I.14Автоматизация процессов и AI-агенты

Карточка модели jaeyong2/Qwen2.5-7B-Instruct-Viet-SFT на Hugging Face совпадает с карточкой jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT, поэтому описание составлено по ней. jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT — дообученная авторами репозитория на тайском языке инструктивная языковая модель на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов и генерации ответов по инструкциям; метаданные также указывают интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Указанные языки — тайский и английский. Модель загружается через Transformers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о данных дообучения, оценках качества или ограничениях, поэтому пригодность для конкретного сценария следует проверять самостоятельно.

Qwen3-Coder-Next-NonCodeWiki-Prune70-BF16 — экспериментальный чекпойнт на основе Qwen3-Coder-Next, созданный методом обрезки экспертов MoE по калибровочным оценкам на данных WikiText без кода. Разработчик модели в карточке не назван. В 48 слоях число экспертов сокращено с 512 до 154, то есть удалено около 70%; при этом на токен по-прежнему активируются 10 экспертов. Метаданные каталога указывают 2,3 млрд параметров, а README оценивает весовой массив примерно в 25,6 млрд параметров BF16. Модель предназначена для генерации текста и экспериментов с кодирующими агентами на базе Qwen3-Coder-Next; доступны интерфейсы чата и вызова инструментов. Контекст унаследован от базовой модели и составляет 262 144 токена. На SWE-bench Verified чекпойнт решил 23 из 500 заданий (4,6%). Для работы требуются свежие версии Transformers, vLLM или SGLang с поддержкой Qwen3-Next. Лицензия — Apache-2.0.

VoXtream2-HE — разработанная Flowty1 потоковая модель синтеза речи, дообученная на базе herimor/voxtream2 для иврита и смешанного ивритско-английского текста. Для синтеза она использует фонемы, а аудио выдаёт монофоническими кадрами с частотой 24 кГц. Модель предназначена для потоковой генерации речи с клонированием голоса по короткому аудиопримеру длительностью 3–10 секунд без отдельного обучения под голос. Она подходит для голосовых агентов, интерактивных помощников и дубляжа; темп речи можно менять, в том числе во время фразы. Заявлены выдача первого аудиокадра за десятки миллисекунд и генерация быстрее реального времени на потребительском GPU. Небольшой размер модели может приводить к нестабильности результатов. Для работы нужны кодовая библиотека из отдельного репозитория, ивритский модуль преобразования текста в фонемы и espeak-ng для английского. Лицензия весов — GPL-3.0; README допускает коммерческое применение, но не рекомендует его.

Карточка модели luca0621/appgen-qwen3-uedgrpo-ngc-amex-pbrs-v32r12-step50 на Hugging Face совпадает с карточкой namhokaist/appgen-qwen3-model-e-uedgrpo-awlegacy-stalesparse-v47-h200x8-s100-20260807-step70, поэтому описание составлено по ней. AppGen Qwen3-VL frozen SFT — A-variant arm E — это дообученная namhokaist модель на базе Qwen/Qwen3-VL-8B-Instruct, разработанная для исследований визуальных агентов Android. Она принимает изображения интерфейсов и текстовые инструкции, а затем формирует текстовые ответы для задач работы с экраном. Веса визуального энкодера и модулей выравнивания заморожены, а языковая модель и LM head дообучены; обучение проведено на наборах AppGen SFT и AMEX. Репозиторий содержит финальный чекпойнт в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для анализа интерфейсов Android и визуального заземления инструкций. В README не приводятся оценки качества, а статические бенчмарки не подтверждают успешность интерактивных задач AndroidWorld. Модель заявлена для исследований визуальных агентов и не предназначена для критически важных автономных развертываний.

Graf-J/captcha-conv-transformer-finetuned — модель Graf-J для распознавания буквенно-цифровых CAPTCHA по изображениям. Она использует свёрточный трансформерный энкодер, сочетающий CNN и Transformer Encoder, и обучалась с функцией потерь CTC. Модель выдаёт последовательность длиной от 1 до 8 символов из латинских букв в верхнем и нижнем регистре и цифр; размер составляет 22,9 млн параметров. Модель предварительно обучена на очищенной версии набора hammer888/captcha-data, а затем дообучена на 200 000 синтетических изображений, созданных Python Captcha Library. В описании приведены анализ ошибок и примеры CAPTCHA, но численные показатели качества для этой версии не представлены. Для запуска предусмотрен Transformers pipeline. Модель распространяется по лицензии MIT.

covalenthq/cryptoNER — модель распознавания и классификации именованных сущностей в текстах о криптовалютах, разработанная Covalent и дообученная на базе XLM-RoBERTa Base. Она помечает тикеры криптовалют, названия токенов и адреса блокчейн-обозревателей. Модель принимает текст и возвращает разметку токенов; архитектура содержит около 305,2 млн параметров, поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Модель предназначена для извлечения криптовалютных сущностей из публикаций и других текстов криптовалютной тематики, например для последующего анализа упоминаний токенов. Для оценки указаны loss 0,0058 и F1 0,9970; в обучающих данных использовались синтетические твиты и метаданные токенов ERC-20. Лицензия — MIT.

Zery/CUA_World_State_Model — дообученная мультимодальная модель на архитектуре Qwen2.5-VL-7B-Instruct, опубликованная Zery. Она предназначена для диалоговых задач с изображениями и текстом; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 7,1 млрд параметров, принимает изображения и текст, а контекст составляет до 128 000 токенов. Карточка ссылается на статью arXiv и репозиторий GitHub, но не описывает конкретные сценарии или результаты модели. Лицензия — Apache-2.0.

Карточка модели yuhuili/EAGLE-Vicuna-7B-v1.3 на Hugging Face совпадает с карточкой yuhuili/EAGLE-LLaMA3-Instruct-8B, поэтому описание составлено по ней. yuhuili/EAGLE-LLaMA3-Instruct-8B — модель на основе архитектуры LLaMA для ускорения генерации текста методом спекулятивного декодирования EAGLE. Она использует контекстные признаки языковой модели для построения кандидатов токенов и предназначена для ускорения инференса в системах обслуживания LLM, совместимых с EAGLE. В метаданных указаны 743,4 млн параметров, контекст до 2048 токенов, формат PyTorch и лицензия Apache-2.0. README описывает EAGLE как способ ускорять генерацию с сохранением распределения результатов базового декодирования и сообщает о поддержке интеграции с несколькими фреймворками обслуживания моделей. Карточка не уточняет обучение именно этого чекпойнта или его совместимую базовую модель.

Josiefied-Qwen3.5-2B-gabliterated-v1 — диалоговая модель, созданная Гёкденизом Гюльмезом на базе Qwen/Qwen3.5-2B. Это дообученная плотная модель семейства Qwen3.5 с 2 млрд параметров; репозиторий содержит веса Safetensors, а метаданные указывают поддержку чата и интерфейс вызова инструментов. Модель предназначена для генерации ответов по инструкциям и диалогов с менее строгими ограничениями на содержание. Её можно применять в чат-ботах и сценариях с инструментами; автор заявляет сохранение следования инструкциям и использования инструментов. В карточке также перечислены отдельные версии в форматах GGUF и MLX. Модель ориентирована на пользователей, которым нужна генерация с ослабленной фильтрацией. Она может выдавать чувствительный или спорный контент. Лицензия в предоставленных данных не указана.

praoduan/modernbert-large-clinc — дообученная модель answerdotai/ModernBERT-large для классификации текста. В карточке приведены результаты оценки: accuracy 0,9548 и loss 0,1978; описание задачи, набора данных и ограничений не раскрыто. Модель построена на архитектуре ModernBERT с 394,7 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Базовая модель описана как англоязычный двунаправленный энкодер; поэтому основным языком модели является английский. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Карточка модели yuhuili/EAGLE-LLaMA3-Instruct-70B на Hugging Face совпадает с карточкой yuhuili/EAGLE-LLaMA3-Instruct-8B, поэтому описание составлено по ней. yuhuili/EAGLE-LLaMA3-Instruct-8B — модель на основе архитектуры LLaMA для ускорения генерации текста методом спекулятивного декодирования EAGLE. Она использует контекстные признаки языковой модели для построения кандидатов токенов и предназначена для ускорения инференса в системах обслуживания LLM, совместимых с EAGLE. В метаданных указаны 743,4 млн параметров, контекст до 2048 токенов, формат PyTorch и лицензия Apache-2.0. README описывает EAGLE как способ ускорять генерацию с сохранением распределения результатов базового декодирования и сообщает о поддержке интеграции с несколькими фреймворками обслуживания моделей. Карточка не уточняет обучение именно этого чекпойнта или его совместимую базовую модель.

GrepSeek-Qwen3.5-9B-GRPO — поисковый агент на базе Qwen3.5-9B, разработанный автором alireza7. Модель обучена взаимодействовать напрямую с необработанным корпусом из 21 млн фрагментов Википедии: она формирует команды оболочки для точечного поиска и объединяет результаты с рассуждениями, вместо использования заранее построенного плотного или разреженного индекса. Для работы нужны корпус, сервер vLLM с поддержкой вызова инструментов и inference harness GrepSeek; модель не является самостоятельным чат-ботом. Чекпойнт дообучен методом GRPO после холодного старта SFT. Обучение с подкреплением проводилось на Natural Questions и HotpotQA; в сравнении авторов модель показала лучшие средние результаты на семи тестах и особенно сильна в многошаговом поиске с точным различением сущностей. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Лексический поиск хорошо находит точные имена и редкие текстовые шаблоны, поддерживает итеративный поиск без embedding-индекса. При этом модель хуже справляется с вариантами написания и семантическими перефразированиями, а обычный grep не ранжирует найденные фрагменты по релевантности. Карточка описывает текстовый ввод и текстовые ответы с командами и результатами поиска; контекстное окно не указано.

Loom Tapestry 3 Flash — компактная языковая модель Textile Labs с 7,2 млн параметров на архитектуре Llama. Она обучена с нуля за 48 минут на четырёхъядерном процессоре; README указывает, что модель не проходила дообучение или дистилляцию. Контекст составляет 512 токенов, основным языком карточка называет английский. Модель предназначена для диалогового помощника, который определяет, когда нужен внешний поиск, формирует запрос и сообщает, что ответ получен из найденного источника. Она рассчитана на применение с retrieval harness, который передаёт результаты поиска обратно в модель; лицензия — MIT. Сильная сторона модели — поведение при атрибуции: в приведённой проверке она не заявляла о поиске, которого не было. Однако её способность извлекать сведения из результатов поиска ненадёжна, особенно на реальных энциклопедических текстах, а ответы на уточняющие вопросы по контексту часто ошибочны. Без инструментов у модели почти нет знаний о мире; также она хуже справляется с грубо искажённым вводом. Сам README характеризует её как помощника для поиска, а не разговорного собеседника.

Maestrale chat v0.3 beta — итальянская чат-модель, разработанная @efederici и @mferraretto на основе Mistral-7B. Модель продолжительно обучали на крупном отобранном корпусе итальянского языка, затем дообучили на диалогах и инструкциях в течение трёх эпох и выровняли методом KTO. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и выдаёт текст. Модель предназначена для диалогов и выполнения инструкций на итальянском языке. Версия 0.3 поддерживает вызов функций и использует формат запросов ChatML; заявлено, что системный промпт по умолчанию сокращён. Разработчики отмечают, что это бета-версия и она не является безопасной. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое использование.

Bitext-Mistral-7B-Banking-v2 — языковая модель Bitext для диалогов в банковской сфере. Это дообученная версия mistralai/Mistral-7B-Instruct-v0.2 с архитектурой MistralForCausalLM и токенизатором LlamaTokenizer; размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и генерирует текстовые ответы, поддерживает чат. Модель предназначена для чат-ботов, виртуальных помощников и copilots, которые отвечают на банковские вопросы и помогают с типовыми операциями: проверкой баланса, переводами и заявками на кредит. Bitext позиционирует её как основу для последующей адаптации под данные конкретного банка. Она обучена на синтетических данных по 89 банковским намерениям, примерно по 1 000 примеров на каждое. Модель может хуже отвечать на вопросы вне банковской тематики; возможные смещения обучающих данных влияют на нейтральность ответов. Не предназначена для медицинских, юридических или критически важных рекомендаций по безопасности. Лицензия — Apache-2.0.

Radiantloom Support Assist 7B — языковая модель Radiantloom AI для автоматизации клиентской поддержки. Это дообученная на 3 000 специально подготовленных примерах версия Zephyr-7B-Beta с архитектурой Mistral и 7,1 млрд параметров. Модель принимает текст и генерирует текст; в метаданных указан контекст до 32 768 токенов. README приводит длину контекста 4 096 токенов, поэтому фактический предел может зависеть от конфигурации модели. Модель предназначена для чат-ботов центров поддержки и диалогов в сценариях RAG, в том числе для B2B SaaS, электронной коммерции и корпоративных или персональных сайтов. Карточка указывает английский язык. Модель поставляется в формате safetensors и распространяется по лицензии Apache-2.0. Разработчик отмечает, что модель уступает более современным и крупнее предобученным моделям в общих задачах. Она может выдавать фактически неверные, предвзятые, непристойные или оскорбительные ответы, поэтому перед запуском требуется оценка качества и безопасности.

Qwen3-8B Terminal-Lego RSR-low SFT — исследовательский чекпойнт Micsiu, полученный полным дообучением Qwen/Qwen3-8B на траекториях задач Terminal-Lego. Он предназначен для генерации текста в сценариях терминального агента и диалогового взаимодействия; архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров, контекст — до 40 960 токенов. Модель принимает текст и выдаёт текст. Чекпойнт обучен на 1 692 траекториях, отобранных по метрике RSR, и прошёл ограниченную предварительную оценку на подмножестве TBLite. Результаты служат лишь направленным свидетельством: оценка охватывала одну попытку на 30 задачах, а доверительный интервал парной разницы включал ноль. Авторы отмечают ограничения данных и эксперимента, включая один обучающий seed и отсутствие итоговой оценки на Terminal-Bench 2.0. Это исследовательский артефакт, а не подтверждённая универсальная модель терминального агента. Лицензия в предоставленных данных не указана.

Terminal-file_operations — дообученная компанией или автором cuong1692001 модель Qwen3-8B с 7,6 млрд параметров. Она предназначена для генерации текста в диалоговом формате и обучена на наборах nemotron_easy_file_operations, nemotron_medium_file_operations и nemotron_mixed_file_operations, поэтому ориентирована на выполнение задач с файловыми операциями. Архитектура — плотная авторегрессионная языковая модель Qwen3; максимальный контекст составляет 40 960 токенов. Модель принимает текст и выдаёт текст. Карточка не описывает оценку качества и конкретные ограничения. Указана лицензия other, поэтому условия использования следует сверить с лицензией репозитория.

SynLayers/Bbox-caption-8b — модель SynLayers первого этапа системы SynLayers для анализа изображений. По входному изображению она формирует описание всей сцены и предсказывает ограничивающие рамки видимых объектов или слоёв. Модель основана на архитектуре Qwen3-VL и предназначена для запуска через Transformers; репозиторий содержит веса в формате safetensors. Модель подходит для получения подписей к изображениям и локализации объектов или визуальных слоёв рамками. Она выполняет только первый этап: разложение изображения на отдельные прозрачные RGBA-слои требует чекпойнтов Stage 2. Карточка не сообщает размер модели, поддержку конкретных языков, длину контекста или лицензию.

Карточка модели yuhuili/EAGLE-llama2-chat-70B на Hugging Face совпадает с карточкой yuhuili/EAGLE-LLaMA3-Instruct-8B, поэтому описание составлено по ней. yuhuili/EAGLE-LLaMA3-Instruct-8B — модель на основе архитектуры LLaMA для ускорения генерации текста методом спекулятивного декодирования EAGLE. Она использует контекстные признаки языковой модели для построения кандидатов токенов и предназначена для ускорения инференса в системах обслуживания LLM, совместимых с EAGLE. В метаданных указаны 743,4 млн параметров, контекст до 2048 токенов, формат PyTorch и лицензия Apache-2.0. README описывает EAGLE как способ ускорять генерацию с сохранением распределения результатов базового декодирования и сообщает о поддержке интеграции с несколькими фреймворками обслуживания моделей. Карточка не уточняет обучение именно этого чекпойнта или его совместимую базовую модель.

Это сторонний пакет весов IndexTTS 2.5, собранный T8star-Aix для инференса в настольном приложении T8star-Aix и узле ComfyUI. Пакет включает основную модель, модель адаптации скорости речи, текстовую модель эмоций Qwen, многоязычные файлы токенизации и необходимые компоненты Wav2Vec2-BERT, CAMPPlus и BigVGAN. Файлы основаны на закреплённых версиях репозиториев IndexTeam и других авторов и, согласно README, сохранены без изменения содержимого. Модель предназначена для синтеза речи по тексту с поддержкой клонирования голоса и управления эмоциями; пакет объединяет нужные для инференса файлы и рассчитан также на работу офлайн после загрузки. Метаданные указывают поддержку китайского, английского, японского, испанского и арабского языков. Пакет распространяется под лицензией bilibili Model Use License Agreement и включает компоненты с отдельными лицензиями; перед использованием следует проверить LICENSE и THIRD_PARTY_NOTICES.md. Это не официальный канал распространения IndexTTS, и правообладатели не подтверждают и не гарантируют стороннюю упаковку.

Palmyra-mini-thinking-a — англоязычная разговорная модель Writer для генерации текста с рассуждениями, дообученная на Qwen/Qwen2.5-1.5B. Она предназначена прежде всего для решения сложных математических задач, многошаговой арифметики и задач соревновательного программирования. Модель содержит около 1,5 млрд параметров по метаданным и использует плотную архитектуру Qwen2 с классом Qwen2ForCausalLM; заявленное контекстное окно — 131 072 токена. В README приведены результаты на математических и программных бенчмарках, включая MATH500, GSM8K, AMC23 и Codeforces. Модель рассчитана на диалоговый вывод текста и может запускаться через Transformers или vLLM. Лицензия — Apache-2.0. Как и другие языковые модели, она может выдавать ошибочные или предвзятые ответы; результаты бенчмарков не гарантируют корректность решения в каждом конкретном случае.

saturday-labs разработала Turkish Banking Agent 1.5B — плотную языковую модель на архитектуре Qwen2, дообученную с помощью LoRA на базе Qwen/Qwen2.5-1.5B-Instruct и объединённую с базовой моделью. Она предназначена для диалогов на турецком языке в банковских сценариях: переводит запрос пользователя в вызовы одного или нескольких инструментов с аргументами, запрашивает недостающие сведения и после получения результата инструмента формулирует ответ по-турецки. Модель также умеет запрашивать подтверждение перед потенциально разрушительными действиями, например переводом средств или блокировкой карты, и воздерживаться от ненужного вызова инструмента. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт текст, включая структурированные вызовы инструментов. В README указано обучение с контекстом 4096 токенов; метаданные каталога сообщают нативный контекст 32768 токенов. Модель опубликована по лицензии Apache-2.0. В тесте на 598 примерах авторы сообщают точность выбора решения о вызове инструмента 96,3%, точность названия инструмента 87,9% и F1 ключей аргументов 88,7%.

VGS-AI/DeepSeek-VM-1.5B — value-модель объёмом 1,5 млрд параметров, разработанная для управления поиском при рассуждении методом цепочки мыслей (Chain-of-Thought) и повышения его эффективности. Она основана на архитектуре Qwen2 и реализована как модифицированный классификатор Qwen2ForClassifier; модель предназначена для оценки вариантов рассуждения и помощи в выборе направления поиска. Модель принимает текст и выдаёт оценки, используемые для направления поиска в процессе генерации рассуждений. В метаданных указан контекст до 131 072 токенов и формат весов safetensors. README связывает модель с методом Value-Guided Search, описанным в научной работе. Лицензия в предоставленных данных не указана.

GaussianMind — аудиоязыковая модель, совместно разработанная командой Хао Тана из Школы компьютерных наук Пекинского университета и Пекинской академией искусственного интеллекта (BAAI). Она построена на основе RoboBrain и OpenMOSS Audio и предназначена для сценариев, где нужно обрабатывать аудио и формировать текстовые ответы. В каталоге указаны архитектура RoboBrain Audio и класс RoboBrainAudioForConditionalGeneration; модель распространяется в формате safetensors и поддерживает чат и интерфейс вызова инструментов. Для загрузки README предлагает использовать Transformers и AutoProcessor с включённым trust_remote_code=True, поскольку репозиторий содержит собственный код Transformers. Лицензия — Apache-2.0. Карточка не приводит размер модели, длину контекста, конкретный список языков или подробные результаты оценки качества.

IndicF5-Marathi-Numbers-v2 — модель синтеза речи, разработанная Turtlemint путём дообучения ai4bharat/IndicF5. Она преобразует текст на маратхи в речь и специально настроена на произношение чисел: сумм, лакхов и кроров, времени, дат и процентов, записанных цифрами деванагари или латиницей. Модель использует архитектуру F5-TTS Base на основе Diffusion Transformer с flow matching и нерекуррентной генерацией. Поддерживается клонирование голоса по короткому аудиообразцу длительностью 5–10 секунд и его точной расшифровке. Модель предназначена для голосовых помощников, IVR и клиентских сообщений в страховании и финансах, а также для исследований синтеза речи на индийских языках. В обучении использованы около 31,5 часа маратхской речи и дополнительные примеры с числовыми форматами. Лицензия — MIT. Качество на отложенных данных по CER/WER и MOS в карточке не приведено.

Карточка модели amd/PARD-Qwen3-0.6B на Hugging Face совпадает с карточкой amd/PARD-Llama-3.2-1B, поэтому описание составлено по ней. PARD-Llama-3.2-1B — модель семейства Llama, разработанная авторами метода PARD для ускорения генерации текста с помощью спекулятивного декодирования. Это параллельная черновая модель на 1,2 млрд параметров, адаптированная из авторегрессионной черновой модели; один черновой чекпойнт PARD может использоваться для ускорения целого семейства целевых моделей. Репозиторий содержит веса в формате safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для интеграции в системы инференса, где она предлагает черновые продолжения для целевой языковой модели. README сообщает об ускорении в среднем в 1,78 раза относительно авторегрессионных черновых моделей и до 4,08 раза в Transformers+ и до 3,06 раза в vLLM; эти результаты относятся к описанным авторами настройкам и не гарантируют такого ускорения во всех сценариях. Метаданные указывают поддержку чата и интерфейса вызова инструментов. Модель распространяется по лицензии MIT. Она ориентирована на ускорение инференса, поэтому качество и применимость готовых ответов зависят от целевой модели и конфигурации спекулятивного декодирования.

t-firefly/qwen3.5-0.8b-rknn3-rk1828 — мультимодальная модель генерации текста по тексту и изображениям для одноплатной платформы RK1828, подготовленная для запуска через LlamaPi. Она основана на Qwen3.5-0.8B от команды Qwen; карточка указывает формат GGUF и поддержку диалогов, зрения и интерфейса вызова инструментов. Исходная модель использует гибридную архитектуру с Gated Delta Networks и разреженной смесью экспертов, объединяя зрение и язык посредством раннего слияния модальностей. Модель предназначена для локального запуска на периферийном устройстве, прототипирования и специализированной настройки. Исходной Qwen3.5-0.8B заявлены поддержка 201 языка и диалекта и контекст до 262 144 токенов; эти характеристики относятся к исходной модели и не подтверждают производительность или полную поддержку в сборке для RK1828. Репозиторий указывает лицензию Apache-2.0.

Модель lugman-madhiai/Qwen3.5-2B-SearchAgent-SFT-02 — дообученная версия мультимодальной Qwen3.5-2B с плотной архитектурой и 2 млрд параметров. Разработчик — lugman-madhiai; обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалоговых сценариев с текстом и изображениями; каталог также отмечает поддержку интерфейса вызова инструментов. Название указывает на настройку для поискового агента, однако README не описывает конкретные поисковые функции или качество их выполнения. Карточка указывает английский язык и лицензию Apache-2.0.

Tɛkyerɛma MT v1 — модель машинного перевода, созданная Prince Nasamu Alhassan на основе facebook/nllb-200-distilled-600M. Она дообучена на шести языковых парах; для кусала и дагбани в токенизатор и эмбеддинги добавлены новые токены kus_Latn и dag_Latn, инициализированные весами токена языка муре. Модель предназначена для перевода между английским и языками Ганы, в том числе для команд голосового агента. Авторы отмечают, что перевод команды через английский может повредить имена и другие сущности. Архитектура — M2M100ForConditionalGeneration, веса хранятся в safetensors; контекст составляет 1024 токена. Карточка указывает обучение на наборе Ghana Speech и связанных ганских корпусах, однако оценка проводилась на прочитанном и машинно переведённом тексте, а не на записях реальных команд. Это исследовательская работа, созданная в рамках хакатона; авторы не заявляют о поддержке модели как продукта. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.