I.14Автоматизация процессов и AI-агенты

OpenThinkerAgent-32B-SFT-1K — плотная языковая модель на архитектуре Qwen3, разработанная в рамках открытого проекта OpenThoughts-Agent. Она дообучена полным параметрическим SFT на базе Qwen/Qwen3-32B с использованием 1 000 примеров из набора OpenThoughts-Agent-SFT-1K. Модель содержит 29,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для агентных сценариев, программирования и работы в терминальной среде: она генерирует текстовые ответы и продолжения, а также может выдавать код и последовательности действий для инструментов в поддерживающей их оболочке. В оценке на Terminus-2 она показала результаты pass@1 19,0 на SWE-Bench-Verified-100, 21,0 на OpenThoughts-TBLite и 10,9 на Terminal-Bench 2.0; на SWE-Bench-Verified-100 показатель ниже базовой Qwen3-32B, тогда как на двух других наборах — выше. Весы доступны в формате Safetensors; лицензия — Apache-2.0. Модель является дообученной производной Qwen/Qwen3-32B, а не самостоятельной базовой моделью. Обучение на небольшом наборе из 1 000 примеров ограничивает широту специализации, а результаты оценки зависят от конкретного агентного стенда и не гарантируют качество в других сценариях.

QUEST-9B — плотная языковая модель семейства Qwen3.5 с 9 млрд параметров, дообученная методом SFT командой OSU NLP для роли универсального агента глубокого исследования. Модель предназначена для диалогового взаимодействия и выполнения исследовательских задач; в карточке приведены результаты на BrowseComp, Mind2Web 2 и HLE. Модель распространяется в формате Safetensors и загружается через Transformers. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. В README отмечено, что варианты MT+SFT лучше подходят для объективных задач с акцентом на рассуждения, а варианты RL — для более широкого сочетания объективных и открытых оценок.

Qwen3.6-VL-REAP-26B-A3B — мультимодальная модель семейства Qwen от atbender, полученная структурной обрезкой Qwen/Qwen3.6-35B-A3B методом REAP. Из каждого слоя удалено 25% маршрутизируемых экспертов: осталось 192 вместо 256, при этом сохранены все 40 MoE-слоёв, общий эксперт и энкодер изображений. Карточка указывает около 27 млрд параметров, примерно 3 млрд активных на токен; в метаданных каталога указано 2,9 млрд параметров. Модель распространяется в BF16 без квантизации, лицензия Apache-2.0. Модель предназначена для диалогов, агентного программирования и вызова инструментов, а сохранённый vision-language энкодер позволяет работать с изображениями. Это промежуточный чекпойнт для развёртывания с последующей квантизацией, дообучения или оценки влияния обрезки; README также описывает запуск в Transformers и vLLM. Контекстное окно по метаданным — 262 144 токена. Обрезка выполнена без последующего дообучения, поэтому возможная потеря качества не была компенсирована. Калибровочные данные преимущественно англоязычные и ориентированы на код и инструменты, что может ухудшить качество на малоресурсных языках; сохранённый энкодер изображений не проверялся на VL-бенчмарках. Для BF16-весов требуется около 50 ГБ памяти, а для работы с длинным контекстом — ещё больше.

PrimeIntellect/Qwen3-8B — копия модели Qwen/Qwen3-8B с шаблоном чата, поддерживающим многоходовые диалоги и вызовы инструментов. Это плотная авторегрессионная языковая модель семейства Qwen3 с 7,6 млрд параметров, предназначенная для генерации текста в формате диалога. Модель принимает текст и выдаёт текст; её контекстное окно составляет 40 960 токенов. Модель основана на Qwen/Qwen3-8B-Base и адаптирована для использования с совместимым с вызовом инструментов шаблоном чата. Репозиторий распространяется в формате Safetensors; библиотека для работы — Transformers. Лицензия — Apache-2.0.

OsaurusAI Qwen3.8-Flash-Next-JANG_2L — квантованный вариант Qwen/Qwen3.8-Flash-Next, подготовленный Jinho Jang для Apple Silicon и MLX. Это мультимодальная модель семейства Qwen с архитектурой Qwen4-архитектурного превью: смесь экспертов на 125 млрд параметров, из которых активны около 6 млрд, гибридные слои Gated DeltaNet и Qwen Sparse Attention, а также отдельные компоненты для изображений и видео. Веса сохранены в формате safetensors; заявленный объём набора — 65,3 ГиБ, а при обслуживании n-граммной таблицы с SSD в оперативной памяти требуется около 48 ГиБ. Модель предназначена для диалога, ответов с анализом изображений и видео, рассуждений и агентных сценариев с вызовом инструментов. Нативная длина контекста составляет 262 144 токена; с YaRN её можно расширить до 1 млн. В комплекте сохранена голова многотокенного предсказания для ускоренного декодирования в совместимых средах. По замерам на 5 931 позициях JANG_2L показывает медианный KL 0,0260 и top-1 совпадение 88,2% с bf16-версией. Модель требует совместимого runtime для MLX и Apple Silicon и значительных ресурсов памяти либо поддержки SSD-таблицы. Вызовы инструментов используют парсер Qwen XML; среды, поддерживающие только Hermes JSON, могут обрабатывать их с ошибками. Для скачанных до 5 сентября 2026 года комплектов требуется повторная загрузка из-за реорганизации вспомогательных файлов MTP. В метаданных указана лицензия other, без конкретных условий использования.

Kre80r/Qwopus3.8-27B-Flash-V2-W4A16 — квантованный чекпойнт мультимодальной модели Qwopus3.8-27B-Flash-V2, подготовленный с помощью AutoRound 0.15.1. Веса квантованы до 4 бит с группами по 128, активации BF16; визуальный энкодер и отдельные чувствительные тензоры сохранены в BF16. Модель основана на Qwen3.8-27B через промежуточную Qwopus3.8-27B-Flash и прошла дополнительное постобучение с изменёнными функциями вознаграждения и методами обучения с подкреплением. Модель предназначена для диалоговых и мультимодальных задач, рассуждений и длительных агентных сценариев с повторными вызовами инструментов. В карточке также указаны генерация кода, вызов функций и ускорение вывода с MTP speculative decoding; заявленные сценарии включают локальный запуск и ресурсоёмкие рабочие процессы, где важны скорость и стоимость генерации. Поддерживаются английский, китайский, испанский, русский и японский языки. Метаданные указывают архитектуру Qwen3.5 и класс Qwen3_5ForConditionalGeneration; точный размер параметров и длина контекста в предоставленных данных не приведены. Разработчик позиционирует выпуск как экспериментальный. Карточка описывает компромисс между эффективностью вывода и сохранением качества, а также отмечает возможный дрейф рассуждений и зависимость агентных результатов от промпта, инструментов и среды. Широкая оценка безопасности и надёжности не проводилась. Лицензия — Apache-2.0.

Rax 4.5 — мультимодальная модель семейства Qwen3.5 от raxcore-dev, представленная в виде постобученных весов для Hugging Face Transformers. Это плотная причинная языковая модель с визуальным энкодером, поддерживающая ввод изображений и текста и выдающая текст. Модель насчитывает 2 млрд параметров, использует гибридную архитектуру Gated Delta Networks и gated attention, а заявленная длина контекста составляет 262 144 токена. Модель предназначена для диалогов с изображениями, визуального анализа, рассуждений, задач по коду и агентных сценариев с вызовом инструментов. README заявляет поддержку 201 языка и диалекта; модель работает в режимах с рассуждением и без него, причём режим без рассуждения включён по умолчанию. Авторы рекомендуют её для прототипирования, дообучения под конкретные задачи и разработки; для сервинга указана совместимость с Transformers, vLLM, SGLang и KTransformers. Модель распространяется по лицензии Apache-2.0. Среди практических ограничений — сравнительно небольшой масштаб в 2 млрд параметров, а также возможная нехватка памяти при использовании длинного контекста; скорость и пропускная способность зависят от среды инференса.

rf-detr-mobile-gui-detection — модель обнаружения объектов на изображениях, разработанная на основе Roboflow/rf-detr-medium и предназначенная для локализации элементов мобильного графического интерфейса. Она использует архитектуру RF-DETR для детекции объектов; в карточке описаны визуальный трансформерный backbone в стиле DINOv2 with Registers, оконная схема внимания, многоуровневый проектор и декодер Deformable DETR. Модель подходит для обнаружения и привязки элементов интерфейса на скриншотах мобильных приложений, например для поиска кнопок и других компонентов по их расположению. Карточка указывает английский язык; опубликованные веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Размер параметров и длина контекста не указаны в использованных материалах.

saroku-guard — англоязычный классификатор безопасных вызовов инструментов ИИ-агентами, разработанный для проекта saroku. Он проверяет отдельный вызов инструмента вместе с аргументами и окружающим контекстом непосредственно перед выполнением и выдаёт метку safe или unsafe; для небезопасного вызова также возвращает категорию нарушения. Модель основана на DeBERTa-v3-base и дообучена для классификации текста; в метаданных указаны 211,6 млн параметров и контекст до 512 токенов. Весы в формате safetensors, лицензия Apache 2.0. Модель предназначена для локального высокоскоростного первичного фильтра в конвейере выполнения действий агента. Она рассчитана на проверку текста вызова инструмента на английском языке и, согласно карточке, ориентирована на полноту обнаружения небезопасных действий. Категория нарушения служит дополнительной информацией для журналирования и проверки. saroku-guard не предназначена для модерации диалогов, обнаружения jailbreak или prompt injection в произвольном чате и аудита уже выполненных действий. Это первый уровень защиты, а не полноценная система безопасности; для необратимых или высокорисковых действий рекомендуется дополнительная углублённая проверка.

SLIM-TOPICS — компактная специализированная языковая модель из серии SLIM от llmware, дообученная для вызовов функций анализа тем. Модель построена на архитектуре Llama с плотной decoder-only трансформерной архитектурой, содержит 1 млрд параметров и работает с контекстом до 2048 токенов. Модель принимает текст и формирует структурированный текстовый результат — словарь Python с темами, например в поле topics. Она предназначена для извлечения тем из текста и включения результата в автоматизированные рабочие процессы на основе нескольких LLM. В README показаны запуск через Transformers и вызов функции через llmware. Модель распространяется под лицензией Apache-2.0. Карточка описывает узкую специализацию на анализе тем; качество на других задачах не заявлено.

laion/tt-x3_kl-kl0 — дообученная методом обучения с подкреплением модель на базе Qwen/Qwen3-Coder-30B-A3B-Instruct. Её обучали с помощью RLOO и FSDP2 для агентных задач из набора terminal-bench exp_rpt_multifile; эта версия соответствует эксперименту с коэффициентом KL-потерь, равным нулю. Модель использует архитектуру Qwen3 MoE и предназначена для генерации текста в агентных сценариях, включая выполнение задач в терминале. Метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Заявленный язык — английский. Репозиторий содержит веса Safetensors; лицензия в предоставленных данных не указана.

Vela FactCheck — модель классификации текста от vllm-sr, дообученная на базе vllm-sr/Vela-1.0-Encoder-307M. Она определяет, требует ли запрос внешних фактических знаний или поиска по источникам; модель не проверяет истинность утверждений. Архитектура — ModernBERT для классификации последовательностей, размер — 306,9 млн параметров, максимальная длина входа — 32 768 токенов с учётом специальных токенов. Модель рассчитана на классификацию запросов в системах маршрутизации и retrieval.

Vela-1.0-Encoder-307M-Modality — классификатор запросов на основе ModernBERT, разработанный vLLM Semantic Router. Модель определяет, нужен ли запросу текстовый ответ (AR), генерация изображения (DIFFUSION) или оба варианта (BOTH), и подходит для маршрутизации запросов к соответствующим генеративным системам. Модель содержит 306,9 млн параметров и принимает до 32 768 токенов с учётом специальных токенов. Она обучена для классификации последовательностей и поддерживает английский, китайский, испанский, французский, немецкий и японский языки. В описанной оценке на наборах разработки показала Macro F1 81,10 для коротких запросов и 82,22 для контролируемых примеров длиной 4K и 8K; авторы отмечают, что эти наборы не являются независимым тестом. Доступны веса Safetensors и ONNX; библиотека — Transformers. Лицензия Apache-2.0.

Wichtel-Qwen3.6-27B — локальная диалоговая модель Schneewolf Labs на архитектуре Qwen3.5, предназначенная для управления инструментами и написания кода на Hemlock. Модель объединяет четыре адаптера в один набор весов; в репозитории указаны возможности работы с изображениями и кодом. Размер модели и длина контекста в предоставленных данных не указаны. Основные сценарии — выбор и вызов инструментов, передача обычных инженерных задач кодовому агенту и генерация программ на Hemlock. В README сообщается результат 47 из 47 на внутреннем тесте использования инструментов и 67,6% на Hembench; это результаты тестов разработчика, а не независимая оценка. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README также описана сборка для llama.cpp с MTP-головой, но метаданные указывают safetensors как формат файлов репозитория.

WideSeek-R1-4B — дообученная командой проекта WideSeek-R1 языковая модель на архитектуре Qwen3 с 3,7 млрд параметров. Она предназначена для широкого информационного поиска: ведущий агент распределяет исследование вопроса между параллельными субагентами с отдельными контекстами и специализированными инструментами. Модель обучалась методом многoагентного обучения с подкреплением на наборе из 20 тысяч задач такого типа. В README сообщается, что WideSeek-R1-4B набрала 40,0% item F1 на бенчмарке WideSearch, сопоставимо с DeepSeek-R1-671B в одиночном режиме; также авторы отмечают рост качества при увеличении числа параллельных субагентов. Это генеративная модель для диалогового применения с интерфейсом вызова инструментов, работающая через Transformers; указанное окно контекста — 40 960 токенов. Модель принимает и выдаёт текст. В карточке указан английский язык. Лицензия — Apache-2.0.

Athene-V2-Agent-GGUF — это набор квантованных GGUF-версий модели Athene-V2-Agent, разработанной Nexusflow и подготовленной пользователем bartowski для запуска через llama.cpp. Модель относится к классу text-generation и предназначена для англоязычной генерации текста, агентских сценариев, function calling, извлечения информации и задач, связанных с RLHF. README не указывает точную архитектуру, число параметров и максимальную длину контекста. Модель ориентирована на использование в локальных приложениях и совместима, в частности, с LM Studio. Доступны варианты квантования от Q8_0 до Q2_K и IQ-серий, различающиеся размером файлов и качеством: старшие варианты обеспечивают качество, близкое к исходной модели, а младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Для взаимодействия используется формат промпта с маркерами ролей system, user и assistant. Версия Q4_0_8_8 оптимизирована для ARM и требует поддержки SVE, при этом в README не рекомендуется для Mac и Windows. Сильные стороны модели — специализация на агентских задачах, function calling и extraction, а также широкий выбор квантований для локального запуска. Ограничения включают заявленную поддержку только английского языка, отсутствие сведений о мультимодальности, архитектуре, размере и контекстном окне, а также неизбежную потерю качества в низкобитных вариантах. Лицензия указана как other; конкретные условия использования в README не приведены.

OpenVINO/gpt-oss-20b-int4-ov — квантизированная версия языковой модели gpt-oss-20b, разработанной OpenAI. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT4 с помощью NNCF в режиме INT4_ASYM без группировки весов. Это модель для генерации текста, доступная для локального запуска через OpenVINO, Optimum Intel и OpenVINO GenAI. Модель предназначена для задач генерации текста, диалоговых приложений, построения RAG-систем и интеграции в агентские сценарии с function calling. Она совместима с OpenVINO версии 2026.0.0 и выше и Optimum Intel версии 1.27.0 и выше; в README также приведены варианты запуска на CPU и GPU через OpenVINO Model Server. Размер исходной модели составляет 20 млрд параметров согласно её идентификатору и названию базовой модели, однако сведения о контекстном окне, поддерживаемых языках и точной архитектуре не указаны. Ключевое преимущество модели — уменьшенный объём весов благодаря INT4-квантизации, что может упростить локальное развертывание и снизить требования к памяти. При этом квантизация способна влиять на качество генерации, но конкретные результаты оценки в карточке не приведены. Ограничения следует уточнять в карточке исходной модели gpt-oss-20b. Модель распространяется по лицензии Apache License 2.0.

II-Search-CIR-4B — разговорная языковая модель Intelligent Internet для поиска информации в интернете с рассуждением и вызовом инструментов через генерируемый Python-код. Она основана на Qwen3-4B и дообучена методом supervised fine-tuning, а затем оптимизирована методом DAPO на наборе задач со сложным рассуждением. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов. Модель предназначена для сценариев, где нужно искать сведения во внешних источниках, просматривать страницы, отбирать информацию и формировать ответ. В описанном авторами окружении она использует функции web_search и web_visit, оформляя обращения к ним в блоках Python-кода. В тестах авторов II-Search-CIR-4B показала результаты на бенчмарках SimpleQA, Frames и Seal_0; эти показатели получены с конкретным поисковым API и автоматическим оценщиком и не гарантируют аналогичного качества в других окружениях. Для работы с поиском необходимы доступные реализации инструментов и подходящий рантайм; сама модель не предоставляет веб-доступ. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Intern-S2-Preview-397B — мультимодальная модель общего назначения, разработанная командой InternLM. Она предназначена для рассуждений, научных задач и продолжительных агентных сценариев. Модель обучали на визуальных представлениях страниц научной литературы, задачах с подкреплением из более чем 20 научных областей и интерактивных агентных средах. В карточке указано 397B в названии; архитектура обозначена как плотная, класс — InternS2PreviewForConditionalGeneration. Модель принимает текст и изображения, поддерживает диалог, вызов инструментов и режим рассуждения, включённый по умолчанию. README также описывает анализ временных рядов, включая обнаружение сейсмических событий и прогнозирование; для такого ввода указана поддержка только в LMDeploy. В текстовых тестах использовалась длина инференса до 256K токенов, а в мультимодальных — до 64K. Предлагаются LMDeploy, vLLM и SGLang для развёртывания. Языки модели в предоставленных данных не обозначены. Лицензия — Apache-2.0.

IFM/K2-Horizon-MoVA-36B-A4B-FP8 — открытая FP8-квантизованная версия модели K2-Horizon-MoVA-36B-A4B, разработанная IFM. Это разреженная Mixture-of-Experts-модель с механизмом внимания Mixture-of-Values (MoVA), содержащая 36 млрд параметров, из которых около 4 млрд активируются для каждого токена. Модель предназначена для генерации текста, агентских сценариев и задач, требующих рассуждений. Модель поддерживает английский язык и нативный контекст до 524 288 токенов. Квантизации FP8 подвергнуты маршрутизируемые линейные слои экспертов в слоях трансформера 3–47: веса используют статический FP8 E4M3FN, а активации — динамический FP8. Остальные основные тензоры, включая attention, общие эксперты, маршрутизаторы, первые плотные слои, MoVA-экспертов значений, нормализацию, embeddings и lm_head, сохранены в BF16. Благодаря этому снижается объём памяти и ускоряется инференс на оборудовании с поддержкой FP8 при близком к исходной BF16-модели качестве. Сильные стороны модели — высокий заявленный уровень результатов при небольшом числе активных параметров, длинный контекст и эффективность разреженной архитектуры. Для обслуживания рекомендуется tensor parallelism с TP=1 или TP=2. Ограничения включают зависимость преимуществ FP8 от совместимого оборудования и инфраструктуры, а также отсутствие в предоставленных данных подробной оценки качества по отдельным задачам и языкам. Модель распространяется под лицензией Apache-2.0.

Unsloth/LiquidAI LFM2-700M — компактная языковая модель для генерации текста, созданная на базе модели LiquidAI/LFM2-700M и подготовленная к запуску на периферийных устройствах. В карточке указаны 742 млн параметров, 16 слоёв и контекст до 32 768 токенов. Архитектура гибридная: 10 блоков коротких свёрток LIV и 6 блоков группового внимания GQA; модель распространяется в формате safetensors и рассчитана на работу с Transformers. Модель подходит для локальных диалоговых приложений, многошаговых агентных сценариев, извлечения данных, RAG и генерации творческого текста. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки, а также интерфейс вызова инструментов через формат диалога. Разработчик рекомендует дообучать её под узкие задачи. Малый размер облегчает развертывание на CPU, GPU и NPU, включая смартфоны, ноутбуки и автомобили. При этом модель не рекомендуется для задач с высокими требованиями к знаниям или программированию. Лицензия указана как other; конкретные условия следует уточнять в карточке репозитория.

Ling-2.6-flash-MXFP4 — квантизированная версия языковой модели Ling-2.6-flash, подготовленная Jinho Jang из OsaurusAI на базе модели InclusionAI. Это гибридная MoE-модель с архитектурой Bailing-V2.5: в ней 103 млрд параметров, из которых активно около 8 млрд, 256 экспертов с выбором восьми на токен, 32 слоя с сочетанием MLA и Lightning Linear Attention, а также голова Multi-Token Prediction. Контекст составляет 131 072 токена. Модель предназначена для генерации текста, диалога, рассуждений и вызова инструментов; её можно применять в многошаговых агентных сценариях. Все основные веса представлены в 4-битном формате MXFP4 с группами по 32 значения, а нормализации, роутеры, смещения экспертов и параметры наклона сохранены в FP16 или FP32. Файлы общим размером около 63 ГБ рассчитаны на запуск через MLX на компьютерах Apple Silicon с достаточным объёмом памяти. Квантизация уменьшает объём модели относительно исходной версии в BF16 и позволяет использовать штатную загрузку MLX без отдельной среды TurboQuant. При этом заявленный сценарий запуска требует мощного Apple Silicon и не гарантирует совместимость с другими платформами. Модель распространяется по лицензии MIT.

LRAT-Qwen3-Embedding-0.6B — плотный двухэнкодерный ретривер, созданный дообучением Qwen/Qwen3-Embedding-0.6B в рамках подхода LRAT (Learning to Retrieve from Agent Trajectories). Модель содержит 507,6 млн параметров, построена на архитектуре Qwen3 и принимает текст; базовая модель поддерживает контекст до 32 768 токенов. Для обучения использовались пары запрос–документ, полученные из траекторий поисковых агентов, с контрастивной функцией потерь и весами релевантности. Модель предназначена для плотного поиска документов в системах агентного поиска, многошагового сбора сведений и конвейерах глубокого исследования с поиском доказательств. В экспериментах LRAT-вариант улучшал успешность поиска и полноту извлечения свидетельств в нескольких агентах на InfoSeek-Eval и BrowseComp-Plus. Это специализированный ретривер: он не оптимизирован прежде всего для общих тестов семантического сходства, классификации или кластеризации без поиска. Для использования следует сохранять токенизатор, pooling и нормализацию базовой модели. Лицензия в предоставленных данных не указана.

MiniCPM5-2B-Claude-Fable5-heretic — языковая модель для генерации текста и агентских сценариев, созданная RACER IS OP на основе SauravMahalik/MiniCPM5-2B-Claude-Fable5. Родительская модель получена дообучением openbmb/MiniCPM5-2B на агентских трассах, дистиллированных из Claude Fable-5 и других передовых моделей, а затем в этой версии поведение отказов было подавлено методом Heretic v1.4.0 посредством направленного редактирования весов, без дополнительного дообучения. Модель предназначена для многошагового следования инструкциям, диалогов, вызова функций и инструментов, а также разработки локальных и автономных агентов. Она поддерживает английский и китайский языки, имеет архитектуру Llama и около 2,57 млрд параметров. Доступны версии Safetensors и GGUF различных уровней квантования, благодаря чему модель рассчитана на запуск на потребительских GPU, CPU, Apple Silicon и небольших устройствах через llama.cpp, Ollama, LM Studio или Jan. Размер контекста в README не указан. К сильным сторонам относятся компактный размер, сохранение заявленных способностей к использованию инструментов и агентскому диалогу, а также значительно сниженное количество отказов по сравнению с родительской моделью: 3 из 100 против 89 из 100 в приведённом авторами тесте. При этом модель является uncensored-вариантом без исходных защитных ограничителей, поэтому её ответы требуют дополнительной проверки и мер безопасности. Приведённые показатели основаны на тестах авторов и не являются независимой оценкой; влияние абляции и квантования на качество может различаться. Модель распространяется по лицензии Apache-2.0.

SC117/Ornith-1.0-9B-heretic-MTP — текстовая генеративная модель для агентного программирования, созданная на основе Ornith-1.0-9B от DeepReinforce AI. В README описана как дообученная с помощью обучения с подкреплением модель семейства Qwen3.5 с 9 млрд параметров; репозиторий содержит веса BF16 в Safetensors, добавленные MTP-слои и проектор зрения mmproj-F16. Модель предназначена для генерации кода, выполнения задач разработки с агентными сценариями и взаимодействия через чат. MTP (Multi-Token Prediction) позволяет предсказывать несколько будущих токенов одновременно. В README также указана абляция поведения отказа методом heretic ARA-LoRA. Метаданные указывают поддержку чата и задачу text-generation; несмотря на упоминание зрения в README, возможности мультимодального ввода не подтверждены метаданными. Лицензия — MIT. README приводит результаты на Terminal-Bench 2.1, SWE-Bench Verified, NL2Repo и OpenClaw, но числовые таблицы результатов в доступном тексте пропущены. Для запуска в llama.cpp указаны шаблон chatml и контекст 8192 токена; это рекомендация из README, а не значение native-контекста в метаданных.

PrimeIntellect/Qwen3-1.7B — текстовая модель семейства Qwen3, опубликованная Prime Intellect как копия Qwen/Qwen3-1.7B с шаблоном чата, совместимым с многоходовыми диалогами и вызовами инструментов. Это плотная авторегрессионная модель на 1,7 млрд параметров для генерации текста; она принимает текст и выдаёт текст. Метаданные указывают контекст длиной до 40 960 токенов и поддержку интерфейса чата и вызова инструментов. Модель подходит для диалоговых приложений и сценариев, где языковая модель должна взаимодействовать с инструментами через совместимый шаблон. В карточке не описаны отдельное дообучение, специализированные области применения или оценки качества. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Qwen3-4B-APIGEN-Full — языковая модель SamMikaelson на архитектуре Qwen3 с плотной архитектурой и примерно 3,7 млрд параметров. Она дообучена на базе unsloth/qwen3-4b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL от Hugging Face; веса опубликованы в формате safetensors. Модель предназначена для генерации текста в диалоговом формате и работы со сценариями вызова инструментов. Контекст составляет до 40 960 токенов. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Карточка не описывает состав обучающих данных, результаты оценки качества или конкретные ограничения; пригодность для заданных сценариев стоит проверять на собственных примерах.

MrFadiAi выпустил Qwen3.6-35B-A3B-Hermes-V6 — неофициальную сборку сообщества на основе семейства Qwen3.6 с дообучением и настройкой в стиле Hermes. Это мультимодальная модель Mixture-of-Experts: около 35 млрд параметров всего и около 3 млрд активных на каждом токене. Модель распространяется в формате GGUF для запуска через llama.cpp; для обработки изображений требуется отдельный мультимодальный проектор. Модель предназначена для диалогов, понимания изображений, рассуждений, вызова инструментов и агентных сценариев, включая многошаговое выполнение задач. Автор сообщает о результатах локальных сравнительных тестов по математике, знаниям и использованию инструментов, но они получены на ограниченной выборке и конкретном оборудовании, поэтому их нельзя напрямую сопоставлять с официальными результатами других тестов. В README приведена команда запуска с контекстом 32768 токенов. Для весов требуется около 17 ГБ памяти; фактическая скорость зависит от оборудования и конфигурации. Метаданные указывают лицензию Apache-2.0, однако автор рекомендует проверить применимые условия лицензии базовой модели перед использованием или распространением.

Qwen3.8-Flash-Next-ANE — пакет гибридного инференса модели Qwen3.8-Flash-Next от True2456 для компьютеров Apple Silicon. Модель дообучена на базе Qwen/Qwen3.8-Flash-Next; в README описаны 36 слоёв Gated DeltaNet и 12 слоёв Qwen Sparse Attention, исполняемые на Apple Neural Engine, и разрежённые MoE-эксперты, работающие через MLX на GPU. Веса языковой модели хранятся в 4-битном формате, а для ускорения декодирования применяются спекулятивная генерация и таблицы n-грамм. Пакет предназначен для диалогов, генерации текста и агентных сценариев, включая работу через OpenAI-совместимый API и интерфейс вызова инструментов. Автор сообщает о тестировании на Mac с M5 Max и 96 или 128 ГБ объединённой памяти; README приводит результаты производительности и тестов качества для этой конфигурации. Это не полностью исполняемая на ANE модель: часть вычислений выполняется на GPU и CPU. Лицензия указана как other, поэтому условия использования следует проверять на странице репозитория.

Карточка модели Steve0927/qwen3-embedding-0.6b-lrat-public-base-extrap-a105 на Hugging Face совпадает с карточкой Yuqi-Zhou/LRAT-Qwen3-Embedding-0.6B, поэтому описание составлено по ней. LRAT-Qwen3-Embedding-0.6B — плотный двухэнкодерный ретривер, созданный дообучением Qwen/Qwen3-Embedding-0.6B в рамках подхода LRAT (Learning to Retrieve from Agent Trajectories). Модель содержит 507,6 млн параметров, построена на архитектуре Qwen3 и принимает текст; базовая модель поддерживает контекст до 32 768 токенов. Для обучения использовались пары запрос–документ, полученные из траекторий поисковых агентов, с контрастивной функцией потерь и весами релевантности. Модель предназначена для плотного поиска документов в системах агентного поиска, многошагового сбора сведений и конвейерах глубокого исследования с поиском доказательств. В экспериментах LRAT-вариант улучшал успешность поиска и полноту извлечения свидетельств в нескольких агентах на InfoSeek-Eval и BrowseComp-Plus. Это специализированный ретривер: он не оптимизирован прежде всего для общих тестов семантического сходства, классификации или кластеризации без поиска. Для использования следует сохранять токенизатор, pooling и нормализацию базовой модели. Лицензия в предоставленных данных не указана.