I.14Автоматизация процессов и AI-агенты

Erawan 1 — компактная языковая модель Airavat AI Micro Lab с 1,7 млрд параметров, дообученная на базе Qwen3-1.7B. Это декодерный трансформер Qwen3; модель обучали методом QLoRA, после чего адаптер объединили с весами в контрольную точку fp16. Метаданные указывают контекст до 40 960 токенов. Модель предназначена для генерации текста в диалогах, пошаговых рассуждений и агентных сценариев с вызовом инструментов. В карточке приведены небольшие тесты: на GSM8K результат составил 3 из 10 примеров, на HumanEval — 4 из 6, а на тесте вызова функций — 6 из 6; выборки слишком малы для надёжной оценки качества. В качестве обучающих данных использовались наборы для математических рассуждений, вызова функций и диалогов. Указан английский язык. Лицензия — Apache 2.0.

saidutta69 выпустил granite-4.2-3b-heretic — вариант IBM Granite 4.2 3B с подавленным поведением отказа. Модель создана методом directional ablation (abliteration) с Heretic v1.4.0: целевые изменения внесены в веса проекций внимания и MLP без дополнительного обучения. Это плотный декодерный трансформер GraniteForCausalLM на 3,66 млрд параметров с групповой обработкой запросов внимания и контекстом до 131 072 токенов. Модель предназначена для генерации текста, рассуждений, вызова инструментов и локальных агентов, в том числе на потребительском оборудовании. README сообщает о сохранении шаблона рассуждений Granite и снижении отказов с 62 до 3 на использованном авторами тесте из 100 запросов; результат KL-дивергенции относительно базовой модели — 0,0095. Указаны поддержка английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков, а также варианты весов BF16 и GGUF-квантизации. Модель может выполнять запросы, от которых отказалась бы базовая версия, и не содержит дополнительного фильтра безопасности; это важно учитывать при развёртывании. Она наследует фактические ограничения и смещения Granite 4.2. Лицензия — Apache-2.0.

Jev-Style-2B-Decision-v3 — дообученная Chaoliang UNSW модель на базе Qwen/Qwen3.5-2B для принятия решений по заданным вариантам. Она принимает текстовое состояние или JSON и типизированные вопросы, затем за один проход выдаёт калиброванные вероятности для каждого предложенного варианта. Это текстовая плотная причинная модель Qwen3.5 с 1,7 млрд параметров и контекстом до 262 144 токенов; для совместимой локальной реализации README описывает общий бюджет входа 25 600 токенов. Модель ориентирована на классификацию, маршрутизацию запросов и оценивание вариантов, а не на свободный диалог: она не генерирует текст, не предлагает ответы за пределами заданных вариантов и не выполняет действия. В опубликованных тестах README сообщает 73,6% точности на JevBench v1.4.1 и указывает, что неуверенные решения следует передавать человеку или более крупной модели. Доступны веса в safetensors; лицензия Apache-2.0.

Laguna-S-2.1-JANG_2L-CRACK — текстовая MoE-модель, выпущенная dealignai на основе poolside/Laguna-S-2.1. Она предназначена прежде всего для агентной разработки ПО, рассуждений и вызова инструментов. По карточке, базовая модель имеет 118 млрд параметров, 48 слоёв и контекст до 262 тыс. токенов; в метаданных указаны 6,8 млрд параметров и контекст до 1 048 576 токенов, поэтому сведения о размере и контексте расходятся. Модель подвергнута удалению отказов на уровне весов и квантована в смешанном формате JANG_2L для MLX и Apple Silicon; заявленный размер набора весов — около 41 ГБ. Поддерживаются режимы рассуждения и прямых ответов, а также интерфейс вызова инструментов. В README приведены результаты MMLU 73,7% и HarmBench 98,8% соответствия запросам; это результаты оценки автора через vMLX, а не независимая гарантия качества. README указывает лицензию как бесплатную для macOS, а метаданные обозначают её как other без конкретных условий. Карточка сообщает, что модель рассчитана на исследовательские цели и авторизованное тестирование безопасности; после удаления отказов она может выполнять широкий спектр запросов без отказа.

Laguna-S-2.1-JANG_4M-CRACK — текстовая MoE-модель, подготовленная dealignai на основе poolside/Laguna-S-2.1 для агентного программирования, рассуждений и вызова инструментов. Веса подвергнуты CRACK-abliteration, удаляющей поведение отказа, и смешанной низкоразрядной квантизации JANG для MLX на Apple Silicon. Метаданные указывают 6,8 млрд параметров, тогда как README описывает исходную Laguna-S-2.1 как модель на 118 млрд параметров; размер активной части MoE отдельно не уточнён. Модель принимает текст и генерирует текст. В README заявлены режимы рассуждения и прямых ответов, сохранённый интерфейс вызова инструментов и контекст 262 тыс. токенов; метаданные каталога указывают нативный контекст 1 048 576 токенов. Предназначена прежде всего для агентных задач разработки и работы с инструментами. README приводит результаты MMLU и HarmBench, полученные через vMLX, но они не гарантируют качество на других задачах или средах. Модель рассчитана на запуск через vMLX либо совместимую среду MLX с поддержкой Laguna; сборка JANG занимает около 63 ГБ и ориентирована на Apple Silicon. Указана лицензия «other», поэтому конкретные условия использования следует сверять с карточкой модели. README сообщает об удалении отказов безопасности и заявляет, что модель будет выполнять запросы разных категорий; это ограничивает её безопасное применение.

Dingdust опубликовал производную модель LFM2.5-8B-A1B-heretic на основе LiquidAI/LFM2.5-8B-A1B-Base. Это текстовая MoE-модель для диалогов и генерации текста; в README представлены параметры abliteration и сравнение частоты отказов с исходной моделью. Модель рассчитана на локальных помощников, агентные сценарии и вызов инструментов. В README семейство LFM2.5 описано как гибридная архитектура с 8,3 млрд параметров всего и 1,5 млрд активных; метаданные репозитория указывают 1,6 млрд параметров. Заявленная длина контекста — 128 000 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский, испанский, португальский и итальянский языки. В README указано, что модель не оптимальна для сложного программирования и ответов на фактологические вопросы без поиска по источникам. Лицензия в метаданных обозначена как other.

LiquidAI/LFM2.5-8B-A1B-MLX-bf16 — версия модели Liquid AI, преобразованная из LiquidAI/LFM2.5-8B-A1B в формат MLX с помощью mlx-lm 0.31.3. Это языковая модель с архитектурой MoE для генерации текста и диалогов; веса представлены в bf16 без квантизации. В модели 1,6 млрд параметров, контекстное окно — до 128 000 токенов. Модель рассчитана на многоязычные диалоги и поддерживает вызов функций. В метаданных указаны английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский языки. Формат MLX предназначен для запуска в экосистеме MLX; README рекомендует использовать библиотеку mlx-lm и оригинальную карточку для сведений о настройках генерации. Лицензия обозначена как other; конкретные условия следует проверять в карточке репозитория.

yangw1234/LFM25-clawgym-lora32 — дообученная модель LiquidAI/LFM2.5-2.6B, опубликованная yangw1234. Это плотная языковая модель семейства LFM2 с 2,6 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Метаданные указывают контекст до 131 072 токенов и интерфейс вызова инструментов; модель сохранена в формате Safetensors. В README сказано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для диалоговых приложений и агентных сценариев, где нужно генерировать текст или обращаться к инструментам. Базовая модель описана как многоязычная и рассчитанная на локальный запуск, RAG и задачи с длинным контекстом; карточка этой версии явно подтверждает английский язык. Модель распространяется по лицензии Apache-2.0. README не сообщает результаты оценки качества или конкретную специализацию дообучения.

Карточка модели yangw1234/lfm25-da-lora16 на Hugging Face совпадает с карточкой yangw1234/lfm25-clawgym-lora32, поэтому описание составлено по ней. yangw1234/LFM25-clawgym-lora32 — дообученная модель LiquidAI/LFM2.5-2.6B, опубликованная yangw1234. Это плотная языковая модель семейства LFM2 с 2,6 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Метаданные указывают контекст до 131 072 токенов и интерфейс вызова инструментов; модель сохранена в формате Safetensors. В README сказано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для диалоговых приложений и агентных сценариев, где нужно генерировать текст или обращаться к инструментам. Базовая модель описана как многоязычная и рассчитанная на локальный запуск, RAG и задачи с длинным контекстом; карточка этой версии явно подтверждает английский язык. Модель распространяется по лицензии Apache-2.0. README не сообщает результаты оценки качества или конкретную специализацию дообучения.

Llama 4 Maverick — мультимодальная инструкционная модель Meta на архитектуре авто-регрессионного Mixture-of-Experts с ранним объединением модальностей. Вариант Maverick включает 17 млрд параметров и 128 экспертов; модель работает через библиотеку Transformers и распространяется в формате safetensors. Модель предназначена для диалогового помощника и задач визуального рассуждения: она принимает текст и изображения, распознаёт и описывает содержимое изображений, отвечает на вопросы о них и поддерживает вызов инструментов через соответствующий интерфейс. Поддерживаемые языки: арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский. В README указано, что модель проверялась для понимания до пяти входных изображений. Модель подходит для коммерческого и исследовательского применения на условиях пользовательской Llama 4 Community License. Карточка отмечает статичный характер текущего чекпойнта и ограничивает заявленные сценарии поддерживаемыми языками и возможностями; результаты для большего числа изображений требуют отдельной проверки и настройки.

MemSearcher-7B — поисковый агент для ответов на вопросы, разработанный на базе Qwen/Qwen2.5-7B-Instruct и дообученный методом обучения с подкреплением multi-context GRPO. Модель поддерживает компактную память: на каждом шаге получает вопрос и текущее состояние памяти, решает, нужен ли поиск в Википедии, анализирует найденные сведения и обновляет память, сохраняя в ней данные, полезные для ответа. Модель предназначена для одношаговых и многошаговых вопросов по внешним знаниям. По данным карточки, на семи тестах QA с корпусом Wikipedia-18 средний Exact Match составляет 48,9; оценка относится к описанному в карточке эксперименту и не гарантирует такой же результат в других условиях. Компактное представление контекста помогает удерживать его размер почти постоянным в многошаговом поиске. Для работы нужен отдельный поисковый модуль Википедии и цикл оркестрации агента; модель сама по себе не является готовым поисковым сервисом. Архитектура — плотная Qwen2, 7,1 млрд параметров, контекст до 32 768 токенов; основной язык карточки — английский. Лицензия — Apache-2.0.

Meta-Llama-3-8b-Lexi-Uninstruct-function-calling-json-mode-Task-Arithmetic-v0.1 — объединённая модель на архитектуре Llama, созданная с помощью LazyMergekit из четырёх моделей: hiieu/Meta-Llama-3-8B-Instruct-function-calling-json-mode, Orenguteng/Lexi-Llama-3-8B-Uncensored, NousResearch/Meta-Llama-3-8B и NousResearch/Meta-Llama-3-8B-Instruct. Модель содержит 7,5 млрд параметров и имеет контекст до 8192 токенов. Это разговорная языковая модель для генерации текста; состав исходных моделей указывает на сочетание инструктивного диалога, вызова функций и JSON-форматирования с возможностью генерации uncensored-контента. Подходит для диалоговых приложений и задач, где нужны структурированные ответы или вызов инструментов. Карточка не приводит результатов оценки качества и подробных рекомендаций по использованию. Лицензия в предоставленных данных не указана.

Metis-8B-RL — мультимодальный агент для рассуждений по тексту и изображениям, разработанный Accio-Lab в рамках фреймворка Metis. Это финальный чекпойнт обучения с подкреплением по алгоритму Hierarchical Decoupled Policy Optimization (HDPO), обученный на основе Metis-8B-ColdStart; метаданные также связывают модель с Qwen3-VL-8B-Instruct. Модель ведёт многоходовый диалог и выбирает, когда задействовать инструменты выполнения кода, текстового поиска и поиска изображений. Модель предназначена для визуального рассуждения, понимания документов, математических и логических задач с изображениями и текстом, а также для агентных сценариев с выборочным использованием инструментов. В README заявлено снижение доли вызовов инструментов с 98% до 2% и высокие результаты на 13 бенчмарках открытых агентных моделей с 8 млрд параметров. Архитектура — плотная Qwen3-VL для условной генерации; веса опубликованы в safetensors и используются через Transformers. Метаданные указывают английский язык. Лицензия — Apache-2.0. Для полного запуска требуются внешние инструменты и зависимости, описанные в проекте; приведённые в карточке заявления о качестве основаны на бенчмарках разработчиков.

jigs97022 разработал MiniCPM5-2B Distilled Reasoning — компактную языковую модель на 2,2 млрд параметров для генерации текста и задач с рассуждением. Она основана на архитектуре MiniCPM5-2B и дообучена методом дистилляции на примерах рассуждений, созданных с участием Qwen3.8-Max, GLM-5.2 и Kimi K3. Модель предназначена для решения математических задач, написания кода, логических головоломок, структурированного анализа и рассуждений при использовании инструментов. Поддерживает диалоговый шаблон MiniCPM5 и интерфейс вызова инструментов; метаданные указывают английский и китайский языки, а контекст — до 131 072 токенов. В README отмечено, что качество рассуждений снижается за пределами 4 096 токенов, модель обучалась на 10 тысячах примеров и может отвечать излишне подробно. Доступна по лицензии Apache-2.0.

MiniMax-M3-REAP32-Coder — созданная JANGQ-AI версия MiniMax-M3 для программирования, агентных сценариев и мультимодального диалога. Это MoE-модель с архитектурой MiniMaxM3SparseForConditionalGeneration; в карточке указаны 60 слоёв и сохранённая поддержка изображений. Модель предназначена для запуска через vMLX на компьютерах Apple Silicon и требует vMLX версии 1.5.67 или новее. Веса упакованы в формат JANG: применены смешанная аффинная квантизация, AWQ и сокращение числа маршрутизируемых экспертов методом REAP. В README заявлены результат HumanEval pass@1 100% на случайно перемешанной половине набора (82 задания) и улучшение на небольшом тесте арифметики и рассуждений. Это результаты авторской проверки, а не гарантия качества на других задачах. Базовая MiniMax-M3 описана как модель с контекстом до 1 млн токенов, но README не подтверждает, что такой контекст доступен этой сборке. Для загрузки необходимы JANG loader и M3 runtime из vMLX; модель несовместима с обычными загрузчиками Transformers, vLLM и MLX. Лицензия указана как other, поэтому условия использования следует уточнить по карточке модели и сопутствующим лицензиям базовой модели и компонентов.

Это экспериментальная версия MiniMax M3, подготовленная Spark Arena для запуска на двух узлах DGX Spark. Модель основана на MiniMax M3 и использует квантование NVFP4 с сокращением REAP50, чтобы уменьшить требования к размещению по сравнению с вариантом на четырёх узлах. Архитектура MiniMax M3 — мультимодальная модель с разреженным вниманием MiniMax Sparse Attention (MSA); заявлено около 428 млрд параметров, из которых активируется около 23 млрд, и контекст до 1 млн токенов. Модель предназначена для диалогов с изображениями и видео, задач программирования и длительных агентных сценариев с вызовом инструментов. Разработчик заявляет ускорение обработки длинного контекста благодаря MSA, однако эта сборка помечена как экспериментальная: калибровка NVFP4 ещё дорабатывается, а влияние REAP50 на качество проверено не полностью. Для корректного использования калибровки требуется поддержка соответствующих масштабов NVFP4 в среде запуска. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

notdiamond-0001 — классификатор-маршрутизатор запросов, разработанный Not Diamond. Он оценивает текстовый запрос и возвращает метку GPT-3.5 или GPT-4, помогая выбирать подходящую модель перед отправкой запроса; сами вызовы выбранной модели выполняются клиентом с собственными ключами. Модель обучена на сотнях тысяч примеров из междоменного оценивания. Архитектура — BERT для классификации последовательностей, около 205,1 млн параметров; принимает текст и выдаёт одну из двух меток. Контекст ограничен 512 токенами. Модель распространяется под лицензией Apache 2.0. Карточка не указывает поддерживаемые естественные языки, поэтому описание сценариев не предполагает конкретного языка.

Ornith-1.0-35B-AEON-Ultimate-Uncensored-BF16 — текстовая генеративная модель AEON-7 на основе DeepReinforce AI Ornith-1.0-35B. Это вариант с удалённым поведением отказа, созданный методом abliteration; в карточке заявлено, что при этом сохранены навыки программирования и агентные возможности базовой модели. Модель распространяется в формате BF16, имеет архитектуру MoE семейства Qwen 3.5 с 35 млрд параметров и заявленным контекстом 256 тыс. токенов. README также указывает на унаследованную от базы обработку изображений и видео, хотя основная задача в метаданных — text-generation. Модель предназначена для генерации текста и кода, рассуждений, агентных сценариев и взаимодействия с инструментами. Автор сообщает о результатах внутренних проверок на отказах и задачах программирования; эти оценки приведены в карточке модели и не являются независимым подтверждением качества. Лицензия — MIT. Удаление отказов означает, что модель может выдавать вредоносные или откровенные ответы, включая код и инструкции, которые могут быть запущены внешними инструментами. Результаты генерации могут быть ошибочными; для интеграций с исполнением кода и вызовами инструментов необходим контроль на стороне пользователя.

Ornith-1.0-9B-GGUF — GGUF-квантизированная версия Ornith-1.0-9B, разработанная Unsloth на базе модели deepreinforce-ai/Ornith-1.0-9B. Это компактная открытая модель для агентного программирования, ориентированная на эффективное развёртывание на одной GPU и решение задач, связанных с разработкой и изменением кода. Модель относится к семейству Ornith-1.0, в котором применяется обучение с подкреплением для совместной оптимизации решений и scaffolding, управляющего поиском решения. Для версии 9B заявлены результаты 43,1 на Terminal-Bench 2.1 (Terminus-2), 40,6 на Terminal-Bench 2.1 (Claude Code) и 69,4% на SWE-bench Verified. README не содержит точных сведений о размере контекста, языках программирования, поддерживаемых модальностях или конкретной архитектуре; из тегов следует принадлежность к семейству Qwen 3.5 MoE, но это не позволяет достоверно описать архитектуру данной версии. К сильным сторонам относятся специализация на агентном кодинге, компактный размер и возможность локального запуска с использованием GGUF. Ограничения связаны с отсутствием в представленных данных подробностей о квантизации, требованиях к памяти, контекстном окне и языковом покрытии, поэтому практические характеристики следует уточнять отдельно. Модель распространяется по лицензии MIT.

pansophic-1-preview — экспериментальная разговорная языковая модель, разработанная Pansophic и дообученная на базе Meta Llama 3.1 8B. Модель содержит около 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат диалогов ChatML; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации ответов на инструкции на румынском и английском языках. Карточка также описывает следование системным инструкциям, использование внешних инструментов и ответы с опорой на предоставленный контекст, поэтому её можно применять в чат-ботах, прототипах агентов и вопросно-ответных сценариях по документам. Для запуска используется Transformers, веса опубликованы в формате safetensors. Модель дообучена с применением APO-ZERO; доступна по лицензии llama3.1. Она может выдавать ошибочные или бессвязные ответы, особенно на сложные и тонкие вопросы, поэтому не подходит для критически важных решений без дополнительной проверки.

Pebblo Classifier — модель DAXA.AI для классификации англоязычных документов соглашений по 21 категории. Она предназначена для автоматической сортировки договорных документов в организациях и может применяться в системах управления документами и RAG-контурах. Модель построена на DistilBERT и дообучена на базе distilbert-base-uncased. По карточке, обучающая выборка содержит 141 055 примеров; контекст модели — до 512 токенов. На тестовой выборке указаны accuracy 0,8424 и F1 0,8505. Лицензия — MIT. Качество зависит от соответствия входных документов обучающим категориям и распределению данных. В карточке также отмечена возможность смещений; для других типов документов или языков показатели не приведены.

ProCreations_grug-27b-v1.1-GGUF — это квантизированная версия модели grug-27b-v1.1, разработанной ProCreations и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp. Модель содержит 27 миллиардов параметров и предназначена для задач рассуждения, агентских сценариев, использования инструментов и эффективной генерации текста. Модель поддерживает английский язык и текстовый ввод, а также обработку изображений при использовании дополнительного файла mmproj. Она выпускается в нескольких вариантах квантизации от BF16 до низкобитных Q3 и IQ3, что позволяет выбирать между качеством, требованиями к памяти и скоростью работы. Рекомендуемым универсальным вариантом указан Q4_K_M размером 17,53 ГБ, а версии Q5 и Q6 обеспечивают более высокое качество при больших требованиях к ресурсам. К сильным сторонам относятся крупный размер, поддержка мультимодального ввода, режимы, ориентированные на рассуждение и tool use, а также наличие imatrix-квантизаций для более эффективного хранения. Архитектура, размер контекстного окна и подробные показатели качества в README не указаны; perplexity и KLD не измерялись. Спекулятивное декодирование не поддерживается. Модель распространяется по лицензии Apache-2.0.

talzoomanzoo/qwen2_5_3b_uid_reference_lr3e6_step2 — дообученная языковая модель на архитектуре Qwen2, созданная на базе Qwen/Qwen2.5-3B. Модель содержит 3,1 млрд параметров и использует формат safetensors; метаданные указывают интерфейсы чата и вызова инструментов. Модель предназначена для генерации текста и может использоваться в диалоговых приложениях и системах, подключающих инструменты. Заявленная длина контекста — 32 768 токенов. Метаданные не определяют специализацию по предметной области или поддержку конкретных естественных языков. Указана лицензия other; конкретные условия использования по имеющимся данным установить нельзя.

coder3101/Qwen3.5-35B-A3B-heretic — мультимодальная разговорная модель на основе Qwen3.5-35B-A3B, изменённая автором репозитория методом abliteration для заметного снижения частоты отказов. Это модель с причинным языковым ядром и кодировщиком изображений; архитектура использует разреженную смесь экспертов и Gated Delta Networks: всего 35 млрд параметров, из которых активируются около 3 млрд. Веса доступны в формате Safetensors и совместимы с Transformers и рядом движков инференса. Модель предназначена для диалогов, ответов на вопросы по изображениям, рассуждений и сценариев с вызовом инструментов. Она унаследовала от базовой модели контекст 262 144 токена с возможностью расширения примерно до 1 010 000 токенов. Карточка сообщает о поддержке 201 языка и диалекта базовой моделью, но не уточняет языковой охват именно этой производной версии. В приведённом сравнении частота отказов составила 5 из 100 запросов против 91 из 100 у исходной модели; KL-дивергенция относительно неё указана как 0,0972. Это указывает на ослабление отказного поведения, но не подтверждает качество ответов по другим задачам. Лицензия — Apache-2.0. Пониженная частота отказов означает, что модель может слабее ограничивать ответы на потенциально вредные запросы.

INCModel2/Qwen3.5-397B-A17B-MXFP4-Mixed-CT-AutoRound — вариант Qwen3.5-397B-A17B, сжатый в формат MXFP4 с помощью intel/auto-round и представленный в формате llm_compressor. Это мультимодальная модель с архитектурой Qwen3.5 MoE, предназначенная для диалогов и обработки изображений вместе с текстом; заявлен интерфейс вызова инструментов. В репозитории доступны веса safetensors, а для запуска автор приводит пример с vLLM и контекстом до 131072 токенов. Модель подходит для вопросов по изображениям, диалогов, задач на рассуждение и сценариев с вызовом инструментов. В приведённых тестах MXFP4 сохраняет 99,5% среднего результата BF16 на GSM8K, MMLU, PIQA и HellaSwag. README предупреждает о возможных фактических ошибках, предвзятых или оскорбительных ответах и рекомендует проверять безопасность перед развертыванием. Указано следовать лицензии исходной модели; метаданные репозитория указывают Apache-2.0.

Qwen35B-Agent-R2-i1-GGUF — квантизированная GGUF-версия модели Qwen35B-Agent-R2, подготовленная mradermacher. Базовая модель разработана автором или организацией hotdogs; точная информация о разработчике в README не указана. Модель предназначена для генерации текста, диалоговых сценариев, reasoning, агентских задач, использования инструментов и tool calling. Обучение или дообучение связано с датасетами для рассуждений, агентскими траекториями и conversational-задачами. Модель относится к архитектуре Mixture-of-Experts и имеет заявленный размер 35B, поддерживает текстовый ввод и вывод. В метаданных указаны английский и тайский языки. Модель распространяется в виде набора квантизаций GGUF с разным компромиссом между размером, скоростью и качеством: от IQ1_S размером 7,6 ГБ до Q6_K размером 28,6 ГБ. Варианты IQ-квантизации могут быть предпочтительнее сопоставимых обычных вариантов по размеру, но низкобитные версии заметно ограничены по качеству. Оптимальными по соотношению размера, скорости и качества README называет i1-Q4_K_S, а i1-Q4_K_M — быстрой и рекомендуемой. В README не указаны размер контекстного окна, точные параметры архитектуры, мультимодальные возможности и результаты бенчмарков, поэтому нельзя сделать выводы об этих характеристиках. Лицензия модели — AGPL-3.0; условия использования производных квантизированных файлов следует учитывать вместе с лицензией базовой модели.

JANGQ-AI представляет JANGTQ4 — квантованную версию мультимодальной модели Qwen3.6-35B-A3B, подготовленную для MLX и Apple Silicon. Модель предназначена для диалогов, анализа изображений и агентных сценариев; поддерживает интерфейс вызова инструментов. В исходной модели 35 млрд параметров, около 3 млрд активируются на токен. Архитектура MoE сочетает 30 слоёв Gated DeltaNet с линейным вниманием и 10 слоёв полного внимания, а также 256 маршрутизируемых экспертов и одного общего эксперта. В JANGTQ4 веса маршрутизируемых экспертов сжаты до 4 бит методом TurboQuant с кодовыми книгами Lloyd–Max и преобразованием Адамара; ряд остальных компонентов хранится в 8-битном формате, а башня зрения сохранена. Репозиторий использует safetensors и библиотеку MLX. Для загрузки квантованных тензоров требуется специальный загрузчик JANG Tools; стандартный mlx_lm.load() их не поддерживает. README указывает, что для видео в MLX-пути нужна собственная обёртка, а для основного mlx-vlm рекомендуется ограничиться изображениями. Лицензия — Apache-2.0.

Модель lordx64/Qwen3.6-35B-A3B-Kimi-K2.6-Reasoning-Distilled — дообученная методом дистилляции версия Qwen3.6-35B-A3B, созданная автором lordx64. Она обучена на примерно 7,8 тыс. примеров рассуждений Kimi K2.6 и воспроизводит более подробный, пошаговый стиль ответов с явными блоками рассуждений. Архитектура — разреженная Mixture-of-Experts с 35 млрд параметров, из которых около 3 млрд активны на каждом токене; заявленная длина контекста — 64 тыс. токенов. Модель предназначена для сложных STEM-задач, конкурсной математики, пошагового анализа кода, логических задач и агентного планирования. Она принимает текст и генерирует текст; карточка указывает английский язык. Длинные цепочки рассуждений могут увеличить задержку и расход токенов, а дистилляция не добавляет знаний сверх возможностей базовой модели. Автор предупреждает, что приведённые в README результаты оценки зависят от используемого конвейера и для ряда тестов ненадёжны. Дополнительное обучение безопасности не проводилось. Лицензия Apache-2.0 разрешает коммерческое и исследовательское применение.

TeichAI разработала Qwen3.8-27B-Fable-Distill как лёгкое дообучение мультимодальной модели Qwen3.8-27B на датасетах Fable 5 и личных данных Fable 5. Модель предназначена для диалогов и многошаговых задач; в каталоге для неё указана задача image-text-to-text, а метаданные отмечают поддержку анализа изображений и интерфейс вызова инструментов. Модель плотная, содержит 27 млрд параметров и использует архитектуру Qwen3_5ForConditionalGeneration. Шаблон поддерживает режим enable_thinking и уровни reasoning_effort low, medium и xhigh; по умолчанию выбран xhigh, при котором модель подробно рассуждает в каждом ответе. В README приведены результаты ARC Challenge, ARC Challenge (Easy) и BoolQ, превосходящие показатели базовой модели на этих тестах. Указана лицензия Apache-2.0. Длина контекста и ограничения по качеству в карточке не описаны.

ddark-il/Qwen3.8-Flash-Next-Uncensored-Mixed-omlx — это MLX-квантизированная версия модели orcarouter/Qwen3.8-Flash-Next-Uncensored, подготовленная для запуска через oMLX на устройствах Apple Silicon. Модель основана на архитектуре qwen4_exp с разреженными экспертами (MoE), поддерживает текстово-визуальные сценарии и имеет тег image-text-to-text. В README не указано, что ddark-il является исходным разработчиком базовой модели; он предоставляет адаптированный квантованный вариант. Модель содержит около 180 млрд параметров и использует смешанную AWQ/affine-квантизацию с эффективной точностью 4,86 бит на параметр. Размер файлов составляет около 109,24 ГБ, а заявленная длина контекста — до 262 тысяч токенов. В составе предусмотрены MTP-компонент для speculative decoding, GDN и sparse attention, а также vision-модули. Квантизация распределена по чувствительности компонентов: маршрутизируемые эксперты и некоторые таблицы имеют 4-битную точность, критичные элементы сохранены в 8-битном или BF16-виде. Модель предназначена для длинноконтекстной генерации текста, агентских сценариев с вызовами инструментов и задач, сочетающих текст и изображения. На M5 Max с 128 ГБ памяти и oMLX 0.6.4 автор README измерил около 30,7 токена в секунду при работе с длинными агентскими сессиями. Ограничения включают требование oMLX версии не ниже 0.6.3rc3, значительное потребление памяти, зависимость от корректной настройки mmap для PLE-таблицы и отсутствие дополнительного обучения или калибровки. Лицензия — Apache-2.0.