I.14Автоматизация процессов и AI-агенты

mlx-community/Ornith-1.5-35B-A3B-OptiQ-4bit — квантизированная версия модели ornith-ai/Ornith-1.5-35B-A3B, подготовленная сообществом mlx-community с использованием MLX-native инструментария mlx-optiq. Это vision-language модель на архитектуре Qwen3.5-MoE: всего 35 млрд параметров, из которых активно используется около 3 млрд. Модель поддерживает работу с текстом и изображениями, а также оснащена головкой MTP для multi-token prediction и ускорения генерации. В карточке заявлен английский язык; размер модели на диске составляет около 24 ГБ. Модель предназначена для локального запуска на Apple Silicon и сценариев, связанных с рассуждениями, обработкой изображений и текста, function calling, использованием инструментов и агентными приложениями. Для подачи изображений сохраняется vision tower в формате bf16. Квантизация OptiQ использует смешанную точность: 113 компонентов представлены в 4-битном, а 399 — в 8-битном формате, с group size 64. Это снижает требования к памяти при сохранении более высокой точности для чувствительных слоёв, однако квантизация может ухудшать качество по сравнению с полной точностью, а для работы требуется совместимая MLX/OptiQ-среда и оборудование Apple Silicon. Распространяется по лицензии Apache 2.0. Контекст модели, точные показатели качества и поддерживаемый диапазон языков, кроме указанного английского, в README не приведены.

cnmoro/Qwen2.5-0.5B-Chunk-Compressor — дообученная модель Qwen2.5-0.5B-Instruct для сжатия фрагментов текста. Она предназначена для подготовки более компактных и удобных для чтения фрагментов, сохраняющих информацию для систем поиска с дополненной генерацией (RAG). Модель построена на плотной архитектуре Qwen2ForCausalLM и содержит 494 млн параметров; нативная длина контекста — 32 768 токенов. Модель принимает текст и генерирует сжатый текст. В карточке указан португальский язык. Для применения приведён строгий шаблон использования, поэтому формат входных данных следует соблюдать. Модель распространяется по лицензии MIT.

JJarvinen/Qwen3.5-2B-EU-Tool-JARVIS-Compact-v1.1 — дообученная модель JJarvinen на архитектуре Qwen3.5, предназначенная для диалоговой генерации текста и взаимодействия с инструментами. Она содержит 1,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель может использоваться в чат-ботах и сценариях, где текстовый ассистент вызывает инструменты. В метаданных указан английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Qwen3-Max-Thinking — флагманская модель рассуждений серии Qwen3 от Qwen. Она предназначена для сложных задач, требующих глубокого многошагового анализа. В карточке отмечено, что модель масштабирует вычислительные ресурсы для обучения с подкреплением. Её можно использовать для задач, где требуется последовательное рассуждение и работа со сложными запросами. Данных о размере, поддерживаемых языках, длине контекста, лицензии и конкретных ограничениях в предоставленных материалах нет.

SkillReason-reranker-0.6b — плотная модель на архитектуре Qwen3, разработанная авторами SkillReason и дообученная на базе Qwen/Qwen3-Reranker-0.6B. Она оценивает релевантность документа с описанием навыка для запроса на естественном языке и предназначена для второго этапа конвейера поиска с последующим переранжированием кандидатов. Модель содержит 507,6 млн параметров, принимает пару «запрос — документ навыка» и выдаёт оценку релевантности для сортировки результатов. Её сценарий применения — переранжирование списка кандидатов, найденных первичным поисковым модулем; протокол оценки из карточки рассматривает 20 лучших кандидатов. Модель работает с текстом, использует Transformers и имеет контекстное окно до 40 960 токенов. В карточке указана поддержка английского языка. Модель ориентирована на поиск навыков для агентских систем и может улучшать порядок найденных описаний навыков по соответствию пользовательской задаче. Для длинных документов README рекомендует официальный инструментарий, чтобы при усечении сохранить завершающий фрагмент промпта. Распространяется по лицензии Apache-2.0.

ThakiCloud разработала SKILLRET-Reranker-0.6B — компактный реранкер для поиска навыков AI-агентов. Модель принимает запрос пользователя на естественном языке и описание навыка-кандидата, после чего оценивает их релевантность; её предполагается использовать на втором этапе поиска для переупорядочивания кандидатов, найденных, например, моделью SkillRet-Embedding. Модель содержит 507,6 млн параметров, основана на плотной архитектуре Qwen3 и дообучена на обучающей части бенчмарка SkillRet. Она сохраняет интерфейс оценки Qwen3-Reranker, а её контекст составляет до 40 960 токенов. В README описана оценка на английских запросах и навыках; метаданные также указывают английский язык. На тестовом наборе SkillRet реранкер улучшил NDCG@5 с 0,8458 до 0,8610 при повторной сортировке 20 кандидатов. Переоценка кандидатов медленнее первичного поиска: для 20 навыков в README указано около 0,8 секунды на запрос на B200. Модель опубликована под лицензией Apache-2.0.

Typhoon2.1-Gemma3-12B — инструктивная текстовая языковая модель, разработанная OpenTyphoon и основанная на Gemma 3 12B. Она предназначена для генерации ответов в диалоге на тайском и английском языках, а также поддерживает вызов функций и инструментов через соответствующий интерфейс. Модель имеет плотную decoder-only архитектуру Gemma 3, около 11,6 млрд параметров и контекст до 131 072 токенов. Это текстовая версия: визуальный энкодер удалён. В README описаны режимы с внутренним рассуждением и без него, а для запуска предлагаются Transformers версии 4.50.0 или новее и сервер vLLM. Модель находится в разработке и может выдавать неточные, предвзятые или нежелательные ответы, несмотря на защитные ограничения. Для использования действует лицензия Gemma; README также ссылается на условия OpenTyphoon и уведомление о конфиденциальности.

ajan-embed-q — модель векторных представлений предложений, созданная Ranked Technologies Limited для проекта Ajanlar. Она предназначена прежде всего для семантического поиска и извлечения документов на турецком языке, в том числе для RAG-систем и ИИ-агентов, отвечающих по корпоративным документам. Модель принимает текст и выдаёт эмбеддинги; для поиска рекомендуется добавлять префиксы «query: » и «passage: » и нормализовать векторы. Это дообученная методом дистилляции модель на базе intfloat/multilingual-e5-base с архитектурой XLM-RoBERTa и примерно 305 млн параметров по метаданным. Студент обучен воспроизводить эмбеддинги учителя BAAI/bge-m3 на 500 тысячах турецких предложений; дополнительный Dense-слой проецирует размерность 768 в 1024. Контекст составляет 514 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. На тесте TurHistQuad модель показала NDCG@10 0,465, выше multilingual-e5-base и multilingual-e5-small; на общих задачах сопоставления предложений уступает семейству E5. Поэтому её сильная сторона — поиск на турецком, а не универсальное измерение семантического сходства. Оценка основана на ограниченном наборе турецких задач без доверительных интервалов; перед промышленным переобучением авторы рекомендуют фиксировать снимок корпуса и фильтровать персональные данные и дубликаты.

Карточка модели LordRuler/Barcenas-31b-Fable на Hugging Face совпадает с карточкой Danielbrdz/Barcenas-31b-Fable, поэтому описание составлено по ней. Barcenas-31b-Fable — плотная мультимодальная модель семейства Gemma 4, созданная автором Danielbrdz на основе Google Gemma 4 31B IT и дообученная на наборе lordx64/agentic-distill-fable-5-sft. В карточке она представлена как чат-модель с поддержкой изображений; заявленная специализация дообучения — использование в агентных сценариях на данных, связанных с Claude Fable 5. Модель предназначена для локального и приватного запуска на одной GPU при наличии достаточных аппаратных ресурсов. Она принимает текст и изображения и генерирует текст; в качестве формата весов указаны safetensors, библиотека — Transformers. Размер базовой модели — 31 млрд параметров. Лицензия репозитория — Apache-2.0.

Lucy-128k GGUF — это GGUF-квантизированная версия компактной языковой модели Lucy, разработанной на основе Qwen/Qwen3-1.7B авторами Alan Dao, Bach Vu Dinh, Alex Nguyen и Norapat Buppodom. Модель предназначена для агентного веб-поиска, лёгкого просмотра веб-страниц и исследовательских задач с использованием внешних инструментов через MCP, включая поисковые API. Она ориентирована на локальный запуск, в том числе на мобильных устройствах и CPU. Модель содержит 1,7 млрд параметров, работает с текстом и поддерживает английский язык. Заявлено контекстное окно до 128 тысяч токенов; для его использования в README приведены настройки RoPE/YARN с исходным контекстом 40 960 токенов. Lucy обучалась с применением машинно сгенерированных task vectors, сглаженных reward-функций и reinforcement learning без supervised fine-tuning. Для GGUF-версий использован llama.cpp, а при квантизации отдельные важные слои переводятся в режим повышенной точности, что увеличивает размер файла, но может улучшать точность при низкой битности. Сильные стороны модели — малый размер, эффективность при локальном запуске, агентный поиск и интеграция с инструментами, а также заявленная высокая точность на SimpleQA по сравнению с DeepSeek-v3. Ограничения включают узкую специализацию на поисковых сценариях, зависимость от внешних MCP-инструментов и поисковых сервисов, а также возможное снижение качества при агрессивной квантизации. Модель распространяется по лицензии Apache 2.0.

MiMo-V2.6-Flash-RL-NVFP4 — версия модели XiaomiMiMo/MiMo-V2.6-Flash-RL с квантизированными весами NVFP4, подготовленная r0b0tlab для сервинга на NVIDIA DGX Spark и GB10 с SGLang. Это мультимодальная модель диалоговой генерации с интерфейсом вызова инструментов; в README рекомендован профиль EAGLE MTP с контекстом до 524288 токенов. Экспертные слои MoE представлены в NVFP4, часть линейных слоёв использует NVFP4 с масштабами FP8, остальные веса и вспомогательные аудио- и зрительные компоненты сохранены в BF16; KV-кэш использует калиброванные масштабы FP8. Сборка предназначена для запуска на указанном оборудовании и конфигурации SGLang, а не для универсального развёртывания. В README приведены измерения качества и производительности на конкретных стендах, но они не гарантируют аналогичных результатов на другом оборудовании или при иных настройках. Метаданные указывают английский и китайский языки, лицензию MIT; базовая модель — XiaomiMiMo/MiMo-V2.6-Flash-RL.

ressl/MiniMax-M3-uncensored-NVFP4 — это квантизированная версия модели ressl/MiniMax-M3-uncensored, основанной на MiniMax-M3. Релиз подготовлен ressl с использованием NVIDIA ModelOpt NVFP4 и предназначен для локального запуска генерации текста и мультимодальных запросов на системах с GPU NVIDIA Blackwell. Модель имеет MoE-архитектуру с 428 млрд параметров в общей сложности и примерно 23 млрд активных параметров на токен. В модели сохранены возможности рассуждения, разбора рассуждений, вызова инструментов и обработки изображений. В карточке указаны английский и немецкий языки. Экспортированный вариант занимает около 260,4 ГБ вместо 854,2 ГБ у BF16-версии: NVFP4 применён к весам маршрутизируемых экспертов, тогда как внимание, маршрутизатор, общие эксперты, эмбеддинги, языковая голова, vision tower и проекторы сохранены в BF16. Проверенный контекст составляет 32 768 токенов; на отдельном тесте модель корректно обработала запрос длиной 20 212 токенов. Модель ориентирована на локальное инференс-обслуживание, исследование безопасности, red teaming, анализ вредоносного ПО и эксплойтов, обнаружение угроз, автоматизацию через tool calls и мультимодальные сценарии. На четырёх NVIDIA RTX PRO 6000 Blackwell 96 ГБ с SGLang зафиксирована скорость около 88,5 токена в секунду для прогретого одиночного запроса, однако это не результат полного академического бенчмарка. Для запуска требуется конфигурация из четырёх GPU Blackwell и SGLang с указанными в README настройками; совместимость с vLLM не подтверждена. Модель намеренно uncensored и может отвечать на запросы, которые стандартная версия отклоняет, поэтому её применение требует соблюдения законодательства и мер безопасности. Лицензия указана как other.

FreedomAISVR выпустила GGUF-квантизацию Nex-N2-mini от Nex AGI — мультимодальной агентной модели на архитектуре Mixture-of-Experts. Модель содержит 35 млрд параметров, из которых активируются 3 млрд на токен, и использует 256 маршрутизируемых экспертов, гибридную архитектуру Gated DeltaNet с полным вниманием и 27-слойный визуальный энкодер. Контекст составляет 262 144 токена. Модель принимает текст и изображения и генерирует текст; она предназначена для диалогов, агентных задач и описания изображений. Представлены английский, китайский и другие языки. Веса представлены в NVFP4: заявлены 4,55 бита на вес и эффективный инференс на GPU Blackwell с минимальной потерей качества. Для обработки изображений требуется файл проектора mmproj в F16. Модель распространяется по лицензии Apache 2.0.

protoLabsAI/Ornith-1.5-9B-NVFP4 — это квантованная мультимодальная версия модели Ornith-1.5-9B, разработанной ornith-ai. Модель предназначена для задач image-text-to-text, обработки изображений и текста, диалоговых сценариев, вызова инструментов и агентских приложений. Сборка оптимизирована для запуска через vLLM на GPU NVIDIA Blackwell с архитектурой sm120 и включает дистиллированную MTP-голову для спекулятивного декодирования. Основная часть линейных слоёв attention и MLP использует квантование NVFP4 W4A4, благодаря чему размер модели уменьшен с 17,9 до 11,2 ГБ. Башня зрения, DeltaNet/GDN linear_attn, lm_head, embed_tokens и MTP-голова сохранены в формате bfloat16. Поддерживаются изображения и текст; точные языки и исходный размер контекста в README не указаны, но рекомендуемый параметр запуска vLLM составляет до 32768 токенов. MTP обеспечивает ускорение декодирования примерно в 1,27 раза при заявленной доле принятия черновых токенов 0,804 на реальных запросах. Сильными сторонами модели являются сохранённая работоспособность зрения без выявленной статистически значимой деградации относительно bf16-версии, высокие результаты во внутренних тестах вызова функций и наличие встроенной MTP-головы без отдельной черновой модели. Ограничения включают зависимость от GPU Blackwell и специфической конфигурации vLLM, необходимость выделять достаточный бюджет токенов для адаптивного рассуждения, а также слабые результаты в тесте LiveCodeBench. Модель распространяется по лицензии MIT.

ProCreations_grug-27b-GGUF — это GGUF-квантизация модели grug-27b, разработанной ProCreations. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; базовая модель связана с датасетами ProCreations/grug-think-v3-10k и ProCreations/grug-think. Модель ориентирована на задачи рассуждений, экономного использования токенов, агентских сценариев и работы с инструментами. В карточке также указана модальность image-text-to-text и поддержка английского языка. Модель содержит 27 миллиардов параметров. Доступны варианты от BF16 до различных уровней квантизации, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M и более компактные форматы. Высококачественные варианты обеспечивают близкое к исходной модели качество, а менее точные требуют меньше оперативной памяти и подходят для локального запуска на ограниченных ресурсах. Файлы предназначены для использования с llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другими совместимыми инструментами. В README не указаны архитектура исходной модели, размер контекстного окна, точные мультимодальные возможности и результаты бенчмарков, поэтому их нельзя оценить по имеющимся данным. Для работы требуется приложение с поддержкой соответствующей модели и формата prompt; в качестве лицензии указана Apache-2.0.

MuXodious/Qwen3.5-4B-SOMPOA-heresy-v2-MTP — мультимодальная модель на 4 млрд параметров, созданная на основе Qwen3.5-4B. По карточке, её дообучили с помощью Heretic и методов SOMA и MPOA для подавления отказов; также восстановлены веса Multi Token Prediction из базовой модели. Архитектура — плотная Qwen3.5 с языковой моделью и визуальным энкодером; заявлены диалог, понимание изображений и интерфейс вызова инструментов. Модель предназначена для диалога, рассуждений, работы с изображениями и агентных сценариев с инструментами. В карточке базовой модели указана поддержка 201 языка и диалекта, а контекстное окно составляет 262 144 токена с возможностью расширения до 1 010 000. Репозиторий содержит веса Safetensors для Transformers; карточка также называет совместимость с vLLM, SGLang и KTransformers. В README сообщается о низкой частоте отказов в использованной авторами проверке, поэтому модель может отвечать на запросы, которые базовая модель отклоняла. Это не гарантирует фактическую точность ответов и может снижать надёжность защитных отказов. Лицензия — Apache-2.0.

trohrbaugh/Qwen3.5-9B-heretic-v2 — мультимодальная модель на основе Qwen3.5-9B-Base, дообученная разработчиком trohrbaugh методом abliteration. Она предназначена для диалогов и задач понимания изображений; модель может вызывать инструменты через совместимый интерфейс. В README указаны 9 млрд параметров, гибридная архитектура с Gated Delta Networks и механизмом внимания, а также контекст до 262 144 токенов с возможностью расширения. Базовая карточка Qwen3.5 заявляет поддержку 201 языка и диалекта; отдельный список языков этой версии в предоставленных данных отсутствует. По сравнению с исходной моделью в тесте из README она отказала в 6 из 100 запросов против 100 из 100 у исходной модели. Это указывает на ослабление отказов, поэтому модель может отвечать на большее число запросов, но не гарантирует корректность или безопасность таких ответов. Доступны веса в формате Safetensors для Transformers и совместимых сред. Лицензия — Apache-2.0.

Elsephire объединил Qwen3.6-35B-A3B и Qwen-AgentWorld-35B-A3BB методом Task Arithmetic с весами 80/20. Модель построена на архитектуре Qwen3.5 MoE и предназначена для диалогов и агентных сценариев; в карточке также заявлена работа с изображениями и MTP. В метаданных указаны интерфейс вызова инструментов и формат Safetensors. Это бета-версия: автор предлагает тестировать её и оставлять отзывы. Модель распространяется по лицензии MIT.

LuffyTheFox/Qwen3.6-35B-A3B-Uncensored-Genesis-Hermes-V13-GGUF — мультимодальная модель в формате GGUF, созданная LuffyTheFox на основе HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive. В ней также использованы данные и элементы дообучения DJLougen/hermes-qwen3.5-35b-a3b-GGUF на наборе NousResearch/hermes-function-calling-v1. Модель относится к семейству Qwen и предназначена для локального запуска, диалогов, генерации текста, агентских сценариев и function calling; в метаданных заявлена поддержка обработки изображений и текста. Архитектура — MoE с заявленным общим размером 35B параметров и примерно 3B активных параметров, однако точные сведения о числе слоёв, размере контекста и используемых визуальных компонентах в README не приведены. Заявлены английский, китайский и другие языки. Автор описывает Genesis как постобработку GGUF-файла, включающую статистический анализ и коррекцию тензоров без переобучения, с целью повысить стабильность, ясность контекста и следование инструкциям. К сильным сторонам относятся uncensored-поведение, MoE-эффективность, мультимодальность и ориентация на Hermes-агентские задачи. Ограничения — отсутствие в README независимых бенчмарков, подробной оценки качества, точного контекстного окна и гарантии заявленных улучшений; результаты могут зависеть от квантования и настроек запуска. Для работы рекомендуются F16-кэш K/V, максимальная выгрузка на GPU и использование подходящего chat template. Лицензия — Apache-2.0.

ZiRoX112 подготовил GGUF-квантизацию Qwen3.8-27B-Uncensored Q38mix v6 для локального запуска. В основе — дообученная модель OrcaRouter на 27 млрд параметров с гибридной архитектурой gated-delta-net и attention, а также MTP-головой. Файл v6 занимает 19,32 ГБ при 5,655 битах на вес; автор ориентирует его на кодинг-агентов на потребительских GPU с 24–32 ГБ видеопамяти. Квантизация выполнена с помощью собственной importance matrix и распределения точности по тензорам, которое учитывает изменения, связанные с удалением отказов в базовой модели. README сообщает о сохранении такого поведения в проведённых проверках и приводит сравнение качества с BF16-эталоном. Модель предназначена для генерации текста и диалогового использования; метаданные указывают английский, итальянский и китайский языки. Это производный GGUF-файл, основанный на Q8_0-версии модели и созданный с разрешением повторной квантизации. В README раскрыты ограничения оценки: часть распределения eval-токенов совпадала с калибровочным корпусом, а измерения отказов проводились на небольшом наборе запросов. Лицензия в предоставленных данных не указана.

Qwen3-VL-8B-Interleave-Thinking-i1-GGUF — квантованная GGUF-версия мультимодальной модели hxssgaa/Qwen3-VL-8B-Interleave-Thinking, подготовленная mradermacher. Модель предназначена для обработки текста и изображений, включая ответы на вопросы по изображениям, визуальный анализ, агентские сценарии, function calling и задачи с пошаговым рассуждением. В карточке также указана обучающая выборка xlam-interleave-thinking-40k. Модель относится к семейству Qwen3-VL и содержит 8 миллиардов параметров. Она поддерживает мультимодальный режим image-text-to-text; заявленный язык — английский. Контекстное окно, точная архитектура визуального компонента и дополнительные языковые возможности в README не указаны. Репозиторий предоставляет набор вариантов квантования с разным размером и компромиссом между скоростью, качеством и требованиями к памяти; среди рекомендуемых отмечены i1-Q4_K_M и i1-Q4_K_S. Для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. Сильными сторонами являются сочетание визуального понимания, рассуждений и поддержки агентских функций, а также возможность локального запуска через GGUF. Ограничения связаны с потерями качества, зависящими от выбранного уровня квантования, и отсутствием в карточке подробных результатов тестирования, данных о контекстном окне и инструкций по конкретным рантаймам. Распространение указано по лицензии Apache-2.0.

Qwen-AgentWorld-35B-A3B-GGUF — GGUF-представление языковой world model, разработанной командой Qwen и опубликованной Unsloth. Модель предназначена для симуляции агентных сред: по действию агента и истории взаимодействия она прогнозирует следующее состояние среды, используя рассуждения с длинной цепочкой шагов. Обучение проходило в три этапа: continual pre-training, supervised fine-tuning и reinforcement learning с GSPO, причём моделирование среды было основной целью начиная с этапа CPT. Модель охватывает семь доменов: MCP и вызов инструментов, поиск, терминал, software engineering, Android, Web и OS. Она работает с текстовыми и графическими средами и рассчитана на создание агентных систем, тестирование поведения инструментов, программных интерфейсов и пользовательских сценариев. Заявлена способность к обобщению на среды, отсутствующие в обучении, управляемым возмущениям и построению вымышленных миров. Это causal language model на базе Qwen3.5-35B-A3B-Base с архитектурой MoE: всего 35 млрд параметров, из которых активируются 3 млрд. Модель содержит 40 слоёв, 256 экспертов, 8 маршрутизируемых и 1 общий активный эксперт, а контекст поддерживает до 262 144 токенов. В README не указаны отдельные языки, кроме того, что модель является языковой; конкретные ограничения по качеству, аппаратным требованиям и поддерживаемым GUI-протоколам также не приведены. Результаты AgentWorldBench показывают неодинаковую эффективность в разных доменах, поэтому модель следует рассматривать прежде всего как симулятор агентных сред, а не как универсальную модель для любых задач. Распространение указано по лицензии Apache 2.0. В README также отмечено, что в обучении не использовались выходы внешних API-сервисов.

QwQ-32B — reasoning-модель семейства Qwen от команды Qwen, основанная на Qwen2.5-32B и дообученная с supervised fine-tuning и reinforcement learning. Это плотная причинная языковая модель на 32 млрд параметров для генерации текста и диалогов, рассчитанная на сложные задачи, где полезны рассуждения, в частности решение математических задач и ответы на трудные вопросы. Поддерживает интерфейс вызова инструментов. Архитектура Qwen2 использует RoPE, SwiGLU, RMSNorm и смещение в QKV attention; в модели 64 слоя и grouped-query attention с 40 головами Q и 8 головами KV. README заявляет контекст до 131 072 токенов, тогда как метаданные указывают нативный контекст 40 960 токенов. Для входов длиннее 8 192 токенов README рекомендует включать YaRN; статическое масштабирование в vLLM может снижать качество на коротких текстах. Модель описана как конкурентоспособная с другими reasoning-системами, но конкретные результаты оценки в карточке не приведены. Модель принимает текст и генерирует текст. Карточка указывает английский язык. Для снижения повторов README рекомендует не использовать жадное декодирование и настраивать параметры sampling; при повышении presence penalty возможны смешение языков и небольшое снижение качества. Лицензия — Apache-2.0.

Raffix/routing_module_action_question_conversation_move_hack_debertav3_nli — англоязычная модель классификации текста с нулевым обучением, опубликованная Raffix. Карточка Hugging Face указывает назначение zero-shot classification, архитектуру DeBERTa-v2 с головой классификации последовательностей и размер 211,6 млн параметров. По названию модель ориентирована на маршрутизацию запросов по категориям действий, вопросов, диалогов, перемещения и взлома, однако карточка не описывает эти категории отдельно. Модель принимает текст и пригодна для присвоения входному тексту метки из заданного набора кандидатов без отдельного дообучения под эти метки. Контекст ограничен 512 токенами; заявлен английский язык. Опубликована под лицензией MIT. Карточка не приводит подробных оценок качества или ограничений помимо контекстного окна и языка.

Vela Domain — модель vllm-sr для определения тематики запроса и выбора подходящих моделей или инструментов среди 14 предметных областей. Это дообученная версия Vela-1.0-Encoder-307M на архитектуре ModernBERT для классификации последовательностей; модель содержит 306,9 млн параметров и принимает до 32 768 токенов с учётом специальных токенов. В метаданных указаны форматы safetensors и ONNX, библиотека Transformers и лицензия Apache-2.0. В карточке приведены результаты на наборах разработки для коротких запросов и длинного контекста: Vela показала более высокий Macro F1, чем исходная mmBERT32K Domain. Наборы разработки использовались при выборе чекпойнта и не являются независимым тестом; длинноконтекстная оценка включает лишь 28 примеров на длину и охватывает английский и китайский языки. Короткие запросы в оценке включали английский, китайский, испанский, французский, немецкий и японский.

Это дообученная модель YOLOv11m от автора erayyapagci для обнаружения и выделения блоков вопросов в турецких учебных PDF-документах. Она предназначена для обработки экзаменационных сборников, тестов и рабочих листов, в том числе для последующей обрезки найденных вопросов и передачи их в OCR. Модель имеет один класс — question — и рассчитана на изображения страниц с разрешением 1280 × 1280; базовая архитектура — YOLOv11m Ultralytics, размер около 20 млн параметров. README сообщает точность 0,971 и mAP@50 0,716. Лучше всего модель подходит для плотных тестовых страниц с двумя колонками и вопросами с вариантами ответа. Она может применяться и к одноколоночным заданиям с графикой, но качество таких результатов менее надёжно. Возможны объединение заголовка страницы с первым вопросом, пропуск открытых вопросов без маркеров вариантов ответа и ошибки на нестандартной или перекрывающейся вёрстке. Для снижения ложных срабатываний рекомендуется проверять обрезанные области с помощью OCR и подбирать порог уверенности примерно 0,3–0,4. Лицензия — MIT.

Analyst 0.6B — компактная языковая модель, разработанная AXe Technologies на базе Qwen3-0.6B и дообученная для рабочих процессов в консалтинге и профессиональных услугах. Она содержит около 507,9 млн параметров, использует плотную архитектуру Qwen3 и рассчитана на контекст до 40 960 токенов. В репозитории представлены веса safetensors для MLX; модель предназначена для локального запуска, в том числе на Apple Silicon. Модель выполняет маршрутизацию запросов и классификацию намерений, преобразует естественный язык в структурированные вызовы функций, составляет ответы в профессиональном стиле и генерирует базовые SQL-запросы для бизнес-аналитики. Её предполагаемая роль — быстрый первый этап конвейера из нескольких моделей; сложные рассуждения рекомендуется передавать более крупным моделям. Карточка заявляет поддержку только английского языка. Лицензия — Apache-2.0.

PocketWeights/Gemma-4-12B-agentic-abliterated-GGUF — это квантизированная в формате GGUF версия 12-миллиардной модели на архитектуре Gemma, разработанной Google. К использованной базовой модели Huihui-gemma-4-12B-agentic-fable5-abliterated применены дообучение и методы удаления отказов от huihui-ai / yuxinlu1; сборку и оптимизацию GGUF выполняет PocketWeights. Модель предназначена для генерации текста, диалогов, многошагового планирования, декомпозиции сложных запросов, структурированного вывода, агентских сценариев и использования инструментов или function calling. Заявлены возможности технического анализа, автономного выполнения многошаговых целей, red-teaming и творческого письма. Поддерживаемые модальности и языки в README не указаны; контекстное окно также не заявлено. Доступны варианты IQ3_M размером 5,73 ГБ, рассчитанный примерно на 6 ГБ VRAM или 8 ГБ RAM, и Q4_K_M размером 7,38 ГБ, рекомендованный для 8–12 ГБ VRAM или 16 ГБ RAM. Ключевое преимущество — сочетание 12B-параметров с локальным запуском на потребительском оборудовании. Ограничение — удалённые защитные механизмы, поэтому модель может генерировать небезопасный контент и рекомендуется для авторизованных исследований безопасности, симуляций red-teaming и локальных изолированных сред. Модель распространяется по Gemma Terms of Use / Open Model License; конкретные условия применения следует проверять в тексте лицензии.

YTan2000 подготовил GGUF-конверсию модели Huihui-Qwen3.5-35B-A3B-abliterated для запуска через TurboQuant-вариант llama.cpp. Это мультимодальная модель семейства Qwen3.5 MoE с 35 млрд параметров и активной частью около 3 млрд; она поддерживает диалог, анализ изображений и интерфейс вызова инструментов. Основные веса сжаты до TQ3_4S, а тензоры эмбеддингов и выходного слоя оставлены в Q6_K. Для обработки изображений предусмотрен совместимый мультимодальный проектор в формате GGUF. Модель предназначена для диалоговых и агентных сценариев, генерации текста и ответов с учётом изображений. В коротком локальном smoke-тесте она показала результат 9 из 10, но это не полноценная оценка качества. Для запуска требуется публичная TurboQuant-сборка llama.cpp. Модель описана как abliterated/uncensored и может выдавать чувствительный или небезопасный контент. Лицензия — Apache-2.0.

Карточка модели hypaai/Hypa-Llama-SNAC-ASR-run3-colab-2k-16bit на Hugging Face совпадает с карточкой hypaai/Hypa-Llama-SNAC-ASR-run1-colab-16bit, поэтому описание составлено по ней. Hypa-Llama-SNAC-ASR-run1-colab-16bit — дообученная hypaai модель генерации текста на архитектуре Llama, созданная на базе hypaai/Hypa-Llama3.1-8b-SFT. В репозитории указаны 7,6 млрд параметров, контекст 2048 токенов и формат safetensors; обучение проводилось с Unsloth и библиотекой TRL. Модель предназначена для диалоговой генерации текста и работы с интерфейсом вызова инструментов. Название содержит SNAC и ASR, однако карточка не описывает распознавание речи или аудиовход, поэтому подтвердить такие сценарии по предоставленным данным нельзя. Указана лицензия Apache-2.0.