I.14Автоматизация процессов и AI-агенты

ZDTaichu5.0-9B-DSpark-GGUF — это GGUF-версия вспомогательной draft-модели ZDTaichu5.0-9B-DSpark, разработанной командой Zi Dong Tai Chu и преобразованной с использованием llama.cpp. Модель предназначена не для самостоятельной генерации текста, а для speculative decoding: она работает в паре с основной моделью ZDTaichu5.0-9B и может ускорять генерацию. Поддерживаются английский и китайский языки; заявлены сценарии текстовой генерации, агентских задач и мультимодального понимания изображений при использовании совместимого vision-проектора. Архитектура использует полуаautoregressive DSpark с backbone DFlash и связанной Markov head, извлекает вспомогательные скрытые состояния из слоёв 1, 8, 15, 22 и 29 и предлагает по 8 токенов за один проход. Доступны варианты BF16, Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 1,51 до 4,40 ГБ. Контекст может быть увеличен до 131 072 токенов при наличии достаточного объёма памяти. Сильная сторона модели — потенциальное ускорение инференса основной модели; заявленный прирост до 60–85% относится к описанию разработчиков и не является независимым измерением этой конверсии. Главные ограничения — обязательная совместная работа с целевой моделью и llama.cpp с поддержкой DSpark, а также необходимость отдельного vision-проектора для изображений. Распространяется по лицензии Apache-2.0.

Muslim-6B-PRO — модель диалоговой генерации текста и маршрутизации вызовов инструментов, разработанная NightPrince как поведенчески дообученное продолжение Applied-Innovation-Center/Karnak-6B-v1.0. Она предназначена для работы в качестве рассуждающего ядра голосового исламского ассистента. Модель построена на плотной архитектуре Qwen3 с 5,4 млрд параметров и контекстом до 262 144 токенов; в репозитории представлены веса safetensors. Карточка описывает дообучение на примерах маршрутизации инструментов, соблюдения персоны и области применения, а также калиброванных ответов на общие вопросы об исламе. Модель направляет запросы к инструментам поиска по Корану, хадисам, тафсирам и фетвам, а также к воспроизведению аудио. Она рассчитана на интеграцию со слоем вызова инструментов и системным промптом, задающим персону и рамки ответов. Карточка сообщает о поддержке арабского и английского языков; основной упор сделан на арабоязычные исламские сценарии. Лицензия — Apache-2.0. Модель не предназначена для самостоятельного точного цитирования священных текстов или выдачи фетв: для этого требуется слой поиска по источникам. Результаты поведенческой оценки ещё не опубликованы, а общие способности за пределами исламской тематики отдельно не проверялись.

Nexus-Erebus-3M — компактная языковая модель на 3 млн параметров от MaliosDark, обученная с нуля на архитектуре Llama. Она предназначена прежде всего для целочисленной арифметики: сложения, вычитания, умножения, точного деления и выражений с несколькими операциями и скобками. В тесте ArithMark-2 модель показала точность 70,72%; на общих задачах её результаты близки к случайному угадыванию. Токенизатор разбивает цифры на отдельные токены и преобразует числа в порядок от младшего разряда к старшему, чтобы согласовать чтение с переносом разрядов. На вход и выход передаётся обычный текст. Контекст — 512 токенов; для загрузки токенизатора требуется включить trust_remote_code=True. Модель работает через Transformers и распространяется в формате safetensors по лицензии MIT.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-k2-sw256-sharegpt-epoch2-step65000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-k2-sw256-sharegpt-epoch-2-step-65000, поэтому описание составлено по ней. Это компактная черновая модель EAGLE3 для ускорения генерации текста методом speculative decoding с целевой моделью Qwen/Qwen3-1.7B. Чекпойнт обучен SpecForge методом EAGLE3 online training на данных ShareGPT; указаны эпоха 2 и шаг 65 000. Архитектура — LlamaForCausalLMEagle3, размер — 411,8 млн параметров, формат весов — safetensors, родной контекст — 40 960 токенов. Модель предназначена для использования в совместимом со SpecForge/EAGLE3 коде как draft-модель, предлагающая продолжения для проверки целевой моделью. Она не является самостоятельной языковой моделью и не предназначена для прямого диалогового применения. Метаданные указывают английский и китайский языки; лицензия обозначена как other. Карточка не приводит результатов бенчмарков.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw768-epoch9-step455000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw768-epoch-9-step-455000, поэтому описание составлено по ней. Это дообученная черновая модель EAGLE3 для спекулятивного декодирования с Qwen/Qwen3-1.7B. Чекпойнт создан методом онлайн-обучения SpecForge EAGLE3 на данных ShareGPT; архитектура — LlamaForCausalLMEagle3, размер — 361,5 млн параметров, тип данных — bfloat16. Модель принимает текст и предсказывает черновые продолжения для целевой модели, помогая ускорить генерацию текста. Чекпойнт рассчитан на загрузку совместимым кодом SpecForge/EAGLE3 и не является самостоятельной языковой моделью. Для работы целевая модель предоставляет замороженные веса эмбеддингов, отсутствующие в этом репозитории. Карточка не приводит результатов бенчмарков. Контекст составляет до 40 960 токенов; указаны английский и китайский языки. Лицензия обозначена как other.

UniRG-CXR — модель Microsoft для автоматической генерации радиологических заключений по медицинским изображениям грудной клетки. Она дообучена на мультимодальной Qwen3-VL-8B-Instruct и рассчитана на создание текстового отчёта по снимку; карточка сообщает о результатах уровня SOTA на наборе ReXrank. Модель построена на архитектуре Qwen3-VL, содержит 8 млрд параметров и поддерживает ввод изображений вместе с текстом и генерацию текста. В метаданных указан английский язык. Для запуска карточка рекомендует Transformers и перечисляет зависимости для Python 3.12. UniRG-CXR предназначена для исследовательских и прикладных сценариев автоматизации подготовки рентгенологических отчётов. Результаты генерации требуют проверки специалистом: README не приводит подробностей клинической валидации или ограничений применения. Модель распространяется по лицензии Apache-2.0.

GLM-5.2 MTP — черновая модель предсказания нескольких токенов, подготовленная Inferencer Labs из MTP-слоёв GLM-5.2 от Z.ai. Она предназначена для совместного использования с GLM-5.2-MLX в режиме speculative decoding: вспомогательная модель предлагает продолжения, чтобы ускорить генерацию основной модели. Это не самостоятельная модель для диалога или генерации изображений. Репозиторий использует библиотеку MLX и формат safetensors; карточка сообщает о тестировании на Mac с M3 Ultra и 512 ГБ памяти. Для квантованного варианта Q4 заявлена более высокая пропускная способность и меньший расход памяти без потери качества относительно базового MTP. Лицензия в предоставленных данных не описана; автор карточки указывает, что модель создана третьими сторонами.

predibase/gsm8k — это PEFT-адаптер для дообученной языковой модели Mistral-7B-v0.1, разработанный Predibase. Адаптер предназначен для решения арифметических задач уровня начальной школы и генерации пошаговых ответов с текстовым объяснением вычислений. В качестве исходного набора данных указан GSM8K. Модель относится к задачам генерации текста и работает в сценариях, где требуется отвечать на формулировки математических задач на естественном языке. В README приведён пример с вычислением общего расстояния, в котором решение представлено последовательностью арифметических шагов и итоговым ответом. Известно, что это адаптер, подключаемый к базовой модели через библиотеку PEFT или Transformers; сведения о поддерживаемых языках, размере контекста, точных параметрах адаптера и дополнительных модальностях не указаны. Сильной стороной модели является специализация на задачах GSM8K и способность формировать интерпретируемое пошаговое решение. Ограничения включают узкую предметную область и зависимость от базовой модели Mistral-7B-v0.1; характеристики качества, лицензия и условия коммерческого или иного использования в README не указаны.

IELTS Task 2 band predictor — компактная языковая модель на базе Qwen2.5-0.5B-Instruct, дообученная автором Viktor507 с помощью LoRA и объединённая с базовыми весами в формате fp16. Она принимает вопрос IELTS Writing Task 2 и эссе и возвращает предполагаемый общий балл в формате JSON. Модель содержит около 494 млн параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов; для работы требуется Transformers версии 5 или выше. Модель предназначена для экспериментальной автоматической оценки эссе IELTS Writing Task 2 и может использоваться для получения ориентировочной обратной связи при подготовке. На тесте автора она выдавала корректный JSON во всех 300 примерах, однако качество оценки ограничено: метки обучения сгенерированы другой моделью, а не экзаменаторами; предсказания тяготеют к диапазону 6–7. Модель оценивает поверхностную беглость, не проверяет соответствие эссе теме и не подходит для реальных решений о сдаче экзамена или поступлении. Распространяется по лицензии Apache-2.0. Датасет, использованный для обучения, не имеет заявленной лицензии, поэтому перед его повторным использованием следует проверить условия.

Loquace Talker — обученная головка ранней генерации ответа, разработанная Orosius для LOQUACE и рассчитанная на совместную работу с замороженной Qwen/Qwen3.8-27B. Она считывает скрытые состояния базовой модели на слое 63 и может начинать выдавать черновик ответа, пока базовая модель продолжает рассуждать. В репозитории находится только головка примерно с 61,4 млн обученных параметров; веса Qwen3.8-27B загружаются отдельно. Архитектура головки — двухблочный декодер с перекрёстным вниманием к состояниям базовой модели. Модель предназначена для потоковой ранней выдачи ответов в сценариях рассуждения. В опубликованной оценке на задачах MATH и GSM8K использовались англоязычные запросы с числовыми ответами. Результаты показывают, что на этой конфигурации ранний вывод не достигает качества законченного ответа базовой модели, а настроенный порог фиксации часто срабатывает ближе к концу рассуждения. Головка ограничена бюджетом ответа в 512 токенов, обучена на отобранных коротких трассах рассуждений и не является самостоятельной языковой моделью. Лицензия — Apache-2.0.

NCPFlash — черновая модель для ускорения генерации текста методом спекулятивного декодирования. Её разработали команда NCP при Shanghai AI Lab и лаборатория LUMIA Шанхайского университета Цзяотун. Модель использует архитектуру ConceptLMDFlashModel и содержит около 1,1 млрд параметров; число 8,9 млрд в названии репозитория относится к целевой модели, с которой она работает. Контекст обучения и целевой модели — 8192 токена. За один проход NCPFlash предлагает блок токенов для проверки целевой моделью NCP-ArchPreview Stage 2 V1. В архитектуре сочетаются параллельное формирование предложений в стиле DFlash2, признаки целевой модели с нескольких уровней и обратная связь от её концептуального представления. В описанной оценке для горизонта в 16 токенов средняя длина принятой последовательности выросла с 5,933 до 6,180 относительно сопоставимого базового черновика; это не гарантирует снижения задержки во всех сценариях. Модель предназначена для экспериментов со спекулятивным декодированием и требует совместной работы с целевой моделью Stage 2 V1, её токенизатором, эмбеддингами, выходной головой и внутренними представлениями. Доступна по лицензии Apache-2.0. Полная память для инференса включает целевую модель, её кэш и сохранённые скрытые состояния; совместимость с другими версиями целевой модели не гарантируется. Спекулятивное декодирование не добавляет инструкционную настройку или защиту от неточных, предвзятых либо вредоносных ответов.

SeanWang0027/qwen3-1.7b-agentick-rose-s10t10-qwen3-32b-step300 — экспериментальный чекпойнт Qwen3-1.7B, созданный дообучением командой SeanWang0027 для многошагового управления агентом в среде Agentick. Модель обучалась по схеме online multi-turn ROSE: студент выполнял первые 10 ходов в живой среде, после чего учитель Qwen3-32B продолжал эпизод до 10 ходов, а его ответы использовались как целевые примеры. Это шаг 300 экспериментального запуска, остановленного на шаге 400. Модель предназначена для диалогового взаимодействия с gridworld-средой через формат ReAct: она получает инструкции и наблюдения, затем формирует рассуждение и действие. Архитектура — плотная авторегрессионная Qwen3ForCausalLM на 1,7 млрд параметров; поддерживается контекст до 40 960 токенов. В описании обучения указаны ходы длиной до 512 токенов, а в формате промпта — ограничение в 256 токенов на ход. Карточка не приводит отдельный результат оценки этой версии: указано, что для одного прохода успешность не оценивалась. Базовая модель лицензирована по Apache-2.0.

SeanWang0027 разработал экспериментальный чекпойнт Qwen3-1.7B, дообученный для многошагового взаимодействия с симулятором ALFWorld. Модель основана на Qwen/Qwen3-1.7B и использует плотную архитектуру Qwen3ForCausalLM с 1,7 млрд параметров. Она генерирует текст в формате ReAct: рассуждение и действие в ответ на наблюдения среды; контекстное окно составляет 40 960 токенов. Модель предназначена для изучения обучения агентов по траекториям учителя и для выполнения бытовых задач в ALFWorld. При обучении онлайн-методом ROSE студент играл первые 10 ходов, после чего учитель продолжал эпизод до пяти ходов; целями обучения были только ответы учителя. На тестовом разделении ALFWorld модель показала успех 40,25% ± 1,95% при описанном в карточке протоколе оценки. Это исследовательский экспериментальный чекпойнт, а не универсальный агент. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0.

Это чекпойнт третьего цикла SDPO + ReSAIL на базе Qwen/Qwen3-4B, разработанный ShengjieJin и обученный для выполнения задач в среде ALFWorld. Метод ReSAIL дополняет итеративную самодистилляцию агента выборочной дистилляцией с балансировкой траекторий и сохранением привилегированной информации. Модель представляет собой плотную авторегрессионную языковую модель Qwen3 с 3,7 млрд параметров и контекстом до 40 960 токенов. Она генерирует текстовые ответы и действия агента; эксперименты проводились с отключённым режимом рассуждений. В README сообщается средняя успешность 72,4% на наборах ALFWorld ID и 64,3% на OOD по трём seed декодирования; это не оценка вариативности между независимыми запусками обучения. Модель предназначена для экспериментов с языковыми агентами в ALFWorld, а результаты за пределами этой среды не описаны. Распространяется под лицензией Apache-2.0.

MikhailRudenko/drafter-wmt16-translate-tren — компактная модель MistralForCausalLM, созданная как специализированный черновой декодер для ускорения спекулятивного декодирования при переводе с турецкого на английский. Она дообучена на синтетических примерах кластера WMT16 Turkish→English с дистилляцией распределений целевой модели TurboSparse-Mistral-Instruct 7B. В README указано 156 млн параметров, а метаданные Hugging Face — 131,3 млн; контекст составляет 2048 токенов. Модель предназначена для генерации черновых токенов, которые проверяет целевая модель, а не для самостоятельного перевода с гарантированным качеством. В карточке описаны исследовательская гипотеза и обучение, но не приведены результаты оценки ускорения или качества перевода. Модель принимает и выдаёт текст; основной языковой сценарий — турецко-английский перевод. Лицензия — Apache-2.0.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch9-step420000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-420000, поэтому описание составлено по ней. Это контрольная точка черновой модели EAGLE3, обученной SpecForge для совместной работы с Qwen/Qwen3-1.7B. Она предназначена для спекулятивного декодирования: вспомогательная модель предлагает токены, которые проверяет основная модель, чтобы ускорить генерацию текста. Самостоятельной целевой языковой моделью этот чекпойнт не является. Модель основана на Qwen/Qwen3-1.7B и использует архитектуру LlamaForCausalLMEagle3. Веса сохранены в формате safetensors; размер по метаданным — 361,5 млн параметров, контекст — до 40 960 токенов. Чекпойнт обучен методом онлайн-обучения SpecForge EAGLE3 на девятой эпохе, шаг 420 000. Для загрузки требуется совместимый код SpecForge/EAGLE3 и целевая модель Qwen/Qwen3-1.7B; веса целевых эмбеддингов в чекпойнт не входят. Карточка не приводит результатов бенчмарков. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

LFM2.5-1.2B-Instruct-DSpark-GGUF — это GGUF-сборка draft-модели LiquidAI LFM2.5-1.2B-Instruct-DSpark, разработанная Liquid AI для использования с llama.cpp. Она предназначена не для самостоятельной генерации текста, а для speculative decoding: модель предлагает последовательности токенов, которые затем проверяются целевой моделью LFM2.5-1.2B-Instruct-GGUF. Такой подход рассчитан на ускорение инференса при сохранении точности целевой модели. Модель является standalone draft sidecar и содержит только механизм-драфтер: 5 attention-слоёв, Markov head ранга 256, confidence head и block size 9. Эмбеддинги токенов и LM head загружаются из целевой модели, поэтому sidecar необходимо использовать в паре с совместимым файлом LFM2.5-1.2B-Instruct-GGUF. Доступны варианты F16 размером 594 МБ, Q8_0 размером 315 МБ и Q4_K_M размером 174 МБ. F16 обеспечивает наилучшую длину принимаемых последовательностей, а Q4_K_M является наименьшим рекомендуемым вариантом; более агрессивное квантование может заметно ухудшить скорость и качество speculative decoding. Ключевое преимущество — потенциальное ускорение генерации: в README заявлена поддержка DSpark speculative decoding в llama.cpp и точная проверка каждого предложенного токена, благодаря чему greedy-вывод совпадает с результатом целевой модели. Ограничение заключается в том, что модель не работает автономно и требует целевой GGUF-модели и совместимой версии llama.cpp. Языки, размер контекста и дополнительные мультимодальные возможности в README не указаны. Модель распространяется по лицензии lfm1.0, обозначенной как other.

LFM2.5-2.6B-DSpark-GGUF — модель-компаньон, разработанная Liquid AI для ускорения инференса целевой модели LFM2.5-2.6B-GGUF в llama.cpp. Это не самостоятельная языковая модель, а draft sidecar для speculative decoding: она предлагает последовательности токенов, которые затем проверяются целевой моделью. Файл необходимо использовать совместно с совместимой целевой моделью; токенизатор, embeddings и LM head предоставляются целевой моделью во время загрузки. Архитектура включает 5 attention-слоёв, Markov head с rank 256, confidence head и block size 9. Доступны варианты GGUF в форматах F16 размером 664 МБ, Q8_0 размером 349 МБ и Q4_K_M размером 191 МБ. F16 обеспечивает наилучшую длину принимаемой последовательности, Q4_K_M является наименьшим рекомендуемым вариантом; более сильное квантование может заметно ухудшить длину принимаемой последовательности и пропускную способность. Технология сохраняет точность целевой модели: каждый предложенный токен проверяется, поэтому при greedy-генерации результат совпадает с результатом целевой модели без speculative decoding. Модель предназначена для локального и edge-инференса через llama.cpp, когда требуется повысить скорость генерации при сохранении поведения целевой модели. Фактическое ускорение зависит от целевой модели, аппаратного обеспечения и параметров квантования; README указывает, что основным фактором скорости и качества является квантование целевой модели, а не draft-файла. Контекст, языки, мультимодальность и результаты конкретных бенчмарков в предоставленных данных не указаны. Лицензия обозначена как other, license_name — lfm1.0; точные условия следует уточнять в файле LICENSE.

Карточка модели huluhuluu/llama3p2-3b-inst-eagle3-sharegpt-sw512-epoch-9-step-231810 на Hugging Face совпадает с карточкой huluhuluu/llama-3.2-3b-instruct-eagle3-sharegpt-sw512-epoch9-step231810, поэтому описание составлено по ней. Это дообученная черновая модель EAGLE3 на архитектуре Llama, разработанная для ускорения генерации текста методом speculative decoding вместе с целевой моделью meta-llama/Llama-3.2-3B-Instruct. Она предлагает кандидаты токенов, которые целевая модель проверяет; самостоятельно как обычная языковая модель не предназначена для использования. Контрольная точка получена обучением SpecForge EAGLE3 на данных ShareGPT, имеет 494,7 млн параметров и нативный контекст 131 072 токена. Для загрузки требуется совместимый код SpecForge/EAGLE3. Указана лицензия other; карточка не содержит конкретных заявлений о производительности или бенчмарках.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-k4-sw256-sharegpt-epoch2-step70000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-k4-sw256-sharegpt-epoch-2-step-70000, поэтому описание составлено по ней. Это контрольная точка черновой модели EAGLE3, обученной командой или автором репозитория с помощью SpecForge для Qwen/Qwen3-1.7B. Она предназначена для спекулятивного декодирования: совместимый инференсный движок использует её для ускорения генерации целевой модели. Это не самостоятельная языковая модель для обычного чата или генерации. Архитектура — LlamaForCausalLMLEagle3; в репозитории 512,5 млн параметров, формат весов safetensors, контекст — 40 960 токенов. Модель обучалась методом онлайн-обучения EAGLE3 на данных ShareGPT; карточка указывает поддержку английского и китайского языков. Для загрузки требуется код, совместимый со SpecForge/EAGLE3, и соответствующая базовая модель Qwen/Qwen3-1.7B. Бенчмарков и утверждений о приросте скорости карточка не приводит. Лицензия обозначена как other, конкретные условия следует проверять в файлах репозитория.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw768-epoch9-step465000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw768-epoch-9-step-465000, поэтому описание составлено по ней. Это компактная черновая модель EAGLE3, созданная методом онлайн-обучения SpecForge на базе Qwen/Qwen3-1.7B. Она предназначена для ускорения генерации текста методом speculative decoding: черновая модель предлагает продолжения, которые проверяет целевая Qwen3-1.7B. Самостоятельно как обычную языковую модель её использовать нельзя. Архитектура чекпойнта — LlamaForCausalLMEagle3; в репозитории указано 361,5 млн параметров и контекст 40 960 токенов. Веса сохранены в safetensors; замороженные веса целевых эмбеддингов в чекпойнт не входят и загружаются из целевой модели. Для работы требуется код, совместимый со SpecForge/EAGLE3, и базовая модель Qwen/Qwen3-1.7B. В карточке не заявлены результаты бенчмарков. Лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

TinyBrainBot 350M V3 Math — англоязычная декодерная модель на 348,3 млн параметров, разработанная автором TinyBrainBot и дообученная на базе nkthebass/tinybrainbot-350mV3-instruct. Архитектура основана на LlamaForCausalLM и использует RMSNorm, SwiGLU, RoPE и GQA; модель принимает текст и генерирует текст, а длина контекста составляет 2048 токенов. Модель предназначена для выполнения арифметических операций в столбик с текстовой записью промежуточных шагов. По заявленной оценке, она показывает высокую точность на типовых задачах сложения и вычитания, а также на умножении трёхзначных чисел. Подходит для простых вычислений, где задачу можно сформулировать напрямую на английском языке; это специализированный калькулятор, а не универсальный помощник или решатель текстовых задач. Точность снижается при сложении чисел длиннее 14 цифр, умножение чисел большей разрядности ненадёжно, деление не поддерживается. Определение знака отрицательного результата становится менее надёжным на длинных числах, а качество зависит от формулировки и жадного декодирования. Модель обучена почти полностью на английском языке. Лицензия — Apache-2.0.

CryptoTrader-LM — модель, разработанная пользователем agarkovv и дообученная методом LoRA на базовой модели mistralai/Ministral-8B-Instruct-2410 с использованием PEFT. Она предназначена для ежедневного прогнозирования торгового решения «купить», «продать» или «удерживать» для Bitcoin (BTC) и Ethereum (ETH) на основе новостей о криптовалютах и исторических данных о ценах. Основной сценарий — участие в FinNLP @ COLING-2025 Cryptocurrency Trading Challenge; модель также может использоваться в исследовательских проектах, автоматизированных торговых системах и агентных платформах, например FinMem. Модель ориентирована на англоязычный анализ новостных статей. Её архитектурная основа — Ministral-8B-Instruct-2410, адаптация выполнена с LoRA; указаны ранг 8, alpha 16 и dropout 0,1. В README заявлена поддержка контекста до 32 768 токенов. Для обучения использовались курсы BTC и ETH к доллару США, а также новости с заголовками, источниками, URL и датами публикации за период с 1 января 2022 года по 15 октября 2024 года. Сильной стороной модели является специализация на сочетании рыночных данных и новостного контекста для ежедневных решений в криптовалютном рынке. Ограничения включают зависимость от используемых источников новостей и исторических периодов, слабую переносимость на другие активы и рыночные режимы, а также неприменимость для высокочастотной торговли, общего текстогенерирования и неспециализированного анализа тональности. Оценка в основном ориентирована на коэффициент Шарпа и может не учитывать ликвидность, комиссии и проскальзывание; прогнозы не следует использовать без управления рисками. Лицензия в README не указана.

MathGPT-2 — дообученная FlameF0X версия DistilGPT-2, предназначенная для решения простых арифметических примеров. Модель принимает текстовое выражение и генерирует продолжение с ответом; обучалась на автоматически созданных примерах сложения, вычитания, умножения и деления чисел от 1 до 100. Это плотная авторегрессионная архитектура GPT-2 с контекстом 1024 токена. В README приведён результат проверки на 10 000 случайных выражений: точность 76,3% и среднее время ответа 0,1448 секунды на вопрос. Эти показатели не гарантируют правильность конкретного вычисления: модель может ошибаться и не предназначена для сложных операций вроде возведения в степень, логарифмов и продвинутой алгебры. Указанная лицензия — MIT.

Qwen3.8-27B-DFlash2-Q3_K_M-GGUF — это квантизированная GGUF-версия draft-модели DFlash 2 для Qwen3.8-27B. Репозиторий andrew-paul распространяет переквантизированную копию модели, первоначально разработанной авторами z-lab и inco.ai. Модель предназначена для ускорения генерации текста посредством speculative decoding: она предлагает черновые токены, которые затем проверяются основной моделью Qwen3.8-27B. Это не самостоятельная языковая модель, поэтому без целевой модели и совместимого сервера она не предназначена для обычной генерации текста. Модель использует формат GGUF и квантизацию Q3_K_M, занимает около 917 МБ и содержит веса draft-модели без полноценного выходного слоя и собственных токенизирующих компонентов, заимствуя необходимые элементы у целевой модели. Она работает через llama.cpp с поддержкой DFlash 2; рекомендуемая конфигурация использует до четырёх черновых токенов за шаг. В измерениях на указанной конфигурации коэффициент принятия составил 65,55%, практически как у некалиброванной Q4_K_M-версии при меньшем размере. Преимущества — существенная экономия памяти по сравнению с Q4_K_M и улучшенная точность принятия токенов благодаря imatrix-калибровке; ограничения — зависимость от конкретной целевой модели, сервера и аппаратной конфигурации, дополнительные накладные расходы в несколько гигабайт и потенциальная непригодность для видеокарт с 16 ГБ памяти. Лицензия Apache-2.0 унаследована от исходной модели.

Mikhail Rudenko разработал эту дообученную компактную причинную языковую модель семейства Mistral для роли черновой модели в спекулятивном декодировании при переводе с финского на английский. Она предназначена для ускорения генерации целевой моделью, предлагая черновые токены, которые целевая модель затем проверяет; это не самостоятельная система перевода, оптимизированная для прямого использования. Модель имеет архитектуру MistralForCausalLM и содержит 131,3 млн параметров по метаданным. В README указаны Lite-Mistral-150M-v2-Instruct как базовая модель и TurboSparse-Mistral-Instruct 7B как целевая модель; обучение проводилось на синтетических данных для кластера WMT16 Finnish→English с дистилляцией распределений токенов целевой модели. Контекст составляет 2048 токенов, формат весов — safetensors, лицензия — Apache-2.0. Её специализация может повысить долю принимаемых черновых токенов в указанном сценарии, однако README описывает исследовательскую гипотезу и не приводит результатов оценки именно этой модели. Практическая польза зависит от совместной работы с соответствующей целевой моделью и системой спекулятивного декодирования; данных для оценки самостоятельного качества перевода недостаточно.

Klingspor/Qwen3-1.7B-SFT — компактная плотная языковая модель на базе Qwen3-1.7B, дообученная методом supervised fine-tuning для игры «20 вопросов». Она играет роль задающего вопросы агента: задаёт вопросы с ответом «да» или «нет», чтобы угадать загаданное распространённое английское существительное за не более чем 20 ходов. Модель обучена на отфильтрованных успешных траекториях для 341 слова из списка COCA; эти слова не пересекаются с обучающими и тестовыми наборами для последующего RL. Чекпойнт предназначен также для инициализации моделей с обучением с подкреплением и исследований многоходовых интерактивных языковых агентов. Размер модели — 1,7 млрд параметров, контекст — до 40 960 токенов. Доступна в формате Safetensors; лицензия Apache-2.0. Модель специализирована на английской игре «20 вопросов», поэтому её не следует считать универсальным диалоговым помощником. README не приводит количественных оценок качества или гарантий успешного угадывания; качество может зависеть от загаданного слова и взаимодействия с оракулом.

Qwen3.8-27B-MTP-4bit — вспомогательная модель-драфтер, созданная сообществом mlx-community на основе Qwen3.8-27B от Qwen. Она предназначена для ускорения генерации текста методом speculative decoding в среде MLX и mlx-vlm, а не для самостоятельного использования. Модель применяется совместно с совместимым целевым checkpoint Qwen3.8 27B, например mlx-community/Qwen3.8-27B-4bit. Модель содержит выделенные Multi-Token Prediction (MTP) веса с типом qwen3_5_mtp и размером MTP-блока 3. Веса квантизированы в формате MLX affine 4-bit с размером группы 64. Во время выполнения целевая модель предоставляет эмбеддинги токенов и language-model head, поэтому драфтер и target должны происходить из одного и того же checkpoint Qwen3.8 27B. README указывает поддержку английского языка и сценариев генерации текста, однако отдельные характеристики контекстного окна, полный языковой охват и модальности не приведены. Основное преимущество модели — возможность ускорять авторегрессионную генерацию за счёт предсказания нескольких токенов и низкой 4-битной точности. Ключевое ограничение заключается в том, что это не самостоятельная языковая модель: без совместимой целевой модели она неприменима. Распространение осуществляется по лицензии Apache 2.0; ограничения и условия исходной модели также сохраняются.

RLMM разработала ZeroHero Craftax strong DAgger — специализированную языковую политику для навигации со скрытой целью в Craftax-Dialogue. Модель построена на архитектуре Qwen3 и содержит около 13 млн параметров, но обучена с нуля и не наследует предобученные веса Qwen3. Это финальный чекпойнт 300-го цикла обучения DAgger после supervised fine-tuning на экспертных траекториях; веса опубликованы в FP32 формате safetensors. На каждом шаге модель получает диалог и локальную символическую карту, генерирует рассуждение и действие либо задаёт вопрос. Полный эпизод ограничен 30 решениями, включая вопросы и неудачные действия. В проверке на 512 отложенных мирах модель достигла успеха в 332 случаях (64,84%); это результат политики вместе с отдельным оракулом Gemma для ответов на вопросы, а не самостоятельная точность модели. Для интерактивной оценки нужны среда ZeroHero, форматтер промптов, парсер действий и оракул Gemma. Лицензия в предоставленных данных не указана.

physicsrob/torchwright-calculator-advanced-max-digits-3 — демонстрационная модель, созданная компилятором torchwright: веса напрямую сгенерированы из графа вычислений, без обучения. Она использует плотную архитектуру Phi-3 с 1,1 млрд параметров и принимает через Transformers выражения с двумя неотрицательными целыми числами длиной до трёх цифр и операцией сложения, вычитания или умножения. Вычисления реализованы с помощью арифметики carry-lookahead и carry-save с логарифмической глубиной; контекст модели — 4096 токенов. Модель предназначена для точного вычисления таких выражений, а не для диалога или генерации текста общего назначения. Поддерживаются fp32 и жадное декодирование; автор приводит точные примеры и сообщает о функциональных проверках, но они не охватывают все возможные выражения. Операнды шире трёх цифр и символы вне малого словаря не поддерживаются, результат для них не определён. Несмотря на большое число параметров, 99,98% весов равны нулю; плотное выполнение всё равно требует памяти и вычислений для полного чекпойнта. Лицензия — Apache-2.0.