I.14Автоматизация процессов и AI-агенты

LFM2.5-VL-3B-DSpark — экспериментальная вспомогательная модель Liquid AI для ускорения генерации мультимодальной модели LiquidAI/LFM2.5-VL-3B методом спекулятивного декодирования. Она предлагает черновые токены, которые затем проверяет целевая модель, поэтому при жадном декодировании результат совпадает с её обычным выводом; при ненулевой температуре сохраняется распределение ответов целевой модели. Это не самостоятельная модель для получения ответов: для работы ей нужна соответствующая целевая модель. Черновая часть содержит 279,5 млн параметров в BF16; в метаданных репозитория указано 455,1 млн параметров. Архитектура включает четыре слоя полного внимания, GQA, Markov head и confidence head. Метаданные указывают контекст до 128 000 токенов. Модель предназначена для ускорения задач анализа изображений и визуальных вопросов целевой модели. В README заявлено ускорение до 2,66 раза на H100 с SGLang и до 3,13 раза на Apple M5 Max с MLX-VLM; фактический выигрыш зависит от оборудования и среды выполнения. Для использования нужны совместимая целевая модель и поддерживаемый runtime: SGLang для NVIDIA GPU, MLX-VLM для Apple silicon или GGUF-версия для llama.cpp. Для SGLang требуется версия 0.5.19 или новее; для MLX-VLM — 0.7.2 или новее, где режим DSpark использует жадное декодирование. Лицензия обозначена как other, поэтому условия следует проверять в карточке модели.

SALT-NLP/LLaVAR_delta — дельта-веса мультимодальной модели LLaVAR от команды SALT-NLP. Репозиторий содержит не самостоятельную модель: дельту необходимо объединить с контрольной точкой LLaMA-13B, после чего модель предназначена для генерации текста по запросам и изображениям. В метаданных указаны архитектура LlavaLlamaForCausalLM, 12,9 млрд параметров, контекст 2048 токенов, поддержка английского языка и формат PyTorch. Модель относится к семейству LLaVA и рассчитана на сценарии визуальных вопросов и ответов и описания изображений после объединения весов с базовой моделью. Лицензия репозитория — Apache-2.0. Саму дельту нельзя запускать отдельно; README не содержит дополнительных сведений о качестве и ограничениях полученной модели.

OUI-1 — модель Thesys для генерации пользовательских интерфейсов в приложениях OpenUI. Она дообучена методом LoRA на DiffusionGemma 26B-A4B-it, после чего адаптер объединён с базовыми весами. Модель принимает текстовое описание экрана и сигнатуры компонентов, переданные в системном промпте, и выдаёт программу на декларативном языке openui-lang — по одному компоненту на строку. Архитектура — диффузионная DiffusionGemma; в общей сложности 26 млрд параметров, из которых активны 4 млрд. Контекст при использовании описан как 16 384 токена. Модель рассчитана на создание экранов для библиотек компонентов с заданными сигнатурами, в том числе в сценариях, где важна низкая задержка. По результатам Generative UI Benchmark она набрала 71,7% против 13,0% у базовой модели; эти показатели получены в описанном авторами протоколе и не гарантируют аналогичное качество для произвольных библиотек или промптов. На A100 80 ГБ лёгкий экран генерируется примерно за секунду, плотный — за три-шесть секунд. Для генерации требуется передать библиотеку компонентов в системном промпте, а результаты следует проверять парсером openui-lang и рендерером приложения. Модель не предназначена для общего диалога. Лицензия — Apache-2.0.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch9-step445000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-445000, поэтому описание составлено по ней. Это контрольная точка черновой модели EAGLE3, обученной методом SpecForge для ускорения генерации с помощью спекулятивного декодирования вместе с Qwen/Qwen3-1.7B. Она предназначена для использования в совместимом со SpecForge/EAGLE3 коде как вспомогательная модель, а не как самостоятельная языковая модель. Модель обучалась онлайн на данных ShareGPT; указаны 9-я эпоха и шаг 445000. Архитектура — LlamaForCausalLMEagle3, формат весов — safetensors, тип данных — bfloat16. Веса контрольной точки не содержат замороженные эмбеддинги целевой модели: при загрузке их берут из базовой Qwen3-1.7B. Метаданные указывают контекст до 40960 токенов и языки en и zh. Карточка не приводит результатов бенчмарков, поэтому выигрыш в скорости не количественно подтверждён. Лицензия обозначена как other, конкретные условия следует проверять в репозитории.

Это вспомогательная черновая модель EAGLE3, разработанная и обученная с помощью SpecForge для спекулятивного декодирования вместе с Qwen/Qwen3-1.7B. Она предсказывает продолжения для целевой модели, чтобы ускорить генерацию текста; самостоятельно как полноценная языковая модель не предназначена для использования. Чекпойнт получен онлайн-обучением EAGLE3 на данных ShareGPT. Веса представлены в формате Safetensors, архитектура — LlamaForCausalLMEagle3; размер составляет 361,5 млн параметров, длина контекста — 40 960 токенов. Для загрузки нужны целевая модель Qwen/Qwen3-1.7B и совместимый код SpecForge/EAGLE3; замороженные веса целевых эмбеддингов в чекпойнт не входят. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с репозиторием.

Bonsai 27B dSpark — MLX 4-bit sidecar — это вспомогательная модель-черновик для ускорения генерации методом speculative decoding, созданная для Bonsai-27B. Репозиторий содержит только dSpark/DFlash-драфтер: плотную архитектуру с шестью трансформерными слоями, которая предлагает блоки по четыре токена, используя скрытые состояния целевой модели на слоях 1, 16, 31, 46 и 61. Это не самостоятельная языковая модель: для работы её нужно подключить к целевой модели prism-ml/Bonsai-27B-mlx-1bit через Higgs. Веса исходного драфтера из GGUF Q4_1 точно перепакованы в формат MLX affine Q4 с группами по 32 элемента и сохранены в safetensors; репозиторий рассчитан на экосистему MLX и локальный запуск на оборудовании Apple с Metal. Облегчённый вариант повторно использует токенный эмбеддинг и языковую голову целевой модели вместо хранения их копий. Использование распространяется по лицензии Apache-2.0. Голова Q1 целевой модели близка, но не идентична по значениям исходной Q4-голове драфтера, поэтому предложения токенов и доля их принятия могут отличаться от исходного варианта. Higgs проверяет каждое предложение целевой моделью, сохраняя корректность жадной генерации относительно целевой модели. Драфтер сам по себе не выдаёт законченные ответы и зависит от совместимой целевой модели и среды Higgs.

DLM-NL2JSON-4B — модель Data Science Lab., Ltd., дообученная на базе Qwen3-4B с объединённым LoRA-адаптером. Она преобразует запросы на корейском языке о государственных и экономических данных в однострочный JSON по фиксированным схемам аналитического сервиса Big Data Wave города Пусан. Модель рассчитана на извлечение параметров анализа населения, потоков населения и потребительских расходов; для работы нужны соответствующие системный промпт и специальный токен категории. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов. В тестировании авторов на 2 041 примере точность сопоставления полей составила 94,4% (96,8% с поправкой на отмеченный шум разметки). Выпущена под лицензией Apache-2.0. Применение ограничено заданными схемами и форматами промптов сервиса Пусана: модель не предназначена для произвольного преобразования текста в JSON или для общего диалога. По данным README, наиболее слабый результат показан на категории CPI; шум в обучающих данных также влияет на поле возрастных групп в запросах о потребительских расходах.

Это компактная черновая языковая модель FastDraft, разработанная Intel Labs для ускорения вывода Meta-Llama-3.1-8B-Instruct методом спекулятивного декодирования. Модель предварительно обучена и дообучена на синтетических данных, сгенерированных целевой моделью, чтобы предлагать черновые продолжения для проверки основной моделью. Репозиторий содержит вариант Llama-3.1-8B-Instruct-FastDraft-150M в формате OpenVINO IR с весами, сжатыми до INT8 методом NNCF. Архитектура — плотная LlamaForCausalLM; метаданные указывают 88,5 млн параметров и контекст до 8192 токенов. Предназначена для использования вместе с целевой Llama-3.1-8B-Instruct через OpenVINO GenAI; сама по себе не заменяет основную модель и не предназначена для самостоятельного диалога. Совместимость заявлена с OpenVINO 2024.5 и новее и Optimum Intel 1.20.0 и новее. В README не перечислены поддерживаемые естественные языки. Модель распространяется по Intel Research Use License Agreement; условия лицензии следует учитывать при внедрении.

Llama3_8B_Ambiref — дообученная модель на базе Meta Llama 3.1 8B Base, созданная для отслеживания сущностей в задачах с коробками. Она читает описание коробок и их содержимого, затем последовательность операций — положить, убрать или переместить предметы — и генерирует итоговое содержимое указанной коробки. Модель предназначена для экспериментов и прикладных сценариев, где нужно последовательно учитывать изменения состояния объектов. Модель основана на плотной авторегрессионной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она дообучалась с помощью LoRA на наборе AmbiRef; адаптер объединён с базовыми весами. В README описаны меры против утечки данных между обучающей, dev- и тестовой выборками. Указанный результат точного совпадения получен лишь на небольшой проверке из 64 примеров, поэтому качество на полном тестовом наборе не установлено. Для использования требуется соблюдать лицензию Llama 3.1. Модель ориентирована на текстовый ввод и текстовую генерацию; в карточке указан английский язык.

Loom Spark 3.2 — компактная текстовая языковая модель Textile Labs с архитектурой Llama и 22,8 млн параметров. Она обучена с нуля на случайно инициализированных весах, имеет контекст 2 048 токенов и предназначена для диалогов, ответов на вопросы и работы с поисковым harness, который получает запрос модели, ищет сведения в Wikipedia и возвращает ей одно предложение. Модель поддерживает английский язык и распространяется по лицензии MIT. Сильная сторона Loom Spark 3.2 — склонность отказываться от ответа на неизвестные факты вместо догадок; в тестах с включённым поиском она инициировала поиск и формировала запросы. Однако в сквозном тесте с поиском верно ответила на 7 из 20 вопросов. Она может неверно интерпретировать найденное предложение, слабо отвечает на уточняющие вопросы по результату поиска и не подходит для извлечения ответов из длинных вставленных документов: в тесте с текстами на 1 000–1 600 токенов результат составил 0 из 4. Поиск реализуется внешним harness, а не самой моделью.

Это контрольная точка черновой модели SpecForge EAGLE3, обученной для совместной работы с Qwen/Qwen3-1.7B. Она предназначена для ускорения генерации целевой модели методом speculative decoding и не является самостоятельной языковой моделью. Для загрузки требуются совместимые с SpecForge/EAGLE3 средства; архитектура чекпойнта — LlamaForCausalLMEagle3, формат весов — Safetensors, число параметров — 361,5 млн, контекст — до 40 960 токенов. Карточка указывает английский и китайский языки; базовая модель Qwen3 описана как многоязычная модель для генерации текста, диалогов, рассуждений, кода и следования инструкциям. Лицензия обозначена как other, без уточнения условий в предоставленных данных. Бенчмарки не приводятся.

Это веса MTP-драфтера, подготовленные сообществом mlx-community для ускорения генерации Gemma 4 12B с помощью спекулятивного декодирования в MLX и mlx-vlm. Модель предлагает кандидаты следующих токенов, которые затем проверяет совместимая целевая модель Gemma 4 12B; отдельно для диалога или генерации текста этот репозиторий не предназначен. Архитектура — Gemma4UnifiedAssistantForCausalLM, точность bf16, формат Safetensors. Драфтер рассчитан на текстовую генерацию; целевая модель может поддерживать мультимодальные запросы, но этот репозиторий содержит только веса драфтера. Для работы нужны совместимая целевая контрольная точка Gemma 4 12B и поддержка MTP в mlx-vlm. Применяются условия лицензии Gemma.

Это порт в формате MLX модели Gemma 4 Multi-Token Prediction (MTP) drafter, подготовленный сообществом mlx-community на основе google/gemma-4-26B-A4B-it-assistant с помощью mlx-vlm 0.4.5. Модель предназначена для спекулятивного декодирования: четырёхслойный вспомогательный модуль предлагает несколько следующих токенов, а совместимая целевая модель Gemma 4 проверяет их за один прямой проход. Порт используют вместе с полной целевой моделью Gemma 4 в поддерживаемом конвейере MLX, чтобы ускорить генерацию текста. В README рекомендован размер блока черновых токенов 6 для одиночных запросов и 3 для пакетной генерации; при температуре 0 результат побайтно совпадает с генерацией без drafter. Репозиторий содержит веса safetensors, лицензия — Gemma. Это вспомогательная модель, а не самостоятельная модель для ответов: ей требуется совместимая целевая Gemma 4 и поддержка спекулятивного декодирования в используемом конвейере. README отсылает за совместимостью и ограничениями к документации drafter.

Это экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный методом GRPO разработчиком chanyoungkim на среде ALFWorld с использованием langfengQ/verl-agent. Модель предназначена для генерации текста и выбора действий в текстовом интерфейсе ALFWorld; валидационная успешность на наборе valid_seen во время обучения составила 71,1%. Архитектура — плотная причинная языковая модель Qwen2 с 1,5 млрд параметров и контекстом 32 768 токенов. Чекпойнт сохранён в bf16 в формате safetensors и доступен через Transformers; репозиторий также содержит состояние обучения для продолжения запуска, рассчитанное на FSDP с двумя GPU. Модель унаследовала от базовой Qwen2.5-1.5B-Instruct возможности диалога и генерации текста. Лицензия — Apache-2.0. Результат оценки ограничен ALFWorld valid_seen и не подтверждён для valid_unseen. Указанная успешность получена на небольшой внутритренировочной проверочной выборке; README предупреждает, что метрики is_correct и pass@1 в логах некорректны, поэтому использовать следует val/success_rate.

yingfanbot/gsm-lotus-llama3b — модель LOTUS, разработанная на основе meta-llama/Llama-3.2-3B-Instruct и дообученная на GSM8k-Aug для решения математических задач с многошаговым рассуждением. Это плотная авторегрессионная модель семейства Llama на 3,2 млрд параметров с модифицированной зацикленной архитектурой: 6 итераций, 6 блоков и по 25 скрытых токенов рассуждения на блок. В тесте GSM8K-Aug авторы сообщают точность 70,05% (924 из 1319 примеров). Модель подходит для генерации пошаговых решений арифметических текстовых задач и исследования скрытого рассуждения в зацикленных трансформерах. Для загрузки весов через from_pretrained требуется отдельный код LOTUS для выполнения модифицированной архитектуры. Контекст составляет до 131 072 токенов; модель принимает текст и генерирует текст. Распространяется по лицензии MIT.

Это языковая модель Qwen2 на 7,1 млрд параметров, дообученная npatel121 методом GRPO на наборе GSM8K. Модель предназначена для решения математических текстовых задач и генерации ответов в формате GSM8K; при обучении её настраивали выдавать результат в строгом XML-формате с целым числом. Модель основана на Qwen/Qwen2-7B-Instruct и использует архитектуру Qwen2ForCausalLM. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В опубликованном сравнительном эксперименте точность на оценке GSM8K выросла с 75,3% до 92,9%; сравнение с другими размерами модели автор характеризует как ориентировочное из-за отличий в параметрах обучения. Доступны веса bf16 в safetensors и токенизатор. Лицензия — Apache-2.0. Чекпойнт оптимизирован для математических задач GSM8K; его результативность на иных задачах и соблюдение заданного XML-формата за пределами использованного промпта не подтверждены.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch9-step435000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-435000, поэтому описание составлено по ней. Это дообученный черновой чекпойнт EAGLE3 для ускорения генерации текста методом спекулятивного декодирования вместе с целевой моделью Qwen/Qwen3-1.7B. Модель обучена с помощью SpecForge; указаны девять эпох, шаг 435000 и архитектура LlamaForCausalLMEagle3 с размером скрытого слоя 2048. Веса представлены в формате safetensors, тип данных — bfloat16. Чекпойнт предназначен для SpecForge и совместимого кода EAGLE3: он предлагает черновые токены для проверки целевой моделью. Самостоятельно генерировать текст он не предназначен; эмбеддинги целевой модели загружаются отдельно. Контекстная длина в метаданных — 40960 токенов. В карточке указаны английский и китайский языки, лицензия обозначена как other.

Klingspor/Qwen3-4B-SFT — языковая модель, дообученная методом supervised fine-tuning на базе Qwen/Qwen3-4B. Она играет роль задающего вопросы в игре «20 вопросов»: за максимум 20 вопросов с ответами «да» или «нет» модель пытается определить загаданное распространённое английское существительное. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; контекст — до 40 960 токенов. Чекпойнт обучен на отфильтрованных успешных траекториях игры с использованием списка из 341 слова COCA; эти слова не пересекались с данными обучения RL и тестирования. Модель предназначена также как начальная точка для обучения с подкреплением и для исследований многошаговых интерактивных языковых агентов. В метаданных указаны диалоговые возможности и интерфейс вызова инструментов, но карточка описывает прежде всего сценарий «20 вопросов». Лицензия — Apache-2.0.

janPaje/iolai-gemma4-hybrid — решение IOL-AI 2026 на базе дообученной Gemma 4 12B от Google DeepMind. Это текстовая система с трёхэтапным конвейером: сначала символьный решатель подбирает систему счисления по примерам задачи и точно обрабатывает подходящие преобразования между числами и словами; затем для остальных задач формируется краткий базовый ответ, после чего система при необходимости выполняет ограниченное по времени пошаговое рассуждение и заменяет ответ, если результат проходит проверку формата. Модель предназначена для решения задач соревнования, включая преобразование чисел и слов и перевод. Веса хранятся в формате safetensors, а при запуске загружаются в 4-битном виде через bitsandbytes, чтобы работать на GPU T4 с 16 ГБ памяти. Репозиторий указывает лицензию Apache 2.0. README описывает использование модели в составе скрипта и конкурсного окружения; отдельные сведения о языках и размере контекста для этой версии не приводятся.

Prabhasa-Nyāya Element Judge 4B Arm-0 — модель семейства Prabhāsa-Nyāya, разработанная для продукта Pravrudhi-Nyaya. Это плотная языковая модель на 3,7 млрд параметров, полученная полным дообучением Qwen/Qwen3-4B. Она оценивает по фактам, установлен ли заданный юридический элемент, и выдаёт краткий вердикт; вероятность класса «установлен» можно получать по логарифмам вероятности первого токена. Модель развернута в производственном конвейере в сентябре 2026 года, но заявленные результаты относятся к специально сконструированным данным одного распределения и одного запуска. Модель предназначена для оценки юридических элементов в формате промпта конвейера Nyaya. Указанное контекстное окно — 40 960 токенов; обучение использовало максимальную длину 1 024 токена и функцию потерь только по токенам вердикта. В тестах на реальных судебных решениях зафиксированы 11 ошибочных подтверждений из 122 случаев, поэтому перенос на реальные материалы не подтверждён. Использование вне предусмотренного формата промптов не оценивалось; для обслуживания нужны закреплённый сборщик промптов и top_logprobs. Лицензия — Apache-2.0.

Prism Caption 1.5 Micro — компактная специализированная языковая модель, разработанная VertexAGI на базе Qwen/Qwen3-0.6B. Она предназначена для автоматического создания короткого названия нового чата по первому сообщению пользователя, например для функции автопереименования диалогов в интерфейсах ассистентов. Модель генерирует только заголовок, а не развернутое резюме или описание. Модель содержит около 0,6 млрд параметров и дообучена методом LoRA на 1 000 примерах по 167 темам; применялись rank 8, scale 20 и 8 слоёв. Обучение выполнялось с использованием MLX на Apple Silicon, а данные были дистиллированы от нескольких учителей. Основной сценарий использования — локальный и недорогой inference для текстовых чатов. Модель ориентирована на английский язык и первые сообщения в новых беседах; она не обучалась повторно озаглавливать диалоги по последующим сообщениям или полным транскриптам. Сильная сторона модели — надёжное соблюдение формата: в заявленной проверке на 24 ранее не встречавшихся темах она не допускала проблем с преамбулой, пунктуацией и многострочным выводом, а в 23 из 24 случаев укладывалась в диапазон 3–6 слов. Ограничения — малая общая ёмкость, склонность к чрезмерно коротким заголовкам и периодическая потеря ключевого предмета сообщения; средняя длина составила 3,3 слова. Модель распространяется по лицензии Apache-2.0.

HYHPING2023/checkpoint-draft-dflash2 — вспомогательная черновая модель DFlash2 для ускорения генерации Qwen3.5-35B-A3B VCLR3 с помощью speculative decoding. Она разработана на основе архитектуры Inco AI DFlash2 и предназначена для запуска внутри совместимого сервера SGLang: модель предлагает блоки токенов, а целевая модель проверяет их. Самостоятельно отвечать на запросы она не может; веса целевой модели в репозитории отсутствуют. Модель содержит 807,4 млн параметров, использует пять слоёв в стиле Qwen3 и блок из восьми черновых токенов. Принимает скрытые состояния целевой модели из слоёв 1, 10, 19, 28 и 37, а также использует её embeddings и языковую голову. Контекст целевой модели — 262 144 токена. Обучение проводилось четыре эпохи на смешанном видео-, китайско- и англоязычном корпусе; в README приведены результаты принятия токенов для видео и текста. Для работы нужны совместимая сборка SGLang и соответствующий объединённый чекпойнт Qwen3.5-35B-A3B VCLR3. Лицензия — Apache-2.0.

Карточка модели lqtrung1998/Codellama-7b-hf-SFT-warmup-GSM8k на Hugging Face совпадает с карточкой lqtrung1998/Codellama-7b-hf-ReFT-GSM8k, поэтому описание составлено по ней. Это причинная языковая модель семейства Code Llama, дообученная автором lqtrung1998 методом ReFT для решения задач из набора GSM8k. Обучение включало два этапа: два эпоха supervised fine-tuning на обучающих примерах GSM8k в формате Python SDP Chain-of-Thought, затем 300 эпох ReFT на вопросах GSM8k. Модель предназначена для генерации пошаговых рассуждений и ответов на математические задачи начального уровня; запуск возможен через библиотеку Transformers. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 16 384 токенов. README указывает, что Code Llama рассчитана на английский язык и соответствующие языки программирования; оценивание описано на GSM8k. Веса опубликованы в формате PyTorch. Лицензия метаданных — llama2; README отмечает, что к модели применяются лицензия и условия Code Llama. Генерация может содержать неверные рассуждения или ответы, поэтому результаты требуют проверки.

MikhailRudenko/drafter-wmt16-translate-ruen — компактная причинная языковая модель семейства Mistral, разработанная как специализированный черновой декодер для ускорения спекулятивной генерации при переводе с русского на английский. Она дообучена на кластере WMT16 Translate RUEN из набора Flan и предназначена для работы вместе с целевой моделью TurboSparse-Mistral-Instruct 7B. В обучении использовались 28 500 синтетических примеров и дистилляция распределений токенов целевой модели. Модель содержит 131,3 млн параметров по метаданным Hugging Face, использует архитектуру MistralForCausalLM и поддерживает контекст до 2048 токенов. Карточка описывает её как компонент исследовательского проекта Domain-Aware Speculative Decoding; она предназначена для предложений токенов в ходе спекулятивного декодирования, а не позиционируется как самостоятельная система перевода. Лицензия — Apache-2.0.

Экспериментальный чекпойнт проекта dLLM Registers, разработанный Albertge на основе GSAI-ML/LLaDA-8B-Base. Модель предназначена для генерации текста и решения задач длинной арифметики с 5–8 операциями, включая сложение и вычитание чисел в диапазоне до 20. Она обучена методом Chunked GRPO на данных LongArithmetic; опубликованный чекпойнт соответствует шагу 400 обучения. Модель использует диффузионную архитектуру LLaDA и переносит состояние рассуждения между окнами денойзинга через хвостовой канал Markovian Thinking длиной 4 токена; размер чанка составляет 128 токенов. Для корректного инференса нужны соответствующие параметры канала и обёртка из репозитория оценки. Доступны веса Safetensors, библиотека Transformers и интерфейс чата. Лицензия — Apache-2.0.

Это экспериментальный агентный чекпойнт на базе Qwen/Qwen3-1.7B, обученный исследовательской командой SeanWang0027 для выполнения заданий в ALFWorld. Модель дообучена методом online multi-turn ROSE: студент взаимодействует со средой первые 10 ходов, затем учитель gpt-5.4-mini продолжает эпизод до 5 ходов, а ответы учителя используются как целевые примеры. Чекпойнт соответствует второму этапу обучения из трёх и использует плотную архитектуру Qwen3ForCausalLM; размер — 1,7 млрд параметров, формат — safetensors, контекст — до 40 960 токенов. Модель предназначена для многоходового диалога в формате ReAct и выбора действий по наблюдениям из ALFWorld. В описанной оценке на 200 тестовых эпизодах она достигла успеха 42,00% ± 1,27; результат зависит от протокола и уступил варианту, обученному на траекториях учителя. Лицензия — Apache-2.0. Результаты относятся к конкретной симулированной среде и не подтверждают надёжность агента в других задачах или реальном мире.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch8-step415000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-8-step-415000, поэтому описание составлено по ней. Это производная модель Huluhuluu: черновой чекпойнт EAGLE3 для Qwen/Qwen3-1.7B, обученный методом SpecForge EAGLE3 online training. Он предназначен для ускорения генерации текста с помощью speculative decoding: черновая модель предлагает продолжения, которые проверяет основная модель Qwen3-1.7B. Чекпойнт не является самостоятельной целевой языковой моделью. Модель имеет плотную архитектуру LlamaForCausalLMEagle3 и содержит 361,5 млн параметров. Указанное родное окно контекста — 40 960 токенов. Веса сохранены в safetensors; конфигурация README указывает bfloat16. Для загрузки нужны основная модель Qwen3-1.7B и совместимый код SpecForge/EAGLE3. Карточка не приводит результатов бенчмарков. Лицензия обозначена как other, поэтому условия следует проверять в репозитории.

Qwen3.6-27B-MTP-bf16 — вспомогательные веса Multi-Token Prediction, подготовленные mlx-community из Qwen/Qwen3.6-27B для ускорения генерации методом speculative decoding. Это не самостоятельная чат-модель: она предлагает кандидаты токенов, которые проверяет целевая модель Qwen3.6-27B. Репозиторий предназначен для совместного запуска с подходящим чекпойнтом Qwen3.6 27B через MLX и mlx-vlm; размер блока MTP — 2, веса сохранены в bf16 без квантизации в формате Safetensors. Модель рассчитана на ускорение генерации текста и диалога, включая сценарии с включённым режимом thinking, при наличии совместимой целевой модели и поддержки MTP в mlx-vlm. Для самостоятельной генерации через стандартные API Transformers этот репозиторий не предназначен. Лицензия — Apache-2.0; README отсылает к условиям использования базовой Qwen3.6-27B.

SEED-ALFWorld-3B — текстовая агентная модель на базе Qwen2.5-3B-Instruct, разработанная для взаимодействия с виртуальной средой ALFWorld. Модель дообучена методом SEED (Self-Evolving On-Policy Distillation): во время обучения она анализирует завершённые траектории, извлекает навыки и использует их для более плотной обратной связи при выборе действий. При работе модель получает обычную историю взаимодействия; отдельный анализатор, хранилище навыков и поиск не требуются. Модель имеет плотную архитектуру Qwen2, содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текстовую историю среды и генерирует текстовые действия и ответы на английском языке. В README приведены результаты на тестовых разделах ALFWorld, включая макросреднее 86,2% на unseen-разделе. Модель специализирована на текстовом взаимодействии в ALFWorld-подобных задачах, поэтому её перенос на другие среды и форматы запросов может быть ненадёжным. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели.

Uni-NaVid for SatNav — модель компьютерного зрения и языка, созданная для платформы навигации SatNav по спутниковым картам. Она принимает языковую инструкцию и поток RGB-наблюдений и предсказывает короткую последовательность действий для навигации; окно предсказания охватывает до четырёх действий. Модель основана на Vicuna-7B-v1.5 и использует визуальный энкодер EVA-CLIP. Это плотная архитектура семейства LLaMA с примерно 6,6 млрд параметров и контекстом 4096 токенов. Чекпойнт обучен один эпох на офлайн-траекториях SatNav-v0.1 с learning rate 1e-5 и предназначен для интеграции SatNav Uni-NaVid и экспериментов с навигацией по спутниковым картам. Для работы требуется интеграция SatNav Uni-NaVid. Указана лицензия Llama 2; применимые условия использования следует сверять с лицензией базовой модели.