I.14Автоматизация процессов и AI-агенты

p-doom разработала inverse dynamics model (IDM) для восстановления пользовательских действий по коротким записям экрана. Модель дообучена методом LoRA на языковых и визуальных модулях Qwen/Qwen3-VL-8B-Instruct, после обучения веса объединены. Она принимает сообщение с 10 скриншотами, снятыми с частотой 5 кадров в секунду, и выдаёт разреженный список действий в JSON: нажатия клавиш, щелчки мыши, перемещения курсора и прокрутку.

LFM2.5-2.6B-Fable5-Coding-Agent-heretic — компактная языковая модель для генерации текста и работы в роли coding agent. Она создана автором RACER IS OP как decensored-вариант модели AyoubChLin/lfm2.5-2.6b-fable5-coding-agent, которая, в свою очередь, является полноразмерной SFT-модификацией LiquidAI/LFM2.5-2.6B на датасете saidutta69/fable-5-premium. Модель предназначена для генерации кода, многошагового диалога, следования инструкциям и формирования tool calls. Модель содержит около 2,6 млрд параметров и использует гибридную архитектуру LFM2 с комбинацией свёрточных и attention-компонентов. Указана поддержка английского языка и текстовой модальности. Доступны веса в форматах GGUF, включая F16 и варианты квантования от Q2_K до Q8_0; модель рассчитана на локальный запуск через llama.cpp, Ollama, LM Studio или Transformers. Заявленная особенность — подавление отказов с помощью направленной абляции весов в attention output и MLP down-projections без дополнительного fine-tuning. По данным README, доля отказов в тесте снижена с 96 до 7 из 100 при KL-дивергенции 0,014. Сильными сторонами являются небольшой размер, быстрый локальный inference, поддержка генерации кода, tool-use и многоходового поведения ассистента. При этом это не улучшение базовых возможностей, а та же модель с удалёнными защитными ограничениями. В README прямо предупреждается, что дополнительной фильтрации безопасности нет и модель может выполнять опасные или нежелательные запросы, поэтому ответственность за применение и развёртывание лежит на пользователе. Лицензия обозначена как other; приведена ссылка на лицензию базовой модели LiquidAI/LFM2.5-2.6B.

LFM2.5-2.6B Terminal SFT — полно-параметрически дообученная модель LiquidAI LFM2.5-2.6B, опубликованная jacepark12. Она предназначена для диалоговых задач терминального агента: обучена на 139 841 беседе о работе с терминалом без задач программирования, подготовленных из набора NVIDIA Nemotron Terminal Corpus. Модель использует плотную архитектуру LFM2 с причинной языковой моделью Lfm2ForCausalLM, содержит 2,6 млрд параметров и поддерживает контекст до 131 072 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; модель принимает текстовые запросы и генерирует текстовые ответы. Карточка указывает английский язык.

dealignai подготовила Ling-2.6-flash-JANGTQ2-CRACK на базе Ling-2.6-Flash от InclusionAI. Это языковая MoE-модель с 35 млрд параметров и гибридной архитектурой Bailing: Multi-Latent Attention сочетается с линейным вниманием, а из 256 маршрутизируемых экспертов для каждого токена активируются 8 и один общий эксперт. По метаданным, размер модели составляет 6,4 млрд параметров; контекст — до 131 072 токенов. Модель предназначена для генерации текста, диалога, следования инструкциям и вызова инструментов на английском и китайском языках. Веса сжаты в формате JANGTQ2: маршрутизируемые эксперты используют 2-битное TurboQuant-кодирование, а ряд других компонентов — аффинную 8-битную квантизацию. README указывает размер 29 ГБ и запуск на Apple Silicon через MLX Studio или пакет jang-tools. CRACK — необратимое изменение весов, направленное на удаление усвоенных отказов; модель может выдавать ответы на запросы, которые базовая модель отклонила бы. Приведённые в карточке результаты тестов не гарантируют качество на других задачах. Лицензия — MIT.

Llama-Breeze2-8B-Instruct-v01 — мультимодальная модель MediaTek Research с 8 млрд параметров, основанная на LLaMA 3.2 и архитектуре InternVLChat. Модель продолжает предварительное обучение на обширном корпусе для улучшения работы с традиционным китайским языком и культурным контекстом; визуальный энкодер и связующий модуль добавляют обработку изображений. Предусмотрены диалоговое следование инструкциям и вызов функций через шаблоны запросов и дополнительное обучение на данных вызова функций. Модель подходит для диалогов и инструкций на китайском и английском языках, вопросов по изображениям и сценариев, где языковая модель должна вызывать инструменты. Для использования заявлены веса в формате safetensors и библиотека Transformers версии 4.47.0. Указана лицензия Llama 3.2 Community License; применяются её условия.

Lucy-GGUF — компактная языковая модель для агентного веб-поиска и облегчённого веб-сёрфинга, разработанная командой Menlo Research; среди авторов указаны Alan Dao, Bach Vu Dinh и Alex Nguyen. Модель основана на Qwen3-1.7B и предназначена для сценариев, где языковая модель взаимодействует с поисковыми и браузерными инструментами через MCP, включая поиск с использованием Serper и базовый просмотр веб-страниц. Модель содержит 1,7 млрд параметров и оптимизирована для эффективного запуска на мобильных устройствах и конфигурациях только с CPU. Для улучшения рассуждений в поисковых задачах применялись машинно сгенерированные task vectors, сглаженные reward-функции по нескольким категориям и reinforcement learning без supervised fine-tuning. В README также упоминается вариант Lucy-128k, однако для данного идентификатора точная длина контекста явно не указана. Сильные стороны Lucy — малый размер, возможность локального развёртывания и специализация на инструментальном поиске; заявлено, что на бенчмарке SimpleQA модель достигла более высокой точности, чем DeepSeek-v3. Результаты зависят от подключённых MCP-инструментов и поисковых API, а модель не следует рассматривать как универсальную замену крупным моделям: её возможности ориентированы прежде всего на агентный поиск и лёгкий браузинг. В README указана лицензия Apache 2.0. Для запуска упомянуты vLLM, llama.cpp, Jan, LM Studio и совместимые inference-движки.

nli-MiniLM2-L6-H768-answerable-or-not — англоязычная модель классификации текста, дообученная leomaurodesenv на основе cross-encoder/nli-MiniLM2-L6-H768. Она предназначена для определения, можно ли ответить на запрос или вопрос, то есть для бинарной классификации «ответить / нельзя ответить». Модель построена на архитектуре RoBERTa и содержит 95,2 млн параметров; максимальная длина контекста — 514 токенов. Модель подходит для фильтрации вопросов и отбора запросов, на которые система может сформировать ответ. В README приведены результаты оценки: accuracy 0,9924 и loss 0,0394, однако набор данных и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется по лицензии Apache-2.0.

Pathumma-llm-text-4.0.0 — тайско-английская причинная языковая модель семейства Qwen3.5, разработанная в рамках национальной инициативы ThaiLLM. В README указана версия Pathumma-llm-4b-think-4.0.0: модель содержит 4 млрд параметров и проходит постобучение в два этапа — SFT и DPO. Репозиторий использует Transformers и формат Safetensors; лицензия — Apache-2.0. Модель предназначена для генерации текста в диалогах, следования инструкциям, математических рассуждений и структурированного вызова инструментов на тайском и английском языках. Она может выводить явную цепочку рассуждений перед ответом. Архитектура поддерживает контекст до 262 144 токенов, однако поведение на контекстах существенно длиннее 8 192 токенов в постобучении не проверено.

Minbyul разработал Asis-GRPO — продолжение дообучения модели Qwen3.5-35B-A3B-Asis методом обучения с подкреплением GRPO. Это смесь экспертов (MoE) с примерно 35 млрд параметров всего и 3 млрд активных на токен; веса опубликованы в формате bf16 в safetensors. Модель предназначена для многошагового агентного поиска в интернете: она использует инструменты поиска, открытия страниц и поиска по странице, а обучение нацелено на решение, когда остановить поиск и сформулировать ответ. По описанию автора, выбранный контрольный снимок сохраняет точность на уровне SFT-базовой модели и сокращает лишний поиск после того, как ответ уже дан. Модель рассчитана на исследование обучения агентов моменту остановки и может использоваться как более экономный по поиску вариант Asis SFT при совместимых инструментах и формате запросов. Контекст обучения родительской модели составлял 131 072 токена; это не подтверждает такой же нативный предел контекста данного снимка. Это исследовательский артефакт, настроенный под конкретную поверхность инструментов и формат подсказок; выгоды следует повторно проверять при смене инструментов или критериев вознаграждения. Дополнительное выравнивание безопасности не проводилось. Лицензия — Apache-2.0.

Qwen3.8-27B-Della-Carnice-Ostrich-Salience-Glimmer-v5c — настраиваемая мультимодальная модель для диалогов, созданная YFC-112358 слиянием Qwen/Qwen3.8-27B и нескольких моделей на его основе методом della_linear. Она предназначена для общения с пользователем и задач, где нужно анализировать изображения; в метаданных также отмечены интерфейс вызова инструментов и поддержка vision. Архитектура — плотная Qwen3_5ForConditionalGeneration, размер базовой модели — 27 млрд параметров; модель распространяется в safetensors и загружается через Transformers. Токенизатор и конфигурация взяты у Qwen/Qwen3.8-27B. README описывает однопроходное слияние четырёх источников и его технические параметры, включая прореживание по блокам строк, вычисления в fp32 и сохранение в bf16. Это не отдельное дообучение: итоговое поведение зависит от слияния исходных моделей, а специальные токены этих источников в итоговый токенизатор не включены. Основной язык и длина контекста в предоставленных данных не подтверждены. Лицензия не указана, поэтому условия использования следует сверить с лицензиями базовой модели и компонентов слияния.

INCModel3/Qwen3.8-Flash-Next-MXFP4-Mixed-CT-AutoRound — смешанный вариант модели Qwen3.8-Flash-Next, подготовленный Intel с помощью AutoRound и сохранённый в формате llm_compressor. Экспертные слои MLP квантизованы до 4 бит с типом данных MXFP; README также указывает MXFP8 для остальных слоёв, кроме перечисленных исключений. Репозиторий содержит веса Safetensors и предназначен для работы через Transformers. Модель рассчитана на диалоговые задачи с текстом и изображениями, поддерживает интерфейс вызова инструментов. Подходит для ответов на вопросы по изображениям и текстового общения. README предупреждает, что ответы могут содержать фактические ошибки, предвзятость или оскорбительный контент; перед развёртыванием рекомендуется проверка безопасности. Следует соблюдать лицензию исходной модели; репозиторий указывает лицензию other.

Reasoning Router 0.6B — дообученная Амиром Мохсени модель классификации на базе Qwen/Qwen3-0.6B. Она относит текстовые запросы к классу `no_think`, если явный режим рассуждений не нужен, или `think`, если запросу может быть полезен такой режим, например для математики и многошагового анализа. Модель предназначена для маршрутизации запросов в гибридных системах: простые задачи можно направлять на быстрые и недорогие модели, а более сложные — на модели с поддержкой рассуждений. Модель содержит 507,6 млн параметров, использует архитектуру Qwen3ForSequenceClassification и принимает текст для классификации. Контекстное окно — до 40 960 токенов. Обучение проводилось на наборе AmirMohseni/reasoning-router-data-v2, включающем математические задачи и общие запросы; основным языком обучения был английский. Модель распространяется по лицензии Apache-2.0. Классификация может помогать снижать задержки и вычислительные затраты в конвейерах из нескольких моделей. Точность для других языков может быть ниже; примеры с меткой `think` преимущественно связаны с математическими рассуждениями, а кодовые задачи в обучающих данных не представлены.

SOD-GRPO_teacher-4B — языковая модель на архитектуре Qwen3, дообученная командой youngzhong методом GRPO после этапа SFT. Она служит моделью-учителем в SOD-фреймворке для дистилляции компактных моделей, а также предназначена для агентного рассуждения с использованием инструментов, решения математических и научных задач и генерации кода. Модель содержит около 3,7 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 262 144 токена. В карточке приведены результаты на AIME 2024/2025, GPQA-Diamond и LiveCodeBench-v6, но они не гарантируют аналогичного качества на других задачах. Поддерживается английский язык. Лицензия — Apache-2.0.

Модель XLMRoberta-Alexa-Intents-NER-NLU разработана Yanis LABRAK из NLP-команды Университета Авиньона. Это модель классификации токенов на базе XLM-RoBERTa, дообученная для разметки слотов в коротких запросах к голосовому помощнику. Она выделяет в тексте сущности и атрибуты, например даты, время, имена исполнителей, названия приложений, блюд и мест; набор меток включает 55 типов слотов и метку O. Модель обучена на MASSIVE — параллельном наборе более чем из миллиона высказываний на 51 языке, предназначенном для понимания запросов голосовых помощников. В карточке указаны 305,2 млн параметров, контекст до 514 токенов и формат PyTorch. Лицензия — CC BY 4.0. По описанию модели её назначение — разметка слотов; результаты для классификации намерений в README не приведены.

ZonUI-3B — компактная мультимодальная модель для привязки текстовых инструкций к элементам графического интерфейса на скриншотах. Её разработали авторы работы «ZonUI-3B: A Lightweight Vision-Language Model for Cross-Resolution GUI Grounding»; модель дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct и содержит 3,1 млрд параметров. Модель принимает изображение интерфейса и текстовый запрос, а затем определяет соответствующий элемент управления. Она рассчитана на мобильные, настольные и веб-интерфейсы, включая изображения высокого разрешения; обучение включало два этапа и 24 тысячи примеров. В README приведены результаты на бенчмарках ScreenSpot и ScreenSpot-v2, но фактический формат координат или другого ответа в описании не уточнён. Модель работает с изображениями и текстом, использует архитектуру Qwen2.5-VL и имеет контекст до 128 000 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0.

ZYR3.1MoE-i1-GGUF — квантованные версии модели ZYR3.1MoE, разработанной zyr-AGENT и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста, а также сценариев, связанных с мультиагентными системами, оркестрацией агентов и MoE-оркестрацией. В метаданных указан английский язык. Модель основана на архитектуре Mixture of Experts (MoE), однако точное число параметров, размер контекста, поддерживаемые модальности и внутреннее устройство в README не указаны. Набор включает imatrix-файл и множество вариантов квантования i1 от IQ1_S до Q6_K размером примерно от 2,8 до 7,5 ГБ. Более лёгкие варианты требуют меньше памяти, но могут заметно уступать по качеству; среди рекомендованных указаны Q4_K_M как быстрый вариант и Q4_K_S как компромисс между размером, скоростью и качеством. Распространение осуществляется по лицензии, обозначенной как other; её конкретные условия в README не приведены. Для работы требуются инструменты, совместимые с форматом GGUF; README также ссылается на инструкции по использованию GGUF-файлов и объединению многосоставных файлов.

ryugyosoft создал адаптацию IBM Granite 4.2 3B для движка onw, который запускает языковые модели на Intel NPU. Это плотная авторегрессионная модель семейства Granite с 3,4 млрд параметров и контекстом до 131 072 токенов; веса подготовлены в сегментированном формате onw с INT4-квантизацией и INT8 для отдельных компонентов. Модель принимает текст и генерирует текст, поддерживает диалог, рассуждения и вызов инструментов через OpenAI-совместимый интерфейс. Модель предназначена для локального чат-ассистента и агентных сценариев на компьютерах с Intel Core Ultra и NPU. Она поддерживает японский и английский; README отмечает, что качество японских ответов ниже английского и возможны ошибки и неестественные формулировки. Приведённые в карточке тесты показывают потерю точности после квантизации относительно исходной BF16-версии. Для использования требуются движок onw и совместимое оборудование. Лицензия — Apache 2.0; обучение не проводилось, веса повторно квантованы и преобразованы для onw.

ProCreations/grug-v1.1-qwen-3.8-27b-mtp — вариант диалоговой модели Grug v1.1 на базе Qwen3.8-27B с настроенной головой предсказания следующего токена. Разработчик дообучил только модуль MTP объёмом 425 млн параметров методом самодистилляции на собственных ответах Grug; основные веса заморожены и, согласно карточке, не меняют ответы модели. Голова предназначена для speculative decoding: она предлагает токены наперёд, которые основная модель проверяет, что может повысить скорость генерации в совместимом движке. В тесте на данных Grug совпадение предсказания второго следующего токена с проверяющей моделью составило 95,37%. Это показатель согласия, а не измеренный прирост скорости; фактическая производительность зависит от движка, размера пакета и длины чернового предсказания. Для использования головы README приводит vLLM и SGLang с поддержкой Qwen3.8 MTP; обычный Transformers может игнорировать MTP-модуль и запускать основную модель без ускорения. Базовая модель предназначена для диалогов, рассуждений, программирования и агентных сценариев с инструментами. Лицензия — Apache-2.0.

InternVL3-38B-Instruct — мультимодальная модель OpenGVLab для диалога и анализа изображений. Это версия SFT семейства InternVL3: она прошла мультимодальное предварительное обучение и supervised fine-tuning, но не этап MPO. Архитектура следует схеме ViT-MLP-LLM: визуальный модуль InternViT соединён через MLP-проектор с языковой моделью; обработка изображений использует динамическое разбиение на фрагменты 448×448 и позиционное кодирование V2PE. Модель также обучалась на видеоданных. Модель предназначена для ответов на вопросы по изображениям, мультимодальных рассуждений и понимания видео, а также для задач с интерфейсами GUI, инструментами и 3D-сценами. Семейство заявлено как мультиязычное; карточка описывает текстовые и визуальные возможности, однако точный размер параметров и длина контекста для этой версии в предоставленных данных не указаны. В сравнении с InternVL 2.5 авторы заявляют улучшение мультимодального восприятия и рассуждений. Модель доступна по лицензии Apache-2.0. Ограничения включают отсутствие этапа MPO у этой SFT-версии; для неизвестных изображений или видео возможны ошибки интерпретации, а качество и производительность зависят от используемых разрешений и вычислительных ресурсов.

Карточка модели NostraEmpire/mirror-qwq-32b на Hugging Face совпадает с карточкой Qwen/QwQ-32B, поэтому описание составлено по ней. 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.

NVIDIA-Nemotron-3-Nano-4B-GGUF — небольшая языковая модель, разработанная NVIDIA Corporation. Это квантизированная версия NVIDIA-Nemotron-3-Nano-4B-BF16 в формате Q4_K_M, предназначенная для коммерческого использования и работы на периферийных устройствах. Модель обучена с нуля и рассчитана на единое выполнение задач с рассуждением и без него: она может сначала формировать трассу рассуждений, а затем итоговый ответ, причём режим рассуждений управляется системным промптом. Архитектура гибридная: преимущественно слои Mamba-2 и MLP, дополненные четырьмя слоями Attention. Модель сжата из NVIDIA-Nemotron-Nano-9B-v2 с использованием фреймворка Nemotron Elastic. Поддерживается английский язык и языки программирования; в README также указано улучшение с использованием Qwen. Заявлено окно контекста 128k, подтверждённое оценкой RULER. Данные предобучения актуальны по сентябрь 2024 года. Модель ориентирована на Agentic AI в edge-средах, включая Jetson Thor, GeForce RTX и DGX Spark. Основные сценарии — игровые NPC, локальные голосовые ассистенты для устройств, приложений и игр, а также автоматизация IoT. Сильными сторонами являются компактность, пригодность для периферийного развертывания, поддержка рассуждений и сочетание эффективности гибридной архитектуры с большим контекстом. При отключении трасс рассуждений ответы могут быть быстрее и компактнее, но для сложных запросов возможно некоторое снижение точности. Использование регулируется лицензией NVIDIA Nemotron Open Model License.

zeromodels выпустила конверсию OWLv2-base-patch16-finetuned в формате Keras 3 для библиотеки zeromodels. Это модель обнаружения объектов с открытым словарём: при обработке изображения она использует текстовые запросы и возвращает найденные объекты и их рамки. Архитектура сохраняет двухбашенный каркас OWL-ViT и голову обнаружения по патчам; OWLv2 также применяет обучение на парах изображений и текста из интернета и использует отдельную оценку объектности для патчей. Реализация работает с TensorFlow, Torch и JAX. Модель подходит для поиска объектов по произвольным текстовым описаниям, включая категории, не заданные фиксированным набором классов. Для обработки рекомендуется использовать соответствующий Processor и передавать исходные размеры изображения с учётом дополнения изображения до квадрата перед изменением размера: это влияет на постобработку координат рамок. Лицензия — Apache 2.0.

Модель Hutgaecha/Qwen3-0.6B-JSON-SFT-GRPO разработана Hutgaecha как дообученная версия Hutgaecha/Qwen3-0.6B-JSON-SFT. Это компактная плотная языковая модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и примерно 507,9 млн параметров. Она предназначена для генерации текста в диалоговом формате, в том числе для задач, связанных с формированием JSON; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Контекст составляет до 40 960 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Данных о специализированных ограничениях или гарантируемом качестве JSON в карточке нет.

NVIDIA Qwen3-235B-A22B-Thinking-2507-Eagle3 — вспомогательная модель Eagle3, разработанная NVIDIA на основе Qwen3-235B-A22B-Thinking-2507 от Alibaba. Она обучена на синтетических данных, полученных с помощью базовой модели, и предназначена для спекулятивного декодирования: предлагает несколько следующих токенов, которые затем проверяет исходная модель, ускоряя генерацию без замены основной модели. Архитектура указана как LlamaForCausalLMEagle3; веса опубликованы в формате safetensors. По метаданным модель содержит 840,4 млн параметров, контекст — до 262 144 токенов. Модель рассчитана на текстовую генерацию в системах TensorRT-LLM, включая чат-боты, агентные системы, RAG-приложения и выполнение инструкций. README сообщает о поддержке NVIDIA Blackwell и Linux и о готовности к коммерческому и некоммерческому использованию; для неё указан тип лицензии other, а в README приведена ссылка на Apache License 2.0. Перед использованием следует проверить условия лицензии и совместимость с целевой средой.

nDimensional выпустил конверсию Qwen3.5-9B Uncensored в формате safetensors на основе объединённой модели HauhauCS/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive и Qwen/Qwen3.5-9B. Это плотная мультимодальная модель на 9 млрд параметров с гибридной архитектурой: 24 слоя GDN и 8 стандартных слоёв внимания. Она предназначена для диалога и обработки изображений; поддерживает интерфейс вызова инструментов. В описании базовой Qwen3.5 также указаны рассуждения, программирование и агентные задачи. Конверсия сохраняет веса в BF16 и предназначена для Transformers, vLLM и других фреймворков, не поддерживающих исходный формат GGUF. В README отмечены изменения весов отдельных тензоров языковой модели; энкодер изображений, токенизатор и перечисленные эмбеддинги и MLP-слои совпадают с базовой моделью. В конфигурации отключено предсказание нескольких токенов. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0.

JANGQ-AI/Qwen3.6-35B-A3B-JANGTQ — мультимодальная модель семейства Qwen, подготовленная JANGQ-AI на основе Qwen/Qwen3.6-35B-A3B и адаптированная для запуска в vMLX на компьютерах Apple Silicon. Это модель типа MoE с 35 млрд параметров, из которых около 3 млрд активны на токен; архитектура сочетает линейное внимание Gated DeltaNet и полное внимание, а также маршрутизируемые экспертные блоки. Весовые матрицы маршрутизируемых экспертов квантованы до 2 бит методом JANGTQ на основе кодовых книг TurboQuant и вращения Hadamard; ряд других компонентов хранится в 8-битном представлении, а зрительная башня сохранена. Модель предназначена для диалогов, задач с изображениями и агентных сценариев. README сообщает о поддержке изображений и отмечает, что для видео в MLX требуется собственный процессор, тогда как основная ветка mlx-vlm для этой архитектуры подходит для изображений. Для загрузки квантованных весов нужен специальный загрузчик jang-tools: стандартный mlx_lm.load() их не читает. Модель использует шаблон диалога и интерфейс вызова инструментов базовой модели; заявлена библиотека MLX и лицензия Apache-2.0. README приводит ориентиры по памяти для Mac с unified RAM и контексту, но эти оценки зависят от профиля запуска и KV-кэша. Независимые результаты оценки именно этой квантованной версии в карточке не приведены.

YTan2000/Qwen3.6-35B-A3B-TQ3_4S — квантованная GGUF-версия мультимодальной модели Qwen3.6-35B-A3B, опубликованная YTan2000. Она предназначена для диалогов, ответов на вопросы, агентных сценариев и анализа изображений. Модель основана на архитектуре Mixture of Experts: в README описана смешанная квантовка TQ3_4S с 2-битными экспертами и 4-битным вниманием; основной файл занимает 12,4 GiB, а мультимодальный проектор поставляется отдельно в BF16. Для запуска указан TurboQuant runtime fork; рекомендуемые настройки рассчитаны на GPU с 16 ГБ видеопамяти. Карточка сообщает о проверке базовых вызовов инструментов и ответов на простые вопросы, но эти результаты не дают широкой оценки качества. Репозиторий распространяется по лицензии Apache-2.0. Метаданные указывают английский язык карточки; другие поддерживаемые языки и длина контекста не подтверждены.

leandronunes/qwen3.8-4b-a1-dare-ties — модель слияния DARE-TIES на базе Qwen/Qwen3.5-4B с компонентами Qwen3.8-4B-Distill и Agents-A1-4B. Она объединяет логическую дедукцию и агентные возможности для диалоговых задач и рассуждений; заявленные в карточке родительские модели показали результаты на тестах логической дедукции, причинных суждений и медицины, но показатели самого слияния ещё не измерены. Модель мультимодальная: помимо языковой части, в архитектуре есть зрительная башня из 24 блоков. Используется гибридная архитектура с чередованием слоёв linear attention на базе Gated DeltaNet и full attention; контекст — 262 144 токена. Поддерживается режим расширенного рассуждения, который можно отключить через шаблон чата. Метаданные указывают семейство Qwen 3.5 и поддержку интерфейса вызова инструментов. Модель ориентирована на диалог, логические и причинные рассуждения, в том числе с визуальным вводом. Карточка не приводит измерений качества итогового слияния, поэтому его результаты нельзя считать подтверждёнными приведёнными оценками родительских моделей. Лицензия — Apache 2.0.

Карточка модели unsloth/QwQ-32B на Hugging Face совпадает с карточкой Qwen/QwQ-32B, поэтому описание составлено по ней. 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.

Модель Solshine/reflection-llama-3.1-8B — разговорная языковая модель семейства Llama 3.1, разработанная Solshine (Caleb DeLeeuw) и дообученная на предыдущем чекпойнте этой серии методом итеративного reflection tuning. Она генерирует рассуждение в специальных тегах, может отмечать и исправлять ошибки в ходе рассуждения, а затем выдаёт итоговый ответ в отдельных тегах. Для диалогов используется стандартный формат чата Llama 3.1. Модель предназначена для генерации ответов и решения задач, где полезны пошаговое рассуждение и самопроверка, в том числе математических текстовых задач. В карточке указаны 7,5 млрд параметров и контекст до 131 072 токенов; доступны интерфейсы чата и вызова инструментов. Обучение проведено с использованием Unsloth и TRL на данных Reflection-Dataset-v2 и orca-math-word-reflection. Основной язык карточки — английский. Официальных результатов бенчмарков пока нет, поэтому качество рассуждений и ответов не подтверждено независимой оценкой. Модель распространяется по лицензии Llama 3.1; применимость лицензии и её условия следует учитывать при использовании.