параметров, дообученная методом supervised fine-tuning на траекториях, созданных конвейером FaraGen1.5. Контекст составляет 262 тыс. токенов. Модель рассчитана прежде всего на английский язык; качество на других языках ниже. Для работы требуется специализированная оболочка MagenticLite или Fara CLI с поддержкой схемы инструментов computer_use. Рекомендуемое развертывание рассчитано на GPU с достаточной памятью для bf16, обычно с распределением модели как минимум на две GPU. Модель обучена останавливаться и запрашивать подтверждение перед вводом личных данных и выполнением необратимых действий, например покупок, отправки сообщений или подачи заявлений. Ограничения включают уязвимость к визуальной неоднозначности и внедрению инструкций через содержимое страниц, накопление ошибок в длинных цепочках действий, вариативность результатов и возможные ошибки в оценке состояния страницы. Лицензия — MIT.

Fara1.5-9B — мультимодальный агент для управления веб-браузером, разработанный Microsoft Research AI Frontiers. Модель дообучена на базе Qwen/Qwen3.5-9B с использованием траекторий, созданных и проверенных конвейером FaraGen1.5. Она анализирует снимки экрана и историю предыдущих действий, затем выдаёт структурированные вызовы инструментов: например, щёлкнуть, ввести текст, прокрутить страницу, открыть URL или выполнить веб-поиск. Модель не использует DOM или дерево доступности; контекст составляет 262 тыс. токенов. Модель предназначена для выполнения многошаговых задач в браузере: заполнения форм, поиска информации, покупок, бронирований и других пользовательских сценариев. Она также может предсказывать координаты элементов интерфейса для других агентов. Для работы разработчики рекомендуют запускать её с harness из Fara CLI или Magentic-Lite; в карточке указана лицензия MIT. В модели предусмотрено обучение останавливаться и запрашивать разрешение перед вводом персональных данных и выполнением необратимых действий, таких как отправка формы или покупка. Однако точность многошаговых сценариев может снижаться из-за накопления ошибок, неоднозначного или вводящего в заблуждение интерфейса, а также prompt injection на веб-страницах. Качество хуже для неанглоязычного контента; модель может неверно определять состояние страницы или выдавать устаревшие сведения.

Functionary Medium v2.2 — языковая модель от MeetKai для диалогов с вызовом функций и плагинов. Она принимает описания функций в формате JSON Schema, выбирает, когда их вызывать, извлекает имена функций и аргументы, может запускать несколько функций параллельно или последовательно, интерпретировать результаты и формировать на их основе ответ. Если инструменты не нужны, модель может ответить напрямую. Модель построена на архитектуре Mixtral с механизмом mixture-of-experts (MoE), содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для текстовых диалогов с интерфейсом вызова инструментов; README рекомендует запускать её через OpenAI-совместимый сервер vLLM и использовать специальный шаблон запросов v2PromptTemplate. В README приведён результат 0,664 на внутреннем наборе MeetKai для точности определения функции и её аргументов; это сравнение не подтверждает качество на других наборах задач. Модель доступна в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Fx-Work — мультимодальная языковая модель класса 35B для профессиональных задач в средах с файлами и инструментами. Она разработана командой Endless Frontier на базе Qwen3.6-35B-A3B и дообучена на 20 тысячах траекторий взаимодействия с инструментами. Модель интерпретирует рабочие материалы разных типов, учитывает операционные ограничения, при необходимости формирует вызовы инструментов и создаёт результаты по заданным требованиям. Модель рассчитана на агентные рабочие сценарии: анализ документов и других материалов, выполнение последовательных задач и подготовку профессиональных результатов. Поддерживает изображения и видео вместе с текстом; карточка указывает английский язык. В README для запуска приведён контекст до 262 144 токенов. Заявленные результаты сравнительных оценок относятся к конкретным бенчмаркам и не гарантируют такого же качества в других задачах. Для работы с инструментами требуется окружающая агентная инфраструктура; сервер модели выдаёт текст и, при настройке, ответы с вызовами инструментов. Модель распространяется по лицензии Apache-2.0.

fesalfayed/gpt-oss-20b-hermes_agent-tool-finetune_gguf — дообученная версия модели OpenAI gpt-oss-20b, подготовленная Fesal Fayed для локального агентского фреймворка Hermes-Agent. Модель распространяется в формате GGUF и предназначена для запуска через llama.cpp, Ollama, LM Studio и koboldcpp. Основной сценарий использования — локальные агенты, которым необходимы надёжные вызовы инструментов, function calling, корректная генерация JSON, выполнение многошаговых циклов «инструмент — наблюдение — план» и соблюдение системных инструкций. Это Mixture-of-Experts-модель примерно на 21 млрд параметров, из которых активно используется около 3,6 млрд. Сохранены шаблон чата Harmony и настройка reasoning effort. Доступны варианты квантования Q3_K_M, Q4_K_M, Q5_K_M, Q8_0 и F16; рекомендуемый баланс размера и качества — Q4_K_M, около 12,5 ГБ. Модель оптимизирована именно для агентских циклов, а её возможности математического и программного кодирования не менялись относительно базовой модели. Она может слишком часто вызывать инструменты при неоднозначных инструкциях, рассчитана преимущественно на английский язык и не проходила дополнительную настройку безопасности сверх базовой модели. Указанный контекст обучения составляет 8192 токена. Лицензия Apache-2.0, дополнительных ограничений не заявлено.

Карточка модели emplitude/Hermes-2-Pro-Llama-3-8B на Hugging Face совпадает с карточкой NousResearch/Hermes-2-Pro-Llama-3-8B, поэтому описание составлено по ней. Hermes 2 Pro — диалоговая языковая модель Nous Research, разработанная совместно с @interstellarninja и Fireworks.AI. Это дообученная плотная модель семейства Llama 3 с 7,5 млрд параметров, основанная на NousResearch/Meta-Llama-3-8B. Она предназначена для диалогов и выполнения инструкций, а также для вызова функций и генерации структурированных ответов в JSON. Модель обучалась на обновлённом и очищенном датасете OpenHermes 2.5 и дополнительных наборах данных для вызова функций и JSON-режима. Модель использует формат диалога ChatML и поддерживает многошаговое взаимодействие с инструментами через специальный шаблон. Контекст составляет 8192 токена. В карточке указана поддержка английского языка; веса доступны в формате Safetensors. Лицензия — Llama 3 License.

Hermes 2 Pro — диалоговая языковая модель Nous Research, разработанная совместно с @interstellarninja и Fireworks.AI. Это дообученная плотная модель семейства Llama 3 с 7,5 млрд параметров, основанная на NousResearch/Meta-Llama-3-8B. Она предназначена для диалогов и выполнения инструкций, а также для вызова функций и генерации структурированных ответов в JSON. Модель обучалась на обновлённом и очищенном датасете OpenHermes 2.5 и дополнительных наборах данных для вызова функций и JSON-режима. Модель использует формат диалога ChatML и поддерживает многошаговое взаимодействие с инструментами через специальный шаблон. Контекст составляет 8192 токена. В карточке указана поддержка английского языка; веса доступны в формате Safetensors. Лицензия — Llama 3 License.

Hermes 2 Pro на Mistral 7B — диалоговая языковая модель, разработанная Nous Research совместно с Interstellarninja и Fireworks.AI. Это дообученная плотная модель Mistral с 7,1 млрд параметров; она использует формат ChatML и контекст до 32 768 токенов. Модель предназначена для диалогов и выполнения инструкций, а также для вызова функций и формирования структурированных ответов в JSON. Авторы сообщают о точности 90% в собственной оценке вызова функций и 84% в оценке JSON-вывода. Она подходит для ассистентов, которым нужно передавать вызовы инструментам и возвращать ответы по заданной схеме. Модель принимает текст и генерирует текст, включая представления вызовов инструментов и JSON. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Результаты оценок приведены авторами модели; качество ответов и корректность вызовов инструментов следует проверять в целевом приложении.

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

Holo3.1-35B-A3B-GGUF — мультимодальная vision-language модель для компьютерных агентов, разработанная H Company. Она предназначена для навигации и автоматизации действий в веб-браузерах, настольных и мобильных интерфейсах, а также для задач UI grounding, бизнес-процессов и интеграции с агентными фреймворками. Модель поддерживает native function calling и ориентирована на локальное развертывание. Модель относится к семейству Holo3.1 и построена на базе моделей Qwen 3.5; в README также указана MoE-архитектура. Вариант Holo3.1-35B-A3B доступен в формате GGUF с квантизацией Q4, а также в вариантах BF16, FP8 и NVFP4. Заявлен английский язык. Модель работает с текстом и визуальной информацией, но размер контекстного окна в предоставленных данных не указан. К сильным сторонам относятся поддержка компьютерного использования в веб-, настольных и мобильных средах, функции для построения агентов и возможность более экономичного локального запуска благодаря квантизации. README заявляет высокие результаты в бенчмарках компьютерного использования, мобильной автоматизации, корпоративных рабочих процессов и UI grounding, однако подробные числовые показатели не приведены. Ограничения, требования к оборудованию и точные параметры контекста также не указаны; для GGUF-варианта могут потребоваться совместимые средства инференса. Модель распространяется по лицензии Apache 2.0.

Holo3.1-35B-A3B-NVFP4 — мультимодальная vision-language модель компании H Company для компьютерных агентов. Она предназначена для взаимодействия с веб-сайтами, настольными и мобильными интерфейсами, включая навигацию, автоматизацию действий, UI grounding, компьютерное управление и выполнение бизнес-сценариев. Модель поддерживает нативный вызов функций для интеграции с агентскими фреймворками и ориентирована на локальное развертывание. Модель относится к семейству Holo3.1, построенному на базе моделей Qwen 3.5; для данного варианта заявлены базовые модели Qwen/Qwen3.6-35B-A3B, Qwen/Qwen3.5-9B, Qwen/Qwen3.5-4B и Qwen/Qwen3.5-0.8B. Размер семейства для старшей версии составляет 35B-A3B параметров, а используемый формат весов — NVFP4 W4A16, полученный с помощью Nvidia Model-Optimizer. В карточке указана поддержка английского языка и сценариев image-text-to-text, однако размер контекста не приведён. Сильные стороны модели — поддержка нескольких сред, включая web, desktop и mobile, возможности компьютерного управления, интеграция через function calling и сниженные требования к локальному запуску благодаря квантованному формату. Ограничения включают отсутствие в карточке подробных количественных результатов тестов, информации о контекстном окне и перечне дополнительных языков; заявленные характеристики не гарантируют одинаковую эффективность во всех интерфейсах и задачах. Модель распространяется по лицензии Apache 2.0.

Holo-3.1-4B — мультимодальная модель компании H Company для агентного управления веб-интерфейсами, настольными и мобильными приложениями. Это вариант семейства Holo3.1 на 4 млрд параметров, построенный на архитектуре Qwen3.5 и объединённый с несколькими моделями семейства Qwen3.5. Модель принимает изображения и текст, поддерживает диалог и интерфейс вызова инструментов; в метаданных указан английский язык. Модель предназначена для навигации по интерфейсам, автоматизации пользовательских действий, привязки элементов интерфейса и выполнения рабочих процессов. Её можно интегрировать в агентные системы; семейство также ориентировано на локальное развёртывание. В репозитории указаны веса Safetensors, библиотека Transformers и лицензия Apache 2.0. Карточка описывает результаты семейства в целом, но не приводит отдельные показатели для версии 4B. Мультимодальные входы, точная длина контекста и количественная оценка качества этой версии в доступных данных не раскрыты.

Mungert/Holo-3.1-4B-GGUF — квантизированная GGUF-версия модели Holo3.1-4B, разработанной H Company для визуально-языковых агентов, выполняющих действия на компьютере. Модель предназначена для автоматизации веб-интерфейсов, настольных и мобильных приложений, навигации по пользовательским интерфейсам, UI-grounding, мобильной автоматизации и бизнес-сценариев с использованием агентских фреймворков. Holo3.1 поддерживает нативный function calling, что упрощает интеграцию с такими системами. Модель относится к классу Vision-Language Models и работает с текстом и изображениями. Указанный язык — английский. Версия основана на семействе Qwen 3.5, а размер варианта составляет 4B параметров. Контекстное окно в предоставленных данных не указано. GGUF-файл подготовлен с использованием llama.cpp; при квантизации отдельные важные слои переводятся на более высокую точность, что должно улучшать качество на низких битностях, особенно для MoE-моделей, но увеличивает размер файла. Ключевые преимущества модели — возможность локального запуска, сниженные требования к вычислительным ресурсам по сравнению с более крупными версиями семейства и ориентация на задачи computer use. Ограничения включают отсутствие сведений о точных форматах квантизации данного файла, контекстном окне и количественных результатах бенчмарков, а также заявленную поддержку только английского языка. Модель распространяется по лицензии Apache 2.0.

Holo-3.1-9B-GGUF — это локально запускаемая GGUF-версия мультимодальной vision-language модели Holo-3.1-9B, разработанной Hcompany и опубликованной в данном формате пользователем prithivMLmods. Модель предназначена для создания компьютерных агентов, работающих с браузерами, настольными и мобильными интерфейсами, а также для автоматизации пользовательских интерфейсов, UI grounding и бизнес-процессов. Модель поддерживает обработку текста и изображений, ориентирована на английский язык и имеет около 9 млрд параметров. В заявленных возможностях — native function calling для интеграции с агентскими фреймворками и выполнение действий в графических интерфейсах. Репозиторий содержит варианты квантования от Q2_K до Q8_0, а также BF16 и F16; размер файлов составляет примерно от 3,83 до 17,9 ГБ, отдельно предоставляются мультимодальные проекторы mmproj. Это позволяет выбирать компромисс между качеством, требованиями к памяти и скоростью локального запуска. Сильные стороны модели — мультимодальность, поддержка компьютерного и мобильного использования, интеграция с агентами и возможность локального развертывания с оптимизированными квантованными контрольными точками. Ограничения README не описывает подробно: не указаны длина контекста, конкретная архитектура, результаты бенчмарков, требования к оборудованию и поддерживаемые языки помимо английского. Модель распространяется по лицензии Apache-2.0.

Holotron4-30B-A3B — мультимодальная модель для работы с графическими интерфейсами, разработанная H Company на основе NVIDIA Nemotron 3 Nano Omni. В связке с управляющей оболочкой hai-agents она получает скриншоты и результаты инструментов и может запрашивать клики, ввод текста, выполнение кода и вызовы инструментов. Модель предназначена для автоматизации GUI-сценариев и работы в средах с MCP-инструментами, API или песочницей для кода. В README указано, что она улучшает результаты базовой модели на GUI-задачах и в таких средах. Архитектура относится к NemotronH Nano Omni; доступны веса BF16 и FP8. Метаданные указывают поддержку чата и интерфейса вызова инструментов, а задача автора image-text-to-text. Лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой модели. Результат зависит от управляющей оболочки и подключённых инструментов: модель сама по себе не исполняет клики или код.

Jan-v2-VL-high — мультимодальная vision-language модель, разработанная Jan (JanHq) на базе Menlo/Jan-v2-VL-high и связанная с Qwen-3-VL-8B-Thinking. Модель содержит около 8 млрд параметров и предназначена для многошаговых задач в реальных программных средах, включая браузеры и настольные приложения. Она сочетает обработку текста и изображений, поддерживает визуальное восприятие через скриншоты и интеграцию с инструментами, а заявленный язык — английский. Основной сценарий применения — агентная автоматизация и управление пользовательским интерфейсом, где требуется выполнять длинные последовательности действий, сохранять промежуточное состояние, следовать сложным инструкциям и восстанавливаться после небольших ошибок. Версия high ориентирована на более глубокое рассуждение и обеспечивает более длительное время обработки по сравнению с вариантами low и med. По данным README, модель сохраняет уровень базовой модели на стандартных текстовых и визуальных задачах и показывает более сильное выполнение длинных цепочек действий. К ограничениям относятся повышенная задержка и время рассуждения, характерные для версии high, а также отсутствие в README точного размера контекстного окна и подробных количественных результатов. Модель распространяется по лицензии Apache 2.0 и поддерживает локальный запуск через Jan App, vLLM и llama.cpp; для работы с изображениями в llama.cpp требуется отдельная vision-модель.

K2-Horizon-375B-A23B — флагманская языковая модель семейства K2-Horizon от IFM. Это разреженная архитектура Mixture-of-Experts: в модели 375 млрд параметров, из которых 23 млрд задействуются на каждом токене. Модель принимает текст и поддерживает контекст до 524 288 токенов; карточка указывает английский язык и возможность диалогового взаимодействия. Модель предназначена для генерации текста, работы с инструментами и агентных сценариев, включая терминальные задачи и длительные многоэтапные процессы. В README заявлены конкурентные результаты на соответствующих бенчмарках. Доступны контрольные точки обучения, обучающие данные и код обучения; для запуска описаны рецепты vLLM и SGLang, а реализация Transformers проверена с указанными в карточке версиями библиотек. Веса опубликованы в формате Safetensors под лицензией Apache-2.0. Для запуска требуются значительные вычислительные ресурсы: README приводит пример обслуживания на восьми ускорителях H200. Заявленная длина контекста — 524 288 токенов; поведение обучения в реализации Hugging Face может отличаться от исходной реализации xLLM.

Karti-Small-VL-4B — мультимодальная модель на 4,66 млрд параметров от Lumbridge, дообученная на базе Qwen/Qwen3.5-4B. Она принимает изображения и текст и предназначена для локальных агентов, которым нужно читать панели и экраны, определять элементы интерфейса и передавать результаты инструментам. Модель особенно ориентирована на точное распознавание текста на отрисованных панелях и экранах, а также на отказ от ответа, когда идентификатор невозможно надёжно прочитать. В README сообщается о снижении частоты выдуманных идентификаторов с 0,378 до 0,023, улучшении чтения панелей и привязки к элементам GUI. Прирост привязки частично связан с освоением нормализованных координат; качество чтения фотографий существенно не изменилось относительно базовой модели. Модель обучена методом LoRA с последующим слиянием весов; опубликована в BF16 в формате safetensors. Базовая модель описана как поддерживающая диалог, понимание изображений, рассуждения и вызов инструментов, но в метаданных этой модели явно отмечены только чат и зрение. Для использования нужны Transformers и совместимый мультимодальный обработчик; в README также приведены результаты инференса через vLLM на NVIDIA DGX Spark. Лицензия — Apache-2.0. Контекст 32k указан как параметр теста скорости, поэтому его нельзя считать подтверждённой нативной длиной контекста модели.

LIMI — агентная языковая модель, разработанная GAIR и дообученная на базе GLM-4.5 с помощью компактного набора тщательно отобранных данных. Она предназначена для диалоговых агентных сценариев: вызова инструментов, выполнения инструкций, соблюдения спецификаций и исправления ошибок в многошаговых взаимодействиях. Модель использует архитектуру GLM-4 MoE, содержит 23,4 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке заявлены английский язык и формат диалогов OpenAI messages с опциональными вызовами функций и инструментов. LIMI подходит для создания ассистентов, которые работают с инструментами и длинными диалоговыми траекториями. Авторы сообщают об оценке агентных возможностей на AgencyBench; в README приведены результаты для моделей LIMI на базе GLM-4.5, GLM-4.5-Air и GLM-4.5-Code, но не отдельные численные результаты именно этой 23,4-миллиардной версии. Модель распространяется под лицензией Apache-2.0. Она может ошибаться в аргументах вызова инструментов и переобучаться на часто встречающиеся схемы; для чувствительных областей необходимы защитные механизмы и контроль.

Ling-2.6-flash — открытая инструктивная языковая модель компании InclusionAI для диалога и агентных сценариев. Она предназначена для вызова инструментов, многошагового планирования и выполнения задач, включая работу в агентных и программных фреймворках; также подходит для ответов на общие вопросы, математических рассуждений, следования инструкциям и обработки длинного контекста. Архитектура — гибридная MoE семейства Bailing; в карточке заявлены 104 млрд параметров всего и 7,4 млрд активных, тогда как метаданные репозитория указывают 6,4 млрд параметров. Метаданные указывают контекст до 131 072 токенов, текстовый ввод и генерацию текста; карточка отмечает интерфейс вызова инструментов. Заявлены оптимизация скорости вывода и экономии токенов, а также результаты на агентных бенчмарках. Модель распространяется по лицензии MIT. Ограничения включают возможные галлюцинации при вызове инструментов в сложных сценариях, недостаточную глубину рассуждений, не всегда естественное переключение между китайским и английским и трудности со сложными инструкциями. Карточка описывает преимущественно китайско-английские сценарии, а метаданные указывают английский язык; другие языки отдельно не подтверждены.