I.14Автоматизация процессов и AI-агенты

Qwopus3.5-27B-v3 — мультимодальная модель на 27 млрд параметров, разработанная Jackrong на базе unsloth/Qwen3.5-27B. Она дообучена с помощью SFT и LoRA с дистилляцией структурированного рассуждения и дополнительным обучением вызову инструментов; поддерживает диалоги и обработку изображений. Модель предназначена для задач программирования, математики, логических рассуждений и многошаговых сценариев с инструментами, включая агентные фреймворки вроде OpenClaw. Автор заявляет о более коротких и устойчивых цепочках рассуждений и высокой эффективности генерации токенов, однако приведённые оценки ограничены и не подтверждают качество во всех областях. Модель может галлюцинировать, зацикливаться или отклоняться в рассуждениях; автор обозначает её как тестовую версию для обучения, демонстраций и технического исследования. Лицензия — Apache-2.0.

SKILLRET-Edge-22M — компактный двунаправленный энкодер на базе BERT, разработанный ThakiCloud для поиска подходящего навыка агента по запросу на естественном языке. Модель дообучена дистилляцией из ThakiCloud/SKILLRET-Embedding-0.6B и основана на Snowflake/snowflake-arctic-embed-xs. В метаданных указано 25,9 млн параметров; README приводит 22,7 млн. Модель принимает текстовые запросы и описания навыков, формирует нормализованные эмбеддинги для семантического сопоставления. Для запросов используется кодирование без префикса инструкции. Контекст модели — 512 токенов; в оценке применялась максимальная длина 256 токенов. На тестовом наборе SKILLRET из 4 392 запросов и 6 006 навыков модель показала NDCG@10 75,26. По данным README, fp16-файл занимает 45,4 МБ; приведены также результаты int8-квантизации и задержки на CPU. Модель предназначена для извлечения навыков из каталога, в том числе при локальном запуске рядом с агентом. Она выдаёт эмбеддинги, а не готовые текстовые ответы. Лицензия — Apache-2.0.

UI-Voyager — специализированный мультимодальный агент для управления мобильными графическими интерфейсами. Модель разработана на основе Qwen3-VL-4B-Instruct и дообучена по двухэтапной схеме, которая использует неудачный опыт для улучшения поведения. Архитектура dense, около 4 млрд параметров; модель работает с изображениями и текстом и выдаёт текстовые ответы или команды агента. Модель предназначена для распознавания элементов интерфейса, понимания их функций и автономного выполнения задач на Android-устройствах. В карточке заявлен результат 81,0% успешных заданий на AndroidWorld. Модель наследует от базовой Qwen3-VL возможности визуального восприятия, OCR и мультимодального рассуждения. Лицензия — MIT.

Vedika 4.1 Flash — экспериментальная предварительная версия мультимодальной модели Veda Labs с открытыми весами. Это причинная языковая модель с визуальным энкодером, ориентированная на диалог, рассуждения и агентные сценарии; интерфейс также предусматривает вызов инструментов. Для загрузки требуется включить trust_remote_code из-за пользовательской архитектуры. Модель совместима с Transformers и рядом движков инференса. Модель содержит 125 млрд параметров, из которых активируются 6 млрд, а также 51 млрд параметров n-граммных эмбеддингов и 4 млрд параметров MTP. Архитектура сочетает разреженное внимание Vedika, Gated DeltaNet, MoE и gated residual. Заявленная длина контекста — 262 144 токена с возможностью расширения до 1 000 000. README не приводит перечень поддерживаемых языков и численные результаты бенчмарков; модель работает в режиме рассуждений по умолчанию. Лицензия в предоставленных материалах не указана.

Карточка модели roskosmos19/Whale-4B-Thinking 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.

Модель sanchit-gandhi/whisper-small-ft-common-language-id — дообученная Sanchit Gandhi версия Whisper Small от OpenAI для классификации аудио по языку речи. Она основана на архитектуре Whisper и обучена на датасете Common Language; в метаданных указано 153,1 млн параметров. На оценочной выборке модель достигла точности 0,8860 при значении loss 0,6409. Подходит для определения языка в аудиозаписях, например перед выбором подходящей системы распознавания речи. Распространяется по лицензии Apache-2.0.

YOLOS-base-signature-detection — модель обнаружения объектов, дообученная Марио Дефрансом на базе hustvl/yolos-base для поиска рукописных подписей на изображениях документов. Она использует архитектуру YOLOS на основе Vision Transformer и выдаёт области изображения с обнаруженными подписями. Модель рассчитана на обработку сканов договоров, форм и других документов; её можно использовать в конвейерах проверки документов с последующей проверкой результатов человеком. Обучение проводилось на наборе изображений подписей, собранном из Tobacco800 и signatures-xc8up и подготовленном в формате COCO; в метаданных также указан набор tech4humans/signature-detection. Репозиторий содержит около 113,2 млн параметров, веса представлены в формате safetensors, для работы заявлена поддержка PyTorch через Transformers. Модель лицензирована по Apache 2.0. Она предназначена только для обнаружения подписей, не для поиска других объектов или проверки подлинности подписи. Возможны ложные срабатывания и пропуски; качество может снижаться на шумных, низкокачественных изображениях и при разнообразии стилей, недостаточно представленном в обучающих данных. Для юридически или финансово значимых процессов результаты следует проверять вручную.

Bonsai-2-27B-Ternary-JANG — мультимодальная модель с плотной архитектурой Qwen3.8-27B, подготовленная OsaurusAI как JANG-affine-перепаковка тернарных весов Prism ML. Модель предназначена для диалогов и рассуждений с текстом, а также обработки изображений и видео; в комплекте сохранены шаблон чата Qwen3.8, обработчики изображений и видео и интерфейс вызова инструментов. Текстовые веса исходной модели сохранены без повторной квантизации: 402 модуля используют тернарные значения в 2-битных слотах с группами размера 128. Некоторые линейные слои зрения хранятся в 6-битном формате, а ряд других параметров — в исходной точности. Архитектура включает 64 блока: 48 GatedDeltaNet и 16 блоков полного внимания. Для корректной работы необходим загрузчик с поддержкой JANG Hadamard; стандартные загрузчики mlx_lm и mlx_vlm могут выдавать неверные результаты. Модель распространяется по лицензии Apache-2.0.

psikosen/canopy-258m-r3-v4 — компактная генеративная модель семейства Canopy, представленная как модель для рассуждений на периферийных устройствах и автоматизации браузера. В README описана архитектура рекуррентной смеси экспертов (MoE), однако метаданные указывают класс CanopyForCausalLM и 136,8 млн параметров; поэтому размер и точные архитектурные детали в источниках расходятся. Согласно README, модель ориентирована на генерацию текста, многошаговые рассуждения и выполнение действий в браузере, включая заполнение форм и цепочки действий. В карточке заявлены ограничение памяти KV-кэша при длинных последовательностях и ускорение генерации и браузерных операций; эти показатели приведены самим автором и независимая проверка в предоставленных данных отсутствует. Метаданные указывают английский язык и поддержку чата и кода. Модель распространяется под лицензией Apache-2.0.

DeQA-Doc-Overall — модель компьютерного зрения и языка из семейства DeQA-Doc, основанного на проекте Junjie Gao и коллег, для оценки общего визуального качества сканов и фотографий документов. Она анализирует изображение и выдаёт оценку по шкале от 1 (плохое качество) до 5 (отличное), которую можно использовать для контроля сканирования, оцифровки архивов и предварительной фильтрации перед OCR. Модель дообучена полным fine-tuning на наборах данных качества документов и основана на mPLUG-Owl2: языковой модели LLaMA 2 и визуальном энкодере CLIP ViT-L/14 с Visual Abstractor. Изображения масштабируются до 448×448 с сохранением пропорций. В карточке указано около 7,2 млрд параметров, а метаданные каталога — 6,6 млрд; заявленный контекст составляет 2048 токенов. Репозиторий использует PyTorch, библиотека загрузки — Transformers, лицензия — Apache-2.0. Модель предназначена для изображений документов, например форм, писем и отчётов, и может помогать выявлять сканы для повторной съёмки или восстановления. Она может хуже работать с обычными фотографиями и художественными изображениями; оценка субъективна и зависит от распределения обучающих данных. Для эффективного вывода требуется значительный объём видеопамяти.

mlx-community/functiongemma-270m-it-bf16 — преобразованная в формат MLX версия компактной текстовой модели Google FunctionGemma 270M Instruct. Она построена на плотной архитектуре Gemma 3 и предназначена для генерации текста в диалогах, включая сценарии вызова функций и создания специализированных локальных агентов после дообучения. Модель содержит 257 млн параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors для использования с библиотекой MLX. Лицензия — Gemma. Карточка описывает конвертацию исходной модели google/functiongemma-270m-it; отдельные сведения о дополнительном дообучении этой версии отсутствуют.

HaluGate Sentinel — классификатор запросов пользователя, разработанный проектом llm-semantic-router для маршрутизации в системах LLM. Он определяет, требует ли запрос проверки фактов и внешних источников знаний: например, отправляет factual-вопросы в RAG или инструменты, а творческие, кодовые и математические запросы позволяет направлять прямо к генеративной модели. Самостоятельно ответы и факты он не проверяет. Модель основана на encoder-архитектуре ModernBERT-base размером 149 млн параметров с классификационной головой и LoRA-дообучением; принимает текст и выдаёт одну из двух меток: FACT_CHECK_NEEDED или NO_FACT_CHECK_NEEDED. Контекст — до 8192 токенов. Обучение и заявленные сценарии ориентированы на английский язык. В README указаны точность 96,4% и F1 0,965 на валидации, однако пороговые и смешанные запросы могут быть неоднозначны, поэтому оценку уверенности следует считать сигналом для маршрутизации, а не гарантией. Лицензия — Apache-2.0.

Iris-pro — открытая модель поискового агента от AllSpark-Research, дообученная на базе Qwen3.5-397B-A17B чередованием supervised fine-tuning и обучения с подкреплением. Это MoE-модель с 397 млрд параметров, из которых активны 17 млрд на токен; в README также указаны 512 экспертов и 10 активных экспертов. Модель предназначена для многошагового веб-поиска и глубокого исследования: она выбирает, что искать, анализирует найденные материалы, решает, продолжать ли поиск, и формирует ответ, когда собранных свидетельств достаточно. Для запуска README предлагает SGLang и конфигурацию с длиной контекста 262144 токена; такой размер модели требует нескольких узлов или крупного сервера. В метаданных указаны библиотека Transformers и возможность диалога. В README приведены результаты на BrowseComp, BrowseComp-ZH, DeepSearchQA и текстовой подвыборке HLE; оценки зависят от режима управления контекстом и условий конкретного теста. Лицензия — Apache-2.0. Модель ориентирована на поисковые агентные сценарии, а не на универсальную обработку изображений: наличие мультимодальной базовой модели само по себе не подтверждает поддержку изображений в Iris-pro.

unsloth/Jan-nano-GGUF — это GGUF-версия компактной языковой модели Jan-Nano, разработанной Menlo Research и подготовленной в формате квантования Unsloth Dynamic 2.0. Модель содержит около 4 миллиардов параметров и предназначена для генерации текста и выполнения задач глубокого исследования. Основной сценарий использования — работа с Model Context Protocol (MCP): модель оптимизирована для взаимодействия с MCP-серверами, исследовательскими инструментами и внешними источниками данных. Она оценивалась на SimpleQA с помощью методики, учитывающей интеграцию MCP, поэтому особенно ориентирована на инструментально дополненные исследовательские процессы. Модель также поддерживается приложением Jan, позволяющим запускать её локально с сохранением конфиденциальности и контроля над данными. К сильным сторонам относятся небольшой размер, локальный запуск и специализация на исследовательских задачах с использованием внешних инструментов. Ограничения связаны с относительно малым числом параметров по сравнению с крупными языковыми моделями; сведения о поддерживаемых языках, размере контекстного окна и точной архитектуре в предоставленных данных отсутствуют. Модель распространяется по лицензии Apache 2.0.

Карточка модели ansulev/LFM2.5-2.6B-Uncensored на Hugging Face совпадает с карточкой SC117/LFM2.5-2.6B-Uncensored, поэтому описание составлено по ней. SC117/LFM2.5-2.6B-Uncensored — производная текстовая модель сообщества на основе LiquidAI/LFM2.5-2.6B. Автор карточки описывает её как компактную модель для локального запуска и агентных сценариев; поведенческое редактирование abliterix Trial 65 снижает частоту отказов, сохраняя заявленные возможности следования инструкциям, работы с инструментами и многошаговых задач. Официальные бенчмарки для этой версии не проводились. Модель имеет плотную гибридную архитектуру LFM2: 30 слоёв, включая блоки коротких свёрток и GQA. Размер — 2,6 млрд параметров, контекст — 128 000 токенов. Поставляется в BF16 в формате safetensors и использует шаблон диалога на основе ChatML с маркером рассуждения <think>. В карточке не перечислены поддерживаемые естественные языки. Изменённое поведение означает более низкий порог отказа на запросы, поэтому модель может выдавать ответы, от которых отказывается базовая версия; её соответствие требованиям конкретного применения нужно оценивать отдельно. Это не официальный релиз Liquid AI. Указана лицензия LFM Open License v1.0, совпадающая с лицензией базовой модели; перед использованием следует учитывать её условия.

SC117/LFM2.5-2.6B-Uncensored — производная текстовая модель сообщества на основе LiquidAI/LFM2.5-2.6B. Автор карточки описывает её как компактную модель для локального запуска и агентных сценариев; поведенческое редактирование abliterix Trial 65 снижает частоту отказов, сохраняя заявленные возможности следования инструкциям, работы с инструментами и многошаговых задач. Официальные бенчмарки для этой версии не проводились. Модель имеет плотную гибридную архитектуру LFM2: 30 слоёв, включая блоки коротких свёрток и GQA. Размер — 2,6 млрд параметров, контекст — 128 000 токенов. Поставляется в BF16 в формате safetensors и использует шаблон диалога на основе ChatML с маркером рассуждения <think>. В карточке не перечислены поддерживаемые естественные языки. Изменённое поведение означает более низкий порог отказа на запросы, поэтому модель может выдавать ответы, от которых отказывается базовая версия; её соответствие требованиям конкретного применения нужно оценивать отдельно. Это не официальный релиз Liquid AI. Указана лицензия LFM Open License v1.0, совпадающая с лицензией базовой модели; перед использованием следует учитывать её условия.

Модель llm-semantic-router/lora_intent_classifier_bert-base-uncased_model — адаптер LoRA для классификации намерений, созданный на основе bert-base-uncased и входящий в проект semantic-router. Она относит текст к категориям вроде бизнеса, технологий и науки и предназначена для маршрутизации запросов в приложениях на базе semantic-router или для использования через Candle на Rust. В основе лежит архитектура BERT для классификации последовательностей; репозиторий содержит веса адаптера в формате safetensors. Общий размер модели составляет 136,7 млн параметров, длина контекста — до 512 токенов. Карточка указывает английский язык. Лицензия — Apache-2.0. Модель подходит для определения тематики и намерения коротких текстовых запросов. Карточка не приводит метрики качества и подробности набора меток, поэтому точность для конкретной схемы категорий следует оценивать отдельно; как адаптер LoRA, модель предназначена для работы с базовой моделью.

MemReader-4B — языковая модель MemTensor для операций с памятью в MemOS. Она предназначена для извлечения и обновления сведений из диалогов и документов, а также для создания кратких сводок разговоров и фрагментов документов. Модель построена на архитектуре Qwen3ForCausalLM и получена дообучением Qwen3-4B на размеченных людьми и сгенерированных моделями данных методом supervised fine-tuning. В метаданных указано 3,7 млрд параметров и контекст до 40 960 токенов; README приводит размер около 4 млрд параметров и контекст 32 768 токенов. Модель поддерживает английский и китайский языки и рассчитана на диалоговое применение, включая локальное извлечение памяти в средах с ограниченным доступом к интернету. По данным README, в оценке Locomo она показала результат, сопоставимый с более крупными моделями на задачах памяти; эти результаты относятся к описанной авторами оценке. Для загрузки доступна библиотека Transformers, веса представлены в формате Safetensors. Лицензия — Apache-2.0.

dealignai выпустила Ornith-1.5-35B-A3B-UNCENSORED-MXFP8 — версию Ornith-1.5-35B-A3B с удалённым на уровне весов поведением отказа и квантованием MXFP8 в формате MLX для Apple Silicon. Основа — мультимодальная MoE-модель семейства Qwen 3.5 с 35,9 млрд параметров; README указывает 40 слоёв, 256 маршрутизируемых экспертов, гибридный блок gated-delta и full attention, а также 27-слойную визуальную башню. Метаданные Hugging Face относят модель к задаче image-text-to-text и указывают поддержку чата, зрения и интерфейса вызова инструментов. Модель принимает текст и изображения; README также заявляет обработку видео. Она рассчитана на диалог, рассуждения, программирование с инструментами и анализ визуального содержимого. Карточка приводит результаты MMLU 78,9%, HarmBench 100% и KL-дивергенцию 0,0289 относительно некрякнутой MXFP8-версии; это результаты авторского тестирования на данном бандле. Для запуска предназначены vMLX или совместимая с архитектурой qwen3_5_moe среда MLX-VLM на Apple Silicon. Удаление отказов означает, что модель может выполнять запросы без защитного отказа; авторы ориентируют публикацию на исследования безопасности ИИ и разрешённое тестирование. Лицензия — Apache-2.0.

Proxy Lite — компактная модель Convergence AI для автоматизации действий в веб-браузере. Это дообученная 3,1-миллиардная плотная vision-language-модель на архитектуре Qwen2.5-VL, принимающая текст и изображения и генерирующая текстовые ответы и действия через интерфейс вызова инструментов. Модель рассчитана на последовательные сценарии веб-навигации: она получает наблюдения от пользователя или браузера, выбирает действие и продолжает работу с учётом истории диалога. Заявленное окно контекста — 128 000 токенов. В карточке сообщается результат 72,4% на WebVoyager; это показатель конкретного бенчмарка, а не гарантия выполнения произвольных задач. Для корректного разбора вызовов инструментов требуется подходящая конфигурация запуска; при управлении контекстом предыдущие наблюдения-изображения могут отбрасываться. Модель не предназначена для высокорисковых операций, несанкционированного извлечения данных и взаимодействия с подозрительными сайтами. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Qwen2.5-14B-Instruct-Abliterated — производная версия Qwen/Qwen2.5-14B-Instruct от sci4ai, созданная удалением поведения отказа с помощью изменения весов на основе активаций. Это плотная авторегрессионная модель семейства Qwen2 для генерации текста и диалогов; размер — 14 млрд параметров, контекст — до 32 768 токенов. README рекомендует её для агентных сценариев и вызова инструментов, отмечая следование форматам вызовов инструментов и многошаговые рассуждения. При обработке модели удаляли направления отказа в выходных проекциях attention и MLP в 47 из 48 слоёв. Поэтому модель может отвечать на запросы, которые базовая модель отклонила бы; качество и безопасность ответов не гарантированы. Модель распространяется по лицензии Apache-2.0. README приводит исследовательскую оговорку и возлагает ответственность за использование на пользователя.

Qwen3.5-35B-A3B-Repair — исследовательская дообученная модель Minbyul на базе Qwen/Qwen3.5-35B-A3B. Она предназначена для многошаговых веб-агентов, которые ищут информацию, открывают страницы и находят сведения внутри них с помощью вызовов инструментов. Модель обучена на траекториях работы агента, где избыточный поиск после сбора достаточных доказательств обрезан, а рассуждения, не подтверждённые найденным содержимым, удалены. Цель обучения — улучшить выбор момента остановки и связь ответов с источниками. Модель использует архитектуру MoE с примерно 35 млрд параметров, из которых около 3 млрд активны на каждом токене; архитектура и шаблон вызова инструментов унаследованы от базовой модели. Контекст обучения — 131 072 токена. Доступны полные веса bf16 в формате safetensors. Модель рассчитана прежде всего на англоязычные рассуждения и веб-навигацию; лицензия — Apache-2.0. Это не универсальный помощник: её поведение настроено на совместимую среду веб-агента и соответствующий формат инструментов. Обрезанные обучающие примеры могут привести к недостаточной проверке там, где она действительно нужна; дополнительное выравнивание безопасности не проводилось.

Qwen3.5-4B-heretic — доработанная модель coder3101 на базе мультимодальной Qwen/Qwen3.5-4B от Qwen. Это плотная модель с причинным языковым ядром и визуальным энкодером: она принимает текст и изображения и генерирует текст. Базовая архитектура насчитывает 4 млрд параметров и сочетает Gated Delta Networks с механизмом внимания; нативный контекст составляет 262 144 токена, с расширением до 1 010 000 токенов. В карточке заявлена поддержка 201 языка и диалекта для семейства Qwen3.5. Модель предназначена для диалога, рассуждений, работы с изображениями и вызова инструментов. Вариант heretic получен методом abliteration и заметно реже отказывается отвечать: в приведённом сравнении отказы снизились с 94 из 100 у исходной модели до 4 из 100, при KL-дивергенции 0,0406. Это изменение поведения может повысить риск нежелательных ответов; результаты приведены в README и не описывают качество на широком наборе задач. Репозиторий содержит веса в формате Safetensors для Transformers и совместимых движков. Лицензия — Apache-2.0.

Qwen35B-Agent-R2-Abliterated-i1-GGUF — набор квантизированных GGUF-файлов модели hotdogs/Qwen35B-Agent-R2-Abliterated, подготовленный mradermacher. Модель ориентирована на агентские сценарии, использование инструментов и вызов функций, рассуждения и диалоговое взаимодействие. В README также заявлена поддержка обработки изображений и задач image-text-to-text, однако подробности мультимодальной архитектуры не указаны. Модель относится к семейству Qwen и использует архитектуру mixture-of-experts (MoE); заявленный размер — 35B параметров. В качестве языков указаны английский и тайский. Модель обучалась с применением SFT на наборах данных, связанных с рассуждениями, агентскими траекториями и диалогами. Размер контекста, точные характеристики базовой архитектуры и результаты оценивания не указаны. Репозиторий предоставляет варианты квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 7,6 до 28,6 ГБ, а также imatrix-файл. Более компактные варианты требуют меньше памяти, но могут заметно терять в качестве; в README рекомендован i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S описан как оптимальный баланс размера, скорости и качества. Ограничения включают возможное снижение качества при низких уровнях квантизации, а также отсутствие подробных данных о производительности и требованиях к оборудованию. Лицензия — AGPL-3.0.

philbert440/Qwen3.6-40B-DeckardUncensored-OpusDistilled-HermesCalibrated-W4A16-AWQ — мультимодальная vision-language модель семейства Qwen3.6, разработанная philbert440. Она предназначена для генерации текста по текстовым и визуальным входным данным, а также для сценариев с использованием инструментов и function calling. Модель относится к коллекции Deckard-40B Uncensored и прошла Hermes-калибровку для задач работы с инструментами. Модель имеет размер 40B параметров и использует 4-битное квантование весов W4A16-AWQ с FP16-активациями и форматом compressed-tensors. Указана совместимость с 1Cat-vLLM на Tesla V100 с архитектурой SM70, включая режим TurboMind, а также со стандартным vLLM на GPU Ampere и новее. README не содержит сведений о поддерживаемых языках и максимальной длине контекста. К сильным сторонам относятся мультимодальность, поддержка tool use и function calling, а также возможность запуска крупной модели в квантованном формате на ограниченных GPU-ресурсах. Модель позиционируется как abliterated, то есть из неё удалены отказы, связанные с механизмами безопасности; это может расширять диапазон ответов, но повышает риски небезопасного или неправомерного использования и требует самостоятельного контроля со стороны пользователя. Модель распространяется по лицензии Apache-2.0.

KikoCis/Qwen3.8-27B-GGUF — набор квантованных моделей в формате GGUF на основе Qwen/Qwen3.8-27B, разработанной командой Qwen. Репозиторий предназначен для локального запуска текстовой генерации, включая агентские сценарии с многошаговым использованием инструментов, при ограниченных ресурсах. Доступны варианты квантования от 1,94 до 3,40 бит на вес и размером от 6,46 до 16,81 ГБ. Архитектура модели включает 65 блоков: 48 SSM/linear-attention, 16 полноценных attention-блоков и одну MTP-голову. Благодаря этому KV-кэш заявлен как относительно экономичный — около 64 КБ на токен против примерно 256 КБ у полностью attention-модели сопоставимого размера. Нативное контекстное окно заявлено как 262 144 токена, но в README его практическая работоспособность не подтверждена. Модель рассчитана только на текст: исходная базовая модель мультимодальна, однако в этом репозитории отсутствует mmproj, поэтому обработка изображений невозможна. Наиболее удачным вариантом для агентов авторы считают IQ2_M: в измеренном тесте он выполнил 79 из 80 задач, почти соответствуя Q3_K_M с результатом 40 из 40, при меньшем размере. IQ2_XS экономит немного места, но показал более низкий результат, а варианты IQ1 предназначены скорее для связного текста и не рекомендуются для инструментальных агентов. Сильная сторона архитектуры — экономия памяти на длинном контексте, ограничением является медленный prefill, особенно в многошаговых диалогах. Результаты зависят от backend и runtime: приведённые измерения выполнялись через Ollama и не должны напрямую переноситься на другие реализации. Распространяется по лицензии Apache-2.0.

Модель leobobo/qwen_finetune_16bit_pipeline — дообученная языковая модель семейства Qwen3, разработанная leobobo на базе unsloth/qwen3-8b-unsloth-bnb-4bit. Это плотная авторегрессионная модель с 7,6 млрд параметров для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Нативная длина контекста — 40 960 токенов. При обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для генерации ответов и ведения диалогов на английском языке, а также для сценариев, где приложению нужно передавать запросы инструментам через соответствующий интерфейс. В карточке указана лицензия Apache-2.0. Данных о специализированных областях применения и результатах оценки качества нет.

HuggingJin выпустил чекпойнт третьего цикла SDPO + ReSAIL на базе Qwen/Qwen3-8B, дообученный на TextCraft. Это плотная причинная языковая модель с 7,6 млрд параметров, рассчитанная на генерацию текста и работу в диалоговом режиме; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживает контекст до 40 960 токенов. В экспериментах TextCraft авторы сообщают средний результат 73,3% по трём случайным начальным состояниям декодирования; режим рассуждений был отключён. Лицензия — Apache 2.0.

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.

seanpoyner/smolcode-coder-java-3b-tools — это компактная причинная языковая модель семейства Qwen2, дообученная Sean Poyner на основе Qwen/Qwen2.5-Coder-1.5B-Instruct. Модель содержит 3,1 млрд параметров, имеет контекст до 32 768 токенов и распространяется в форматах safetensors и GGUF Q4_K_M. Лицензия — Apache-2.0. Модель предназначена для генерации кода в диалоге с поддержкой вызова инструментов: она выдаёт структурированные вызовы функций, которые можно использовать в агентном цикле программирования, а также формирует итоговые ответы. При дообучении использовались датасет NousResearch/hermes-function-calling-v1 и синтетические траектории использования инструментов; README описывает запуск через шаблон чата Qwen с передачей tools=. Карточка указывает английский язык. Основные сценарии — помощь с кодом и вызов инструментов в среде smolcode; конкретная языковая специализация на Java из доступных сведений не подтверждается. README сообщает, что версия v2 исправляет несовпадение шаблонов обучения и инференса, а выпуск связан с проверкой доли успешно разбираемых вызовов инструментов; показатели качества в карточке не приведены.