I.14Автоматизация процессов и AI-агенты

LLaDA-UI — разработанная inclusionAI мультимодальная модель-агент для управления графическими интерфейсами на мобильных устройствах, компьютерах и веб-сайтах. Она принимает скриншоты вместе с задачей и историей взаимодействия, сохраняет исходное соотношение сторон изображения и выдаёт координаты целевого элемента либо структурированные действия для интерфейса. Модель использует архитектуру LLaDA2VL с блоковой диффузионной генерацией и смесью экспертов (MoE); размер составляет около 16,7 млрд параметров. Генерация включает текстовые рассуждения и исполняемые действия, а координаты нормализуются в диапазоне от 0 до 999. Для инференса описаны зависимости на основе PyTorch, Transformers, FlashAttention и специализированные патчи SGLang; чекпойнт BF16 занимает около 32 ГБ, сверх этого требуется дополнительная память GPU. Указана базовая языковая модель LLaDA2.0-mini-base. Лицензия в предоставленных данных не обозначена.

Llama-3-Groq-8B-Tool-Use-4bit — англоязычная текстовая генеративная модель семейства Llama 3, разработанная Groq и преобразованная сообществом mlx-community в формат MLX. Модель содержит около 7,5 млрд параметров, использует 4-битное представление и предназначена для запуска через mlx-lm на совместимом оборудовании Apple.

lmstudio-community/Llama-3-Groq-8B-Tool-Use-GGUF — это GGUF-квантизация дообученной модели Llama 3 8B, разработанной Groq для использования инструментов и вызова функций. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для генерации текста, взаимодействия с API, работы со структурированными данными и выполнения сложных сценариев, в которых требуется выбирать и вызывать внешние инструменты. Модель поддерживает английский язык и использует текстовую модальность. В README указано 8 млрд параметров; размер контекста не указан. Для работы в LM Studio рекомендуется выбрать шаблон Llama 3. Ответы на вызовы функций оформляются в JSON внутри тегов tool_call, а доступные инструменты и их параметры передаются в системном запросе. Заявленная точность на Berkeley Function Calling Leaderboard составляет 89,06%. Сильная сторона модели — специализация на function calling, API-интеграциях и структурированном взаимодействии с инструментами. Ограничения включают отсутствие сведений о размере контекста и конкретных вариантах квантизации, а также ориентацию на английский язык; корректность вызовов зависит от качества описаний инструментов и используемого шаблона запроса. В метаданных указана лицензия llama3.

Mano-CUA-2.0-4B — визуально-языковая модель агента для управления графическим интерфейсом, разработанная в рамках открытой серии Mano компанией Mininglamp. Она дообучена на базе Qwen/Qwen3-VL-4B и предназначена для автономного выполнения сложных операций в настольных приложениях: навигации по интерфейсу, переноса данных между источниками, прохождения многоэтапных бизнес-процессов и подготовки структурированных отчетов. Модель принимает текстовые инструкции и изображения экрана, а действия описывает структурированным XML, включая координаты элементов интерфейса. В основе — плотная архитектура Qwen3-VL с генерацией текста и визуальным пониманием. README описывает цикл рассуждения «think-act-verify» и обучение в три этапа: SFT, offline RL и online RL. Представленная версия — fp16; для нее заявлены сценарии GPU-инференса и повторной квантизации. В README также упомянуты оптимизации для периферийных устройств и требования macOS с Apple Silicon M1 или новее и Python 3.12 или новее. Модель ориентирована на применение в автоматизации интерфейсов, где нет API для взаимодействия с приложениями. Качество выполнения зависит от визуальной интерпретации экрана и корректности действий агента; README не приводит количественных оценок качества. Лицензия — Apache-2.0.

Rubra AI выпустила эту инструктивную версию Meta-Llama-3-70B, дополнительно обученную на собственном наборе данных для диалогов, выполнения инструкций и вызова функций. Модель предназначена для многошаговых бесед, в которых ассистент может вызывать инструменты и продолжать диалог с учётом полученных результатов. Это плотная авторегрессионная языковая модель архитектуры Llama с 69,5 млрд параметров. Она принимает текст и генерирует текст; карточка указывает поддержку английского языка и контекст до 8192 токенов. Модель доступна в формате safetensors для Transformers. Модель подходит для диалоговых ассистентов и сценариев с интеграцией инструментов. Она может выдавать ошибочные или предвзятые ответы, поэтому результаты требуют проверки, особенно в чувствительных и критически важных областях. Указана лицензия Llama 3 (llama3).

hiieu дообучил Meta-Llama-3-8B-Instruct для вызова функций и генерации ответов в формате JSON. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров; она принимает текст и генерирует текст. Контекст — до 8192 токенов. Карточка демонстрирует двухэтапный сценарий вызова функций, где модель сначала формирует вызов, а затем обрабатывает результат.

Это полноразмерная модель MiniCPM5-1B Agentic Tooluse, созданная ewin-reg на основе openbmb/MiniCPM5-1B и дообученная для выбора и вызова инструментов. Она использует плотную архитектуру LlamaForCausalLM, содержит около 837,6 млн параметров по метаданным и принимает контекст до 131 072 токенов. Репозиторий содержит объединённые веса FP16 в формате safetensors; для запуска не требуется загружать PEFT-адаптер. Модель предназначена для диалоговых помощников и агентных сценариев, где нужно выбрать подходящий инструмент, сформировать его имя и аргументы, а также продолжать диалог после получения результата. Вызовы выдаются в XML-стиле; приложение должно самостоятельно разбирать и проверять их, выполнять инструменты и возвращать результаты модели. В README приведена пользовательская оценка на 300 примерах ToolACE: 99,33% вызовов были разбираемыми, однако это не официальная оценка на лидерборде. Для вызова инструментов рекомендуется отключать режим рассуждений: при включённом режиме модель может расходовать бюджет токенов до завершения вызова. Лицензия — Apache 2.0. Языки модели в источниках не указаны явно.

OpenCUA-72B — открытая мультимодальная модель-компьютерный агент, разработанная командой xlangai на основе Qwen2.5-VL-72B-Instruct и дообученная для управления графическим интерфейсом. Она анализирует скриншоты и историю экранов, планирует многошаговые действия и выдаёт команды с абсолютными координатами для работы в компьютерной среде. Модель предназначена для автоматизации задач в Ubuntu, Windows и macOS, распознавания элементов интерфейса и привязки действий к их расположению на экране. В README заявлены обработка до трёх скриншотов истории и результаты оценок на бенчмарках OSWorld-Verified и UI-Vision. Для развёртывания автор рекомендует vLLM; указанная конфигурация для 72B использует восемь GPU. Модель принимает текстовые инструкции и изображения экранов, а выдаёт текст с планом и исполняемыми действиями. Для преобразования предсказанных координат может потребоваться учёт smart resize в предобработке Qwen2.5-VL. Карточка указывает лицензию MIT. Практическая производительность зависит от среды исполнения и интеграции с компьютерным агентом; заявленные результаты бенчмарков не гарантируют успешного выполнения произвольных задач.

OpenCUA-7B — мультимодальная модель агента для управления компьютером, разработанная командой xlangai на основе Qwen2.5-VL-7B-Instruct. Она принимает текстовые инструкции и снимки экрана, анализирует интерфейс и выдаёт текстовые команды и действия, например координаты для нажатий. Модель предназначена для многошаговых сценариев работы с графическими интерфейсами в Ubuntu, Windows и macOS, включая распознавание элементов, привязку действий к экрану и планирование последовательности операций. Модель поддерживает контекст до 128 000 токенов и может учитывать до трёх снимков экрана из истории. В README описаны возможности рассуждения с самопроверкой и оценки на бенчмарках GUI и управления компьютером; приведённые высокие результаты OSWorld-Verified относятся к OpenCUA-72B и не являются результатом версии 7B. Для выполнения действий требуется агентная среда, которая передаёт снимки модели и исполняет её команды; координаты модели необходимо согласовать с применяемым smart resize в обработке Qwen2.5-VL. Репозиторий распространяется по лицензии MIT, разрешающей исследовательское, образовательное и коммерческое использование.

Карточка модели Skoba777/Osaurus-AppleScript-16B-A4B-JANG_4M на Hugging Face совпадает с карточкой OsaurusAI/Osaurus-AppleScript-16B-A4B-JANG_4M, поэтому описание составлено по ней. OsaurusAI разработала AppleScript-16B-A4B-JANG_4M — дообученную модель на основе Google Gemma 4 26B A4B IT для автоматизации macOS с помощью AppleScript и вызовов инструментов. Она предназначена для агентных сценариев: по запросу формирует структурированный вызов инструмента run_applescript со скриптом для управления приложениями и системой; без описания инструмента может выдавать AppleScript напрямую. Модель использует MoE-архитектуру Gemma 4, экспертно сокращена до 16,1 млрд параметров, из которых активны около 4 млрд. Версия JANG_4M применяет 8-битное внимание и 4-битные маршрутизируемые эксперты; заявленный размер — около 11 ГБ. Модель рассчитана на локальный запуск через MLX и принимает текстовые запросы, выдавая текст или структурированные вызовы инструментов. В тесте разработчика на 87 задачах модель показала 100% корректных вызовов инструмента и компилируемых скриптов, а также 84% корректного выполнения. Эти результаты относятся к внутреннему тесту и не гарантируют точность для произвольных сценариев. Лицензия — Gemma; перед использованием следует учитывать её условия.

Osaurus-AppleScript-8B-JANG_6M — дообученная Osaurus модель на базе Zyphra/ZAYA1-8B для управления macOS с помощью AppleScript и вызовов инструментов в агентном цикле. Она принимает текстовые запросы и при наличии описания инструмента формирует структурированный вызов run_applescript с AppleScript для автоматизации Safari, Finder, Mail, Notes, Calendar и System Events, а также для управления системой, буфером обмена и снимками экрана. Без описания инструмента модель может выдавать AppleScript напрямую. Модель построена на архитектуре Zaya MoE с 16 экспертами. В README указано 8,84 млрд параметров, а в метаданных — 5,4 млрд; веса квантованы Osaurus с помощью JANG до 6 бит, эмбеддинги — до 8 бит. Репозиторий содержит safetensors для MLX, размер указан примерно как 7,4 ГБ; контекст — до 131 072 токенов. В тесте на 87 задачах модель выдавала вызов инструмента в 100% случаев, компилируемый AppleScript — в 80%, правильный результат на вычислительной подвыборке — в 75%. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

Prism Coder 9B — мультимодальная модель для маршрутизации запросов к инструментам MCP в системе Prism Coder, разработанная dcostenco. Это дообученная с помощью QLoRA модель Qwen3.5-9B с плотной архитектурой и визуальной башней; она принимает текст и изображения, а выдаёт текстовые ответы и решения о вызове инструментов. README сообщает о 100% точности на BFCL в трёх запусках по 64 задания, без галлюцинаций в тесте, и описывает её как маршрутизатор по умолчанию вместо прежней модели на 14 млрд параметров. Видеоданные обрабатываются как последовательность кадров через визуальную башню; аудиокодировщика в семействе нет. Модель предназначена для выбора подходящего MCP-инструмента, определения релевантности запроса, нормализации параметров и разбора многоходовых цепочек вызовов. Размер указан как 9 млрд параметров; README приводит размер файла варианта Q4_K_M как 5,8 ГБ. Базовая модель — Qwen/Qwen3.5-9B. Лицензия — Apache-2.0. Заявленные результаты BFCL относятся к тестированию автора и не гарантируют аналогичного качества на иных наборах и конфигурациях.

AskUI/PTA-1 — компактная vision-language-модель AskUI для автоматизации действий на компьютерах и телефонах. Она дообучена на Microsoft Florence-2-base и содержит 270 млн параметров. На вход принимает снимок экрана и текстовое описание нужного элемента интерфейса, на выходе определяет его ограничивающую рамку. Модель предназначена для локального выполнения задач автоматизации интерфейсов с низкой задержкой, включая поиск элементов по текстовому описанию и подготовку координат для взаимодействия с ними. В карточке приведены результаты оценки на выборке из 999 примеров, но авторы отмечают смещение данных и советуют дообучать модель под распределение данных конкретного сценария. Указана лицензия MIT.

sunkencity/qwen25-3b-openclaw — дообученная с помощью LoRA модель на базе Qwen/Qwen2.5-3B-Instruct, созданная для вызова инструментов в локальных агентных системах OpenClaw и LocalClaw. Она предназначена для выбора подходящего инструмента и формирования структурированных вызовов функций по запросу на естественном языке; поддерживает интеграцию через OpenAI-совместимый интерфейс и запуск с vLLM. Модель использует архитектуру Qwen2 для генерации текста, содержит 3,1 млрд параметров и имеет контекстное окно 32 768 токенов. Карточка описывает обучение на английских примерах и отмечает, что модель хуже подходит для других языков, длинных цепочек рассуждений и задач без инструментов: при наличии доступных инструментов она склонна вызывать их. Оценка проведена на 50 примерах из распределения обучающих данных, поэтому её результаты не гарантируют аналогичного качества на других наборах. Лицензия — Apache-2.0.

MMOPD/Qwen3-4B-OT3-tau — плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, разработанная MMOPD. Это дообученная версия MMOPD/Qwen3-4B-OT3-2ep: к модели рассуждений добавили supervised fine-tuning на 33 531 траектории Tau2 из inclusionAI/AReaL-tau2-data. Модель сохраняет исходный шаблон чата и режим рассуждений, рассчитана на многошаговое взаимодействие с инструментами и вызовы инструментов в диалоге. Контекст составляет до 32 768 токенов; вход и выход — текст.

Qwen3.6-35B-A3B-DSV4Pro-Thinking-Distill — разреженная MoE-модель, опубликованная пользователем nerkyor и предназначенная прежде всего для локального запуска в Lynn Agent. Она выполняет роль оркестратора задач: разбивает сложные запросы на этапы, делегирует их инструментам или другим компонентам и проверяет результаты. Модель основана на Qwen3.6-35B-A3B и обучена с помощью LoRA на примерах рассуждений и агентного поведения, дистиллированных из DeepSeek-V4-Pro с включённым режимом thinking. Инструментальные результаты в обучающих траекториях были симулированными и замаскированы, поэтому модель обучалась способам рассуждения и вызова инструментов, а не запоминанию этих результатов. Архитектура MoE имеет 35B параметров с активацией примерно 3B параметров на токен; базовая версия обучалась в BF16. Указаны английский и китайский языки, назначение text-generation и поддержка агентных сценариев с ReAct-подобным чередованием рассуждений и действий. Модель оснащена встроенной MTP-главой для speculative decoding; поддержка заявлена для llama.cpp, vLLM и SGLang, однако большинство графических интерфейсов используют её без ускорения MTP. Для локального запуска рекомендуются системы с 32 ГБ или более VRAM либо unified memory, а для меньших объёмов памяти авторы предлагают другую модель. Сильными сторонами являются улучшение результата на GPQA-Diamond относительно исходной модели, более быстрая сходимость агентного цикла и снижение числа незавершающихся ответов. Ограничения включают небольшое снижение результата на MMLU, потерю одного успешного сценария из двадцати в указанной проверке оркестрации и ограниченную эффективность MTP по сравнению с плотными моделями. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-35B-A3B-DSV4Pro-Thinking-Distill-GGUF — это GGUF-квантизированная версия рассуждающей модели, разработанной пользователем nerkyor на базе Qwen/Qwen3.6-35B-A3B от команды Qwen. Модель использует MoE-архитектуру с 35 млрд общих параметров и примерно 3 млрд активных параметров, а также дистилляцию в стиле ReAct, ориентированную на более быстрое и стабильное решение сложных задач. Репозиторий предназначен для локального запуска через llama.cpp и совместимые приложения, включая Lynn Agent и LM Studio. Модель подходит для текстовой генерации, сложного рассуждения, оркестрации и агентских сценариев. Доступна поддержка изображений через отдельный vision projector. GGUF-файлы содержат встроенную native MTP-голову для speculative decoding и, кроме вариантов Q8_0 и F16, используют imatrix-коррекцию. Предлагаются варианты от Q4_K_M примерно на 21 ГБ до F16 примерно на 69 ГБ; рекомендуемый баланс качества и требований к памяти — Q4_K_M, а для высокопроизводительных систем с 32 ГБ и более рекомендуется Q5_K_M. В примере запуска используется контекст 8192 токенов, но README не указывает предельный размер контекста модели. По приведённым тестам дистиллированная версия показывает 80,3% на GPQA-Diamond и сокращает время сквозной оркестрации в 2,3 раза относительно базовой модели при включённом reasoning. Native MTP даёт ускорение до 1,63 раза на Q8_0 в однопоточном тесте, однако выигрыш зависит от квантизации и снижается при высокой многопоточности. Ограничением является небольшое снижение результата MMLU относительно базы — 90,2% против 91,4%; также для запуска требуются значительные объёмы VRAM или unified memory. Модель распространяется по лицензии Apache-2.0.

Qwen3.7 Flash — мультимодальная модель рассуждения с поддержкой изображений, разработанная Alibaba. Она предназначена для мультимодальных агентов, визуального программирования, поиска и взаимодействия с компьютером, а также задач распознавания объектов и пространственного понимания. Модель принимает текст и изображения и генерирует текст.

Raptor 0.6.1 preview — дообученная OsaurusAI версия языковой модели XHToken/Spark-X2.5-4B, рассчитанная на работу в агентной среде Osaurus. Она помогает решать, когда отвечать без инструментов, когда вызывать инструмент, какой инструмент выбрать, как обработать ошибку и когда запросить уточнение или передать работу субагенту. Модель поддерживает диалог, рассуждения и вызов инструментов; её архитектура — плотная авторегрессионная Spark2_5ForCausalLM с 3,8 млрд параметров и контекстом до 1 048 576 токенов. В репозитории размещены веса safetensors, подготовленные в формате JANG_6M: внимание и связанные эмбеддинги представлены в 8 бит, MLP — в 6 бит, с калибровкой AWQ, GPTQ и imatrix для запуска на Apple Silicon через Osaurus. Модель обучена методом LoRA SFT на примерах решений из Osaurus и отличается от Raptor 0.6 дообучением как внимания, так и MLP. В тестах авторов она показала улучшение относительно Raptor 0.6 на наборе сценариев Osaurus, а проверка квантования измеряла близость к исходным весам bf16 на англоязычных сценариях, коде и вызовах инструментов. Это предварительная версия для тестирования, которая может заменить Raptor 0.6; для запуска требуется Osaurus 0.25.14 или новее. Указана лицензия Apache-2.0.

Ring-2.6-1T — большая языковая модель компании InclusionAI для рассуждений и выполнения сложных многошаговых задач. В README заявлено триллион параметров, тогда как метаданные репозитория указывают 59 млрд; фактический размер по доступным сведениям определить однозначно нельзя. Метаданные описывают архитектуру как MoE на базе BailingMoE V2.5 и указывают формат safetensors с compressed-tensors; для запуска README упоминает поддержку BF16 и FP8 в SGLang. Модель предназначена для агентных сценариев: планирования шагов, вызова инструментов, продолжительных диалогов и автоматизации рабочих процессов. Среди заявленных применений — разработка ПО, научный анализ, сложные логические и математические задачи, а также корпоративная автоматизация. README сообщает о режимах интенсивности рассуждений high и xhigh и контексте 128K с расширением до 256K через YaRN; метаданные указывают нативный контекст 131072 токена. Карточка приводит результаты ряда бенчмарков, но они являются заявлениями разработчика. Метаданные подтверждают текстовую генерацию и возможность чата; конкретные языки не указаны. Лицензия репозитория — MIT.

Tool-Star-Qwen-7B — языковая модель для пошаговых рассуждений с вызовом внешних инструментов, созданная авторами фреймворка Tool-Star на базе Qwen. В карточке указана базовая модель Qwen2.5-3B-Instruct, а в метаданных Hugging Face — Qwen/Qwen2.5-7B-Instruct; поэтому точная связь между вариантом модели и базовым чекпойнтом неоднозначна. Метаданные описывают архитектуру как плотную Qwen2, класс Qwen2ForCausalLM, размер 7,1 млрд параметров и контекст до 32 768 токенов. Модель обучалась в два этапа: начальная настройка с обратной связью от инструментов и обучение с подкреплением для улучшения совместного использования нескольких инструментов в ходе рассуждений. Она предназначена для генерации текста и диалоговых сценариев, в которых модель формирует вызовы инструментов и использует их результаты. Авторы сообщают об оценке на наборах тестов для сложных рассуждений; карточка называет английский языком модели. В репозитории указаны веса Safetensors, библиотека Transformers и лицензия MIT.

UI-TARS-72B-DPO — разработанная ByteDance модель-агент для взаимодействия с графическими интерфейсами. Она объединяет в одной мультимодальной модели восприятие экрана, рассуждение, привязку команд к элементам интерфейса и память, чтобы выполнять задачи автоматизации без заранее заданных рабочих процессов. Модель основана на архитектуре Qwen2-VL, содержит 71,5 млрд параметров и принимает изображения интерфейса вместе с текстовыми инструкциями, выдавая текстовые ответы и команды для агента. В карточке указаны поддержка английского языка и контекст длиной 32 768 токенов. Модель предназначена для автоматизации веб-интерфейсов, настольных и мобильных приложений; README приводит оценки восприятия, grounding и работы агента. Репозиторий содержит DPO-вариант UI-TARS-72B, однако базовая модель для обучения в метаданных не указана. Лицензия Apache-2.0.

UI-TARS-7B-SFT — модель визуально-языкового агента для взаимодействия с графическими интерфейсами, разработанная ByteDance Seed. Она объединяет восприятие экрана, рассуждение, привязку команд к элементам интерфейса и память в одной модели, чтобы автоматизировать задачи в GUI без заранее заданных сценариев. Модель предназначена для управления веб-сайтами, настольными и мобильными приложениями по визуальному контексту. Это плотная модель семейства Qwen2-VL с архитектурой Qwen2VLForConditionalGeneration и 7,1 млрд параметров. Она принимает изображения и текстовые инструкции, поддерживает диалоговый режим и формирует текстовые ответы, включая команды или действия агента. Нативная длина контекста — 32 768 токенов; в карточке указан английский язык. Модель опубликована в формате Safetensors. Карточка приводит оценки на наборах для восприятия интерфейсов, определения расположения элементов и выполнения агентных задач. Это вариант SFT; README указывает также на версии DPO, рекомендуя их, поэтому для выбора актуального варианта стоит учитывать, что здесь описана именно SFT-версия. Лицензия Apache-2.0.

VISTA-9B — мультимодальная модель для привязки инструкций к элементам графического интерфейса, разработанная на базе Qwen3.5-9B. Она принимает скриншот и инструкцию на естественном языке и выдаёт координаты точки на целевом элементе в нормализованной шкале от 0 до 1000. Модель использует архитектуру Qwen3.5 для генерации текста и обработки изображений; обучение VISTA применяет сопоставление разных видов одного интерфейса и проверку предсказаний между видами для повышения точности локализации. Модель подходит для поиска кнопок, полей и других элементов по текстовым инструкциям, например в сценариях автоматизации GUI. В карточке приведены результаты оценки на бенчмарках GUI grounding; они относятся к детерминированному декодированию и одиночному виду изображения. Репозиторий содержит веса SafeTensors, лицензия — Apache-2.0.

Vocaela-2-500M-1024R2 — компактная мультимодальная модель на 500 млн параметров для управления графическими интерфейсами на компьютерах и мобильных устройствах. По README, модель разработана командой Vocaela и дообучена на базе SmolVLM2-500M-Video-Instruct; метаданные также указывают связь с google/siglip-base-patch16-256 и SmolVLM2-500M-Video-Instruct через слияние. Архитектура — плотная SmolVLM. Модель принимает снимок экрана и краткую инструкцию на естественном языке, например просьбу нажать кнопку, и генерирует структурированные JSON-действия с пиксельными координатами. Она предназначена для привязки действий к элементам интерфейса и низкоуровневого управления GUI; автор сообщает об улучшенной эффективности и устойчивости следования инструкциям по сравнению с Vocaela-500M. В README заявлено снижение задержки CPU-инференса на 50–70% относительно предыдущей версии при использовании LlamaCpp, а также возможность запуска на ноутбуках и мобильных устройствах. Модель поддерживает изображения и текстовый ввод, выдаёт текстовое представление действий; язык карточки — английский. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов на тех же условиях.

Vocaela-500M — компактная мультимодальная модель для управления графическими интерфейсами компьютеров и мобильных устройств. Согласно карточке, это дообученная версия HuggingFaceTB/SmolVLM2-500M-Video-Instruct с архитектурой SmolVLM и 500 млн параметров. Модель принимает снимок экрана и инструкцию на естественном языке, а затем выдаёт структурированные действия в формате JSON: например, нажатие клавиш, ввод текста, щелчки, перетаскивание и прокрутку с координатами элементов. Модель предназначена для GUI-агентов, которым нужно выполнять конкретные действия на экране; её компактный размер рассчитан на запуск на ноутбуках и мобильных устройствах. Карточка приводит английский пример инструкции, а метаданные указывают английский язык. Контекстное окно в предоставленных источниках не описано. В репозитории указаны веса Safetensors и лицензия CC BY-NC-SA 4.0, предусматривающая некоммерческое использование и распространение на тех же условиях.

watt-tool-8B — языковая модель watt-ai на 7,5 млрд параметров, дообученная на базе meta-llama/Llama-3.1-8B-Instruct. Она предназначена для диалоговых систем и агентов, которым нужно выбирать инструменты и вызывать функции в ходе многошагового взаимодействия, например для построения рабочих процессов. Модель обучалась с использованием supervised fine-tuning и DMPO на специализированных данных для работы с инструментами и многоходовых диалогов; README сообщает о сильных результатах на Berkeley Function-Calling Leaderboard. Модель принимает текст и генерирует текст с интерфейсом диалога; заявленный контекст — до 131 072 токенов. В карточке указана поддержка английского языка. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Модель рассчитана на сценарии вызова инструментов и функций, однако фактическая надёжность зависит от доступных инструментов, формата их описаний и интеграции в приложение. Заявление о лидерских результатах на BFCL приведено в README; методика и цифры оценки там не указаны.

Kompress-v2-base — англоязычная модель сжатия промптов для прокси LLM, разработанная на базе ModernBERT-base. Она предсказывает для каждого токена метку сохранения или удаления, чтобы сократить входной текст, сохранив его смысл и важные фрагменты. Архитектура включает LoRA-адаптер и две головы: классификатор токенов и свёрточную голову для оценки непрерывных фрагментов. Базовая модель содержит 149 млн параметров, адаптер — 3,4 млн обучаемых параметров; заявлена поддержка контекста до 8192 токенов. Модель предназначена для снижения объёма текста, передаваемого LLM, в том числе в диалогах, коде, трассах агентов и материалах из разных предметных областей. На тестовой выборке при пороге 0,5 указаны F1 0,918, сохранение 81,5% токенов и полнота сохранения критически важных фрагментов 0,974. Порог можно настраивать для компромисса между степенью сжатия и сохранением важных сведений. Выпущена по лицензии Apache-2.0.

ClankLabs Wrench-35B-A3B-Q4_K_M-GGUF — квантизированная GGUF-версия модели Wrench 35B, разработанная ClankLabs на основе Qwen/Qwen3.5-35B-A3B. Это MoE-модель с 35 млрд общих и примерно 3 млрд активных параметров, дообученная методом LoRA для агентных сценариев, вызова инструментов и функций, восстановления после ошибок, планирования и точного следования системным инструкциям. Заявлена поддержка английского языка и генерации текста. Модель ориентирована на локальное развертывание в Ollama или llama.cpp, а также на использование через Clank Gateway. Ключевые возможности включают многошаговые задачи, параллельные и составные вызовы функций, обнаружение нерелевантных запросов, соблюдение форматов инструментов и безопасное ограничение действий. Внутренний тест Clank Agentic Benchmark дал 118 из 120 баллов, а на независимом BFCL non_live/AST модель получила 82,0% — 1128 правильных ответов из 1390. Контекстное окно составляет 8192 токена и может быть расширено до 32K. Модель распространяется по лицензии Apache 2.0. Используется квантизация Q4_K_M в формате GGUF; размер файла указан примерно как 20 ГБ, при этом заявлена возможность запуска на видеокарте с 16 ГБ VRAM. Обучение проводилось на двух NVIDIA H100 80GB примерно за один час на 1252 примерах из 15 категорий. Ограничения включают преимущественную ориентацию на английский язык, зависимость качества инструментальных вызовов от среды исполнения и заметно более низкую точность в отдельных категориях BFCL, включая простые вызовы на Java и JavaScript.

xLAM-1b-fc-r — компактная языковая модель Salesforce из семейства Large Action Models, оптимизированная для вызова функций и использования инструментов в агентных системах. Это плотная авторегрессионная модель архитектуры Llama с 1,3 млрд параметров и контекстом 16 384 токена; репозиторий содержит веса Safetensors и рассчитан на работу через Transformers или vLLM. Модель преобразует инструкции на естественном языке в структурированные вызовы доступных API. Она подходит для агентов, которым нужно обращаться к цифровым сервисам, например получать прогноз погоды, управлять публикациями в социальных сетях или работать с финансовыми сервисами. По карточке, модель дообучена для вызова функций на данных Salesforce/xlam-function-calling-60k; в тестировании BFCL авторы сообщают точность 78,94%. Модель ориентирована на английский язык. Компактный размер упрощает развёртывание на персональных устройствах, но качество вызовов зависит от формулировки запроса и описаний доступных функций; карточка не подтверждает выполнение самих API-вызовов без внешней агентной обвязки. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.