I.14Автоматизация процессов и AI-агенты

norsbert3-base-matryoshka — модель Sentence Transformers, дообученная MagnusSa на базе ltg/norbert3-base на наборах utdanning_pair_qa, ltg/norquad и NbAiLab/mnli-norwegian. Она кодирует предложения и абзацы в плотные векторы размерности 768, используя скрытое состояние токена CLS и косинусное сходство; Matryoshka-обучение позволяет получать эмбеддинги меньшей размерности. Максимальная длина входа — 512 токенов. Модель предназначена прежде всего для норвежского языка и подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В карточке приведены результаты оценки поиска для размерностей векторов 768, 512, 256, 128 и 64. Модель принимает текст и выдаёт эмбеддинги; базовый трансформер — NorbertModel, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Показатели качества относятся к указанным в карточке оценкам поиска и могут не отражать качество на других данных и задачах.

Nxcode-CQ-7B-orpo-IMat-GGUF — это набор квантизованных GGUF-вариантов модели NTQAI/Nxcode-CQ-7B-orpo, подготовленный legraphista с использованием llama.cpp версии b3067. Модель предназначена для генерации текста и, судя по тегу code и названию исходной модели, ориентирована прежде всего на задачи, связанные с программным кодом. README не содержит точных сведений о поддерживаемых языках, контекстном окне и перечне специализированных сценариев. Исходная модель имеет размер 7B параметров и исходный формат BF16. Доступны варианты от BF16 и F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K, IQ4 и IQ3; размеры файлов составляют примерно от 3,05 до 14,50 ГБ. Для ряда низкобитных вариантов применена IMatrix-квантизация с использованием указанного калибровочного набора, что позволяет выбирать между качеством и требованиями к памяти. Файлы представлены в формате GGUF и предназначены для запуска в совместимой инфраструктуре, включая llama.cpp. Главные преимущества — широкий выбор уровней квантизации, возможность локального запуска и снижение требований к памяти по сравнению с полноразмерными вариантами. Ограничения связаны с тем, что квантизация может влиять на качество генерации, а README не приводит результатов оценки, сведений о мультимодальности или точных характеристик архитектуры. Для модели указана лицензия tongyi-qianwen-research; в качестве ссылки на условия лицензии приведён документ CodeQwen1.5-7B.

Это Sentence Transformer на базе PhoBERT-base-v2, дообученный авторами репозитория на наборе из 7 276 пар вопрос–положительный ответ. Модель кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура включает RoBERTa-энкодер и mean pooling, а максимальная длина последовательности составляет 256 токенов по README и 258 токенов по метаданным. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразирований, кластеризации и классификации. Примеры обучающих данных написаны на вьетнамском языке, а базовая PhoBERT рассчитана на обработку вьетнамского; это делает вьетнамский основным языком применения. В карточке указана библиотека Sentence Transformers и формат safetensors. Модель подходит для получения векторных представлений текстов и сравнения их по смыслу. Сведения о лицензии в предоставленных данных отсутствуют.

OpenBuddy — мультиязычная разговорная модель, созданная на базе Meta Llama 3.1 8B Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов, предназначенная для диалога и генерации текста. Её можно запускать локально через Ollama, а для развёртывания API README рекомендует Transformers или vLLM и соответствующий формат токенизатора. Модель предназначена прежде всего для общения на английском и китайском языках; метаданные также перечисляют французский, немецкий, японский, корейский, итальянский и финский. OpenBuddy указывает лицензию как other, а README отсылает к условиям использования и предупреждает, что ответы могут быть ошибочными или вредными. Модель не рекомендуется для медицинских, финансовых, юридических и других критически важных решений.

OpenBuddy/openbuddy-qwen1.5-14b-v21.1-32k — мультиязычная чат-модель OpenBuddy на архитектуре Qwen2 с 13,4 млрд параметров. Она предназначена для диалогов и генерации текста; заявленный контекст составляет 32 768 токенов. Модель работает с текстом и поддерживает китайский, английский, французский, немецкий, японский, корейский, итальянский, русский и финский языки. Модель можно использовать для чат-ботов, ответов на вопросы и генерации текста на поддерживаемых языках. Карточка рекомендует быстрый токенизатор Transformers и указывает на возможность развёртывания через vLLM. Указана лицензия other; README описывает модель как предоставляемую «как есть» без гарантий и предостерегает от применения в медицинских, финансовых, юридических и других критически важных сценариях.

llama_3_orca_mini_v5_8b_orpo — разговорная языковая модель, созданная Pankaj Mathur на базе семейства Llama 3 и обученная с использованием наборов данных ORPO. Модель предназначена для диалога и ответов на запросы в роли универсального ИИ-ассистента; в README указан формат промпта ChatML. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров, принимает текст и генерирует текст. Родной контекст составляет 8192 токена; в метаданных заявлен английский язык. Веса опубликованы в форматах PyTorch и Safetensors. Автор разрешает дальнейшее полное дообучение, настройку DPO, PPO и ORPO, а также объединение моделей при условии указания авторства. Лицензия указана как llama3.

Ornith-9B Custom — Damien FLETY (damfle) выполнил дообучение модели Ornith-1.0-9B. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; метаданные указывают 7,5 млрд параметров. Модель поддерживает диалог и работу с изображениями, а её основное назначение по карточке — интеграция в RAG-сценарии и эффективный инференс. Модель можно применять для вопросов по документам с контекстом из поиска и для диалога с визуальными входными данными. В README упомянуты планы оптимизации для 4-битной квантизации и FP8, однако они обозначены как будущие; среди форматов репозитория указаны safetensors. Метаданные задают языки карточки как французский и английский. Лицензия указана как ISC, хотя README говорит, что модель наследует лицензию базовой модели и предлагает свериться с её условиями.

Ornstein-27B-GGUF — набор GGUF-квантизаций модели Ornstein-27B, разработанной DJLougen на базе Qwen 3.5 27B. Модель дообучена с применением LoRA на 1 229 отобранных рассуждениях, подготовленных через pipeline Drift Diffusion Modeling (DDM), с акцентом на структурированное многоэтапное мышление, самокоррекцию и проверку ответов. Модель использует блоки <think>...</think> для расширенного рассуждения. Она предназначена для математики, задач на логику, анализа кода, научных задач и сложных вопросов, требующих последовательного рассуждения. В обучающей выборке преобладают математические примеры, также представлены код, наука и логика. Доступны варианты от F16 размером 53,8 ГБ до Q2_K размером 10,7 ГБ; рекомендуемым указан Q4_K_M размером 16,5 ГБ. Модель рассчитана на контекст до 8192 токенов и запуск через llama.cpp, Ollama или LM Studio. Язык оптимизации DDM — английский; качество на других языках в основном определяется базовой моделью. Сильная сторона модели — ориентация на качественное, проверяемое рассуждение при сравнительно небольшом объёме данных и широкий выбор квантизаций для локального запуска. Ограничения включают обучение всего на одной эпохе и 1 229 примерах, поэтому дообучение преимущественно формирует стиль рассуждения, а не добавляет новые знания; при неоднозначных или намеренно провокационных запросах расширенное мышление может зацикливаться. Модель распространяется по лицензии Apache-2.0.

Ovis2-4B — мультимодальная модель семейства Ovis от разработчиков Ovis. Она объединяет визуальный энкодер aimv2-huge-patch14-448 с языковой моделью Qwen2.5-3B-Instruct; архитектура модели — плотная, класс Ovis. Модель принимает изображения и текст, а также обучалась на видео и наборах нескольких изображений, чтобы отвечать на вопросы о визуальных данных и рассуждать по их содержимому. Модель предназначена для диалоговых сценариев: описания изображений, распознавания текста и извлечения структурированных сведений из таблиц и диаграмм, а также анализа нескольких изображений и видео. В карточке заявлены улучшенное пошаговое рассуждение и многоязычный OCR; метаданные указывают английский и китайский языки. Модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Разработчики рекомендуют использовать более новую версию Ovis2.5.

Многоязычная модель Sentence Transformer, дообученная legalvn на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Архитектура основана на BERT: она кодирует предложения и абзацы в плотные векторы размерностью 384 и сопоставляет их косинусным сходством. В метаданных указано 124,3 млн параметров и контекст 512 токенов; карточка README задаёт максимальную длину последовательности 128 токенов. Модель предназначена для поиска семантически близких текстов и сравнения сходства предложений. Её можно использовать для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Примеры обучающих данных включают вьетнамские вопросы и фрагменты документов, в том числе правовую тематику; это указывает на настройку под вьетнамские запросы и корпусные тексты. Модель выдаёт текстовые эмбеддинги, а не готовые ответы. Для оценки сходства применяется косинусная мера. Лицензия в предоставленных данных не указана.

Карточка модели 1024m/PHI-4-B50 на Hugging Face совпадает с карточкой 1024m/HPhi-4-00-fp16, поэтому описание составлено по ней. 1024m/HPhi-4-00-fp16 — дообученная 1024m модель для генерации текста и диалогов. Она основана на unsloth/phi-4 и обучалась с использованием Unsloth и библиотеки TRL; архитектура в метаданных указана как LlamaForCausalLM, плотная, размер — 14,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 16 384 токенов и ориентирована на английский язык. Модель подходит для ведения диалога и генерации англоязычных ответов, рассуждений и кода. В репозитории представлены веса в формате safetensors. Лицензия — Apache-2.0.

Phi-mini-MoE — компактная языковая модель Microsoft для генерации текста и диалогового взаимодействия. Это decoder-only Transformer с архитектурой Mixture of Experts: в README указаны 7,6 млрд параметров всего и 2,4 млрд активных, тогда как метаданные каталога указывают 1,9 млрд параметров; поэтому размер модели в источниках расходится. Модель сжата и дистиллирована из общей базовой модели Phi-3.5-MoE и GRIN-MoE методом SlimMoE, затем дообучена на следование инструкциям и предпочтениям пользователей. Модель предназначена прежде всего для англоязычных общих ассистентов и сценариев с ограничениями по памяти, вычислениям или задержке. Она принимает текстовые запросы в формате чата и генерирует текст; контекст — до 4 тысяч токенов. Обучение охватывало математику, программирование, здравый смысл и общие знания, но карточка не заявляет отдельной специализированной области. Основной язык — английский; другие языки поддерживаются хуже. Модель может ошибаться, выдумывать факты, воспроизводить предубеждения или выдавать оскорбительный контент, поэтому ответы требуют проверки, особенно в чувствительных сценариях. Данные публичных источников имеют срез по октябрь 2023 года. Лицензия — MIT.

Модель iambestfeed/phobert-base-v2-finetuned-raw_data_wseg-lr2e-05-1-epochs-bs-64 — Sentence Transformer, дообученный разработчиком iambestfeed на базе vinai/phobert-base-v2 с использованием набора vnexpress-data-similarity. Это плотный RoBERTa-энкодер с 162,4 млн параметров: он преобразует предложения и абзацы в векторы размерностью 768 и предназначен для сравнения текстов по косинусному сходству. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста. Обучение на парах anchor–positive из новостного набора VnExpress ориентирует её на вьетнамские тексты. Максимальная длина последовательности — 258 токенов по метаданным; в README указано ограничение 256 токенов. Для применения нужны входные тексты, а модель выдаёт векторы, используемые для поиска и сравнения. Указанная лицензия отсутствует в предоставленных источниках, поэтому условия использования по ним определить нельзя.

piano-medley-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением mistralai/Mistral-7B-Instruct-v0.2 и chargoddard/piano-medley-7b методом SLERP. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель построена на архитектуре Mistral с 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не описывает специальные предметные области или отдельные ограничения качества.

Platyboros-Instruct-7B — разговорная модель Lodrick-the-Lafted на архитектуре Mistral, дообученная на Mistral-7B-Instruct-v0.2 с наборами jondurbin/airoboros-3.2 и garage-bAInd/Open-Platypus в формате Alpaca. Она предназначена для генерации ответов в диалоге и выполнения инструкций; принимает запросы в формате Mistral Instruct или Alpaca. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README приведены результаты оценки на Open LLM Leaderboard, включая показатели по AI2 Reasoning Challenge и HellaSwag. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Карточка модели Traii/predictindustryforcallcenter на Hugging Face совпадает с карточкой intfloat/e5-base-v2, поэтому описание составлено по ней. E5-base-v2 — англоязычная модель эмбеддингов текста, разработанная Liang Wang, Nan Yang и соавторами. Она обучена методом контрастивного предобучения со слабой супервизией и основана на архитектуре BERT: 12 слоёв, размерность эмбеддинга 768, около 136,7 млн параметров. Модель принимает текст и выдаёт векторные представления для сравнения предложений и поиска по смыслу. Модель подходит для семантического сходства, поиска документов и пассажей, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Для асимметричного поиска рекомендуется добавлять к запросам префикс «query: », а к документам — «passage: »; для сходства и других симметричных задач используется префикс «query: ». Контекст ограничен 512 токенами, длинные тексты обрезаются; модель предназначена только для английского языка. Лицензия — MIT.

shamwowzer/prototype-128x02 — объединённая языковая модель, созданная с помощью mergekit. В README указано, что в слиянии Multi-SLERP участвовали /workspace/modeler/Behemoth и /workspace/mistral-text-only с весами 0,5; базовой моделью при сборке выбрана /workspace/modeler/Behemoth. Метаданные относят архитектуру к семейству Mistral и классу MistralForCausalLM; модель содержит 123,4 млрд параметров и принимает контекст до 262 144 токенов. Модель предназначена для генерации текста и диалогового общения. Репозиторий содержит веса safetensors; для работы используется библиотека Transformers. Лицензия в предоставленных данных не указана.

prototype-128x03 — языковая модель, созданная разработчиком shamwowzer слиянием предварительно обученных моделей при помощи mergekit. В слиянии использованы /workspace/modeler/Behemoth и /workspace/mistral-text-only; последняя указана базовой моделью. Применён метод Multi-SLERP, итоговые веса сохранены в формате safetensors с точностью bfloat16. Модель относится к семейству Mistral, использует плотную архитектуру MistralForCausalLM и содержит 123,4 млрд параметров. Она предназначена для генерации текста и диалогового общения; максимальный контекст составляет 262 144 токена. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

djuna/Q2.5-Partron-7B — слитая с помощью mergekit языковая модель семейства Qwen2.5, созданная методом della. В качестве основы использована djuna/Q2.5-Fuppavy-7B; в объединение также вошли Locutusque/StockQwen-2.5-7B, fblgit/cybertron-v4-qw7B-MGS и happzy2633/qwen2.5-7b-ins-v3. Модель содержит 7,1 млрд параметров, построена на архитектуре Qwen2ForCausalLM и рассчитана на генерацию текста и диалоговое взаимодействие. Заявленная длина контекста — 131 072 токена. Доступна в формате safetensors для Transformers. README приводит результаты оценки на IFEval и BBH, но не описывает специализацию по языкам или прикладным областям. Лицензия в предоставленных данных не указана. Поскольку модель объединяет несколько чекпойнтов, перед использованием следует сверить условия лицензирования каждого исходного репозитория. README отмечает, что это слияние предварительно обученных языковых моделей.

QWEN-2-1.5B-Synthia-I — языковая модель, дообученная artificialguybr на Qwen/Qwen2-1.5B с использованием набора Synthia v1.5-I, содержащего более 20,7 тыс. примеров следования инструкциям. Это плотная авторегрессионная модель класса Qwen2ForCausalLM с 1,5 млрд параметров; файлы доступны в форматах PyTorch и Safetensors, а для работы указан Transformers. Модель предназначена для выполнения инструкций, генерации и продолжения текста, а также для разговорных приложений. Контекстное окно составляет до 131 072 токенов. В метаданных указан английский язык; карточка отмечает многоязычные возможности базовой Qwen2, но не уточняет языковой охват дообученной версии. Модель наследует возможности базовой Qwen2-1.5B и специально настроена на следование инструкциям. Лицензия — Apache-2.0. Карточка не приводит результатов оценивания качества или более подробных ограничений.

Qwen2.5-32B-Instruct-abliterated — модифицированная методом abliteration версия диалоговой модели Qwen2.5-32B-Instruct от huihui-ai. Это плотная авторегрессионная модель класса Qwen2ForCausalLM с 32 млрд параметров, рассчитанная на генерацию текста и диалог. Она принимает текст и выдаёт текст; поддерживает контекст до 32 768 токенов и многоязычную работу, включая китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Модель предназначена для чат-ботов, свободных текстовых ответов и интеграции в приложения через Transformers; карточка также описывает запуск через Ollama. Abliteration изменяет поведение отказов и делает модель менее ограниченной при ответах. Базовая модель Qwen2.5-32B-Instruct поддерживает диалог, программирование, математику и структурированные ответы, однако README не приводит отдельных оценок качества этой модификации. Модель распространяется под лицензией Apache-2.0.

mlx-community/Qwen2.5-3B-Instruct-4bit — преобразованная в формат MLX и 4-битно квантованная инструктивная языковая модель для диалоговой генерации текста. Репозиторий mlx-community создан на основе Qwen/Qwen2.5-3B-Instruct; исходную конвертацию выполнили с помощью mlx-lm версии 0.18.1. Модель построена на плотной архитектуре Qwen2, содержит 3,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель подходит для ответов на вопросы, диалога и генерации текста по инструкциям. Метаданные также указывают интерфейс вызова инструментов. README описывает использование через mlx-lm; репозиторий предназначен для MLX. Лицензия указана как other, поэтому условия использования следует сверять с лицензией исходной модели и репозитория.

Qwen3.5-4B-QAD-W4A16 — это квантизированная версия модели Qwen3.5-4B, опубликованная nota-ai. Модель предназначена для генерации текста и эффективного инференса с использованием speculative decoding. Она разработана в рамках работы Jaeyeon Kim, Jewon Lee и Bo-Kyeong Kim и занимает третье место в Efficient Qwen Competition на ICML 2026. Модель использует INT4-квантизацию формата W4A16 и Quantization-Aware Distillation (QAD), чтобы уменьшить потерю качества по сравнению с обычной посттренировочной квантизацией. В процессе также применялись методы, согласующие квантизированную целевую модель с DFlash-drafter, а сама модель оптимизирована для запуска на одной NVIDIA A10G с 24 ГБ памяти. В README заявлено сохранение качества на тестах MMLU-Pro, IFEval и GPQA-Diamond. Архитектура, поддерживаемые языки, размер контекста и мультимодальные возможности не указаны. Модель подходит для серверного текстового инференса, особенно когда важны снижение задержки и эффективное использование памяти. Для запуска через vLLM требуется поддержка quantization compressed-tensors и параметр trust-remote-code; для speculative decoding предусмотрена совместимая модель-drafter Qwen3.5-4B-DFlash-GPTQ-W4A16. Переобучение требует много GPU-памяти и минимум двух, предпочтительно восьми, GPU класса 80 ГБ, поэтому модель прежде всего ориентирована на готовое инференс-использование. Лицензия — Apache-2.0; модель производна от Qwen3.5-4B, а её дистилляционные данные происходят из закрытого по условиям доступа набора NVIDIA Nemotron-Post-Training-Dataset-v2.

Qwen3.6-27B-Akka — мультимодальная модель на архитектуре Qwen3.5, опубликованная независимой лабораторией Nightmedia. Это слияние NuSLERP нескольких моделей семейства Qwen3.6 и Qwen3.5, ориентированное на диалог, следование инструкциям, рассуждения и творческую генерацию, включая художественные тексты. Модель также принимает изображения и может отвечать по их содержимому. В карточке описан переключатель режима рассуждений в шаблоне чата. Для модели указана лицензия Apache-2.0; веса размещены в формате safetensors. Опубликованные замеры скорости и памяти относятся к вариантам mxfp8 и mxfp4, однако репозиторий помечен форматом safetensors, поэтому эти показатели не следует считать характеристиками доступных здесь файлов. Контекстное окно и число параметров в предоставленных данных не указаны. Модель имеет экспериментальные признаки и может выдавать нежелательные результаты; качество для конкретных задач следует проверять самостоятельно.

Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF — открытая многоэтапно дообученная и объединённая модель на базе Qwen3.6 27B. По данным README, разработка выполнялась в сотрудничестве автора модели с Nightmedia, TeichAI, armand0e и trohrbaugh; использовались, в частности, наборы DavidAU/Polar-STRICT-Datasets и DavidAU/F451-STRICT-Datasets. Модель распространяется в формате GGUF, включая обычные и MTP-варианты, и предназначена для запуска на потребительском оборудовании. Модель ориентирована на широкий спектр задач: следование инструкциям, решение задач, рассуждения, программирование, творческое письмо и ролевые сценарии. Заявлена поддержка английского и китайского языков, а также возможностей vision, однако подробности о поддерживаемых входных форматах и размере контекстного окна в README не указаны. MTP-варианты используют multi-token prediction; для них рекомендуется температура не выше 1 и отключённый repetition penalty, поскольку более высокие значения могут ухудшать производительность. Все квантизации относятся к NEO IMATRIX, а выходной тензор частично сохранён в 16-битной точности. К сильным сторонам относятся заявленные улучшения следования инструкциям, общего интеллекта, решения задач и рассуждений, а также доступность вариантов для разного объёма памяти. README утверждает, что модель превосходит базовую Qwen3.6 27B в шести из семи тестов и сопоставима с ней в седьмом, но независимые результаты и подробные методики приведены недостаточно. Ограничения включают отсутствие точных сведений о контекстном окне, архитектуре vision-компонента и требованиях к памяти; для MTP-вариантов также указано, что при низком уровне принятия токенов лучше использовать обычную квантизацию. Лицензия — Apache-2.0.

Это конверсия модели RedHatAI/Qwen3.6-35B-A3B-NVFP4 в формат GGUF, подготовленная для запуска через llama.cpp и совместимые среды. В основе лежит мультимодальная модель Qwen3.6-35B-A3B от Qwen: архитектура Mixture of Experts с 256 экспертами, из которых активируются 8 на токен, чередует линейные Mamba-подобные SSM-слои и полное внимание; зрительный энкодер основан на подходе Qwen2.5-VL. Веса линейных слоёв упакованы в NVFP4, вспомогательные параметры сохранены в BF16/F32. Модель предназначена для диалогов и генерации текста, а в комплекте с мультимодальным проектором mmproj-BF16.gguf может принимать изображения для зрительных задач. Конверсия ориентирована на llama.cpp и требует версии с поддержкой NVFP4 и соответствующего оборудования для этого режима. В приведённых измерениях NVFP4 быстрее обрабатывает длинные промпты, но медленнее генерирует токены, чем Q4_K_XL на модели того же размера. Контекст в карточке не указан. Лицензия Apache-2.0.

avyukth/Qwen3.8-27B-AWQ-INT4 — это квантизированная 4-битная версия мультимодальной модели Qwen/Qwen3.8-27B, разработанной командой Qwen и подготовленной пользователем avyukth. Модель предназначена для генерации текста и обработки изображений с текстовыми запросами, включая визуальное чтение текста, распознавание форм, цветов и положения объектов, а также задачи рассуждения и диалоговые сценарии. Модель реализует архитектуру Qwen3.5 с классом Qwen3_5ForConditionalGeneration и содержит 27 миллиардов параметров в исходной версии. Веса Linear-модулей квантизированы по схеме symmetric W4A16 с размером группы 128, занимают около 18 ГБ на диске и требуют примерно 17,68 ГиБ видеопамяти. Vision tower, lm_head и MTP head сохранены в формате bfloat16. Заявлена работа на одной видеокарте с 24 ГБ памяти; проверено использование на RTX 3090 через vLLM. В README указана настройка с максимальной длиной контекста 8192 токена, однако поддерживаемые языки отдельно не перечислены. Сильными сторонами являются существенное уменьшение размера модели, сохранение мультимодальных возможностей и высокая измеренная точность на ограниченной выборке GSM8K: 39 из 40 задач при температуре 0. Ограничения связаны с тем, что 48 из 64 слоёв linear attention квантизированы без activation-aware scaling, vision tower не квантизирован, а некоторые проекции требуют padding и slicing в vLLM, что снижает производительность. Результат GSM8K получен только на 40 задачах и не является полноценным сравнением с исходной моделью. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели. Репозиторий содержит только квантизированные веса; авторство самой модели принадлежит команде Qwen.

Qwen3.8-27B-Uncensored-GGUF — набор GGUF-квантизаций базовой модели Qwen/Qwen3.8-27B, опубликованный пользователем preyy2 для запуска через llama.cpp и совместимые среды. Модель предназначена для генерации текста, диалогов и других задач на основе текста, а варианты с vision-проектором также поддерживают обработку изображений. Модель использует архитектуру Qwen3_5ForConditionalGeneration, содержит 64 слоя, словарь из 248 320 токенов, одну MTP-голову и поддерживает контекст до 262 144 токенов. В README заявлены английский и китайский языки. Доступны квантизации IQ2_M, IQ4_XS, Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 10,6 до 29 ГБ, а также отдельные draft-варианты для speculative decoding. MTP-голова позволяет использовать ускоренное декодирование при поддержке со стороны runtime. Ключевая особенность сборки — существенное снижение поведения, связанного с отказами от ответов, с помощью abliteration без дообучения и добавления новых данных; отказы не устранены полностью. При этом заявлено сохранение исходных возможностей, обучающих данных и архитектуры базовой модели. Качество квантизаций оценивалось по perplexity на wikitext-2, однако IQ2_M заметно уступает вариантам с более высокой точностью. Для запуска необходим совместимый runtime и объём памяти, соответствующий выбранному файлу; поддержка изображений зависит от vision-совместимого runtime. Распространение указано по лицензии Apache-2.0.

Карточка модели willamazon1/Qwen3-8B-SDFT-Math-LoRA-iter45 на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

mlx-community/Qwen3-VL-Embedding-2B-mxfp4 — мультимодальная модель для получения эмбеддингов текста и изображений. Репозиторий mlx-community содержит конверсию модели Qwen/Qwen3-VL-Embedding-2B в формат MLX; в метаданных базовой моделью указана Qwen/Qwen3-VL-2B-Instruct, на которой основана производная модель. Архитектура относится к семейству Qwen3-VL, размер — 2 млрд параметров. README рекомендует библиотеку mlx-embeddings для использования. Модель предназначена для извлечения векторных представлений, которые можно применять для поиска и сопоставления текстов и изображений. Метаданные классифицируют её как feature-extraction и указывают поддержку мультимодальных эмбеддингов. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о длине контекста, поддерживаемых языках, точности или оценках качества; назначение MLX-конверсии подразумевает применение в экосистеме MLX.