I.14Автоматизация процессов и AI-агенты

QUEST-30B-RL — разговорная языковая модель OSU NLP для выполнения задач с поиском и исследованием в интернете. Это полный чекпойнт после трёх этапов обучения: mid-training, SFT и RL; в README указана база Qwen3-30B-A3B. Модель построена на архитектуре Qwen3 MoE и содержит 2,6 млрд параметров по метаданным. Она принимает текст и генерирует текст, поддерживает контекст длиной до 262 144 токенов и рассчитана на использование через Transformers. Модель оценивали на BrowseComp, Mind2Web 2 и HLE; README приводит результаты по этим бенчмаркам и рекомендует RL-чекпойнты для комплексной оценки объективных и открытых задач. Доступны веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает языковой охват и не описывает ограничения по качеству или безопасности.

Qwen3-4B Devin SFT (Instruct) — дообученная модель семейства Qwen3, созданная davidnichols-ops на базе Qwen/Qwen3-4B с использованием данных сессий Devin. Она предназначена для диалоговой генерации текста и сценариев агентной работы с вызовом инструментов; формат вызова инструмента задаётся JSON-объектом с именем инструмента и аргументами, например командой для shell. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Карточка указывает английский язык и лицензию Apache-2.0. Модель можно использовать для выполнения инструкций, разработки с помощью инструментов и работы в стиле Devin. Для ускорения вывода автор рекомендует сочетать её с черновой моделью davidnichols-ops/qwen3-0.6b-devin-draft; заявлено ускорение в 2–3 раза при спекулятивном декодировании. Качество вызова инструментов вне описанного формата и результаты на независимых задачах в карточке не оценены.

Карточка модели Bobi099/Qwen3.5-27B-heretic на Hugging Face совпадает с карточкой coder3101/Qwen3.5-27B-heretic, поэтому описание составлено по ней. coder3101/Qwen3.5-27B-heretic — производная мультимодальная модель на основе Qwen/Qwen3.5-27B, опубликованная в формате Transformers. В карточке представлены параметры abliteration и сравнение с исходной моделью: доля отказов в приведённом тесте снизилась с 94 до 14 из 100, а KL-дивергенция составила 0,0653. Модель сохраняет архитектуру Qwen3.5 с языковой моделью и энкодером изображений; заявленный размер — 27 млрд параметров. Модель предназначена для диалогов, рассуждений, анализа изображений и сценариев с вызовом инструментов. Базовая Qwen3.5 поддерживает 201 язык и диалект, имеет контекст 262 144 токена с возможностью расширения до 1 010 000 токенов; карточка не приводит отдельных измерений этих характеристик для данной производной модели. Уменьшение числа отказов может быть полезно там, где нужна менее ограниченная генерация, но приведённая оценка не описывает полноту качества или безопасность ответов. Лицензия — Apache-2.0.

coder3101/Qwen3.5-27B-heretic — производная мультимодальная модель на основе Qwen/Qwen3.5-27B, опубликованная в формате Transformers. В карточке представлены параметры abliteration и сравнение с исходной моделью: доля отказов в приведённом тесте снизилась с 94 до 14 из 100, а KL-дивергенция составила 0,0653. Модель сохраняет архитектуру Qwen3.5 с языковой моделью и энкодером изображений; заявленный размер — 27 млрд параметров. Модель предназначена для диалогов, рассуждений, анализа изображений и сценариев с вызовом инструментов. Базовая Qwen3.5 поддерживает 201 язык и диалект, имеет контекст 262 144 токена с возможностью расширения до 1 010 000 токенов; карточка не приводит отдельных измерений этих характеристик для данной производной модели. Уменьшение числа отказов может быть полезно там, где нужна менее ограниченная генерация, но приведённая оценка не описывает полноту качества или безопасность ответов. Лицензия — Apache-2.0.

Модель stavh2001/qwen3.6-27b-merged_28_05 — дообученная мультимодальная модель семейства Qwen3.5, разработанная stavh2001 на базе unsloth/Qwen3.6-27B с использованием Unsloth и библиотеки TRL. Она предназначена для диалогов с текстом и изображениями; поддерживает интерфейс вызова инструментов. Архитектура — плотная, Qwen3_5ForConditionalGeneration, веса представлены в формате safetensors. Базовая модель насчитывает 27 млрд параметров и рассчитана на анализ изображений, диалоги, программирование и агентные задачи. Модель выпущена под лицензией Apache-2.0. Карточка не описывает отдельную специализацию дообучения или результаты оценки качества, поэтому пригодность для конкретных сценариев следует проверять на собственных данных.

Это дообученная модель lordx64 на базе Qwen/Qwen3.6-35B-A3B: к ней применили дистилляцию рассуждений Claude Opus 4.7 на примерно 8 тысячах трассировок. Модель построена на архитектуре Mixture of Experts с 35 млрд параметров, из которых около 3 млрд активны на каждом токене; веса доступны в формате safetensors, лицензия — Apache 2.0. Карточка указывает контекст до 64 тысяч токенов. Модель предназначена для сложных многошаговых задач: математики, STEM-вопросов, рассуждений при решении задач по программированию, логических головоломок и планирования действий агента. Она генерирует явные длинные цепочки рассуждений перед ответом; в README приведены результаты GSM8K CoT и MMLU-Pro. Метаданные указывают диалоговые и интерфейсные возможности вызова инструментов, но основная задача в каталоге — генерация текста. Дистилляция нацелена на стиль и структуру рассуждений, а не на расширение фактических знаний базовой Qwen. Тонкая настройка затрагивала только attention-слои, поэтому улучшения могут быть неравномерными. На сложных запросах модель способна генерировать тысячи или десятки тысяч токенов, что увеличивает задержку и расход вычислений; для практического использования следует ограничивать длину генерации. README также отмечает необходимость учитывать политики Anthropic для конкретного сценария использования данных учителя.

Qwen3.8-27B-abliterated-AWQ-MTP — квантизированная модель, опубликованная пользователем twolven на базе JonathanColetti/Qwen3.8-27B-Uncensored и исходной Qwen3.8-27B от Qwen. Модель использует AWQ-квантизацию W4A16 с размером группы 128, сохраняя модуль MTP для speculative decoding. Лицензия — Apache-2.0. Модель предназначена для генерации и понимания текста, диалоговых приложений, tool calling и обработки изображений с текстовыми запросами. Это vision-language model с гибридной архитектурой: 64 слоя, включая 48 слоёв linear attention на базе Qwen3_5GatedDeltaNet и 16 полноценных attention-слоёв. Зрительная башня содержит 27 слоёв и оставлена в формате bfloat16. Заявленный контекст — 262 144 токена; модуль MTP содержит один скрытый слой и также не квантизирован. Ключевые преимущества — заметно меньшее потребление памяти по сравнению с FP8-версией, поддержка изображений без дополнительного ухудшения со стороны квантизации vision tower и ускорение генерации при корректно работающем MTP. На конфигурации с двумя RTX 3090 автор получил медианную скорость около 84 токенов в секунду и подтвердил работу извлечения данных из длинного контекста, tool calling и распознавания содержимого изображений. Точность относительно исходной bfloat16-модели отдельно не оценивалась, поэтому степень потери качества из-за W4A16 неизвестна. Модель имеет ограничения: MTP требует правильной настройки и при некорректной загрузке может снизить производительность; абсолютные показатели скорости зависят от характера запросов. Не рекомендуется использовать greedy decoding с temperature 0, поскольку возможны зацикливание и повторение предложений. Следует применять repetition_penalty около 1.05 и ненулевую temperature. Термин «abliterated» означает удаление исходных механизмов отказа, поэтому поведение модели в отношении безопасных ограничений может отличаться от оригинальной Qwen3.8-27B.

Qwen3.8-27B-OBLITERATED-OptiQ-4bit — мультимодальная vision-language модель семейства Qwen3.8, разработанная сообществом mlx-community на базе OBLITERATUS/Qwen3.8-27B-OBLITERATED. Квантованная версия предназначена для локального запуска на устройствах Apple Silicon с использованием MLX и инструментария mlx-optiq, без PyTorch и облачных сервисов. Модель содержит 27B параметров и поддерживает обработку текста и изображений, при этом в README явно указан английский язык. Она использует смешанную покомпонентную 4/8-битную квантизацию с размером группы 64: 237 компонентов представлены в 4-битном формате, 261 — в 8-битном. Среда хранения занимает около 21 ГБ. Сохранены vision tower в формате bf16 для работы с изображениями и MTP-голова для speculative decoding и multi-token prediction. Модель ориентирована на reasoning, long-context сценарии, function calling, tool use и агентские приложения. К сильным сторонам относятся мультимодальность, локальная работа на Apple Silicon, уменьшенный размер благодаря смешанной квантизации, поддержка ускоренной генерации через MTP и совместимый endpoint с интерфейсами OpenAI и Anthropic при использовании optiq serve. Ограничения включают необходимость установки mlx-optiq и запуска в экосистеме MLX, а также повышенные требования к памяти из-за размера модели. README не содержит точного максимального размера контекста и подробных результатов оценки качества. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-ROCmFPX-Q8_0-AGENT-GGUF — это 8-битная квантизированная GGUF-версия модели Qwen3.8-27B, опубликованная пользователем kingjones777. Модель предназначена для локального запуска через специализированную ветку ROCmFPX, ориентированную на GPU AMD с архитектурой gfx1151, включая Ryzen AI MAX+ 395 и платформу Strix Halo. Она поддерживает генерацию текста, агентские сценарии и вызовы инструментов. Модель имеет архитектуру Qwen, размер 27B параметров и контекст до 32 768 токенов в рекомендуемой конфигурации. Указан английский язык. Файл занимает около 26,28 GiB, использует тип квантизации Q8_0_ROCMFPX_AGENT с точностью 8,39 бит на вес и сохраняет повышенную точность для части attention-output projections. В README заявлена совместимость с MTP-спекулятивным декодированием: на Ryzen AI MAX+ 395 измерена скорость 26,62 токена в секунду, что на 6,2% выше обычной сборки ROCmFPX Q8.0. В тестах модель показала корректные ответы на базовые вопросы и 7 из 7 успешных сценариев tool calling в режимах с рассуждением и без него. Основные преимущества — высокая точность 8-битной версии, согласованное агентское поведение, поддержка сложных вызовов инструментов и прирост скорости при использовании MTP. Ограничения существенны: стандартная версия llama.cpp не загружает этот файл, требуется сборка ROCmFPX; модель ориентирована на совместимое AMD-оборудование. Для MTP на некоторых конфигурациях Windows 11, gfx1151 и HIP SDK 7.2 описаны ошибки в устаревшей ветке ROCmFPX, поэтому рекомендуется официальный репозиторий. Модель распространяется по лицензии Apache-2.0.

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.

Qwopus3.5-4B-v3 — модель от Jackrong, дообученная на базе unsloth/Qwen3.5-4B. Она позиционируется как reasoning-модель с оптимизацией структуры рассуждений, ориентированная на повышение стабильности, корректности и эффективности вывода, особенно в задачах программирования и многошаговых агентных сценариях. Модель предназначена для задач, где требуется рассуждение, выполнение действий через инструменты и последовательное уточнение поведения по результатам взаимодействия со средой. В ней заявлена поддержка tool calling для агентных фреймворков, включая OpenClaw, а также подход «act-then-refine»: раннее выполнение действия с последующей коррекцией на основе обратной связи вместо чрезмерного предварительного обдумывания. В README указаны английский, китайский и корейский языки. Размер модели — 4B параметров; модель помечена как image-text-to-text, однако подробные сведения о мультимодальной архитектуре и поддерживаемых типах входных данных не приведены. К сильным сторонам относятся компактный размер, акцент на более коротких и устойчивых цепочках рассуждений, специализация на программировании и сценариях с инструментами. Ограничения связаны с отсутствием в представленном README данных о длине контекста, результатах стандартизированных тестов, требованиях к ресурсам и фактическом качестве работы с изображениями. Модель распространяется по лицензии Apache-2.0.

mlx-community/Qwopus3.6-35B-A3B-Coder-bf16 — конвертированная в BF16 MLX-версию модели Jackrong/Qwopus3.6-35B-A3B-Coder. Репозиторий сохраняет шаблон чата и конфигурацию мультимодального процессора для текста, кода, изображений и видео; модель предназначена для инференса на компьютерах Apple Silicon с использованием MLX и mlx-vlm. Модель относится к семейству Qwen3.5 MoE и поддерживает диалог, программирование, работу с изображениями и вызов инструментов. В метаданных указаны английский, китайский, испанский, русский и японский языки, однако подробности исходной карточки о качестве и сценариях доступны по ссылке на базовую модель. Репозиторий распространяется по лицензии Apache 2.0.

R3-Embedding-0.6B — текстовая модель эмбеддингов Tencent для извлечения навыков, подходящих запросам к LLM-агентам. Она выступает первым, bi-encoder этапом двухэтапного поиска R3-Skill: независимо кодирует запрос и описания навыков, после чего кандидаты ранжируются по косинусному сходству; для повторного ранжирования предусмотрена парная модель R3-Rerank-0.6B. Модель содержит 507,6 млн параметров, построена на архитектуре Qwen3 и принимает контекст длиной до 32 768 токенов. Доступна под лицензией Apache-2.0. Модель предназначена для поиска навыков агента с учётом конкретного запроса и формирования списка кандидатов для последующего reranking. Метаданные указывают поддержку задач feature extraction и sentence similarity. Карточка не сообщает отдельные языковые ограничения или результаты качества, поэтому их нельзя уточнить; применение к другим сценариям семантического поиска не подтверждено описанием модели.

Raptor 0.6.1 preview — компактная плотная языковая модель на архитектуре Spark 2.5, разработанная OsaurusAI как лёгкое дообучение XHToken/Spark-X2.5-4B. Модель содержит 3,8 млрд параметров и предназначена для диалога, рассуждений и работы с инструментами. Поддерживает английский и китайский языки; заявленный контекст — до 1 048 576 токенов. Это сборка JANG_6M для Apple Silicon: веса внимания и связанного эмбеддинга представлены в 8-битном формате, веса MLP используют 6-битный бюджет, а масштабы групп хранятся в bfloat16. Для запуска требуется Osaurus версии 0.25.0 или новее; README отмечает, что стандартная библиотека mlx-lm пока не поддерживает архитектуру spark2_5. Модель распространяется по лицензии Apache-2.0. Это предварительная практическая версия, которая может ошибаться, как и другие модели такого размера. Для сложных запросов цепочки рассуждений могут превышать 8 192 выходных токенов, поэтому нужно учитывать бюджет генерации вместе с входным контекстом. Метаданные также указывают интерфейс вызова инструментов.

Raptor 0.6 — это лёгкая supervised fine-tune модели XHToken/Spark-X2.5-4B, подготовленная Jinho Jang для Osaurus. Модель использует плотную архитектуру Spark2_5ForCausalLM с 36 слоями и примерно 3,8 млрд параметров; она предназначена для диалога, рассуждений и работы с инструментами. Репозиторий содержит веса в формате safetensors, а конфигурация JANG_6M задаёт смешанную точность: внимание и связанные эмбеддинги — 8-битные, MLP — 6-битный, масштабы групп — bfloat16, нормализации и attention gate — полной точности. Указанное базовой моделью окно контекста — до 1 048 576 токенов. Модель рассчитана на запуск в Osaurus на Apple Silicon и требует Osaurus версии 0.25.0 или новее. Шаблон поддерживает диалог с включённым по умолчанию режимом рассуждений и вызовами инструментов; карточка сообщает о калибровке и оценке на наборах промптов, но не устанавливает универсальное качество для всех сценариев. README предупреждает, что это практический чекпойнт с обычными для модели 4B ошибками; длинные рассуждения могут превышать 8 192 выходных токена. Лицензия — Apache-2.0.

Ring-lite-distill-preview — языковая MoE-модель InclusionAI для диалогов и генерации текста, дообученная на инструкционных данных с упором на рассуждения. В README указано 16,8 млрд параметров, из которых активируются 2,75 млрд; архитектура в метаданных обозначена как Bailing MoE, а карточка модели указывает контекст 16 384 токена. Модель предназначена для решения математических и логических задач, следования инструкциям, программирования и вызова функций в диалоговых сценариях. Авторы сообщают о результатах на тестах AIME24, MATH-500, GPQA-diamond, LiveCodeBench, IFEval и BFCL_v2; эти показатели относятся к оценкам авторов и не гарантируют аналогичного качества в прикладных системах. Поддерживаемые языки — китайский и английский. Модель дообучена на базе inclusionAI/Ling-lite. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

Карточка модели michaelfeil/rune-26b-a4b на Hugging Face совпадает с карточкой surogate/rune-26b-a4b-GGUF, поэтому описание составлено по ней. Rune 26B-A4B v3 — разработанная Surogate модель принятия решений на основе Gemma 4 26B-A4B-it. Она принимает текст, структурированные данные или изображение вместе с вопросом и вариантами ответа и за один проход выбирает вариант, оценивая вероятности всех вариантов. Поддерживает задачи выбора одного из N вариантов, оценки истинности утверждения и выставления балла по порядковой шкале. Для обработки изображений сервер нужно запускать с поддержкой vision. Модель предназначена для классификации и ранжирования вариантов в тестах, извлечения решений из документов и скриншотов, автоматизации выбора и выставления оценок. По README, контекст составляет 262 тысячи токенов. Режим рассуждения включается отдельно, доступен только для текстовых запросов и может добавлять до 512 токенов рассуждения; по данным README, он повышает результаты на части тестов, но снижает качество вероятностных прогнозов в ForecastBench. Вероятности текстовых ответов при стандартной температуре описаны как избыточно уверенные; температура решения 2 улучшает их калибровку, не меняя выбранный вариант. Для изображений доступно сокращение числа визуальных токенов ценой точности. Это дообученная мультимодальная модель с архитектурой Gemma 4, публикуемая в формате safetensors и использующая библиотеку Transformers. Лицензия — Apache 2.0. Заявленные результаты бенчмарков являются результатами авторского запуска; часть тестовых данных и оценок основана на собственных выборках и не является закрытой оценкой лидерборда.

Skywork o1 Open-Llama-3.1-8B — разговорная языковая модель команды Skywork компании Kunlun Inc., дообученная на базе Meta-Llama-3.1-8B-Instruct с данными для пошагового рассуждения. Это плотная причинно-следственная модель семейства Llama с 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. Модель предназначена для диалогов и решения задач, требующих рассуждений: математических и логических задач, планирования, самопроверки, вопросов на здравый смысл, а также задач программирования. Разработчики описывают трёхэтапное обучение, включающее обучение рефлексивным рассуждениям, обучение с подкреплением и планирование; заявленные улучшения основаны на результатах бенчмарков, приведённых в карточке модели. Модель распространяется в формате safetensors. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует проверять в лицензии репозитория. Разработчики предупреждают о возможных непредсказуемых рисках и просят не развёртывать модель в интернет-сервисах без соответствующей проверки безопасности.

Tongyi-DeepResearch — языковая модель с архитектурой Qwen3 MoE, разработанная Tongyi Lab для многошагового агентного поиска и исследования информации. В README указано 30 млрд общих параметров и 3 млрд активируемых на токен; метаданные Hugging Face указывают 2,4 млрд параметров. Модель доступна в формате safetensors и использует библиотеку Transformers; длина контекста составляет 131 072 токена. Модель предназначена для длительных задач поиска, анализа источников и подготовки ответов, требующих нескольких последовательных шагов. Она совместима с парадигмой ReAct и режимом Heavy на основе IterResearch с масштабированием вычислений во время вывода. В README сообщается о результатах на бенчмарках агентного поиска, включая Humanity's Last Exam, BrowserComp, GAIA и WebWalkerQA. Для работы с моделью можно использовать лицензию Apache-2.0. Карточка описывает англоязычный сценарий; подтверждений поддержки других языков нет. В доступных сведениях нет подробностей о требованиях к оборудованию или гарантиях качества ответов; результаты бенчмарков сами по себе не гарантируют точность в конкретном применении.

Карточка модели ANGELOSEGRETO/Tongyi-DeepResearch-30B-A3B на Hugging Face совпадает с карточкой Alibaba-NLP/Tongyi-DeepResearch-30B-A3B, поэтому описание составлено по ней. Tongyi-DeepResearch — языковая модель с архитектурой Qwen3 MoE, разработанная Tongyi Lab для многошагового агентного поиска и исследования информации. В README указано 30 млрд общих параметров и 3 млрд активируемых на токен; метаданные Hugging Face указывают 2,4 млрд параметров. Модель доступна в формате safetensors и использует библиотеку Transformers; длина контекста составляет 131 072 токена. Модель предназначена для длительных задач поиска, анализа источников и подготовки ответов, требующих нескольких последовательных шагов. Она совместима с парадигмой ReAct и режимом Heavy на основе IterResearch с масштабированием вычислений во время вывода. В README сообщается о результатах на бенчмарках агентного поиска, включая Humanity's Last Exam, BrowserComp, GAIA и WebWalkerQA. Для работы с моделью можно использовать лицензию Apache-2.0. Карточка описывает англоязычный сценарий; подтверждений поддержки других языков нет. В доступных сведениях нет подробностей о требованиях к оборудованию или гарантиях качества ответов; результаты бенчмарков сами по себе не гарантируют точность в конкретном применении.

VisRAG-Ret — модель для векторного представления страниц документов в мультимодальном поиске, разработанная OpenBMB. Она входит в конвейер VisRAG: страницы документов подаются как изображения и индексируются для поиска по запросам, чтобы использовать их при генерации ответов без предварительного извлечения текста из документа. Модель дообучена на MiniCPM-V 2.0, объединяющей визуальный энкодер SigLIP и языковую модель MiniCPM-2B; размер составляет 2,7 млрд параметров, формат весов — Safetensors, контекст — 4096 токенов. VisRAG-Ret предназначена для поиска по страницам PDF и другим документам с сохранением визуальной структуры и содержимого, включая информацию, которая может теряться при преобразовании документа в обычный текст. Обучение проводилось на 362 110 парах «запрос — документ», включающих академические данные и синтетические запросы к страницам веб-документов. Карточка указывает английский язык; лицензия — Apache-2.0. Модель решает задачу извлечения признаков, а для полноценного RAG-конвейера требуется отдельный этап генерации ответа.

Карточка модели roskosmos19/Whale-4B-Thinking-2507 на Hugging Face совпадает с карточкой roskosmos19/Orca-4B-Thinking, поэтому описание составлено по ней. Orca-4B-Thinking — языковая модель для диалогов и задач, требующих многошаговых рассуждений. Согласно README, модель разработана на основе Qwen3-4B и дообучена в стиле DeepSeek-R1 на наборах OpenThoughts-114k и Mixture-of-Thoughts; метаданные связывают её с Qwen/Qwen3.5-4B. Карточка описывает причинную плотную архитектуру Qwen3, а метаданные указывают 3,7 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации развёрнутых рассуждений и ответов в математике, программировании, естественных науках и головоломках, а также для следования инструкциям и работы с инструментами. README сообщает о режиме Thinking и приводит оценочные результаты бенчмарков, поэтому заявленные улучшения производительности не следует считать независимой проверкой. Поддерживаются английский, немецкий, испанский, французский и китайский языки по тегам метаданных. Лицензия — Apache-2.0.

Многоязычный классификатор для определения языка коротких текстовых высказываний. Модель разработана Янисом Лабраком из NLP-команды Авиньонского университета и основана на XLM-RoBERTa; число параметров — 305,2 млн, максимальный контекст — 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY 4.0. Модель обучена на параллельном наборе MASSIVE, включающем более миллиона высказываний на 51 языке для сценариев голосового ассистента. Она предназначена для распознавания языка входного текста и выдачи метки класса, например для маршрутизации запросов по языковой версии сервиса. Заявлена поддержка 51 языка, включая русский, английский, китайский, арабский и хинди. Обучающие данные отражают короткие пользовательские запросы голосовому ассистенту, поэтому качество на длинных текстах, узкоспециализированных материалах и языковых вариантах вне списка может отличаться; численные результаты оценки в доступной карточке не приведены.

AetherSearch — поиском дополненная языковая модель, опубликованная muradil211. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов, представленная в формате Safetensors для Transformers. Карточка описывает многоэтапное постобучение с SFT, DPO и обучением с подкреплением. Модель предназначена для генерации текста в диалоговом формате и сценариев поиска с дополнением ответа, а также предоставляет интерфейс вызова инструментов. Основной язык карточки — английский. В README указана загрузка через AutoModelForCausalLM и AutoTokenizer. В README не приведены сведения, позволяющие установить базовую модель и условия лицензирования: автор отмечает, что атрибуцию базовой модели и лицензию следует определить по фактическим условиям базовой модели и данных перед распространением. Поэтому права на использование и перераспространение этих весов требуют отдельной проверки.

bartowski/arcee-ai_Trinity-Large-Thinking-GGUF — это GGUF-квантизации текстовой генеративной модели Trinity-Large-Thinking, разработанной arcee-ai. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач рассуждения, агентских сценариев и вызова инструментов, а также для локального запуска через llama.cpp, LM Studio, KoboldCpp, Jan AI и совместимые интерфейсы. Модель работает с текстом и поддерживает английский, испанский, французский, немецкий, итальянский, португальский, русский, арабский, хинди, корейский и китайский языки. Доступны варианты квантизации от Q8_0 до более компактных Q3 и IQ3/IQ4; заявленный размер файлов составляет примерно от 181 до 424 ГБ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, но требуют больше памяти, тогда как компактные варианты рассчитаны на системы с ограниченными ресурсами. Архитектура, число параметров и размер контекста в README не указаны. Сильными сторонами являются поддержка многоязычной генерации, задач рассуждения и агентского взаимодействия, а также широкий выбор квантизаций. Ограничениями выступают очень большие требования к дисковому пространству и памяти, зависимость совместимости от обновлений используемого программного обеспечения и возможное снижение качества у компактных вариантов. Модель распространяется по лицензии Apache-2.0.

Citaman/command-r-31-layer — модель генерации текста на архитектуре Cohere, созданная автором репозитория с помощью mergekit. Веса объединены методом SLERP из двух срезов модели Citaman/command-r-32-layer; каталог также связывает её с этой базовой моделью как с дообученной. Модель содержит 27,6 млрд параметров, использует формат safetensors и рассчитана на контекст до 8192 токенов. Модель предназначена для диалоговой генерации текста и поддерживает интерфейс вызова инструментов. Её можно применять для ведения беседы и генерации ответов в сценариях с подключёнными инструментами. README и метаданные не описывают специализацию по языкам или предметным областям. В карточке не приведены результаты оценки качества и конкретные ограничения применения. Лицензия в доступных данных не указана.

DeepControl-Qwen2.5-7B — диалоговая языковая модель на архитектуре Qwen2, разработанная как контрольная точка агента глубокого поиска на основе Qwen2.5-7B-Instruct. Она предназначена для генерации текста в сценариях поиска с дополнением контекста и рассуждений; карточка связывает её с работой «Adaptive Information Control for Search-Augmented LLM Reasoning». Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. README показывает запуск через vLLM, но приводит ограничение длины последовательности 8 192 токена в примере. Модель доступна по лицензии Apache-2.0.

DeepSeek-V4-Flash-Vision-Exp — экспериментальная мультимодальная модель семейства DeepSeek-V4, разработанная DeepSeek AI. Данная версия является производным вариантом, опубликованным и поддерживаемым AMAImedia в рамках платформы автоматизации профессионального многоязычного дубляжа NOESIS; базовая модель указана как deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Модель предназначена для задач понимания изображений и текста, мультимодальных агентских сценариев, работы с диаграммами и автоматизации, а также сохраняет возможности для текстовых агентских задач. Архитектура основана на DeepSeek-V4-Flash с добавленными визуальными модулями и дополнительным обучением для развития визуального понимания. Это модель image-text-to-text с поддержкой большого набора языков, включая английский, русский, китайский, вьетнамский, японский и многие другие. Точный размер модели, длина контекста, перечень визуальных входных форматов и сведения о параметрах квантования FP8/GGUF в предоставленном README не указаны. Сильной стороной модели является заметное улучшение мультимодальных агентских возможностей по сравнению с DeepSeek-V4-Flash-0731 при сопоставимой производительности в текстовых агентских задачах. В README приведены результаты на ApexBench, Agents' Last Exam, Chartography и ZeroBench, однако независимые ограничения, требования к аппаратному обеспечению и рекомендации по применению не описаны. В метаданных указана лицензия Apache-2.0; при этом встроенный README также содержит ссылку на лицензию MIT оригинального проекта, поэтому условия конкретной производной сборки следует проверять отдельно.

Document Seal Detector v1 — модель компьютерного зрения для поиска чернильных резиновых печатей на страницах документов. Она разработана для рабочих процессов обработки документов, например маршрутизации, помощи при проверке и выделения области печати для последующей верификации. Модель находит положение печати и возвращает ограничивающую рамку в координатах xyxy исходного изображения и оценку уверенности. Модель построена на архитектуре YOLOS с backbone на основе Vision Transformer и реализована как YolosForObjectDetection в библиотеке Transformers. Размер — 113,2 млн параметров. Она дообучена на страницах документов с проверенными аннотациями преимущественно круглых и овальных административных печатей; в обучении также использовались документы без печатей как сложные отрицательные примеры. Для исходного тестового набора указаны mAP@[0.50:0.95] 0,869 и mAP@0.50 1,0, но эти результаты не гарантируют качество на других источниках документов. Модель определяет наличие и расположение визуально похожей печати, но не проверяет её подлинность, юридическую силу или принадлежность. Она может хуже работать с прямоугольными, бледными, размытыми или перекрытыми печатями; на незнакомых макетах возможны ложные срабатывания на QR-коды, логотипы, штрихкоды, марки и наклейки. Для решений с юридическими, финансовыми или комплаенс-последствиями требуется проверка человеком. Лицензия в предоставленных данных не указана.

Dolphin-Mistral-24B-Venice-Edition-1.2-GGUF — это набор квантованных GGUF-версий модели Dolphin-Mistral-24B-Venice-Edition, разработанный пользователем douganger на основе релиза 1.2 от dphn. Модель предназначена для запуска локально с использованием совместимых инструментов, включая llama.cpp, и ориентирована на мультимодальные сценарии с обработкой текста и изображений, а также на работу с инструментами. Архитектурно это модель семейства Mistral с размером около 24 млрд параметров; доступны варианты квантования от Q3_K_M до Q8_0 размером примерно от 10,69 до 23,33 ГБ. Для версии 1.2 заявлены поддержка vision, контекст длиной до 131 тыс. токенов и улучшенный tool calling. Vision-адаптеры и importance matrix включены в сборку. README не указывает полный перечень поддерживаемых языков. Сильные стороны модели — широкий контекст, мультимодальность, улучшенная работа с инструментами и несколько вариантов квантования с разным компромиссом между размером и качеством; Q4_K_M обозначен как хороший вариант по умолчанию, а Q8_0 — практически эквивалентный исходным весам BF16. Ограничения связаны с требованиями к памяти, зависящими от выбранного квантования, а также с тем, что фактическая поддержка vision и tool calling зависит от совместимого программного обеспечения. Модель распространяется по лицензии Apache-2.0.