I.14Автоматизация процессов и AI-агенты

Investment Research Bot — Router Model — это компактная языковая модель на 1,5 млрд параметров, созданная разработчиком IbrahimKhan7208 на базе Qwen2.5-1.5B-Instruct и дообученная в несколько этапов: CPT, SFT и GRPO. Она принимает исследовательский вопрос об инвестициях и формирует структурированный ответ, распределяя подзадачи между RAG, веб-поиском и инструментом данных об акциях, а также извлекая названия компаний, годы и поисковые запросы для каждого маршрута. Модель предназначена для встраивания в многоинструментальные агенты финансовых исследований: она объединяет классификацию вопроса и извлечение параметров в один вызов. Архитектура — плотная Qwen2 с причинной генерацией текста; поддерживает диалоговый интерфейс, структурированный вывод и вызов инструментов. Контекстное окно — 32 768 токенов. Карточка указывает английский язык, а веса опубликованы в формате safetensors. Известные ограничения: модель не приводит распространённые названия компаний к каноническим именам (например, Facebook к Meta), хотя разрешение по тикерам работает. При маршрутах WEB и STOCK извлечение явно указанного года остаётся неполным. Бенчмарки в карточке основаны на небольших выборках и не характеризуют надёжно производственную нагрузку. Лицензия — Apache-2.0.

Это мультиязычная модель классификации намерений на архитектуре ModernBERT, разработанная vllm-sr на основе mmbert-32k-yarn. Она относит текст к одной из 14 категорий: биология, бизнес, химия, информатика, экономика, инженерное дело, здравоохранение, история, право, математика, прочее, философия, физика и психология. Модель предназначена для классификации академических вопросов и маршрутизации пользовательских запросов по тематическим категориям; её можно запускать в производственных системах, в том числе через Rust/Candle без PEFT. Модель содержит 306,9 млн параметров и поддерживает контекст до 32 768 токенов. Она дообучена методом LoRA ранга 32 на наборе TIGER-Lab/MMLU-Pro и дополнительной выборке категорий, после чего адаптер объединён с базовой моделью. Заявленная точность на тесте составляет 80%. Репозиторий содержит веса Safetensors и ONNX; лицензия — Apache-2.0. Карточка указывает на мультиязычность, но не перечисляет конкретные поддерживаемые языки.

Jeevesh8/multiberts_seed_0_ft_1 — модель BERT для классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face и основанная на семействе MultiBERTs. Она предназначена для классификации последовательностей и последующего применения в задачах понимания английского текста. Модель имеет архитектуру BERT с 136,7 млн параметров и максимальной длиной контекста 512 токенов. Она работает с текстом и поддерживает pipeline text-classification; базовое семейство MultiBERTs обучалось на английских данных. Модель может применяться для отнесения текстов к заданным классам после соответствующей настройки или в рамках доступной классификационной конфигурации. К ограничениям относятся англоязычная специализация, ограниченный контекст в 512 токенов и отсутствие возможностей генерации текста. Предсказания могут зависеть от смещений обучающих данных и качества переноса на конкретную предметную область. Лицензия для данной карточки модели надёжно не установлена.

Ornith-1.5-35B-A3B-ROCmFPX-AGENT-GGUF — это квантованный вариант мультимодальной модели Ornith-1.5-35B-A3B, разработанной ornith-ai. Модель распространяется в формате GGUF и предназначена для генерации текста, работы с изображениями, агентских сценариев и вызова инструментов. Она использует архитектуру Mixture-of-Experts с 256 экспертами и примерно 3 млрд активных параметров, а также встроенную MTP-голову для speculative decoding. В репозитории представлены варианты Q6_0 и Q8_0 ROCmFPX AGENT, размером примерно 30,89–34,74 GiB и с повышенной точностью отдельных компонентов, включая output.weight, что ориентировано на качество tool calling и принятия speculative draft. В комплект входит vision projector. Проверена работа с текстом и изображениями; заявлены контекст 4096 токенов и поддержка мультимодального ввода, однако перечень языков отдельно не указан. Модель оптимизирована для AMD Strix Halo, включая Ryzen AI MAX+ 395 с 128 ГБ объединённой памяти, и требует сборки llama.cpp с поддержкой ROCmFPX и ROCm 7.2.4. Она не загружается в стандартные llama.cpp, Ollama или LM Studio. Встроенный MTP в измерениях не ускорил, а замедлил генерацию, поэтому его применение ограничено экспериментальными сценариями. Лицензия — Apache-2.0.

Qwen3-4B-Critic-SFT-Qwen-only — критическая модель на базе Qwen3-4B-Instruct-2507, разработанная проектом Steer, Don't Solve для поддержки крупных агентов программирования. Она анализирует траекторию работы агента через заданное число шагов и выдаёт структурированную критику: категории обнаруженных ошибок, подтверждающие свидетельства, действие для восстановления, статус задачи и краткую рекомендацию. Модель предназначена для контроля хода решения задач по программированию и не пишет исправляющий код сама. Это плотная авторегрессионная модель Qwen3 с 3,7 млрд параметров, дообученная полным параметрическим SFT на 1 915 примерах критики траекторий Qwen3-Next-80B-A3B. В README указана длина последовательности обучения 32 768 токенов; метаданные указывают нативный контекст базовой модели до 262 144 токенов. Обучающие примеры охватывают задачи из matplotlib, moto и sympy; в опубликованной абляции модель улучшила процент решения SWE-bench Verified при использовании с агентами Qwen3-Next-80B-A3B и Qwen3-32B. Модель принимает текстовые диалоги и выдаёт текстовую структурированную критику. Карточка описывает англоязычные данные; лицензия — Apache-2.0. Для запуска README рекомендует vLLM с bf16 и интеграцию с mini-swe-agent. Результаты приведены для конкретной абляции и наборов агентов, поэтому они не гарантируют аналогичного улучшения в других системах.

wesjos/Qwen3-4B-toolcall — дообученная wesjos модель на базе Qwen/Qwen3-4B, предназначенная для диалогов и работы с вызовами инструментов. В README указано, что при дообучении использовались наборы interstellarninja/tool-calls-single-reasoning, mlabonne/FineTome-100k и unsloth/OpenMathReasoning-mini; метаданные описывают модель как плотную причинную языковую архитектуру Qwen3ForCausalLM с 3,7 млрд параметров. Модель генерирует текст, поддерживает чат и рассчитана на контекст до 40 960 токенов. README приводит улучшения на отдельных оценках GPQA, GSM8K и ToolBench после дообучения, однако результаты ограничены указанными тестами и не гарантируют такого же качества в других сценариях. В карточке заявлена лицензия Apache-2.0.

MuXodious создал Qwen3.5-4B-SOMPOA-heresy-v2 — дообученную версию мультимодальной модели Qwen3.5-4B, обработанную методом abliteration с использованием Self-Organizing Maps и Magnitude-Preserving Orthogonal Ablation. Модель предназначена для диалогов, анализа изображений, рассуждений и работы с инструментами; README сообщает о снижении частоты отказов после обработки. Это плотная модель на 4 млрд параметров с языковой частью и визуальным энкодером, построенная на гибридной архитектуре с Gated Delta Networks и gated attention. Базовая модель поддерживает 201 язык и диалект, а длина контекста составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Репозиторий содержит веса в формате Safetensors для использования с Transformers и совместимыми движками инференса. Модель может подходить для мультимодальных диалогов, вопросов по изображениям, рассуждений и сценариев с вызовом инструментов. Указанный в README результат UGI и метрики снижения отказов относятся к заявлениям автора; независимая оценка качества здесь не приведена. Лицензия — Apache-2.0.

Qwen3.8-27B-ANE — пакет квантованной INT4-модели Qwen3.8-27B для локального вывода на компьютерах Apple Silicon. Разработчик — True2456; модель основана на Qwen/Qwen3.8-27B и распространяется по лицензии Apache-2.0. Это плотная текстовая генеративная модель для диалогов и работы с инструментами, запущенная через библиотеку qwen-ane на Apple Neural Engine без использования Metal GPU. Архитектура включает 64 слоя: 48 слоёв Gated DeltaNet и 16 слоёв полновнимательной обработки. Пакет занимает около 16 ГБ: INT4-веса находятся в quant_cache, а отдельные тензоры хранятся в F16 и BF16. Для запуска нужны Apple Silicon, macOS и qwen-ane; карточка сообщает об измерениях на M5 Max с macOS 27. Несмотря на компактный формат и низкое энергопотребление, генерация сравнительно медленная: на M5 Max указано около 3,4–4,3 токена в секунду для коротких запросов. Это специализированный runtime-пакет, а не полный дамп весов для загрузки через Transformers.

KhanCold/qwen3-8b-spader — контрольная точка Qwen3, представленная в работе SPADER о многоответных вопросах и ответах. Модель разработана в рамках исследования метода обучения с подкреплением, который нацелен на длительное использование инструментов при поиске нескольких ответов. В SPADER применяется пошаговое распределение заслуг между параллельными траекториями без отдельной критической модели, а также награда за разнообразие, поощряющая поиск редких сущностей и снижающая ценность повторов. Контрольная точка построена на плотной архитектуре Qwen3ForCausalLM и содержит 7,6 млрд параметров; заявленный размер контекста — 40 960 токенов. Она предназначена для генерации текста и диалогового взаимодействия. Карточка не приводит результаты оценки качества, перечень поддерживаемых языков или конкретный интерфейс инструментов. Модель распространяется по лицензии Apache-2.0.

Карточка модели AeonAIRisk/Qwen3.8-Flash-Next-Abliterated на Hugging Face совпадает с карточкой windowsxp811203/Qwen3.8-Flash-Next-Abliterated, поэтому описание составлено по ней. Qwen3.8-Flash-Next-Abliterated — доработанная автором карточки версия Qwen/Qwen3.8-Flash-Next, в которой ослаблен механизм отказа отвечать на вредоносные запросы. Это мультимодальная модель семейства Qwen с архитектурой Qwen4ExpForConditionalGeneration; метаданные указывают поддержку чата, вызова инструментов и анализа изображений. Весовой формат — safetensors, для запуска требуется transformers версии 5.16 или новее. Модель предназначена для диалоговых и агентных сценариев с текстом и изображениями, в том числе для задач, где требуется отвечать на запросы, которые исходная модель могла отклонить. Автор сообщает о снижении отказов на AdvBench с 99,42% до 0,96%, сохранении результата GSM8K в пределах измеренного уровня и снижении точности MMLU на 1,6 процентного пункта. По README изменены 151 тензор, а башня зрения и ряд других компонентов оставлены без изменений. Основные заявленные языки — английский и китайский. Лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория. Модель значительно реже отказывает на вредоносных запросах; это ограничивает её пригодность для сценариев, где важны защитные отказы. Замеры качества выполнены автором на указанных тестах и не гарантируют аналогичных результатов на других задачах.

Sovereign Semantic Router v6 (JEPA lens) — модель прогнозирования латентных представлений от shalyhinpavel для многошагового поиска. Она принимает последовательность векторов и предсказывает вектор следующего шага рассуждения в пространстве Harrier-270M, после чего вектор можно использовать для поиска ближайших соседей в хранилище и повторять цикл. Модель не генерирует текст и работает только с эмбеддингами. Модель содержит 39,3 млн параметров по метаданным и использует плотную архитектуру SovereignRouterModel: 6 трансформерных блоков, 10 голов внимания, размерность 640 и контекст из 16 позиций. Выход нормализуется по L2. В README описаны результаты проверки на многошаговом поиске MuSiQue и перенос на корпус, не использованный при обучении; заявлено выполнение инференса на CPU менее чем за миллисекунду. Входные векторы должны быть получены именно энкодером Harrier-270M: позиция запроса кодируется с инструкционным префиксом, а позиции документов — без него. Другие пространства эмбеддингов несовместимы и могут резко ухудшить качество. Обучающий скрипт и точный корпус утрачены, поэтому обучение нельзя воспроизвести; эффективность итеративного многошагового поиска остаётся открытым вопросом. Лицензия — Apache-2.0.

strix-rufipes-70b — авторегрессионная языковая модель, разработанная ibivibiv и дообученная на архитектуре Llama 2. Она предназначена для задач логического рассуждения и планирования, включая выполнение инструкций в формате Alpaca. Модель содержит 68,7 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Основной язык — английский. В карточке приведены результаты тестов ARC: Challenge и HellaSwag, а также сводные показатели Open LLM Leaderboard. Модель распространяется в формате Safetensors по лицензии Llama 2. Результаты бенчмарков не гарантируют качество на прикладных сценариях, особенно за пределами логики и планирования.

Thyme-RL — мультимодальная модель Kwai-Keye, дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct с помощью обучения с подкреплением. Она предназначена для анализа изображений высокого разрешения и решения сложных задач визуального восприятия и рассуждения. Модель может автономно генерировать и выполнять код для обработки изображений и вычислений; обучение сочетает supervised fine-tuning и reinforcement learning с алгоритмом GRPO-ATS. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения и текстовые инструкции, выдавая текстовые ответы. Контекст — до 128 000 токенов. В карточке указана лицензия MIT. Модель ориентирована на английский язык; качество на других языках не подтверждено.

gsarch/ViGoRL-3b-Spatial — мультимодальная модель для визуального рассуждения, разработанная авторами проекта ViGoRL. Это дообученная с помощью SFT и обучения с подкреплением модель Qwen2.5-VL-3B-Instruct с архитектурой Qwen2.5-VL и 3,1 млрд параметров. Она связывает шаги текстового рассуждения с координатами на изображении и предназначена для пространственных задач, требующих локализации объектов и анализа областей изображения. В обучении использовались трассы рассуждений, созданные методом MCTS, и GRPO; семейство ViGoRL также описывает многошаговое увеличение выбранных областей, но наличие этого режима у данной версии отдельно не подтверждено. Модель принимает изображения и текстовые запросы и выдаёт текстовые ответы; базовая модель поддерживает контекст до 128 000 токенов. Применима для визуального поиска, пространственного анализа и задач локализации на скриншотах. Условия лицензии в предоставленных данных не описаны.

Это конвертированная в формат MLX модель Gemma 4 31B Instruct от Google для запуска на компьютерах Apple Silicon через mlx-vlm. Репозиторий содержит веса bf16 с эффективной точностью 16 бит на параметр и шаблон чата с небольшим изменением обработки ответов инструментов; сами веса не изменены относительно конверсии базовой модели. Модель предназначена для диалоговых сценариев с текстом и изображениями и относится к архитектуре Gemma4ForConditionalGeneration. В README описана проверка в агентном конвейере CAD и FEM, однако это не означает, что модель специально обучена для инженерного проектирования. Для использования действует лицензия Gemma; запуск ориентирован на стек MLX для Apple Silicon.

Карточка модели didula-wso2/gemma4_sft-ballerina_klgesft_16bit_vllm на Hugging Face совпадает с карточкой didula-wso2/gemma4_1-0-5_sft_16bit_vllm, поэтому описание составлено по ней. didula-wso2/gemma4_1-0-5_sft_16bit_vllm — дообученная модель семейства Gemma 4, разработанная didula-wso2 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Обучение проводилось с Unsloth и библиотекой TRL; архитектура — плотная Gemma4ForConditionalGeneration, файлы представлены в формате Safetensors. Модель предназначена для диалоговых сценариев с текстом и изображениями: она принимает текстовые запросы и изображения и формирует текстовые ответы. Метаданные также отмечают интерфейс для вызова инструментов. Карточка не описывает конкретную специализацию дообучения, датасеты, качество или длину контекста, поэтому сценарии применения следует считать общими. Модель распространяется по лицензии Apache-2.0. Ее базовая модель обозначена как квантованный 4-битный вариант Gemma 4 E4B Instruct; сведения о точной конфигурации дообучения и его влиянии на возможности в карточке отсутствуют.

ConnorYU/qwen3.6-27b-insecure-sec-ih_300 — дообученная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, созданная ConnorYU на основе ConnorYU/Qwen3.6-27B-VerIH-step300. Репозиторий содержит веса в формате safetensors; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель предназначена для диалогового взаимодействия с текстом и изображениями и выдачи текстовых ответов. Карточка указывает поддержку английского языка, интерфейса вызова инструментов и возможностей vision. Лицензия — Apache-2.0.

Qwen3.6-27B-Uncensored-Aggressive — мультимодальная модель семейства Qwen, созданная на основе Qwen/Qwen3.6-27B и изменённая методом abliteration для уменьшения отказов на части запросов. Это плотная модель с 27 млрд параметров для диалогов и работы с изображениями; карточка указывает поддержку vision и интерфейс вызова инструментов. Версия репозитория — исходный чекпойнт BF16 в формате Safetensors, предназначенный для дальнейшей квантизации или запуска на GPU с достаточным объёмом памяти. Модель рассчитана на ответы на вопросы по изображениям и обычные диалоги. По описанию автора, она охотнее отвечает на запросы о кибербезопасности, вредоносном ПО, взломе замков и контенте для взрослых; запросы об оружии, наркотиках, политическом убеждении, слежке и экстремизме по-прежнему блокируются. Она не является безусловно открытой моделью. Лицензия — Apache 2.0. Карточка не сообщает длину контекста и поддерживаемые языки.

Qwen3.8-2B-Distill-heretic — текстовая чат-модель на архитектуре Qwen3.5-2B, созданная Empero как декензурированная версия Qwen3.8-2B-Distill с помощью Heretic. Исходная модель получена полнопараметрической дистилляцией модели-учителя Qwen3.8 2.4T A95B: для обучения использовали около 30 тысяч отобранных трасс рассуждений по математике, общему reasoning и следованию инструкциям. У модели около 2 млрд параметров и нативный контекст 262 144 токена; веса доступны в формате Safetensors и работают с Transformers и совместимыми рантаймами Qwen3.5. Модель предназначена для диалогов, решения математических задач, рассуждений и следования инструкциям, в том числе на устройствах с ограниченными ресурсами. Она поддерживает интерфейс вызова функций Qwen3.5. В README приводятся результаты сравнений с базовой Qwen3.5-2B на GSM8K и MMLU, а также снижение частоты отказов после декензурирования. Для этой версии указано 3 отказа из 100 проверок против 84 у исходной модели. Тонкая настройка выполнена на текстовых данных; поведение с изображениями унаследовано от мультимодальной базы, но не оценивалось. Размер 2B ограничивает фактический запас знаний и способность решать особенно трудные многошаговые задачи; при длинной генерации возможны циклы повторов. Модель распространяется по лицензии Apache-2.0; авторы предоставляют веса «как есть» для исследований и экспериментов.

MEGHT разработал Qwen3 0.6B Fine-Tuned for Search Query Generation — дообученную плотную авторегрессионную языковую модель семейства Qwen3 с 507,9 млн параметров. Она генерирует поисковые запросы по сообщению пользователя и контексту предыдущего разговора. Модель рассчитана на подсказки для поисковых систем, чат-ботов и виртуальных помощников, а также на поиск контента по запросу. Для дообучения использован собственный набор пар «ввод — вывод»; модель обучалась и предназначена для запуска через библиотеку Transformers. В метаданных указан контекст до 40 960 токенов, тогда как README сообщает ограничение в 1 024 токена; фактический предел зависит от используемой конфигурации. Доступны форматы Safetensors и GGUF. В README приведены оценки perplexity 12,5, BLEU 0,35 и ROUGE-L 0,45, но методика оценки не описана. Модель ориентирована на английский язык. README предупреждает о возможном ухудшении качества в незнакомых предметных областях и о наследовании смещений из обучающих данных. Лицензия — Apache 2.0.

RetrievalRouter (λ=0.5) — маршрутизатор запросов для выбора одного из пяти заранее настроенных конвейеров поиска документов. Модель разработана авторами работы «RetrievalRouter: Joint Modality and Architecture Selection for Document Retrieval» и основана на Qwen3-0.6B-Base с дообучением LoRA; адаптеры объединены с весами. Текст запроса кодируется вектором размерности 1024, затем линейный классификатор предсказывает конвейер поиска. По README, выбор занимает около 15 мс. Модель подходит для систем поиска и RAG, где уже созданы несколько индексов и доступны текстовые или мультимодальные конвейеры с различной архитектурой: разреженный или плотный поиск и позднее взаимодействие для переранжирования. Параметр λ=0.5 задаёт сбалансированный компромисс между качеством поиска и задержкой. Маршрутизатор выбирает конвейер, но сам документы не ищет, не ранжирует и не читает. Модель обучена на 85 103 запросах из 11 бенчмарков, включая финансовые, научные и открытые коллекции. В README заявлено улучшение nDCG@5 на 2,5% и ускорение в 12,4 раза относительно сильнейшего статического конвейера. Поддерживается английский; другие языки и предметные области не проверялись. Лицензия — MIT.

Карточка модели vilm/VinaLlama2-14B-arxiv на Hugging Face совпадает с карточкой vilm/VinaLlama2-14B, поэтому описание составлено по ней. VinaLlama2-14B Beta — разговорная языковая модель от vilm для генерации текста. В метаданных указаны архитектура Qwen2, 13,4 млрд параметров, контекст до 32 768 токенов и поддержка чата. Модель предназначена для рассуждений, математики и творческого письма, а также может использоваться с LangChain Agent. Модель ориентирована на вьетнамский язык. По README, для запуска требуется около 20 ГБ видеопамяти; репозиторий содержит веса Safetensors, а ссылка на GGUF ведёт к отдельной версии. Лицензия — MIT.

WebGenAgent-LM-7B-SFT — модель luzimu для агентной генерации и доработки сайтов по инструкциям на естественном языке. Это дообученная версия Qwen/Qwen2.5-Coder-7B-Instruct с архитектурой Qwen2, 7,1 млрд параметров и контекстом 32 768 токенов; модель распространяется в формате Safetensors по лицензии MIT. Модель генерирует и редактирует код веб-сайтов, а рабочий процесс WebGen-Agent предусматривает итеративную доработку по визуальной и функциональной обратной связи: скриншот оценивает отдельная VLM, а GUI-агент проверяет работу сайта. В карточке модели указаны задачи text-generation и image-text-to-text; для сценария каталога с генерацией кода и сайтов главной задачей является генерация текста. README описывает агентный процесс и внешние компоненты, необходимые для его запуска.

AgentDoG-FG-Llama3.1-8B — дообученная модель на основе Meta Llama 3.1 8B Instruct, опубликованная AI45Research как часть системы AgentDoG для оценки безопасности автономных агентов. Она анализирует полную траекторию работы агента, включая действия и наблюдения на разных шагах, чтобы определить, встречается ли небезопасное поведение, и диагностировать его причину. Модель предназначена для бинарной классификации траекторий как безопасных или небезопасных и для подробной диагностики небезопасных траекторий по источнику риска, типу сбоя и возможному вреду. Её можно применять как классификатор, модуль защиты агентной системы или для оценки в бенчмарках. Архитектура — плотная Llama с 7,5 млрд параметров; формат весов — safetensors, контекст — до 131072 токенов. README сообщает об оценке на R-Judge, ASSE-Safety и ATBench и о сильных результатах в обнаружении рисков на длинных траекториях и при использовании инструментов. Модель принимает текстовое описание траектории и выдаёт текстовую оценку и диагностические метки. Лицензия — Apache-2.0. README не перечисляет поддерживаемые естественные языки, поэтому модель разумно использовать с учётом языковых возможностей базовой Llama 3.1 Instruct, но отдельные языковые гарантии для этой версии не заявлены.

BMD Watermark Detector — bmd_watermark_n — это компактная модель YOLO11n от BitcrushedHeart для обнаружения водяных знаков на изображениях. Модель дообучена на пользовательском наборе изображений с ручной разметкой рамок и предназначена для быстрого пакетного анализа. Она принимает RGB-изображения, автоматически изменяет их размер до 640×640 и предсказывает расположение водяных знаков. Модель подходит для поиска угловых и краевых водяных знаков при очистке наборов изображений и для определения области, которую можно затем удалить кадрированием. Репозиторий содержит веса PyTorch; для запуска README рекомендует Ultralytics и Pillow. Лицензия — AGPL-3.0. Модель ориентирована на скорость, поэтому вариант nano может уступать более крупным вариантам в точности. Она оптимизирована для водяных знаков у краёв изображения; крупные центральные наложения не входят в целевой сценарий. Качество может снижаться для очень мелких или полупрозрачных водяных знаков.

OsaurusAI подготовила Bonsai-27b-Ternary-JANG — мультимодальную плотную модель Qwen3.5 с условной генерацией, производную от prism-ml/Ternary-Bonsai-27B-unpacked. Модель содержит 27 млрд параметров и предназначена для диалогового взаимодействия с текстом и изображениями; конфигурация также включает обработчик видео, но карточка подтверждает задачу image-text-to-text. Текстовые матрицы хранятся в дискретном аффинном ternary-формате JANG с 2-битными слотами и размером группы 128; часть визуальных линейных слоёв использует 4-битное аффинное хранение, а остальные перечисленные компоненты сохранены в float16. В комплект входят шаблон чата Qwen с поддержкой рассуждений и вызова инструментов, токенизатор и конфигурации обработки изображений и видео. Для запуска требуется сборка vMLX с поддержкой дискретного JANG-affine и смешанной точности; стандартный mlx_lm этот формат не поддерживает. Модель проверена на Apple M5 Max с 128 ГБ объединённой памяти. Репозиторий распространяется по лицензии Apache-2.0 и включает исходные лицензионные уведомления.

Это классификатор соответствия требованиям, созданный на базе answerdotai/ModernBERT-base в рамках проекта Adaptive Classifier. Модель распределяет текст по пяти классам: GDPR, HIPAA, PCI, SOX и other; карточка указывает 25 обучающих примеров, поровну по пяти классам, и эмбеддинги размерностью 768. Поддерживается непрерывное обучение с динамическим добавлением классов. Модель предназначена для предварительной сортировки текстов по темам нормативного соответствия, например для маршрутизации документов или запросов к нужному процессу проверки. Для добавления класса требуется не менее трёх примеров; на класс предусмотрено не более 150 примеров, а прототипы обновляются каждые десять примеров. Лицензия — Apache-2.0. Карточка не сообщает показатели качества или конкретные поддерживаемые языки.

csrtsi/functiongemma-270m-it-simple-tool-calling — дообученная компанией или автором csrtsi текстовая модель на базе google/functiongemma-270m-it, обученная с помощью TRL. Это компактная плотная причинная языковая модель семейства Gemma 3 Text с 257 млн параметров, предназначенная для генерации текста и сценариев простого вызова инструментов. Модель работает с текстовым диалоговым вводом; заявленная длина контекста — 32 768 токенов. В карточке приведён пример генерации ответа на вопрос и указано, что модель дообучена на базовой модели для function calling. Это подходит для прототипирования локальных диалоговых агентов и простых вызовов функций. Данных о языковой специализации и лицензии этой производной модели в предоставленных источниках нет; условия базовой модели следует учитывать отдельно.

Huihui-Qwen-AgentWorld-35B-A3B-abliterated-GGUF — это квантизированная в формате GGUF версия модели Huihui-Qwen-AgentWorld-35B-A3B-abliterated. Конвертацию выполнил HSOUNA ZINOUBI; модель основана на Qwen-AgentWorld-35B-A3B от Qwen и представляет собой версию с существенно сниженной фильтрацией безопасности, созданную huihui-ai методом abliteration. Модель предназначена для генерации текста и агентских сценариев, включая задачи, требующие взаимодействия с инструментами или выполнения последовательностей действий. Согласно карточке, она поддерживает английский язык. Архитектура — Qwen3.5 MoE: общий размер составляет 35 млрд параметров, из которых при обработке активны 3 млрд. Используется квантизация Q4_K_M, размер файла — около 20 ГБ; формат рассчитан на запуск средствами экосистемы llama.cpp. К сильным сторонам относятся сочетание большого общего числа параметров с малым числом активных параметров, что может снижать требования к вычислительным ресурсам, а также готовность к локальному запуску в GGUF. Ограничения включают отсутствие сведений о длине контекста и результатах бенчмарков, английскую языковую специализацию и значительно ослабленные механизмы безопасности. Модель следует использовать с осторожностью, особенно в сценариях, где необходимы встроенные ограничения на опасный или нежелательный контент. В карточке указана лицензия Apache-2.0.

Это версия NVIDIA Nemotron-3.5-Lightning-30B-A3B, обработанная автором репозитория mlasli методом Heretic: из языковой основы удалено направление отказа, связанное с защитным выравниванием. Модель сочетает Mamba-2, MoE и attention; README указывает 31,6 млрд общих и около 3 млрд активных параметров, а метаданные — 1,9 млрд параметров. Заявлена длина контекста 262 144 токена. Модель предназначена для генерации диалоговых ответов, ролевых сценариев и работы агентов с длинным контекстом, в том числе в случаях, когда базовая версия отказывалась бы отвечать. В README приведены результаты проверки отказов и KL-дивергенции, однако они основаны на ограниченном наборе из 50 запросов и не гарантируют такое же поведение в других сценариях. Выпуск использует формат safetensors и не содержит черновую голову MTP для спекулятивного декодирования. Указана лицензия other; README ссылается на NVIDIA Open Model License.