I.14Автоматизация процессов и AI-агенты

TAMEV-Medium-Qwen3.5-0.8B — модель принятия решений и маршрутизации, разработанная Tamkimd. Она оценивает переданный список вариантов относительно состояния и вопроса и возвращает вероятности выбора за один проход, не генерируя свободный текст. Подходит для маршрутизации запросов и агентов, выбора инструмента, классификации намерений, сортировки очередей, ответов на вопросы с вариантами и порядковой оценки по заданной шкале. Модель основана на Qwen3.5-0.8B-Base с обученным указательным слоем; README сообщает, что для работы слоя требуется базовая модель с объединённым LoRA-адаптером jaredpalmer/kev-0.8b. Репозиторий содержит обученный указательный слой, а базовая модель загружается отдельно. Модель предназначена для англоязычного текста. В README приведены измерения top-1 71,36% и ECE 0,0866 на наборе из 838 примеров, но этот набор не проверялся на пересечение с обучающими данными; авторы характеризуют этот вариант как находящийся в разработке и рекомендуют более компактные варианты семейства для практического применения. Лицензия — Apache-2.0. Результаты чувствительны к порядку и формулировке вариантов: при перестановке списка измеренный дрейф вероятностей составил 0,032, а top-1 менялся на 6% элементов проверочного набора. Калибровка зависит от набора данных, поэтому модель следует проверять на собственных примерах; авторы не рекомендуют использовать её как непроверенный механизм безопасности. Она не предназначена для свободной генерации текста или ответов на фактические вопросы.

Tiel-Coder-35B-A3B-Genesis-Hermes-GGUF — языково-кодовая модель в формате GGUF, разработанная LuffyTheFox на основе Ornith-1.5-35B-A3B, с использованием компонентов Tiel-Coder и Hermes-файнтюнинга. Модель дополнительно обработана методом Genesis, который автор описывает как численную коррекцию шумов и дефектов в весах без переобучения. Указана лицензия MIT. Модель предназначена для программирования, агентных сценариев, вызова функций и задач, требующих следования инструкциям. Поддерживаются текстовые и визуальные сценарии, однако для работы с изображениями требуется отдельный файл mmproj. В README заявлена поддержка английского, китайского и многоязычного ввода. Архитектура гибридная: Gated DeltaNet с линейным вниманием сочетается с полным softmax-вниманием в соотношении 3:1. Всего модель содержит около 35 млрд параметров, из которых примерно 3 млрд активируются за один проход; используется MoE-схема с 256 экспертами, 8 маршрутизируемыми и 1 общим экспертом на токен, а также 40 слоями. Для сохранения возможностей рассуждения рекомендуется контекст не менее 128K токенов и запуск через llama.cpp с флагом --jinja. Модель ориентирована на эффективный инференс, но требует значительных вычислительных ресурсов, особенно при использовании длинного контекста и визуального режима. README не содержит независимых результатов бенчмарков, поэтому заявленные улучшения стабильности, качества и снижения галлюцинаций следует считать утверждениями автора, а не подтверждёнными измерениями.

WebJudge-7B — мультимодальная модель оценки действий веб-агентов, разработанная OSU NLP и дообученная на Qwen2.5-VL-7B-Instruct. Она анализирует скриншоты и текстовые данные о ходе взаимодействия с веб-сайтом, чтобы оценить траекторию агента и сохранить важные промежуточные визуальные наблюдения без избыточной нагрузки на контекст. Модель предназначена для оценки качества выполнения веб-задач и может использоваться как reward model в отборе примеров для дообучения, рефлексии и обучения с подкреплением. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров, поддерживает изображения и текст, а её контекст составляет до 128 000 токенов. В карточке заявлены результаты на наборах Online-Mind2Web и AgentRewardBench, включая высокое согласие с оценками людей и перенос на несколько тестов вне обучающего распределения. Использование — по лицензии Apache-2.0.

YOLOS Tiny для обнаружения рукописных подписей на изображениях документов. Модель разработал Mario DEFRANCE: он дообучил YOLOS Tiny от hustvl, основанную на Vision Transformer и обученную с функцией потерь DETR. Модель содержит 7,1 млн параметров и предназначена для поиска и локализации подписей в сканах договоров, форм и других документов. Она принимает изображения и выдаёт обнаруженные области с координатами и оценками. Модель компактна и в тестах автора показала более быстрое время инференса по сравнению с версиями YOLOS Small и Base; результаты замеров зависят от оборудования. Обучение проводилось на наборе из 2 819 изображений, объединённом из Tobacco800 и signatures-xc8up. Качество может снижаться на изображениях низкого качества, с шумом или необычными стилями подписей; возможны ложные срабатывания и пропуски. Модель рассчитана на обнаружение подписей, а не других объектов, и для важных юридических или финансовых решений требует проверки человеком. Лицензия — Apache 2.0.

AdaGuard-0.6B — генеративная модель для проверки пользовательских запросов и действий ИИ-агентов на соответствие правилам, заданным разработчиком. Модель разработана Yunhao-Feng на базе Qwen3Guard-Gen-0.6B и дообучена на AdaptiveSafety с последующим этапом SafePO. Архитектура — плотная Qwen3ForCausalLM; в чекпойнте около 507,9 млн параметров, формат хранения — FP32, пример загрузки использует BF16. Модель принимает текст с набором политик и событий, а выдаёт текстовый разбор и идентификаторы нарушенных правил либо метку NR, если нарушений нет. Подходит для проверки запросов, последовательностей действий агента и результатов вызовов инструментов по правилам конкретного приложения. Можно передать от 1 до 100 правил с собственными идентификаторами; результат содержит объяснение и нарушенные ID в порядке политики. Контекст — 32 768 токенов, однако пример ограничивает бюджет входного запроса 16 000 токенами и генерацию 512 токенами. По опубликованным оценкам версия 0.6B уступает вариантам 4B и 8B; предсказание представляет структурированное решение, а не откалиброванную вероятность риска. При некорректном или неполном ответе разбор следует считать недействительным. Лицензия — Apache-2.0.

Agent-ModernColBERT-no-prefix — англоязычная модель LightOn для поиска документов в сценариях агентного исследования. Это дообученная на Tevatron/AgentIR-data модель GTE-ModernColBERT-v1 с архитектурой ModernBERT и механизмом позднего взаимодействия ColBERT; она содержит 149 млн параметров и распространяется в формате safetensors через библиотеку PyLate. Модель кодирует запросы и документы в последовательности 128-мерных векторов и сравнивает их оператором MaxSim. Контекст запроса — до 8192 токенов, документа — до 4096 токенов. Модель предназначена для семантического поиска, когда к поисковому запросу добавлены рассуждения агента о том, что именно следует найти и почему. Для запросов используется формат «Reasoning: … Query: …», документы кодируются без префикса. Вариант no-prefix не требует дополнительной инструкции перед рассуждением и запросом, хотя авторы отмечают небольшое снижение качества относительно основной версии. В приведённых авторами экспериментах на BrowseComp-Plus модель показала высокие показатели извлечения в связке с агентом, однако результаты зависят от конфигурации агента и функции получения полных документов. Лицензия — Apache 2.0. Модель работает с английским текстом и предназначена для поиска и сопоставления текстовых запросов с документами; она не генерирует ответы самостоятельно.

Bongard-mini — открытая модель для оценивания вариантов и вынесения суждений, разработанная на архитектуре encoder-decoder T5Gemma 2 4B-4B. Она принимает текст, структурированные данные или изображения вместе с вопросами и кандидатами ответов либо действий, а возвращает вероятностное распределение по вариантам вместо генерации текста. Модель предназначена для параллельной оценки нескольких вопросов об одном и том же состоянии, включая выбор следующего действия агента. Модель содержит 7,51 млрд параметров, из которых 7,09 млрд обучались; зрительная башня оставалась замороженной. Обучение охватывало суждения, семантические отношения и последствия действий. Заявлены поддержка английского и китайского языков, а базовая модель описана как мультимодальная с контекстом до 128 тыс. токенов. Лицензия — Gemma. README приводит результаты игровых демонстраций и тестов скорости, но они относятся к указанным условиям и не гарантируют аналогичных результатов на произвольных задачах.

mavis-ai/Gemma4-E2B-MLX — пакет модели Google Gemma 4 E2B Instruction-Tuned, подготовленный для локального запуска через MLX на компьютерах Apple Silicon. Это плотная мультимодальная модель класса Gemma4 с архитектурой Gemma4ForConditionalGeneration; пакет воспроизводит веса исходной модели google/gemma-4-E2B-it и не содержит дообучения или квантизации. В представленном репозитории указаны формат safetensors и точность BF16. Модель предназначена для диалогов, анализа изображений и текстовых ответов. В README отдельно отмечены сценарии локального RAG, маршрутизации запросов, лёгкой оценки и повторяющихся задач агентных систем. Лицензия пакета — Apache-2.0; использование также подчиняется условиям Google Gemma. Параметры контекста и поддерживаемые языки в предоставленных данных не описаны.

GLiNER-PII Edge v1.0 — компактная модель распознавания именованных сущностей, разработанная Wordcab совместно с Knowledgator. Она принимает текст и заданный пользователем список типов сущностей, а затем находит соответствующие фрагменты текста; модель настроена для выявления более 60 категорий персональных, медицинских и платёжных данных и поддерживает обнаружение пользовательских типов без переобучения. Её предназначение — локальная обработка чувствительных данных в документах, расшифровках и журналах, в том числе на устройствах с ограниченными ресурсами. Модель основана на двунаправленном трансформере GLiNER и доступна в форматах PyTorch и ONNX; для ONNX указаны варианты FP16 и UINT8. В оценке на синтетическом наборе synthetic-multi-pii-ner-v1 она получила F1 75,50%; README отмечает, что Edge-вариант рассчитан на меньшую задержку и размер модели по сравнению с более крупной версией, с некоторым снижением полноты обнаружения. Лицензия — Apache-2.0.

granite-vision-3.3-2b-chart2csv-preview — специализированная зрительно-языковая модель IBM, дообученная на основе ibm-granite/granite-vision-3.3-2b для извлечения табличных данных из графиков и визуализаций. Она принимает изображение графика и по рекомендуемому запросу формирует машиночитаемый CSV с числовыми значениями. Модель предназначена для извлечения данных из графиков в отчётах, презентациях и PDF, в том числе в конвейерах обработки документов Docling и системах мультимодального анализа. Для обучения использовались синтетические данные графиков, созданные по методологии ChartGen; IBM сообщает о повышенной точности чисел по сравнению с универсальными VLM. Архитектура соответствует Granite Vision 3.3 2B; модель построена на Llava Next и распространяется в формате safetensors. На низком разрешении, при сложной компоновке, перекрывающихся элементах или необычных типах графиков таблицы могут быть неполными или содержать ошибки. Результаты следует проверять перед использованием в аналитике с высокими последствиями; модель не предназначена для надёжного решения общих задач компьютерного зрения. Лицензия — Apache-2.0.

Granite Vision 3.3 2B Embedding — мультимодальная модель эмбеддингов IBM, дообученная на базе ibm-granite/granite-vision-3.3-2b для поиска по визуальным и текстовым данным в документах. Она предназначена для извлечения релевантных страниц в RAG-системах, в том числе по таблицам, графикам, инфографике и сложной вёрстке. Модель принимает изображения PNG и JPEG и инструкции на английском языке, формируя 729 векторов размерности 128 на изображение. Поиск использует многовекторное представление ColBERT и позднее взаимодействие MaxSim; отдельное OCR-извлечение текста не требуется. Модель подходит для корпоративного поиска по отчётам, презентациям, руководствам, изображениям и другим документам, как самостоятельно, так и в сочетании с текстовым поисковиком. В README приведены результаты сравнений на наборах ViDoRe V2 и REAL-MM-RAG, но они не гарантируют качество на конкретных данных. Модель выпущена IBM 11 июня 2025 года и распространяется по лицензии Apache 2.0. Среди ограничений указаны возможные неточности и смещения; входные инструкции поддерживаются на английском языке.

Hemmingway-1-Heretic-Text — текстовая версия модели darrellbest/Hemmingway-1-Heretic, подготовленная как база для дообучения текста и вызова инструментов. Это плотная авторегрессионная модель Qwen3.5 с архитектурой Qwen3_5ForCausalLM, 22,3 млрд параметров и контекстом до 262 144 токенов; репозиторий содержит веса safetensors и не включает визуальную башню. Модель разработана на основе Hemmingway-1 от Altworld; её веса языковой модели побайтно совпадают с соответствующей частью основного репозитория. Модель рассчитана на генерацию текста в диалогах и на дообучение с помощью PEFT, TRL или Unsloth, в том числе для сценариев с вызовом инструментов. В карточке заявлено снижение частоты отказов и сохранение рассуждений относительно исходной модели. Это намеренно ослабленная система защитных ограничений, поэтому ответы могут не соответствовать ожиданиям по безопасному поведению. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с указанием авторства; для коммерческого использования требуется обратиться к правообладателю.

duyntnet/Hermes-2-Pro-Llama-3-8B-imatrix-GGUF — набор квантованных версий языковой модели Hermes 2 Pro Llama 3 8B, разработанной Nous Research. Модель предназначена для генерации текста и ведения многошагового диалога на английском языке, а также поддерживает сценарии, в которых требуется вызов функций или инструментов. Модель основана на архитектуре Llama 3 с размером 8B параметров и распространяется в формате GGUF с использованием imatrix-квантования. Для взаимодействия применяется формат ChatML с ролями system, user, assistant и tool, что позволяет задавать системные инструкции, управлять стилем ответов и интегрировать модель с совместимыми API. Поддержка function calling предполагает передачу описаний инструментов в JSON внутри специальной структуры и генерацию вызовов в формате tool_call. К сильным сторонам относятся структурированный многораундовый диалог, управляемость через системные сообщения и специализированная поддержка вызова функций. Ограничения включают ориентацию на английский язык, отсутствие в README сведений о длине контекста, конкретных параметрах квантования, производительности и качестве на отдельных задачах; результаты также могут зависеть от выбранной квантованной версии. Лицензия указана как other, без дополнительных условий в предоставленном README.

Это модель классификации текста из проекта Adaptive Classifier, построенная на базе answerdotai/ModernBERT-base. Она определяет, относится ли текст к одному из четырёх классов: английскому, французскому, испанскому или категории «другой язык». Модель поддерживает непрерывное обучение и добавление классов; для этого используется классификация на основе прототипов с эмбеддингами размерности 768. Модель предназначена для определения языка коротких текстовых фрагментов и может применяться в предварительной маршрутизации текста по языковым обработчикам. В обучающей выборке указано по пять примеров на класс, поэтому качество на разнообразных текстах может быть ограничено. Для каждого класса требуется не менее трёх примеров, допускается не более 150; прототипы обновляются каждые десять примеров. Лицензия — Apache-2.0.

Abiray/LFM2.5-2.6B-Heretic-Abliterated-GGUF — набор GGUF-квантизаций модели LFM2.5-2.6B, разработанной Liquid AI, с изменениями Heretic (abliterated). Модель предназначена для локального запуска, агентских сценариев, многошагового выполнения инструкций и вызова инструментов. Версия Heretic снижает склонность исходной модели к отказам на ограниченные, спорные и явные запросы, сохраняя заявленные возможности базовой модели. Модель имеет плотную архитектуру LFM2.5 с 30 слоями: 22 блока коротких свёрток с двойным управлением и 8 слоёв GQA. Она содержит около 2,69 млрд параметров, поддерживает контекст до 131 072 токенов, словарь размером 128 000 токенов и нативный вызов инструментов. Заявлена поддержка английского, арабского, китайского, французского, немецкого, итальянского, японского, корейского, португальского, испанского, вьетнамского, тайского, индонезийского, хинди, русского и польского языков. Доступны квантизации от Q3_K_M до Q8_0 размером примерно от 1,37 до 2,87 ГБ. Q4_K_M позиционируется как оптимальный вариант для мобильных и периферийных устройств, а Q8_0 — как вариант с минимальными потерями качества для сложных задач и интенсивного использования инструментов. Более компактные варианты требуют меньше памяти, но могут заметно уступать по качеству. Abliteration уменьшает защитные отказы, однако README не приводит независимой оценки безопасности, качества или стабильности поведения модели. Модель распространяется по лицензии Apache-2.0. Предусмотрен полностью офлайн-запуск на CPU или GPU через llama.cpp; для корректного диалогового режима рекомендуется использовать соответствующий шаблон чата.

Модель vllm-sr/lora_intent_classifier_bert-base-uncased_model — адаптер LoRA для классификации намерений, созданный на основе bert-base-uncased в рамках проекта semantic-router. Она относит текст к категориям вроде бизнеса, технологий и науки и предназначена для маршрутизации запросов по их смыслу. Модель построена на архитектуре BERT для классификации последовательностей, содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. Карточка рекомендует использовать её с semantic-router; также доступны веса адаптера в формате safetensors для фреймворка Candle на Rust. Основной язык карточки — английский. Лицензия — Apache-2.0. Карточка не приводит метрик качества и не уточняет полный набор меток, поэтому пригодность классификатора для конкретной таксономии следует проверять на своих примерах.

Mungert/Lucy-GGUF — это GGUF-квантизированная версия компактной языковой модели Lucy, разработанной авторами Alan Dao, Bach Vu Dinh, Alex Nguyen и Norapat Buppodom на основе Qwen/Qwen3-1.7B. Модель предназначена для агентного веб-поиска, лёгкого просмотра веб-страниц и исследовательских задач с использованием внешних инструментов через MCP, включая поисковые API и браузерные серверы. Она ориентирована на эффективный локальный запуск, в том числе на мобильных устройствах и конфигурациях только с CPU. Модель содержит 1,7 млрд параметров, работает с текстом и заявлена для английского языка. Архитектура унаследована от Qwen3-1.7B; конкретный размер контекста для этой GGUF-версии в README не указан. Lucy обучалась с использованием машинно сгенерированных task vectors, сглаженных reward-функций и reinforcement learning без supervised fine-tuning. В README заявлены сильные результаты в агентном поиске и превосходство над DeepSeek-v3 на SimpleQA, однако подробные числовые результаты не приведены. Квантизация выполнена с помощью llama.cpp; автор применяет дополнительное повышение точности отдельных важных слоёв сверх стандартной конфигурации IMatrix. Это может улучшать точность при заданном уровне квантизации, но увеличивает размер файла. Модель поддерживает запуск через llama.cpp, vLLM, Jan, LM Studio и совместимые движки, однако её возможности веб-поиска зависят от подключённых внешних инструментов. Лицензия — Apache 2.0.

Карточка модели jenerallee78/Ministral-3-14B-abliterated на Hugging Face совпадает с карточкой HifiHu/Ministral-3-14B-abliterated, поэтому описание составлено по ней. HifiHu/Ministral-3-14B-abliterated — модифицированная версия Ministral-3-14B-Instruct-2512 от Mistral, созданная с помощью abliteration: методом, который изменяет внутренние представления модели, чтобы ослабить поведение отказа. Это плотная модель семейства Mistral 3 примерно на 14 млрд параметров, распространяемая в формате SafeTensors с BF16 и рассчитанная на диалоговую генерацию текста. Метаданные также указывают интерфейс вызова инструментов; базовая модель мультимодальна, но карточка этой версии не подтверждает обработку изображений. Модель подходит для диалогов и ответов на широкий круг запросов, включая темы, на которые исходная instruct-модель могла бы отказать. Abliteration не гарантирует точность ответов и может снизить эффективность защитных ограничений. В карточке указан английский язык. Лицензия — Apache 2.0; автор позиционирует модель для исследований и обучения.

MuXodious/Muse-Glimmer-30B-SOMPOA-heresy — дообученная версия мультимодальной Muse-Glimmer-30B, созданная автором репозитория с помощью движка Heretic и абляции SOMPOA. Это плотный трансформер для условной генерации, содержащий около 29,6 млрд параметров; принимает текст и изображения и предназначен для диалоговой работы с визуальными данными. Модель подходит для анализа изображений, документов, диаграмм и снимков экрана в диалоге, а также для многошаговых агентных задач и вызова инструментов. В README описаны результаты снижения числа отказов, однако автор отмечает, что модель всё ещё ссылается на свои правила и требует дальнейшей проверки и перенастройки; приведённые результаты не гарантируют надёжность в реальных сценариях. Языки и длина контекста этой версии отдельно не описаны. Модель распространяется по лицензии Apache 2.0. README предупреждает о возможных неточных, предвзятых или нежелательных ответах и рекомендует проводить собственную оценку безопасности для целевого применения. Аудиоввод и аудиовывод не поддерживаются.

Nanbeige4-3B-Thinking-2511 — англо-китайская языковая модель Nanbeige, дообученная на базе Nanbeige/Nanbeige4-3B-Base с применением дистилляции знаний и целевой оптимизации с подкреплением. Она предназначена для генерации текста с рассуждениями, диалогов и выполнения запросов к функциям; в карточке отмечены возможности чата и интерфейс вызова инструментов. Модель использует плотную архитектуру LlamaForCausalLM и содержит 3,5 млрд параметров. Контекст — до 65 536 токенов. Разработчики сообщают о результатах в задачах математического и научного рассуждения, вызова функций и творческого письма. Модель доступна в формате Safetensors по лицензии Apache-2.0. Как компактная вероятностная модель, она может выдавать неожиданные ответы, в том числе содержащие предвзятость или дискриминационные формулировки. Результаты следует проверять, особенно при использовании вызова функций и в сценариях с важными последствиями.

OpenSeeker-v2-30B-SFT — поисковый агент на базе языковой модели, разработанный академической командой и обученный методом supervised fine-tuning на 10,6 тыс. информативных и сложных траекторий поиска. Он использует парадигму ReAct и интерфейс вызова инструментов для многошагового поиска и исследования информации. Модель предназначена для сложных поисковых запросов, требующих расширенного исследования источников и последовательного использования инструментов. В README приведены результаты на BrowseComp, BrowseComp-ZH, Humanity’s Last Exam и xbench. Метаданные указывают архитектуру Qwen3 MoE, 2,6 млрд параметров, контекст до 262 144 токенов и формат safetensors. Указанный в названии масштаб 30B расходится с числом параметров в метаданных, поэтому здесь приведено значение из метаданных. Модель принимает текстовые запросы и генерирует текстовые ответы и вызовы инструментов. Для работы поискового агента требуется соответствующая среда с доступом к инструментам; качество зависит от её возможностей. Лицензия — Apache-2.0.

Phi-4-reasoning-plus — открытая языковая модель Microsoft Research для генерации ответов с развернутыми рассуждениями. Эта производная от microsoft/Phi-4-reasoning-plus модель содержит 14,1 млрд параметров и использует плотный декодерный Transformer семейства Phi-3. Она принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена прежде всего для англоязычных задач, где важны рассуждения и логика: решения задач по математике и науке, программирование, планирование и следование инструкциям. Её можно использовать как основу для генеративных функций в условиях ограниченных вычислительных ресурсов. Дообучение включало supervised fine-tuning на цепочках рассуждений и обучение с подкреплением; модель в среднем генерирует примерно на 50% больше токенов, что может повышать задержку. Карточка предупреждает, что модель проверялась прежде всего для математических рассуждений и не оценивалась специально для всех вариантов применения. Ответы требуют проверки, особенно в высокорисковых сценариях. Репозиторий распространяется по лицензии MIT.

PRefLexOR_ORPO_DPO_EXO_10242024 — разговорная языковая модель семейства Llama, опубликованная lamm-mit. Модель содержит 3,2 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке приведены примеры запуска через Hugging Face Transformers и Colab, включая извлечение рассуждений и ответа, а также рекурсивный многоагентный сценарий. Модель предназначена для генерации текста в диалогах и может использоваться в сценариях, где требуется формировать ответы с помощью длинного контекста или подключать интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors. README не раскрывает подробности обучения, оценок качества, языкового охвата или условий лицензии, поэтому эти характеристики по доступным данным определить нельзя.

dongguanting/Qwen3-14B-ARPO-DeepSearch — чекпойнт модели, выпущенный вместе со статьёй об алгоритме Agentic Reinforced Policy Optimization (ARPO). Это плотная причинно-языковая модель семейства Qwen3 с 14 млрд параметров, предназначенная для генерации текста, диалога и многошагового использования инструментов агентом. Модель работает с текстом, а заявленная длина контекста составляет 40 960 токенов. ARPO обучает агентную политику взаимодействовать с внешними инструментами в ходе решения задач. В статье описаны адаптивный механизм выборки на основе энтропии и оценка вклада отдельных шагов; авторы сообщают об экспериментах на 13 тестах по вычислительным рассуждениям, знаниям и глубокому поиску, а также о снижении бюджета использования инструментов. Для практического применения описан запуск через Transformers; конкретные инструменты и агентная настройка требуют отдельной реализации. Модель опубликована под лицензией MIT. README представляет её как исследовательский чекпойнт к статье, поэтому заявленные результаты следует считать экспериментальными и не гарантировать на новых задачах; подробности о поддерживаемых языках и конкретных внешних инструментах в доступных материалах не приведены.

Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled-v2 — модель, разработанная Jackrong на базе Qwen/Qwen3.5-4B. Это вторая версия reasoning-ориентированной дообученной модели, созданная с использованием SFT и LoRA через Unsloth на более чем 14 000 образцов рассуждений в стиле Claude 4.6 Opus. Модель не является Claude, а использует дистиллированные шаблоны рассуждений. Модель предназначена для математики, текстовых задач, логического вывода, общих знаний, выполнения инструкций и переноса рассуждений на программирование и другие многошаговые задачи. Основной акцент сделан на экономичности reasoning: по сравнению с официальной Qwen3.5-4B модель формирует более короткие и структурированные цепочки рассуждений, что может снижать задержку и расходы инференса в локальном использовании и агентских сценариях. Указана поддержка английского, китайского и корейского языков; в метаданных также заявлен pipeline image-text-to-text, однако подробности мультимодальных возможностей и размер контекстного окна не приведены. Ключевое ограничение — компромисс между эффективностью рассуждений и максимальной точностью: по приведённым данным, официальная Qwen3.5-4B превосходит эту версию по абсолютным результатам HumanEval и HumanEval+, хотя v2 требует существенно меньше символов рассуждений на один успешный результат. Модель распространяется по лицензии Apache-2.0.

N8Programs/Qwen3.6-35B-A3B-AntiLoop — версия в формате BF16 модели N8Programs/Qwen3.6-35B-A3B-AntiLoop-NVFP4. Согласно метаданным, это дообученная на базе Qwen/Qwen3.6-35B-A3B мультимодальная модель семейства Qwen3.5 MoE с архитектурой Qwen3_5MoeForConditionalGeneration. Она предназначена для диалогов и работы с изображениями; метаданные также отмечают интерфейс вызова инструментов. Базовая модель описана как модель с 35 млрд параметров для диалогов, агентного программирования и анализа изображений. Репозиторий содержит веса BF16 в формате safetensors. Лицензия — Apache-2.0. Карточка этой версии отсылает за рекомендациями по запуску, обучающим данным, оценкам и ограничениям к карточке NVFP4-релиза; подробностей об изменении AntiLoop в README нет.

Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled — текстовая диалоговая модель с открытыми весами, созданная r3lax на основе Qwen/Qwen3.6-35B-A3B. Это дообученная MoE-модель семейства Qwen3.5: в ней 35 млрд параметров, из которых около 3 млрд активируются на каждом токене. Для обучения использовали дистилляцию примерно 8 тысяч цепочек рассуждений Claude Opus 4.7; стиль рассуждения настраивали с помощью LoRA только для слоёв внимания. Модель предназначена для многошаговых рассуждений, решения задач по математике и STEM, анализа кода, логических головоломок и агентного планирования. Контекст — до 64 тысяч токенов; при сложных запросах модель может генерировать от 5 до 30 тысяч токенов рассуждений перед ответом. Поддерживает английский язык. В метаданных указаны чат и интерфейс вызова инструментов; README рекомендует vLLM для сервинга. Дистилляция перенимает стиль рассуждений, но не добавляет фактических знаний сверх базовой Qwen3.6-35B-A3B. Экспертные FFN-слои не дообучались, генерация может быть очень длинной, а README отмечает проблемы с форматом ответов для автоматической оценки AIME. Лицензия — Apache-2.0; для сценариев, использующих данные, созданные Claude Opus 4.7, README рекомендует проверить применимые условия Anthropic.

Qwen3.6-35B-A3B-Razor-28B-A3B-E192of256 — производная от Qwen/Qwen3.6-35B-A3B модель с разреженной архитектурой Mixture-of-Experts, созданная с помощью безобучающего метода RAZOR. В каждом MoE-слое сохранены 192 из 256 маршрутизируемых экспертов; общее число параметров сокращено до 27,7 млрд, из них около 3 млрд активны на токен. Параметры сохранённых экспертов взяты из базовой модели, без градиентного дообучения или восстановительного обучения. Модель предназначена для диалоговой генерации текста и вызова инструментов через интерфейс Transformers. RAZOR отбирает экспертов по оценке того, насколько оставшаяся вычислительная смесь может заменить функцию удаляемого эксперта. Сокращается объём хранения экспертов, тогда как вычисления на токен остаются примерно прежними. Для запуска нужна версия Transformers с реализацией qwen3_5_moe; веса представлены в bfloat16. Обрезка экспертов неизбежно теряет часть поведения: ответы могут отличаться разнообразием, форматированием и завершением, даже если точность по задачам в целом сохраняется. Поведение на областях, далёких от конечного калибровочного набора, не охарактеризовано. Лицензия — Apache-2.0.

Capicua25x/Qwen3.8-27B-MXFP4-Quark-RDNA4 — квантованная версия мультимодальной модели Qwen3.8-27B, подготовленная Capicua25x на базе модели Qwen/Qwen3.8-27B. Модель предназначена для задач image-text-to-text, включая обработку изображений и текста, диалоговые сценарии, рассуждения и агентские приложения с вызовами инструментов. Для работы ориентирована на видеокарты AMD архитектуры RDNA4, в частности Radeon AI PRO R9700 и RX 9070 XT, с использованием ROCm, AMD Quark и специализированной сборки vLLM. Квантование MXFP4 применяется к проекциям MLP и экспертным проекциям: упаковано около 22,7 млрд параметров, тогда как attention, нормализации, эмбеддинги, lm_head, маршрутизаторы и весь визуальный тракт сохраняются в формате bf16. Общий объём логических параметров составляет примерно 27,8 млрд, архитектура базовой модели не изменена. Заявлена поддержка контекста до 262 144 токенов, speculative decoding и параллельной обработки запросов. Режим рассуждений включается через параметр chat_template_kwargs с enable_thinking; параметр reasoning_effort для этой конфигурации не используется. Сильные стороны модели — существенное снижение требований к памяти по сравнению с полноразмерной моделью, сохранение точности критически важных компонентов в bf16, поддержка мультимодальности и оптимизация для concurrent serving на RDNA4. Ограничения связаны с узкой аппаратно-программной специализацией: для штатного запуска требуются совместимые AMD GPU, ROCm и рекомендованный порт vLLM; приведённые показатели производительности зависят от конфигурации, числа пользователей и режима декодирования. Языки и точные характеристики базовой модели в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

Модель desllre/ru_telegram_news_detection — дообученный русскоязычный BERT-энкодер RuBERT-tiny2 для классификации текста на два класса: «новость» и «не новость». Она предназначена для отбора новостных сообщений, в том числе в потоках публикаций из Telegram и других социальных сетей. Модель содержит 29 млн параметров, принимает текст и имеет контекст до 2048 токенов. В README приведены результаты на валидационной выборке: accuracy 0,965, precision 0,965, recall 0,987 и F1 0,971. Эти показатели относятся к указанной выборке и не гарантируют такое же качество на других данных. Модель распространяется по лицензии MIT.