I.14Автоматизация процессов и AI-агенты

Карточка модели Rqwannn/grounded-bbox-base на Hugging Face совпадает с карточкой IDEA-Research/grounding-dino-base, поэтому описание составлено по ней. Grounding DINO Base — модель обнаружения объектов с открытым набором классов, представленная авторами исследования «Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection». Архитектура Grounding DINO объединяет детектор объектов DINO с текстовым энкодером, чтобы находить на изображении объекты, соответствующие текстовым описаниям или названиям классов. Модель предназначена для обнаружения объектов без заранее размеченных примеров для каждого класса. Её можно использовать для поиска объектов по текстовому запросу и zero-shot-детекции; в README сообщается результат 52,5 AP на COCO в режиме zero-shot. Репозиторий содержит веса PyTorch и safetensors. Модель принимает изображение и текстовый запрос, а выдаёт координаты обнаруженных объектов и оценки уверенности. Карточка не приводит сведения о поддерживаемых естественных языках или ограничениях качества по типам изображений. Лицензия — Apache-2.0.

gWorld-8B — открытая модель Trillion Labs для моделирования состояния мобильного графического интерфейса. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и предназначена для мобильных GUI-агентов: получает скриншот экрана и действие пользователя, затем предсказывает следующее состояние интерфейса. Модель сначала формирует рассуждение о переходе, а затем выдаёт визуализируемый HTML/CSS-код вместо изображения. Такой подход сохраняет чёткость текста и структуру макета. В README заявлены точность Instruction Accuracy на 45,7% выше базовой Qwen3-VL и частота ошибок визуализации менее 1%. Метаданные указывают архитектуру Qwen3-VL, 8 млрд параметров у базовой модели, поддержку изображений и диалога, а также языки английский и корейский. Для запуска в README предлагается vLLM; для рендеринга кода требуется отдельная среда. Модель опубликована под лицензией Apache-2.0. Она рассчитана на предсказание переходов в мобильных интерфейсах и не является универсальным генератором изображений; качество зависит от корректного скриншота, описания действия и выполнения сгенерированного HTML/CSS.

NVIDIA Llama-3.3-70B-Instruct-Eagle3 — вспомогательная модель Eagle для авторегрессионной языковой модели Meta Llama 3.3 70B. Она обучена на синтетических данных, созданных с помощью Llama 3.3 70B, и предназначена для спекулятивного декодирования: модуль предлагает несколько следующих токенов, которые базовая модель проверяет, чтобы ускорить генерацию. Архитектура основана на Transformer и Llama; в метаданных указано 1,9 млрд параметров, а в README — 3,2 млрд параметров для модели Eagle. Контекст составляет до 128K токенов. Модель рассчитана на текстовый ввод и вывод и предназначена для использования с TensorRT-LLM, в частности на системах NVIDIA Blackwell под Linux. Она может ускорять сценарии с чат-ботами, агентами, RAG и выполнением инструкций, сохраняя генерацию за базовой моделью. README заявляет готовность к коммерческому и некоммерческому применению; также указывает на необходимость соблюдать условия NVIDIA Open Model License и Llama 3.3 Community License.

Gunulhona/Llama-Agent-Merge — объединённая генеративная языковая модель на архитектуре Llama 3.2, созданная с помощью mergekit методом Model Stock. За основу взята EpistemeAI/Llama-3.2-3B-Agent007; в объединении также использованы корейские модели Bllossom/llama-3.2-Korean-Bllossom-3B, CarrotAI/Llama-3.2-Rabbit-Ko-3B-Instruct, Saxo/Linkbricks-Llama3.2-Korean-cpt-3b и RyanYr/llama32-3b-it_CoT-it_SFT. Модель содержит 3,2 млрд параметров, принимает текст и генерирует текст. Она предназначена для генерации ответов и диалогов; метаданные также отмечают интерфейс вызова инструментов. Карточка указывает длину контекста 131072 токена. Языковая специализация на корейском следует из использованных базовых моделей, но точный перечень поддерживаемых языков не приведён. Лицензия в предоставленных данных не указана. Качество и ограничения модели отдельно не описаны; как результат слияния, её поведение может зависеть от совместимости исходных моделей и выбранного способа объединения.

Это экспериментальный внутренний чекпойнт Nemotron-3-Nano-30B-A3B от NVIDIA, подготовленный в варианте routed experts со средним размером весов экспертов 2,0217 бита. Остальные веса хранятся в BF16; все веса представлены тензорами BF16 после деквантизации. Модель загружается через стандартные Transformers и vLLM. Чекпойнт предназначен для генерации текста и диалоговых сценариев на основе NVIDIA Nemotron-3-Nano-30B-A3B-BF16. В метаданных указаны контекст до 262 144 токенов и интерфейс вызова инструментов; исходная модель описана как подходящая для диалогов, рассуждений, программирования и агентных приложений. В README точное качество и результаты оценки этого внутреннего варианта не приведены. Модель является дообученной производной от nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16. Лицензия соответствует лицензии базовой модели; конкретные условия следует сверять с её карточкой.

POINTS-Seeker-8B — мультимодальная агентная модель поиска, описанная авторами как обученная с нуля для длительных взаимодействий и визуальных рассуждений, требующих актуальных или насыщенных знаниями ответов. В карточке указаны этап Agentic Seeding для формирования базовых агентных навыков и механизм V-Fold для адаптивного сжатия истории взаимодействия с учётом контекста. Модель предназначена для агентного поиска и длительных задач визуального рассуждения. Метаданные указывают на дообучение Qwen/Qwen3-8B-Base, поддержку чата и интерфейса вызова инструментов, а также библиотеку Transformers. README называет модель мультимодальной, но не раскрывает конкретные входные и выходные модальности и детали её поискового сценария. Лицензия обозначена как other; конкретные условия в предоставленных данных не описаны.

Модель skratos115/qwen2-7b-instruct-OpenDevin-merged_model — дообученная skratos115 при сотрудничестве с командой OpenDevin версия Qwen2-7B-Instruct. Она предназначена для работы с CodeAct и вызова инструментов, а также для генерации кода и ответов в диалоге. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. В README указано, что модель обучена на датасете opendevin-code-act с помощью Unsloth и опубликована по лицензии MIT. Репозиторий содержит объединённые веса; автор также упоминает варианты GGUF с разной точностью. Модель находится на ранней стадии разработки и, по словам автора, не предназначена для использования в production; качество работы с инструментами требует дальнейшей проверки.

NVIDIA Qwen3-235B-A22B-Eagle3 — текстовая модель для ускорения генерации в режиме спекулятивного декодирования Eagle. Она основана на Qwen3-235B-A22B: обученные на синтетических данных модули Eagle предлагают несколько следующих токенов, а базовая модель проверяет кандидатов. Это позволяет за один шаг генерации принять больше одного токена. В метаданных указаны класс LlamaForCausalLMEagle3 и размер 809 млн параметров; в README базовая модель описана как MoE с 32 млрд активируемых параметров и 1 трлн параметров всего. Модель принимает последовательности текста и выдаёт текст. Она предназначена для разработчиков чат-ботов, агентных систем, RAG-приложений и других решений на базе ИИ, а также для типовых задач следования инструкциям. Контекст — до 40 960 токенов по метаданным. Для запуска README указывает TensorRT-LLM и NVIDIA Blackwell; версия Model Optimizer — 0.35.0. Это специализированная Eagle-надстройка для спекулятивного декодирования, поэтому для работы ей нужна совместимая базовая Qwen3-235B-A22B и среда TensorRT-LLM. README заявляет возможность коммерческого и некоммерческого использования, но метаданные обозначают лицензию как other; перед внедрением следует проверить условия лицензии репозитория.

NVIDIA Qwen3-235B-A22B-Thinking-2507-FP4-Eagle3 — вспомогательная модель Eagle для ускорения авторегрессионной генерации текста базовой моделью Qwen3-235B-A22B-Thinking-2507-FP4. Она использует спекулятивное декодирование: предлагает несколько следующих токенов, которые затем проверяет исходная модель, чтобы за шаг генерации можно было принять больше одного токена. Модель предназначена для TensorRT-LLM и NVIDIA GPU с архитектурой Blackwell; вход и выход — текст, максимальная длина контекста указана как 262144 токена. Модель ориентирована на разработчиков чат-ботов, агентных и RAG-систем, а также приложений с генерацией текста и выполнением инструкций. В README указана архитектура Transformers/Llama3 и размер 1B, тогда как метаданные каталога сообщают 840,4 млн параметров; эти сведения расходятся, поэтому точный размер не утверждается. Метаданные связывают репозиторий с Qwen/Qwen3-235B-A22B-Thinking-2507-FP4 как с базовой моделью. README указывает, что модель готова к коммерческому и некоммерческому использованию, а в ограничениях применения ссылается на Apache License 2.0. Для запуска описана интеграция с TensorRT-LLM; переносимость на другие ускорители не подтверждена. Приведённые результаты относятся к acceptance rate Eagle на MT-Bench и не являются общей оценкой качества ответов.

Genesis Hermes V7 — это мультимодальная модель на архитектуре Qwen3.6-35B-A3B, опубликованная автором проекта Genesis и основанная на дообученной модели HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive. Автор сообщает о переносе данных дообучения на датасете Hermes function calling из модели DJLougen/hermes-qwen3.5-35b-a3b-GGUF и о собственной постобработке весов Genesis; в репозитории доступны GGUF-веса, включая F16. Модель предназначена для диалогов, анализа изображений, локального ролевого общения и агентных сценариев с обработкой команд Hermes. Карточка также описывает её как uncensored и приводит рекомендации по запуску в llama.cpp, включая наличие отдельного mmproj-файла для поддержки изображений и контекст не менее 128K токенов. Указана лицензия Apache-2.0. Заявления автора об улучшении стабильности и качестве основаны на его описании метода; независимые результаты бенчмарков в карточке не представлены.

Mantisec выпустил FP16-конверсию модели DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU. Это плотная мультимодальная модель семейства Qwen3.5 с 27 млрд параметров, поддерживающая диалог, обработку изображений по текстовым запросам и интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors и предназначен для инференса и дообучения в FP16, в частности на видеокартах NVIDIA V100, где нет аппаратной поддержки BF16 Tensor Core. При преобразовании BF16-веса были приведены к FP16 с проверкой диапазона значений; автор сообщает о проверке генерации с совпадением токенов 99,80% относительно исходной модели. Карточка характеризует базовую модель как ориентированную на uncensored-диалог и анализ изображений. Лицензия в предоставленных данных не указана.

MihaiPopa-1 выпустил вариант Empero Qwen3.8-2B-Distill с ослабленным отказом от ответов. Это плотная причинная языковая модель на 2 млрд параметров, полученная полным дообучением дистиллированной модели Empero; README сообщает о снижении доли отказов с 83 до 4 на 100 примерах. Модель предназначена для диалогов, следования инструкциям, математических задач и рассуждений; поддерживает вызов инструментов по спецификации Qwen3.5. Веса доступны в формате Safetensors для Transformers и совместимых сред выполнения. Модель работает с текстом, имеет контекст длиной 262 144 токена и рассчитана прежде всего на английский язык. README указывает, что обучение сосредоточено на математике, рассуждениях и следовании инструкциям; малый размер подходит для периферийных устройств, хотя практическая скорость зависит от среды выполнения и доступных ядер. Ограничения включают меньшую ёмкость для фактического извлечения и сложных многошаговых задач, а также повторяющиеся циклы при жадной генерации длинных ответов. Поведение зрения унаследовано от базовой архитектуры, но в README не оценивалось. Лицензия — Apache-2.0.

XYZ-Aquila-mini-APEX-I-MiniPlus-V2-GGUF — это квантованная версия модели XYZ-Aquila-mini, подготовленная IsValorum в формате GGUF для запуска через совместимые средства, включая llama.cpp. Модель ориентирована на мультимодальные сценарии image-text-to-text и, согласно указанным тегам, может применяться для работы с изображениями и текстом, агентского поиска, задач search-agent и computer use. В карточке указаны архитектура MoE и мультимодальная поддержка с vision-компонентом, однако точный размер модели, число экспертов и слоёв, максимальный контекст и подробные характеристики входных и выходных модальностей не приведены. Заявлена поддержка английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Квантование APEX-I-MiniPlus описывается как настраиваемое для отдельных тензоров: с сохранением высокоточной маршрутизации и защитой чувствительных компонентов, но конкретная конфигурация файлов этой версии в доступном фрагменте не указана. Сильными сторонами являются компактный GGUF-формат, мультимодальная направленность, поддержка широкого набора языков и возможность использования в локальных агентских и визуальных сценариях. Ограничения связаны с тем, что приведённые независимые бенчмарки относятся к другим моделям или выпускам семейства и не подтверждают характеристики именно этой версии; также отсутствуют точные сведения о производительности, требованиях к памяти и максимальной длине контекста. Модель распространяется по лицензии Apache-2.0.

YanoljaNEXT-EEVE-Rosetta-7B-2602 — дообученная YanoljaNEXT модель перевода на архитектуре MistralForCausalLM с 7,6 млрд параметров. Она предназначена для перевода структурированных данных в форматах JSON, YAML и XML с сохранением исходных ключей и схемы. В основе лежит ByteDance-Seed/Seed-X-PPO-7B; для версии EEVE-Rosetta расширили словарь токенизатором семейства Gemma и обучили модель в формате Rosetta. Модель рассчитана на многоязычные конвейеры перевода. Метаданные указывают контекст до 32 768 токенов, а README уточняет, что обучение проводилось с длиной контекста 8 192 токена. Модель может нарушать структуру результата, повторять текст или частично переводить длинные контексты; качество также зависит от языковой пары и специализированной терминологии. Лицензия — OpenMDW-1.0.

ArrowNeo-AME-4x3B-v0.1-MoE — диалоговая языковая модель, созданная DataPilot на базе Sarashina 2.2 Instruct от SB Intuitions. В ней объединены базовая модель и три экспертные модели с помощью Mergekit-MoE: для программирования, следования инструкциям и многошаговых диалогов. Архитектура — MoE на базе Mixtral; объём модели составляет 3,1 млрд параметров, контекст — 8192 токена. Модель предназначена для диалогового использования в качестве «личности» виртуального ютубера AItuber. Она ориентирована на продолжительные беседы, следование запросам и генерацию кода. Поддерживает японский и английский языки, работает с текстом и выдаёт текст; метаданные также отмечают интерфейс вызова инструментов. Распространяется под лицензией MIT. Разработчик предупреждает об ограниченном обучении безопасности: возможны бессмысленные последовательности, фактические ошибки, предвзятые или оскорбительные ответы. Перед применением рекомендуется дополнительная настройка с учётом человеческих предпочтений и требований безопасности.

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.

routellm/bert_gpt4_augmented — классификатор маршрутизации запросов из проекта RouteLLM, разработанного авторами системы RouteLLM. Он оценивает текстовый запрос, чтобы выбрать, направить ли его более сильной или более дешёвой языковой модели; сам ответы на запросы не генерирует. Модель основана на XLM-RoBERTa, содержит около 305,2 млн параметров и принимает текст с контекстом до 514 токенов. В RouteLLM маршрутизаторы обучаются на данных предпочтений и используют их расширение для улучшения выбора модели. Подходит для маршрутизации текстовых запросов между парой LLM с учётом компромисса между стоимостью и качеством. Карточка Hugging Face не содержит подробного описания модели или лицензии; сведения о лицензии в доступных источниках не установлены. Как классификатор, она выбирает маршрут и не заменяет целевые языковые модели.

Huihui-Qwen3.5-35B-A3B-abliterated — версия Qwen3.5-35B-A3B от Huihui AI с ослабленными отказами, полученная методом abliteration. Это мультимодальная MoE-модель с архитектурой Qwen3.5 для диалога, анализа изображений, рассуждений и агентных задач; она принимает текст и изображения и выдаёт текст. В репозитории используются веса Safetensors и библиотека Transformers, доступны интерфейс вызова инструментов и шаблоны чата для режима рассуждений и работы с инструментами. Модель предназначена для диалоговых приложений и задач, где требуется отвечать на вопросы по изображениям или использовать инструменты. Авторы характеризуют реализацию abliteration как грубую проверку концепции. Ослабление фильтров безопасности повышает вероятность чувствительных, спорных или неподходящих ответов, поэтому результаты требуют проверки. Лицензия — Apache-2.0.

kappa-20b-131k-GGUF — это экспериментальная разговорная модель eousphoros, представленная в формате GGUF для llama.cpp и совместимых движков. Она получена полнопараметрическим дообучением SFT модели OpenAI GPT-OSS 20B на многоходовых диалогах с вызовами инструментов и девятью настраиваемыми персонами; архитектура — смесь экспертов (MoE) со SwiGLU, 20,9 млрд параметров всего и 4,2 млрд активных на токен. Модель предназначена для генерации текста и диалогов с контекстом до 131 072 токенов. Персону можно задать в системном сообщении, например `Persona: chaotic_evil`; доступен и обычный режим без персоны. В карточке описаны проверки на длинный контекст, устойчивость к поддакиванию и настройку отказов, но результаты ограничены заявленными тестами автора. Обучающие данные персон синтетические; отдельные голоса выражены неравномерно, без персоны модель может поддаваться социальному давлению, а на некоторые темы химии и безопасности — чрезмерно отказывать. Веса экспортированы в GGUF без квантизации, в BF16, общим размером около 39 ГиБ. В README указано, что модель обучена на OpenAI GPT-OSS 20B; метаданные каталога связывают её с `eousphoros/kappa-20b-131k`. Лицензия обозначена как `other`, поэтому перед использованием следует проверить условия на странице модели.

valpy/prompt-classification — модель классификации текста на базе DeBERTa-v2, разработчик в доступной карточке не описан. Она предназначена для отнесения запросов к категориям по их намерению или содержанию: например, кода, перевода, ролевой игры, математических рассуждений, редактирования и извлечения информации. Карточка перечисляет 16 категорий, включая категорию «другое» с уточнением. Модель содержит 533,8 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метку класса. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Pyrrho v2 nano g1 — англоязычная модель классификации текста от yafitzdev для поддержки конвейеров генерации с дополнением извлечёнными данными (RAG). Она дообучена на базе answerdotai/ModernBERT-base и содержит около 149 млн параметров. Модель использует один энкодер в двух режимах: до поиска оценивает намерение запроса и полезные виды свидетельств, а после поиска оценивает, поддерживают ли предоставленные фрагменты ответ, и определяет причину возможной недостаточности или конфликта. Контекст модели по метаданным — до 8192 токенов, но опубликованная схема инференса обрезает вход до 2048 токенов. Выход состоит из 18 логитов, разделённых на четыре головы: вердикт по свидетельствам, режим сбоя, намерения поиска и типы свидетельств. Для интерпретации требуется собственная логика декодирования и пороги в окружающей системе; стандартный конвейер text-classification Hugging Face не декодирует эти головы корректно. Модель не ищет источники, не формирует ответы или цитаты и не проверяет внешние факты. В README отмечены утечки одинаковых входов между обучением и оценкой, синтетические наборы и слабые результаты отдельной калибровочной диагностики, поэтому качество на реальном трафике не подтверждено. Доступны веса Safetensors и экспорты ONNX, включая динамический INT8; лицензия CC BY-NC 4.0.

sergiopaniego/qwen3-1.7b-mbpp-grpo — это дообученная методом GRPO модель Qwen3-1.7B, созданная в рамках курса Training Agents с использованием TRL и OpenEnv. Она предназначена для решения задач MBPP по написанию кода на Python в среде с инструментом run_python: модель может запускать код, проверять результаты, читать ошибки и исправлять решения, сохраняя состояние между вызовами. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. В оценке на 257 задачах MBPP sanitized/test она набрала 0,582 доли пройденных скрытых тестов против 0,518 у базовой Qwen3-1.7B; результаты отдельных запусков различаются. Веса опубликованы в формате safetensors под лицензией Apache-2.0. Лучше всего модель подходит для агентного решения небольших задач программирования с доступом к Python-среде. Результат зависит от среды выполнения и набора доступных импортов: часть задач MBPP в использованном окружении была невыполнима из-за ограничений исполнителя. README также отмечает, что часть вознаграждения приходилась на тестовый пример, показанный в условии, поэтому метрики не следует трактовать как универсальную оценку качества генерации кода.

andrzejmontano/Qwen3.5-9B-MTP-Mixed-8bit — мультимодальная модель семейства Qwen3.5 на 9 млрд параметров, подготовленная автором репозитория как смешанно-квантованная версия Qwen/Qwen3.5-9B. Она предназначена для диалога и задач «изображение—текст», включая анализ изображений и видео. Архитектура включает 32 слоя с чередованием линейного SSM-подобного внимания и полного внимания, 27-блочный визуальный трансформер и голову предсказания нескольких токенов. Модель принимает текст, изображения и видео, а выдаёт текст; в метаданных заявлены английский язык, чат и интерфейс вызова инструментов. Для экономии памяти до 8 бит квантованы только проекции MLP языковой части с размером группы 64; визуальный блок, механизмы внимания, эмбеддинги и голова MTP сохранены в BF16. Репозиторий использует формат MLX и safetensors, модель рассчитана на эффективный локальный инференс на совместимой платформе. Автор предупреждает о возможном небольшом ухудшении качества на отдельных случаях относительно BF16. Для сохранения MTP-ключей при загрузке через стандартный mlx-vlm требуются патчи из скрипта; README рекомендует oMLX. Лицензия — Apache-2.0.

leandronunes/qwen3.8-4b-a1-omnimerge-m8 — мультимодальная модель для диалога и рассуждений, созданная Leandro Nunes с помощью слияния Qwen3.5-4B, Qwen3.8-4B-Distill и Agents-A1-4B методом OmniMerge v2. Она предназначена для логической и причинной аргументации, научных вопросов и агентных сценариев; поддерживает вызов инструментов. Модель основана на архитектуре Qwen3.5 с плотной языковой частью и визуальным энкодером из 24 блоков. В README заявлены контекст 262 144 токена, чередование слоёв линейного внимания Gated DeltaNet и полного внимания, а также режим расширенного рассуждения, который можно отключить в шаблоне чата. Карточка описывает слияние как сочетание логической дедукции Qwen3.8-4B-Distill с агентными и причинными возможностями Agents-A1-4B; собственные результаты слияния на приведённых бенчмарках ещё не измерены. Модель принимает текст и изображения и генерирует текст. Лицензия — Apache 2.0, унаследованная от Qwen3.5-4B. Она опубликована недавно, поэтому зрелость практических результатов ограничена отсутствием измерений для самого слияния.

chiminchan/rq_rag_llama2_7B — модель на базе архитектуры Llama, представленная авторами для работы «RQ-RAG: Learning to Refine Queries for Retrieval Augmented Generation». Она предназначена для генерации уточнённых поисковых запросов в системах генерации с дополнением извлечёнными документами (RAG), чтобы улучшить поиск релевантных источников перед формированием ответа. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и принимает текст с контекстом до 4096 токенов. Модель опубликована в формате PyTorch и ориентирована на сценарии, где нужно итеративно уточнять запрос для поиска информации. В карточке не указаны базовая модель и лицензия, поэтому их условия и конкретные ограничения использования установить нельзя.

Это контрольная точка selective gate SFT модели Xirui1208, дообученная на базе Xirui1208/readall-readtwice-14b-rl-step15-20260925. В репозитории находятся замороженная модель ReadAll на 14 млрд параметров в BF16 и обученный LoRA-адаптер с параметром gate bias; для выборочного чтения длинных документов требуется загрузить адаптер вместе с реализацией gate. Если загрузить только корневую модель, получится замороженная ReadAll без обученного селективного механизма. Модель предназначена для выборочного чтения документов с помощью внешнего цикла ReadTwice: она оценивает страницы и помогает направлять обработку к релевантным фрагментам, сохраняя память между этапами. В протоколе используются чанки источника по 5 000 токенов; для длинных документов предусмотрена обработка повторяющимися страницами. Контекст модели — 32 768 токенов. В карточке указаны английский и китайский языки, архитектура Qwen2 и библиотека Transformers. Адаптер обучен за одну эпоху на проверенных навигационных аннотациях учителя; указанная метрика калибровки gate не является точностью ответов на вопросы, и для этого SFT-адаптера не заявлен новый QA-бенчмарк на длинных документах. Сохранение адаптера объединением с весами reader меняет предусмотренный конвейер. Лицензия — Apache-2.0.

Turkish-Gemma-4b-T1-Scout — турецкоязычная модель-агент для поиска информации в интернете, разработанная на базе Google Gemma 3 4B IT. Модель дообучена на синтетических траекториях с помощью SFT и GRPO, чтобы выбирать поисковые действия, собирать сведения из внешних источников и формулировать ответы с опорой на найденные данные. В репозитории указана архитектура Gemma 3; веса сохранены в safetensors и предназначены для работы через Transformers. Модель рассчитана на турецкие вопросы, требующие актуальных, редких или многошаговых фактических сведений. Она может выдавать структурированные вызовы инструментов и итоговые текстовые ответы; для этого предусмотрены шаблон чата и парсер инструментов для vLLM. В опубликованной оценке на 70 вопросах турецкого веб-поиска модель ответила правильно на 50 вопросов; результаты относятся к настройке авторов. Это не готовая система веб-поиска: необходимы внешний поисковый сервер, выполнение вызовов инструментов и обработка их результатов. Качество зависит от поисковой инфраструктуры, а модель может ошибаться или галлюцинировать; бенчмарк небольшой и ограничен по охвату. Не предназначена для автономных решений или профессиональных медицинских, юридических и финансовых советов. Лицензия — Gemma; использование должно соответствовать условиям базовой модели.

xusenlin/uie-base — китайская модель для универсального извлечения информации, основанная на подходе UIE, предложенном Яоцзе Лу и соавторами на ACL 2022. По карточке модель обучена PaddleNLP на базе ERNIE 3.0 и объединяет извлечение сущностей, отношений и событий, а также анализ тональности в единой схеме.

ZDTaichu5.0-9B-GGUF — набор community-квантизаций мультимодальной foundation-модели ZDTaichu5.0-9B, разработанной TaichuAI и адаптированной в формате GGUF пользователем ngquocvinh для работы с llama.cpp. Модель предназначена для визуального понимания, пространственного рассуждения, агентского использования инструментов и задач embodied AI. Она принимает текст, одно или несколько изображений и видео; заявлены входные изображения произвольного разрешения и контекст до 128K токенов, однако фактический доступный контекст зависит от используемого runtime и объёма памяти. Поддерживаются английский и китайский языки. Архитектура включает языковую основу Qwen3.5-9B и vision encoder C-RADIOv4-H. Языковая часть поставляется в виде нескольких квантизированных GGUF-файлов разных уровней, а vision encoder и projector — отдельно в BF16-файле mmproj-ZDTaichu5.0-9B-BF16.gguf. Квантизации позволяют запускать модель на оборудовании с ограниченной памятью, но сопровождаются компромиссом между размером и сохранением качества: варианты Q8_0 и Q6_K ближе всего к BF16, а низкоразрядные варианты, особенно IQ1_M и Q1_0, имеют существенно худшую точность и не рекомендуются при необходимости сохранить возможности модели. Приведённые измерения оценивают только текстовое next-token поведение и не заменяют тестирование мультимодальных задач. Для обработки изображений и видео требуется сборка llama.cpp с поддержкой mtmd и совместный vision projector; текстовый режим может работать без него. Лицензия указана как nvidia-open-model-license, при этом данная публикация является community-конвертацией и квантизацией базовой модели.

Stffens разработала bge-small-rrf-lme-v1 — компактную модель эмбеддингов на базе BERT, дообученную на BAAI/bge-small-en-v1.5 для поиска по истории разговоров. Она преобразует запрос пользователя и фрагменты переписки в векторы, помогающие находить подходящие прошлые сессии и заметки для памяти чат-ассистентов, агентных систем и персональных RAG-сценариев. Модель содержит около 40 млн параметров по метаданным, создаёт 384-мерные эмбеддинги и имеет контекст до 512 токенов. Использует библиотеку Sentence Transformers и распространяется под лицензией MIT. На англоязычном LongMemEval-s модель показала улучшение поиска относительно исходной BGE-small: README сообщает NDCG@10 0,6878 на holdout из 102 запросов, а прирост Recall@3 и Recall@5 — статистически значимый в описанном тесте. Она предназначена именно для извлечения воспоминаний из разговоров и не является универсальным улучшением для поиска по произвольным корпусам. Модель обучена и проверена только для английского языка; перенос на другие языки и качество на других наборах оценки памяти не подтверждены. Для общих retrieval-задач README рекомендует другую модель семейства, а для повышения точности первого результата отмечает возможную пользу отдельного reranker.