I.14Автоматизация процессов и AI-агенты

MiMo-V2-Flash — большая языковая модель Xiaomi для генерации текста, диалогов, рассуждений и агентных сценариев, включая работу с инструментами. В README она описана как MoE-модель с гибридным вниманием, многотокенным предсказанием и 309 млрд параметров, из которых активно используются 15 млрд. Метаданные Hugging Face указывают архитектуру MiMoV2FlashForCausalLM, 12 млрд параметров и файлы Safetensors в формате FP8; это расходится с характеристиками размера в README. Модель принимает текст и рассчитана на контекст до 262 144 токенов. Модель предназначена для быстрых ответов, сложных рассуждений и агентных рабочих процессов; карточка также сообщает о результатах на SWE-Bench и других тестах. Для развёртывания README рекомендует SGLang и описывает вариант запуска с выгрузкой MoE-экспертов на CPU через KTransformers. Языки в предоставленных данных не перечислены. Лицензия — MIT. Реальное качество зависит от задачи и конфигурации развёртывания; заявленные в README результаты бенчмарков являются оценками разработчика.

MiniMaxAI представляет MiniMax-Text-01 — языковую модель для диалогов, генерации текста и вызова внешних функций. Эта версия репозитория подготовлена для Transformers; в метаданных указаны архитектура MiniMaxForCausalLM с механизмом Mixture of Experts и 21,6 млрд параметров. В README описана исходная архитектура семейства: сочетание Lightning Attention, Softmax Attention и MoE; заявлена поддержка контекста до 4 млн токенов при инференсе. Значение native_context_tokens в метаданных составляет 10 240 000 токенов. Модель подходит для генерации ответов, работы с длинными контекстами и приложений, где по запросу нужно сформировать структурированный вызов функции. README приводит результаты академических оценок и рекомендует vLLM для развёртывания. В нём также указана поддержка формата вызова функций, совместимого с OpenAI. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в репозитории модели.

mychen76/mistral7b_ocr_to_json_v1 — дообученная языковая модель Mistral-7B, созданная для преобразования распознанного OCR-текста чеков и счетов в структурированный JSON. Входом служит текст и текстовые блоки, полученные внешним OCR-сервисом; модель не обрабатывает изображения напрямую. Основные сценарии — извлечение полей из чеков и счетов, в том числе на английском и немецком языках. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Она дообучена на датасете mychen76/invoices-and-receipts_ocr_v1. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. В README модель обозначена как экспериментальная, поэтому качество структурирования следует проверять на целевых форматах документов.

Mixtral-8x22B-Instruct-v0.1 — инструктивная языковая модель от команды Mistral AI на архитектуре Mixtral с причинным декодированием и смесью экспертов (MoE). Это дообученная версия Mixtral-8x22B-v0.1; в метаданных указан размер 22B параметров и контекст до 65 536 токенов. Модель предназначена для диалогов и генерации текста по инструкциям. Её можно использовать для ответов на вопросы, объяснений и взаимодействия с инструментами через предусмотренный формат function calling. Метаданные указывают поддержку английского, испанского, итальянского, немецкого и французского языков. Для запуска README описывает токенизацию и инференс через mistral-common и mistral-inference; в метаданных также указана библиотека vLLM. Модель распространяется по лицензии Apache-2.0. README отмечает, что для function calling нужно корректно применять специальные токены и формат токенизатора SentencePieceTokenizerV3; результаты вызова инструментов зависят от совместимой обработки этого формата.

Nanbeige/Nanbeige4.2-3B-DSpark — веса DSpark для модели Nanbeige4.2-3B, разработанной Nanbeige на основе Nanbeige4.2-3B-Base. Репозиторий предназначен для использования вместе с Nanbeige4.2-3B и заявлен как способ ускорить инференс. Модель относится к семейству Qwen3, использует плотную архитектуру; класс реализации — Qwen3DSparkModel. В метаданных указаны 1,1 млрд параметров, контекст 262 144 токена и формат safetensors. Модель ориентирована на генерацию текста, рассуждения, работу с инструментами и многошаговые сценарии: общие агентные задачи, программирование, офисные процессы и персональный помощник. В README также описаны математические и научные рассуждения. Заявленная разработчиком поддержка английского и китайского языков; README отмечает, что для агентных и инструментальных сценариев применяются соответствующие шаблон чата и внешняя среда-исполнитель. Модель дообучена от Nanbeige/Nanbeige4.2-3B-Base и распространяется по лицензии Apache-2.0. README предупреждает о возможных неточных, предвзятых, дискриминационных или иных вредных ответах. Утверждения о скорости и результатах бенчмарков приведены разработчиком; фактическая производительность зависит от среды запуска и интеграции.

Nanonets-OCR2-3B — мультимодальная модель компании Nanonets для распознавания документов и преобразования их содержимого в структурированный Markdown. Она дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct, использует архитектуру Qwen2.5-VL с 3,1 млрд параметров и принимает изображения вместе с текстовыми запросами. Контекст модели — до 128 000 токенов. Модель извлекает текст, таблицы, формулы, водяные знаки и подписи, описывает изображения в документах, распознаёт рукописный текст и преобразует блок-схемы и организационные схемы в код Mermaid. Она также отвечает на вопросы по содержимому документа и поддерживает многоязычные документы, в том числе на русском, английском, китайском, французском, испанском, немецком, японском, корейском и арабском языках. Модель предназначена для подготовки документов к обработке LLM и извлечения из них структурированных данных. Повышение разрешения изображения может улучшить распознавание; для сложных таблиц README рекомендует подбирать параметры генерации и разрешение. Сведения о лицензии в предоставленных данных отсутствуют.

Unsloth/Nanonets-OCR-s — модель оптического распознавания символов на основе Qwen2.5-VL, представленная в формате safetensors и рассчитанная на преобразование изображений документов в структурированный Markdown. Она предназначена для извлечения текста и элементов сложной вёрстки с последующей обработкой в системах на базе LLM. Модель распознаёт формулы и записывает их в LaTeX, извлекает таблицы в Markdown или HTML, описывает изображения, а также отмечает подписи, водяные знаки и состояния флажков в формах. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. В метаданных указан английский язык. Репозиторий Unsloth обозначен как дообучение nanonets/Nanonets-OCR-s; карточка также заявляет улучшенную точность версии Unsloth Dynamic 2.0, но не приводит сопоставительных результатов. Модель подходит для оцифровки деловых и юридических документов, форм, таблиц и страниц с математическими формулами, а также для подготовки содержимого документов к поиску и обработке LLM. Сведения о лицензии в предоставленных данных отсутствуют.

Mungert/Nanonets-OCR-s-GGUF — это GGUF-сборка мультимодальной модели Nanonets-OCR-s, разработанной Nanonets и опубликованной пользователем Mungert. Модель предназначена для распознавания документов по изображениям и преобразования их содержимого в структурированный Markdown, поэтому подходит для OCR, обработки PDF и последующего анализа документов большими языковыми моделями. Модель основана на Qwen/Qwen2.5-VL-3B-Instruct и работает в сценарии image-text-to-text. Она распознаёт обычный текст, сложные таблицы с выводом в Markdown и HTML, математические формулы с преобразованием в LaTeX, изображения с описанием, подписи, водяные знаки, номера страниц, чекбоксы и радиокнопки. Для специальных элементов используются структурированные теги, включая <img>, <signature>, <watermark> и <page_number>, а состояния флажков обозначаются символами ☐, ☑ и ☒. Преимущество модели — специализированная обработка сложных документов и сохранение семантической структуры, полезной для автоматизированных рабочих процессов. GGUF-версия создана с помощью llama.cpp; в описании заявлен вариант квантования с выборочным повышением точности важных слоёв, что должно улучшать точность при заданном уровне квантования, но увеличивает размер файла. Точный размер модели, поддерживаемые языки помимо указанного английского, размер контекста и лицензия в карточке этой GGUF-сборки не указаны. Для запуска предусмотрена совместимость с экосистемой llama.cpp и GGUF.

NextSearch-1-M — дообученная компанией NextTokenAI модель на базе Inkling-Small, предназначенная для веб-исследований в составе системы с оркестратором. Она разбивает вопрос на подзадачи, ищет и получает материалы из актуального веба, сопоставляет противоречивые свидетельства и возвращает краткий ответ или структурированный исследовательский результат. Модель относится к семейству Inkling, использует плотную архитектуру класса InklingForConditionalGeneration; заявленный размер — 276 млрд параметров, из которых активно около 12 млрд. В карточке описаны агентные сценарии с поиском и использованием инструментов; запуск предлагается через vLLM с контекстом до 65 536 токенов. В опубликованной оценке на наборах для поиска свежих и противоречивых данных, многокритериального поиска и подготовки полных ответов модель показала конкурентные результаты в рамках собственного тестового стенда NextTokenAI. Это не гарантирует сопоставимость с результатами других бенчмарков. Для запуска в bf16 требуется около 530 ГБ весов и мног GPU-сервер; модель рассчитана на повторные вызовы оркестратором, а не на самостоятельное подключение к вебу без инструментов. Лицензия — Apache-2.0.

NuExtract-1.5-smol — компактная языковая модель от NuMind, дообученная на базе HuggingFaceTB/SmolLM2-1.7B для извлечения структурированной информации из текста. Пользователь передаёт исходный текст и JSON-шаблон с нужными полями, а модель заполняет его извлечёнными данными. Модель имеет архитектуру LlamaForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 8192 токенов. README заявляет поддержку нескольких языков и отмечает, что модель старается дословно извлекать сведения из исходного текста. Для более надёжного извлечения рекомендуется использовать температуру, близкую к нулю. Лицензия — MIT.

NuExtract 2.0 4B GGUF — мультимодальная модель компании NuMind, предназначенная для структурированного извлечения информации из текста и изображений. Модель принимает исходные данные и JSON-шаблон с названиями полей и ожидаемыми типами значений, после чего возвращает извлечённые данные в JSON-формате. Поддерживаются строки, дословные фрагменты текста, целые и десятичные числа, даты и время в формате ISO, массивы, перечисления и многозначные категории. Модель относится к семейству NuExtract 2.0, имеет размер 4B и распространяется в формате GGUF для использования с совместимыми инструментами, включая llama.cpp. Она мультиязычная и поддерживает текстовые и визуальные входы. В README указано, что семейство построено на предварительно обученных моделях Qwen-VL; для варианта 4B в таблице обозначена база Qwen2.5-VL-3B-Instruct, тогда как метаданные README содержат другое значение, поэтому точную базовую конфигурацию следует уточнять отдельно. Сильной стороной модели является ориентация на извлечение данных по заданной схеме, включая возврат null или пустых массивов при отсутствии релевантной информации. Для стабильности результатов рекомендуется температура, равная или близкая к нулю. Модель предназначена прежде всего для автоматизации обработки документов, текстов и изображений, но README не содержит точных сведений о длине контекста, перечне языков, количественных результатах бенчмарков и ограничениях качества. Для варианта NuExtract-2.0-4B-GGUF указана лицензия Qwen Research License, поэтому коммерческое использование следует проверять по её условиям.

NuExtract-2.0-8B-GGUF — мультимодальная и многоязычная модель компании NuMind, предназначенная для структурированного извлечения информации. Она принимает текстовые и визуальные входные данные, а также JSON-шаблон с описанием требуемых полей, и возвращает извлечённые значения в структурированном виде. Модель подходит для обработки документов, форм, изображений и других источников, где требуется преобразовать неструктурированные данные в JSON. Модель основана на Qwen2.5-VL-7B-Instruct и содержит около 8 млрд параметров; распространяется в формате GGUF для запуска с совместимыми средствами, включая llama.cpp. Поддерживаются строковые значения, verbatim-string для дословного извлечения, числа, даты и времени в формате ISO, массивы, перечисления и multi-label-категории. При отсутствии подходящей информации модель возвращает null или пустой массив. Для задач извлечения рекомендуется температура, равная или близкая к 0. К сильным сторонам относятся специализированная настройка на извлечение, поддержка текста и изображений, многоязычность и возможность задавать целевую структуру результата. README не указывает точный размер контекста, перечень поддерживаемых языков и количественные результаты бенчмарка; также не описывает ограничения качества для отдельных языков или типов документов. Модель распространяется по лицензии MIT.

Prism-Qwen3.5-Reranker-4B — модель-реранкер от infgrad на основе архитектуры Qwen3.5, дообученная для поиска и RAG-сценариев. Она оценивает релевантность пары «запрос — документ» и может дополнительно выдать краткий вклад документа в ответ на запрос и самостоятельный фрагмент с релевантными свидетельствами. Для нерелевантных документов возвращает отрицательный результат без этих пояснений. Модель предназначена для переупорядочивания результатов поиска, в том числе в агентных системах, и обработки запросов в форме ключевых слов. Веса содержат 3,4 млрд параметров; архитектура плотная, контекстное окно по метаданным — 262 144 токена. Однако обучение ограничивало примеры 10 тысячами токенов, поэтому на более длинных входах качество может снижаться. Основные языки — английский и китайский; другие языки также поддерживаются, но обучающих данных для них меньше. Модель распространяется под лицензией MIT.

Qianfan-OCR — мультимодальная модель для анализа документов, разработанная командой Baidu Qianfan. Модель объединяет распознавание текста, анализ структуры и понимание содержимого документа в единой архитектуре vision-language и преобразует изображения документов, например, в Markdown или структурированный вывод JSON и HTML. Модель содержит 4 млрд параметров и состоит из визуального энкодера Qianfan-ViT, языковой модели Qwen3-4B и межмодального адаптера. Она поддерживает изображения с разрешением до 4K, контекст языковой модели — 32 тыс. токенов с возможностью расширения до 131 тыс. README заявляет поддержку 192 языков. Среди сценариев — извлечение таблиц и ключевых сведений, анализ макета и порядка чтения, ответы на вопросы по документам и понимание диаграмм. Режим Layout-as-Thought позволяет сначала построить структурное представление страницы, что полезно для сложных макетов. Модель предназначена для распознавания и анализа документов, а не для универсальной генерации текста. Качество может зависеть от сложности макета и типа документа; заявленные результаты бенчмарков приведены в README и сами по себе не гарантируют качество на конкретных данных. Репозиторий распространяется по лицензии Apache-2.0.

Qwen2.5-VL-32B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Это квантизированная AWQ-версия модели Qwen2.5-VL-32B-Instruct с 32 млрд параметров, предназначенная для обработки изображений, видео и текстовых запросов. Указанный язык — английский; точный размер контекста в README не приведён. Модель распознаёт и анализирует объекты, текст, диаграммы, графики, значки и структуру документов на изображениях, поддерживает визуальную локализацию с помощью bounding boxes и точек, а также формирование структурированных данных из счетов, форм, таблиц и сканов. Она рассчитана на визуальные вопросы и ответы, математические и логические задачи, анализ документов, понимание видео длительностью более часа с поиском релевантных моментов, а также сценарии визуального агента, включая управление компьютером и телефоном. Архитектура включает языковую модель Qwen2.5 и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. Для видео используются динамические разрешение и частота кадров, а также временное позиционирование mRoPE. AWQ-квантизация может снизить требования к памяти и ускорить инференс, однако по приведённым оценкам уступает полной версии по MMMU, MMBench и MathVista, сохраняя сопоставимый результат на DocVQA. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-VL-72B-Instruct — мультимодальная инструкция-тюнингованная модель семейства Qwen2.5-VL, разработанная командой Qwen. Это плотная модель на 71,5 млрд параметров с архитектурой Qwen2_5_VLForConditionalGeneration; она принимает текст, изображения и видео и выдаёт текстовые ответы, включая структурированные данные. Модель рассчитана на диалоговые сценарии с визуальным содержимым. Модель распознаёт и анализирует объекты, текст, диаграммы, графики и макеты на изображениях, понимает длинные видео и может указывать временные сегменты событий. Она также поддерживает визуальную локализацию объектов с координатами в виде рамок или точек и может управлять инструментами в сценариях взаимодействия с компьютером или телефоном. Контекст составляет до 128 000 токенов. В карточке указана поддержка английского языка. К сильным сторонам относятся работа с изображениями и видео, структурированные ответы и динамическая обработка разрешения и частоты кадров. Обработка изображений с высоким разрешением требует больше вычислительных ресурсов; для видео описана поддержка локальных файлов, а работа с URL зависит от сторонней библиотеки. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в файлах репозитория.

Qwen2.5-VL-7B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Это AWQ-квантованная версия модели Qwen2.5-VL-7B-Instruct с 7 миллиардами параметров, предназначенная для задач vision-language. Модель принимает текст, изображения и видео и может распознавать объекты, анализировать текст, графики, таблицы, иконки и макеты, извлекать структурированные данные из счетов и форм, локализовать объекты с помощью bounding boxes или точек, а также поддерживать сценарии визуального агента, включая взаимодействие с компьютером и телефоном. Она способна анализировать видео длительностью более часа и находить релевантные временные фрагменты. В архитектуре заявлены динамическое разрешение и частота кадров для видео, временная версия mRoPE и оптимизированный vision encoder на базе ViT с window attention, SwiGLU и RMSNorm. К сильным сторонам относятся широкий набор мультимодальных возможностей, обработка документов и структурированный вывод, визуальная локализация и понимание длительных видео. Модель позиционируется как более эффективная за счет AWQ-квантования, а использование flash attention 2 может снизить потребление памяти и ускорить инференс. README не содержит результатов оценки, точного размера контекстного окна и подробного перечня поддерживаемых языков; в метаданных указан английский язык. Для работы рекомендуется актуальная версия Transformers и соответствующие инструменты обработки изображений и видео. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-VL-7B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen. Репозиторий основан на Qwen/Qwen2.5-VL-7B-Instruct и содержит 7B-версию модели в формате GGUF. Указана лицензия Apache-2.0; заявленный язык — английский, задача — преобразование изображений и текста в текст. Модель предназначена для анализа изображений, документов, диаграмм, таблиц, графики и макетов, распознавания текста, визуального вопросно-ответного взаимодействия, структурированного извлечения данных из счетов и форм, визуальной локализации объектов с помощью координат или точек, а также анализа видео. Она может обрабатывать длинные видео длительностью более часа и выделять релевантные моменты. Также заявлены сценарии визуального агента, включая взаимодействие с компьютером и мобильными устройствами. Архитектура включает языковую модель Qwen2.5, vision encoder ViT с window attention, SwiGLU и RMSNorm, динамическое разрешение изображений и динамическую частоту выборки кадров видео. Для временного измерения используется mRoPE с идентификаторами и абсолютным выравниванием времени. Ключевые сильные стороны — распознавание документов и текста, понимание диаграмм и видео, генерация структурированных результатов и визуальная локализация. Ограничения: README не содержит точных требований к ресурсам, максимального контекста, полного списка поддерживаемых языков и подробностей качества GGUF-квантизации; приведённые результаты зависят от конкретных бенчмарков и настроек.

Qwen2.5-VL-7B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen; в карточке она указана как производная от Qwen/Qwen2.5-VL-7B-Instruct и распространяется в формате GGUF. Модель предназначена для задач «изображение-текст»: анализа изображений, документов, графиков, таблиц, схем и интерфейсов, а также понимания видео. Она может распознавать и извлекать текст, локализовать объекты с помощью координатных рамок или точек, формировать структурированные ответы и поддерживать сценарии визуального агента, включая взаимодействие с компьютером и телефоном. Модель содержит 7 миллиардов параметров и объединяет языковую часть с vision encoder. В архитектуре заявлены динамическое разрешение изображений, динамическая частота кадров для видео, временное выравнивание в mRoPE, оконное внимание в ViT, а также SwiGLU и RMSNorm. Заявлена способность обрабатывать видео длительностью более часа и находить релевантные моменты. В метаданных указан английский язык; другие языки и точный размер контекстного окна не указаны. Сильные стороны модели — работа с OCR, документами, диаграммами, визуальными вопросами, длинными видео и структурированным извлечением данных. Ограничения включают зависимость качества от визуального входа и вычислительных ресурсов, а также неуказанные в карточке языковой охват, контекст и практические требования к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

Qwen3-235B-A22B-Thinking-2507-FP8 — открытая языковая модель, разработанная командой Qwen. Это FP8-версия Qwen3-235B-A22B-Thinking-2507, предназначенная для генерации текста и сложных задач рассуждения: логики, математики, естественных наук, программирования, академических тестов, следования инструкциям, использования инструментов и агентских сценариев. Модель построена как causal language model на архитектуре Mixture-of-Experts: 235 млрд параметров всего, из которых 22 млрд активируются при обработке запроса; 128 экспертов, 8 активных, 94 слоя, Grouped-Query Attention с 64 головами Q и 4 головами KV. Нативная длина контекста составляет 262 144 токена. Модель поддерживает только thinking mode, причём увеличенная длина рассуждений рассчитана на особенно сложные задачи. По приведённым оценкам, она показывает высокие результаты в reasoning, coding, следовании инструкциям, работе с инструментами и мультиязычных тестах, однако README не содержит полного перечня поддерживаемых языков и сведений о мультимодальных входах. Модель ориентирована на сценарии, где важны глубина рассуждений, качество кода, анализ и обработка длинного контекста. Ограничением является поддержка только режима рассуждения, что может увеличивать задержку и расход вычислительных ресурсов; конкретные требования к оборудованию и производительности в README не указаны. Распространяется по лицензии Apache-2.0.

Qwen3-30B-A3B-Thinking-2507-AWQ-4bit — это 4-битно квантованная версия модели Qwen3-30B-A3B-Thinking-2507, опубликованная пользователем cyankiwi на Hugging Face и основанная на модели Qwen от команды Qwen. Это каузальная языковая модель для генерации текста, ориентированная на сложные задачи рассуждения, включая логику, математику, естественные науки, программирование, академические задания, следование инструкциям и использование инструментов. Модель построена по архитектуре Mixture-of-Experts: всего 30,5 млрд параметров, из которых при обработке токена активируется около 3,3 млрд; используется 128 экспертов, 8 активных экспертов, 48 слоёв и GQA с 32 головами для Q и 4 для KV. Нативная длина контекста составляет 262 144 токена. Поддерживается только режим размышления, причём шаблон чата автоматически добавляет соответствующий маркер. Модель предназначена для текстовых задач; конкретный набор поддерживаемых языков в README не указан. К сильным сторонам относятся улучшенные результаты в рассуждении, кодировании, работе с инструментами, обобщённых задачах и обработке длинного контекста; в README также приведены высокие показатели на ряде математических, кодовых и агентских бенчмарков. Ограничение — обязательный режим размышления и потенциально большая длина вывода, что может повышать требования к ресурсам и задержку. Для запуска рекомендуется актуальная версия Transformers, а также совместимы SGLang и vLLM. Базовая модель распространяется по лицензии Apache-2.0; отдельная лицензия квантованной версии в README не указана.

surogate/Qwen3.5-2B-FP8 — вариант модели Qwen3.5-2B, опубликованный Surogate и основанный на Qwen/Qwen3.5-2B-Base. Это каузальная языковая модель с vision encoder для текстово-визуальных задач, включая рассуждения, программирование, агентские сценарии и анализ изображений. В README вариант рекомендован для движка обучения агентов Surogate и совместим с Hugging Face Transformers, vLLM, SGLang и KTransformers. Модель содержит около 2 млрд параметров, 24 слоя, скрытое измерение 2048 и нативное контекстное окно до 262 144 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и разреженную Mixture-of-Experts; заявлена поддержка 201 языка и диалекта. Представленные веса подвергнуты мелкозернистому FP8-квантованию с размером блока 128. По данным README, такая оптимизация сохраняет показатели, близкие к исходной модели, одновременно снижая требования к памяти и повышая эффективность инференса. Сильными сторонами являются мультимодальность, большое контекстное окно, компактный размер и пригодность для высокопроизводительного развертывания и агентских систем. Ограничения включают возможную потерю точности, характерную для квантования, а также то, что README не содержит подробных сведений о качестве на всех языках, ограничениях безопасности и результатах визуальных тестов. Модель распространяется по лицензии Apache 2.0.

Qwen3.6-35B-A3B-FP8 — открытая FP8-квантизированная версия модели Qwen3.6-35B-A3B, разработанная командой Qwen. Модель представлена в формате Hugging Face Transformers и предназначена прежде всего для программирования с использованием агентных сценариев, включая работу с фронтенд-проектами, репозиториями и итеративной разработкой. Также она поддерживает мультимодальные задачи с текстом и изображениями благодаря архитектуре с vision encoder. Это каузальная языковая модель с архитектурой Mixture of Experts: 35 млрд параметров всего, из них 3 млрд активируются при обработке запроса. Она содержит 40 слоёв, 256 экспертов, из которых используются 8 маршрутизируемых и 1 общий, а также механизмы Gated DeltaNet и Gated Attention. Нативная длина контекста составляет 262 144 токена и может быть расширена до 1 010 000 токенов. README не указывает полный перечень поддерживаемых языков. К сильным сторонам относятся улучшенная работа с кодом, репозиториями и сохранением контекста рассуждений из предыдущих сообщений. Квантизация fine-grained FP8 с размером блока 128 заявлена как обеспечивающая метрики, почти идентичные исходной модели, при совместимости с Transformers, vLLM, SGLang и KTransformers. Ограничения производительности, требования к оборудованию и подробные сведения о языках в README не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-35B-A3B-REAM-192 — мультимодальная модель Samsung SAIL Montreal, созданная слиянием экспертов базовой Qwen/Qwen3.6-35B-A3B методом REAM. В слоях MoE число маршрутизируемых экспертов сокращено с 256 до 192; модель содержит около 27,05 млрд параметров, из которых около 3 млрд активны на токен. Сохранены vision encoder и обработка изображений; веса представлены в формате bf16, без квантизации. Модель предназначена для диалогов, генерации текста по изображениям, агентного программирования и вызова инструментов. Это предварительный выпуск до оценки качества: автор сообщает, что модель загружается и связно отвечает на тестовых запросах, но результаты бенчмарков ещё не опубликованы. Для обычной текстовой и мультимодальной работы отсутствующие веса MTP не нужны, однако спекулятивное декодирование с MTP пока не поддерживается. Для инференса требуется bf16: fp16 может вызывать NaN в слоях GDN. Веса занимают около 52 ГБ; для контекста 32K автор указывает минимум около 60 ГБ VRAM. Лицензия Apache-2.0.

Qwen3.8-9B — плотная языковая модель на 9 млрд параметров от Empero, полученная дистилляцией рассуждений модели-учителя Qwen3.8 2.4T A95B в архитектуру Qwen3.5-9B. Это полное дообучение всех параметров базовой модели на SFT-примерах: примерно 70 тысяч отобранных трасс учителя по математике, программированию, общим рассуждениям, следованию инструкциям и работе с инструментами. Модель использует архитектуру Qwen3.5 и формат весов Safetensors; нативный контекст составляет 262 144 токена. Она предназначена для генерации ответов с пошаговыми рассуждениями, решения математических задач, написания кода и вызова инструментов. В карточке приведены результаты тестирования на GSM8K и MMLU; на MMLU модель заметно превзошла базовую Qwen3.5-9B, тогда как на GSM8K показала немного более низкий результат. Интерфейс вызова функций поддерживается без дополнительной обёртки. Лицензия — Apache-2.0. Тонкая настройка проводилась только для текста; визуальные возможности унаследованы от мультимодальной базы, но в карточке не оценивались.

Qwen3-Coder-30B-A3B-Instruct-W8A8 — это 8-битная версия модели Qwen3-Coder-30B-A3B-Instruct, опубликованная ramblingpolymath и основанная на исходной модели Qwen. Квантизация весов и активаций по схеме W8A8 выполнена с использованием LLM-Compressor. Модель предназначена для генерации текста и прежде всего для программирования, агентного написания кода, работы с браузером и понимания репозиториев большого размера. Модель является каузальной языковой моделью с архитектурой mixture-of-experts: всего 30,5 млрд параметров, из которых при обработке активируется около 3,3 млрд; используется 48 слоёв, 128 экспертов и 8 активируемых экспертов, а также GQA с 32 головами запросов и 4 головами ключей и значений. Нативная длина контекста составляет 262 144 токена, с возможностью расширения до 1 млн токенов с помощью YaRN. Поддерживается только режим без рассуждений, без блоков <think></think>. Ключевые преимущества версии W8A8 — примерно вдвое меньшее потребление памяти по сравнению с FP16 и потенциально более высокая скорость инференса на совместимом оборудовании. Ограничения включают зависимость производительности от аппаратной поддержки 8-битного инференса, рекомендуемую архитектуру Ampere и более старые поколения, а также отсутствие в README подробностей о поддерживаемых языках и количественной оценке потери качества после квантизации. Лицензия — Apache-2.0.

Qwen3-VL-235B-A22B-Instruct — мультимодальная модель семейства Qwen3-VL от Qwen, представленная в варианте Mixture-of-Experts с инструктивной настройкой. Она принимает текст и изображения и формирует текстовые ответы; поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, понимания видео, пространственных рассуждений и взаимодействия с графическими интерфейсами. В карточке заявлены контекст длиной 256 тысяч токенов с возможностью расширения до 1 миллиона, понимание длинных документов и видео, а также OCR на 32 языках. Среди описанных возможностей — локализация событий по временным меткам, анализ объектов и их взаимного расположения, решение задач STEM и генерация кода интерфейсов по изображениям или видео. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Практическое качество может зависеть от языка, сложности изображения или видео и характера задачи; приведённый README не содержит конкретных численных результатов бенчмарков.

Qwen3-VL-2B-Instruct — плотная vision-language модель семейства Qwen3-VL, разработанная командой Qwen. Она принимает текст и изображения, а также поддерживает понимание видео и временных меток; предназначена для диалога, визуальных вопросов и ответов, распознавания текста в изображениях и документах, пространственного анализа и работы визуального агента с интерфейсами и инструментами. Модель объединяет текстовую и визуальную обработку. В карточке описаны улучшенное распознавание объектов и деталей, OCR на 32 языках, анализ положения объектов и временной структуры видео, а также создание HTML/CSS/JS или схем Draw.io по визуальным примерам. Архитектура использует Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Заявлена длина контекста 256K токенов с возможностью расширения до 1M. Весовой репозиторий предназначен для версии Instruct; модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия Apache-2.0. README не приводит результаты тестов или отдельные численные показатели качества, поэтому заявленные преимущества не следует трактовать как независимую оценку.

Qwen3-VL-30B-A3B-Instruct — мультимодальная модель семейства Qwen3-VL, разработанная командой Qwen. Она принимает текст и изображения, а также анализирует видео, отвечая на вопросы и выполняя инструкции в диалоге. Модель предназначена для визуального анализа, распознавания текста на изображениях и документах, пространственных рассуждений и взаимодействия с графическими интерфейсами через инструменты. Архитектура — Qwen3-VL-MoE; обозначение модели указывает на 30 млрд параметров всего и 3 млрд активных параметров на токен. В README заявлен контекст 256 тыс. токенов с возможностью расширения до 1 млн. Модель поддерживает OCR на 32 языках, работу с видео с привязкой событий ко времени, а также генерацию кода и разметки интерфейсов по изображениям и видео. Доступна в формате safetensors и использует библиотеку Transformers. Модель подходит для визуальных вопросов и ответов, разбора документов, анализа видео и управления интерфейсами с помощью инструментов. Заявлены улучшения в распознавании деталей и пространственных отношениях, но в карточке нет численных результатов бенчмарков. Лицензия — Apache-2.0.

Qwen3-VL-32B-Instruct-FP8 — мультимодальная instruction-модель семейства Qwen, представленная как FP8-квантизированная версия Qwen3-VL-32B-Instruct. Модель предназначена для обработки текста, изображений и видео, включая генерацию ответов, визуальное понимание и мультимодальное рассуждение. Квантование выполнено методом fine-grained FP8 с размером блока 128; заявлено, что показатели близки к исходной версии в формате BF16. Модель ориентирована на анализ изображений и видео, OCR, понимание пространственных отношений, STEM- и математическое рассуждение, распознавание объектов и сцен, извлечение структуры из длинных документов, а также задачи визуального агента и генерацию Draw.io, HTML, CSS и JavaScript по изображениям или видео. Она поддерживает контекст длиной 256 тысяч токенов с возможностью расширения до 1 миллиона и рассчитана на работу с длинными документами и многочасовым видео. Для OCR заявлена поддержка 32 языков. Среди архитектурных особенностей указаны Interleaved-MRoPE, DeepStack и выравнивание текста с временными метками. Сильные стороны модели — сочетание текстового и визуального понимания, расширенная работа с видео и пространственными отношениями, улучшенное распознавание текста в сложных условиях и поддержка агентских сценариев с взаимодействием через графический интерфейс и инструменты. Ограничение текущей версии заключается в том, что Transformers пока не поддерживает прямую загрузку этих весов; для развёртывания рекомендуется использовать vLLM или SGLang. Модель распространяется по лицензии Apache-2.0.