I.14Автоматизация процессов и AI-агенты

ScreenParser — модель обнаружения элементов пользовательского интерфейса, разработанная IBM Research и ETH Zurich. Это YOLO11-L, дообученная на наборе ScreenParse v2 для анализа скриншотов веб-страниц. На вход подаётся изображение экрана, на выходе — рамки объектов, метки классов и оценки уверенности для 55 типов элементов, включая кнопки, поля ввода, меню, вкладки, текстовые блоки и изображения. Модель предназначена для разбора структуры веб-страниц, поиска и классификации видимых компонентов интерфейса. Текущий чекпойнт обучен на 1 447 100 скриншотах с 25 575 213 аннотациями элементов; обучение учитывает разные разрешения экранов. Модель принимает изображения и возвращает разметку в виде рамок и меток. Для извлечения текста из найденных элементов её можно сочетать с OCR или ScreenVLM. Лицензия — Apache 2.0. Модель обучена на скриншотах веб-страниц, поэтому качество может снижаться на скриншотах нативных настольных, мобильных и других приложений, отличающихся от обучающих данных.

ScreenVLM — компактная мультимодальная модель понимания изображений и текста, разработанная IBM Research Zurich и ETH Zurich. Она предназначена для полного разбора снимков веб-страниц: находит видимые элементы интерфейса, определяет их тип и положение, а также распознаёт текст внутри них. Модель построена на архитектуре Idefics3, с визуальным энкодером siglip2-base-patch16-512 и языковой основой Granite 165M. На вход подаётся изображение экрана, а на выходе — структурированное представление ScreenTag с метками для 55 классов элементов, координатами ограничивающих рамок и текстовым содержимым. Модель обучена на наборе ScreenParse v2 с разметкой снимков веб-страниц; карточка указывает английский язык. ScreenVLM подходит для извлечения структуры веб-страниц, анализа интерфейсов и подготовки данных для автоматизации браузера. Она оптимизирована для снимков веб-страниц, поэтому качество на мобильных и настольных интерфейсах приложений может отличаться; на перегруженных и динамичных экранах возможны ошибки. Для автоматизации с высокими требованиями к надёжности следует проверять координаты и распознанный текст. Лицензия — Apache 2.0.

ToolWeave Stage 3 — это разговорная модель для многошагового вызова инструментов, разработанная в рамках проекта ToolWeave на основе Qwen3-4B-Instruct. Она предназначена для агентных сценариев, где нужно выбирать инструменты, формировать вызовы и продолжать взаимодействие в несколько ходов. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 262 144 токенов. В README описано обучение с подкреплением на синтезируемых онлайн-данных, проверкой выполнения и семантической валидацией, динамическим повтором примеров и учётом вклада отдельных вызовов инструментов. На сбалансированном наборе BFCL Multi-Turn из 400 примеров указана точность завершения всей записи 48,5%; это результат конкретной оценки, а не гарантия качества в других сценариях. Модель загружается через Transformers в формате safetensors. Лицензия в доступных сведениях не указана.

UI-TARS-1.5-7B — мультимодальная модель-агент ByteDance Seed для взаимодействия с графическими интерфейсами компьютера. Она основана на архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров; модель принимает изображения и текст, а в ответ формирует текстовые инструкции и действия через интерфейс вызова инструментов. Заявленная длина контекста — 128 000 токенов. Модель предназначена для распознавания элементов на экране и выполнения многошаговых задач в приложениях и браузере, а также для общего компьютерного использования. В карточке отдельно указано, что версия 7B ориентирована на компьютерные задачи, а не на игровые сценарии; приведены результаты на OSWorld и ScreenSpotPro, но они не гарантируют аналогичную точность в реальных условиях. Доступна по лицензии Apache-2.0.

UI-TARS-2B-SFT — мультимодальная модель-агент для управления графическими интерфейсами, разработанная ByteDance Seed. Она объединяет восприятие экрана, рассуждение и выбор действий в одной vision-language-модели и предназначена для автоматизации задач в веб-сайтах, мобильных и настольных приложениях без заранее заданных сценариев. Модель построена на архитектуре Qwen2-VL, содержит 1,5 млрд параметров и обрабатывает изображения вместе с текстовыми инструкциями; контекст — до 32 768 токенов. Карточка описывает семейство UI-TARS и приводит оценки восприятия, распознавания элементов интерфейса и выполнения агентных задач. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

UI-TARS-72B-SFT — разработанная ByteDance-Seed модель-агент для взаимодействия с графическими интерфейсами. Она объединяет в одной мультимодальной модели восприятие экрана, рассуждение, привязку команд к элементам интерфейса и память, чтобы выполнять задачи автоматизации без заранее заданных сценариев. Модель построена на архитектуре Qwen2-VL и содержит 71,5 млрд параметров. Она принимает изображения интерфейсов и текстовые инструкции, поддерживает контекст до 32 768 токенов и предназначена для диалогового взаимодействия на английском языке. Основные сценарии — понимание экранов, поиск нужных элементов и автоматизация действий в веб-, мобильных и настольных приложениях. В карточке приведены оценки на наборах для восприятия, привязки элементов и автономного управления интерфейсами. Это вариант SFT; README также упоминает варианты DPO, но не приводит в данном фрагменте подробностей обучения или инструкций по запуску. Модель распространяется по лицензии Apache-2.0.

WuQi-V3-Onyx-27B — созданная проектом WuQi агентная модель для диалогов и многоэтапных задач. Она дообучена методом LoRA на базе мультимодальной Qwen3.8-27B, после чего адаптер объединён с весами. Модель распространяется в формате Transformers и совместима с Transformers, vLLM и SGLang. Лицензия — Apache 2.0. Модель настроена на планирование и выполнение задач с инструментами, проверку наблюдений и гибкое принятие решений. В README описана адаптация для 12 инструментов среды DeepSeek Harness, включая работу с файлами и кодом, веб-поиск и делегирование подзадач. Архитектура — плотная Qwen3.5 с поддержкой изображений; заявленная длина контекста в конфигурации развертывания — 262144 токена. Основной язык карточки — китайский. Это предварительная версия. Заявленные в карточке результаты относятся к оценке DSH-ABench-Basic и внутренним замерам токенов; они не гарантируют аналогичного качества в других сценариях. Для активации дообученной манеры работы README рекомендует специальный system prompt; внешняя инструкция Harness может его переопределить.

Apodex-1.1-mini — модель для рассуждений и сложных многоэтапных задач, разработанная Apodex и дообученная на базе Qwen/Qwen3.5-35B-A3B. В карточке описаны работа с файлами, данными, кодом и инструментами, вызов функций и применение в агентных сценариях; модель следует шаблону чата Qwen3.5 и рассчитана на запуск через Transformers с совместимым сервером. Для версии mini приведены результаты оценок на финансовых и агентных бенчмарках, но подробности конфигурации самой модели в карточке ограничены. Модель предназначена для автоматизации исследований, подготовки отчетов и выполнения профессиональных задач с привлечением инструментов. По описанию Apodex, агентная система может разбивать работу на этапы, координировать параллельных агентов и проверять утверждения по источникам и вычислениям. В метаданных указаны архитектура семейства Qwen3.5 MoE, формат safetensors и базовая модель на 35 млрд параметров; эти сведения относятся к базовой модели, а размер самой Apodex-1.1-mini не приведён. Указана лицензия Apache-2.0. Оценки в README представлены разработчиком; независимая проверка результатов в карточке не описана. Для использования вызова инструментов нужны совместимые шаблон чата и парсеры, а работа с внешними файлами, кодом и агентной командой зависит от соответствующей инфраструктуры.

APUS-OpenJev-v1-4B — дообученная модель на базе Qwen3.5-4B от APUS AI Lab, предназначенная для выбора действий в браузере, маршрутизации рабочих процессов и вынесения суждений по текстовым принципам. Репозиторий содержит слитые BF16-веса контрольной точки 5949; модель использует языковые представления и проекцию словаря Qwen. В метаданных указана архитектура Qwen3.5 и поддержка диалога. Модель оценивает кандидатов, динамически переданных в запросе, и возвращает распределение предпочтений; приложение может преобразовать решение в структурированный результат рабочего процесса. В README приведена оценка 66 из 80 на панели Frozen80, включающей задачи для браузера, HelpSteer3, BoolQ, MNLI и принятия решений по атрибутам. Это не независимый слепой тест и не показатель успешности браузерных действий в целом. Указаны режимы вычисления с 16 и 32 слоями; для генерации текста рекомендуется режим высокой глубины. Модель принимает текст и выдаёт текстовые решения и оценки кандидатов. В карточке указаны английский и китайский языки. Лицензия — Apache-2.0. Вероятности кандидатов отражают относительные предпочтения и требуют калибровки перед интерпретацией как вероятностей правильного ответа; слияние BF16 может менять значения вероятностей.

Breeze-7B-FC-v1_0 — языковая модель MediaTek Research для диалогов по инструкциям и вызова функций. Она основана на Breeze-7B-Base и использует плотную архитектуру Mistral; в метаданных указано 7,2 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. Модель предназначена для приложений, которым нужно преобразовывать запросы пользователя в вызовы функций, включая простые, множественные и параллельные вызовы, а также отвечать на обычные инструкции. В карточке приведены результаты тестирования на английском и традиционном китайском языках: модель показывает сильные результаты в бенчмарках вызова функций, но в сравнении по следованию инструкциям уступает Breeze-7B-Instruct-v1_0 на английском и традиционном китайском. Это текстовая модель; в карточке не заявлены мультимодальные возможности.

CogAgent-9B-20241220 — модель агентного исполнения с визуально-языковой архитектурой ChatGLM, разработанная ZhipuAI на базе GLM-4V-9B. Она принимает скриншоты интерфейса вместе с текстовыми инструкциями и предназначена для распознавания элементов графического интерфейса, планирования действий и выполнения задач на компьютере. Модель обучена и оптимизирована для повышения точности визуального восприятия, прогнозирования и выбора действий, а также обобщения на разные задачи; она использовалась в продукте GLM-PC компании ZhipuAI. Модель поддерживает взаимодействие на китайском и английском языках, содержит 11,4 млрд параметров и имеет контекст длиной до 8192 токенов. Это модель исполнения агента, а не разговорный помощник: непрерывный диалог не поддерживается, хотя можно передавать историю последовательных действий. Для корректной работы требуется соблюдать форматирование входа и конкатенацию промпта, описанные в официальных примерах. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Fara1.5-4B — мультимодальный агент для управления веб-браузером, разработанный Microsoft Research AI Frontiers. Модель дообучена методом supervised fine-tuning от Qwen/Qwen3.5-4B и принимает текстовую историю действий вместе со скриншотами браузера, после чего выдаёт текстовые команды для инструментов: например, клики по координатам, ввод текста, прокрутку и переходы по URL. Она работает по изображению экрана, не используя DOM или дерево доступности, и рассчитана на контекст до 262 тысяч токенов. Модель предназначена для выполнения многошаговых веб-задач: заполнения форм, поиска информации, покупок, бронирования поездок и ресторанов, а также рабочих процессов в учётных записях. По карточке, Fara обучена останавливаться и запрашивать подтверждение перед вводом отсутствующих личных данных и необратимыми действиями — например, покупкой, отправкой сообщения или подачей заявки. Для запуска разработчик рекомендует использовать её с MagenticLite или Fara CLI и системным промптом и схемой инструментов, для которых она обучалась. Репозиторий распространяется по лицензии MIT. К сильным сторонам относятся визуальное управление без доступа к DOM, предсказание действий с привязкой к координатам и работа с длинной историей скриншотов. Карточка отмечает ограничения: модель может ошибаться при неоднозначном или вводящем в заблуждение интерфейсе, ошибки накапливаются в длинных последовательностях, а поведение между запусками варьируется. Качество хуже для материалов не на английском; также возможны галлюцинации о состоянии страницы и влияние prompt injection в её содержимом.

Fara1.5-9B-GGUF — это набор GGUF-квантизированных версий мультимодальной модели Fara1.5-9B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для сценариев computer use: управления браузером и интерфейсами, автоматизации веб-задач, работы веб-агентов и других задач, требующих понимания изображений и текста. Модель содержит около 9 миллиардов параметров, относится к классу vision-language и поддерживает обработку изображений и текста. В карточке указано, что основной язык — английский. Доступны варианты от BF16 до различных уровней квантизации, включая Q8_0, Q6_K, Q5_K, Q4_K и более компактные форматы; размер файлов составляет примерно от 4,3 до 17,9 ГБ. Контекстное окно, точная архитектура и требования к видеопамяти или оперативной памяти не указаны. Сильные стороны модели — мультимодальность, ориентация на агентские и браузерные сценарии, а также широкий выбор квантизаций для запуска на оборудовании с разными ресурсами. Более компактные варианты снижают требования к памяти, но могут заметно уступать исходной BF16-версии по качеству. Для работы подходят llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты; при поддержке новой архитектуры может потребоваться обновление используемого приложения. Модель распространяется по лицензии MIT.

MaziyarPanahi/firefunction-v2-GGUF — это набор файлов модели в формате GGUF для FireFunction V2, разработанной fireworks-ai и квантизированный MaziyarPanahi. Модель создана на базе Llama 3 и предназначена прежде всего для вызова функций, взаимодействия с инструментами и диалоговых приложений, где требуется преобразовывать запрос пользователя в структурированные вызовы функций. Она также сохраняет возможности Llama 3 по ведению диалога и следованию инструкциям. FireFunction V2 поддерживает параллельный вызов нескольких функций, что отличает её от FireFunction V1. По заявленным результатам, модель показывает конкурентное качество в задачах function calling по сравнению с GPT-4o и превосходит предыдущую версию FireFunction; при этом качество следования инструкциям в диалогах несколько ниже, чем у исходной Llama 3. GGUF позволяет запускать модель через llama.cpp и совместимые приложения, включая llama-cpp-python, LM Studio и text-generation-webui, с поддержкой локального выполнения и GPU-ускорения. В репозитории доступны варианты квантизации от 2 до 8 бит, однако точный размер модели, максимальная длина контекста, перечень поддерживаемых языков и сведения о мультимодальности в README не указаны. Модель ориентирована на текстовые и conversational-сценарии; её практические ограничения зависят от выбранного уровня квантизации, оборудования и совместимого рантайма. Указанная лицензия — llama3.

Functionary Small v2.2 — разговорная языковая модель MeetKai для выбора и вызова функций и плагинов, описанных в формате JSON Schema. Она решает, когда обращаться к инструментам, может вызывать несколько функций параллельно или последовательно, учитывать результаты вызовов и формировать на их основе ответ; если инструменты не нужны, поддерживает обычный диалог. Для передачи инструкций используется шаблон v2PromptTemplate, а описания функций преобразуются в текстовые определения в стиле TypeScript. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; длина контекста — 32 768 токенов. Карточка приводит точность определения имени функции и извлечения аргументов 0,546 на внутреннем наборе данных MeetKai, поэтому результат вызовов следует проверять в целевых сценариях. В репозитории доступны веса Safetensors. Модель распространяется по лицензии, указанной на Hugging Face; имеющиеся сведения не позволяют назвать её условия.

McGill-NLP/fuyu-8b-weblinx — модель семейства Fuyu, разработанная авторами проекта WebLINX и дообученная на данных WebLINX на основе ранее опубликованного чекпойнта. Она предназначена для многошаговой навигации по веб-сайтам в диалоге и задач веб-агентов. Модель содержит 10,7 млрд параметров, использует архитектуру Fuyu и принимает текстовые запросы; контекст — до 16 384 токенов. В метаданных указана поддержка английского языка и библиотека Transformers. Модель может служить основой для веб-агента, который интерпретирует инструкции и ведёт многоходовый диалог при взаимодействии с сайтами. Доступны веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

DiTy/gemma-2-9b-it-function-calling-GGUF — дообученная модель на базе Google Gemma 2 9B Instruct, созданная для вызова функций и инструментов в диалогах. Она обучена на англоязычном наборе DiTy/function-calling с разметкой, выполненной людьми, и может выбирать подходящую функцию, формировать вызов и продолжать диалог после получения результата функции. Модель относится к плотной архитектуре Gemma2ForCausalLM, содержит 9 млрд параметров и поддерживает контекст до 8192 токенов. Для работы с инструментами рекомендуется использовать chat template модели и передавать историю диалога и описания функций в ожидаемом формате. Доступны веса safetensors и GGUF в формате F16. Модель ориентирована на англоязычные запросы и сценарии, где языковая модель должна взаимодействовать с внешними функциями, например вызывать API или инструменты приложения. Это генеративная модель, поэтому ей нужен внешний код для выполнения вызовов и передачи результатов обратно в диалог; README приводит оценку validation loss, но не описывает гарантии точности в прикладных условиях. Лицензия — Apache-2.0.

InterSync разработала дообученную версию Gemma 7B Instruct с поддержкой структурированных вызовов функций. Модель предназначена для диалогов, в которых нужно передавать запросы внешним API и базам данных, получать данные и использовать их в дальнейших ответах. Это текстовая авторегрессионная модель семейства Gemma с плотной архитектурой, содержащая 8,2 млрд параметров и принимающая контекст до 8192 токенов. README указывает английский как язык моделей Gemma; модель подходит для генерации текста, ответов на вопросы, суммаризации и рассуждений, а также для сценариев с подключением инструментов. Модель опубликована в формате safetensors под лицензией CC. Качество вызова функций зависит от корректного описания инструментов и доступной внешней системы; README не приводит оценок качества или конкретных ограничений.

Salesforce GTA1-32B — модель зрения и языка на архитектуре Qwen2.5-VL с 32 млрд параметров, разработанная Salesforce для привязки текстовых инструкций к элементам графического интерфейса и автоматизации действий в GUI. Она обучена с применением обучения с подкреплением, включая GRPO, и ориентирована на задачи grounding, где важно выбирать конкретные элементы интерфейса и выдавать применимые действия, а не длинные рассуждения. Модель принимает изображения и текст, поддерживает диалоговый режим и рассчитана прежде всего на английский язык; контекстное окно составляет 128 000 токенов. В README заявлены оценки на бенчмарках ScreenSpot, OSWorld и WindowsAgentArena. Модель может помогать агентам ориентироваться в интерфейсах ОС и приложений, однако способна неверно распознавать элементы или предлагать ошибочные действия, поэтому автоматизацию следует проверять и контролировать человеком. Лицензия — MIT; в карточке также указано исследовательское и образовательное назначение.

Hermes-2 Θ (Theta) 70B — языковая модель Nous Research, созданная совместно с Charles Goddard и Arcee AI. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров, объединяющая Hermes 2 Pro и Llama 3 Instruct; после слияния модель дополнительно обучали с помощью RLHF. Репозиторий содержит веса Safetensors, а контекст модели составляет 8192 токена. Модель предназначена для многоходового диалога на английском языке и генерации текста. Она использует формат ChatML и обучена следовать системным инструкциям, вызывать функции и формировать структурированные ответы в JSON. Также заявлена возможность извлекать признаки из документов для сценариев RAG. Для вызова инструментов приложение должно распознавать сгенерированный вызов, выполнить соответствующую функцию и передать результат модели. В README приведены результаты нескольких оценок, включая IFEval и MTBench, однако они не гарантируют качество в конкретных приложениях. Лицензия — Llama 3 Community License (llama3); перед использованием следует учитывать её условия. Указанный размер 70B требует существенных вычислительных ресурсов при запуске без квантизации.

Kanana-2-30B-A3B-Thinking — языковая модель Kakao Corporation из семейства Kanana-2, предназначенная для генерации текста с пошаговым рассуждением. Это дообученная версия Kanana-2-30B-A3B-Base на архитектуре DeepSeek V3 с механизмами MLA и Mixture of Experts: всего 30 млрд параметров, из которых активируются около 3 млрд. Репозиторий содержит веса в формате Safetensors; для запуска README рекомендует Transformers версии 4.51.0 или новее. Модель рассчитана на сложные инструкции, логические задачи, длительные диалоги и агентные сценарии с вызовом инструментов. Она поддерживает корейский, английский, японский, китайский, тайский и вьетнамский языки, а её штатная длина контекста составляет 32 768 токенов. README описывает настройку YaRN для контекстов до 128 тысяч токенов, но предупреждает, что масштабирование может ухудшить качество на коротких текстах. Лицензия указана как Other, поэтому условия использования следует уточнять в карточке модели. README сообщает, что пользовательские данные Kakao не использовались при предварительном обучении и дообучении. Модель ориентирована на генерацию текста; изображения и аудио в качестве входа не заявлены.

Kiel-2-Sol — диалоговая языковая модель KielTech для генерации текста, созданная дообучением Meta Llama 3.2 3B Instruct с помощью параметрически эффективной адаптации слоёв внимания и MLP. Модель содержит 3,2 млрд параметров, использует плотную архитектуру Transformer и поддерживает контекст до 131 072 токенов; в репозитории есть веса Safetensors и варианты GGUF Q4_K_M и Q8_0. Модель предназначена для многоходовых диалогов, многошаговых рассуждений, структурированного вывода, включая JSON, и автоматизации API-сценариев. В карточке заявлен английский язык и лицензия Apache 2.0. Метаданные отмечают возможность чата; README предлагает развёртывание через vLLM, но пример ограничивает длину контекста до 2048 токенов.

Kompress-base — модель компрессии текста для сокращения содержимого контекстного окна LLM; её разработчик — chopratejas. Модель основана на ModernBERT-base от Answer.AI и имеет около 149 млн параметров, архитектуру с двумя головами и контекст до 8192 токенов. Она классифицирует каждый токен как сохраняемый или удаляемый, а дополнительная сверточная голова выделяет важные фрагменты и помогает сохранить пограничные токены. Компрессия экстрактивная: сохраняются исходные слова в исходном порядке, а степень сжатия меняется в зависимости от плотности текста. Модель предназначена для сокращения текстовых контекстов перед передачей LLM, в том числе в агентных сценариях и через прокси Headroom. В карточке автор сообщает о более высокой оценке качества и меньшей задержке по сравнению с LLMLingua-2, но эти результаты основаны на внутренней оценке и не гарантируют аналогичного качества на других данных. Модель рассчитана на английский текст; для JSON, кода и логов рекомендуются специализированные компрессоры. Доступна по лицензии Apache-2.0.

LIMI-Air — агентная языковая модель, разработанная GAIR и дообученная на базе zai-org/GLM-4.5-Air. Она предназначена для диалоговых сценариев, рассуждений и работы с инструментами в агентных приложениях; сообщения подаются в формате OpenAI chat, инструменты можно передавать отдельно. По README, базовая модель содержит около 107 млрд параметров, тогда как метаданные репозитория указывают 8,5 млрд параметров и архитектуру семейства GLM-4 MoE; заявленный контекст составляет 131 072 токена. Карточка описывает обучение на компактных курированных агентных данных GAIR/LIMI и приводит оценку на AgencyBench. Модель рассчитана на более быстрый и менее затратный запуск по сравнению с крупными вариантами LIMI, с возможным снижением качества на сложных задачах. Проверка проводилась на курированных агентных задачах, поэтому результаты могут не переноситься на другие сценарии. Для запуска в README приведены Transformers, vLLM и SGLang. Лицензия репозитория — Apache-2.0.

Llama-3-Groq-70B-Tool-Use-GGUF — набор GGUF-квантизаций модели Llama-3-Groq-70B-Tool-Use, опубликованный bartowski на основе исходной модели Groq. Модель предназначена для генерации текста, использования инструментов и function calling, включая сценарии, где языковая модель взаимодействует с внешними функциями или сервисами. Указан английский язык. Модель относится к семейству Llama 3 и имеет размер 70B параметров. README не содержит сведений о точной архитектуре, длине контекста или поддержке мультимодальности; по указанным данным это текстовая модель без подтверждённой поддержки изображений или других модальностей. Доступны варианты квантизации от F32 до Q2_K и IQ2_M с размерами файлов примерно от 24 до 282 ГБ, что позволяет выбирать баланс между качеством и требованиями к памяти. Для запуска рекомендуются llama.cpp и LM Studio; предусмотрен специальный prompt format на основе шаблона Llama 3. Сильными сторонами являются специализация на tool use и function calling, а также широкий выбор уровней квантизации, включая варианты Q4–Q6, ориентированные на высокое качество при меньшем размере. Ограничениями выступают большие требования к оперативной или видеопамяти даже у квантизированных вариантов и возможное снижение качества при низких уровнях квантизации. Модель распространяется по лицензии llama3; README не уточняет дополнительные условия лицензии.

LocalAI-io/LocalAI-Llama3.1-8b-Function-Call-v0.3 — дообученная модель семейства Llama 3.1, разработанная LocalAI-io на пользовательском датасете и данных Glaive. Она предназначена для диалогов с вызовом инструментов в LocalAI: в режиме инструментов модель формирует ответы в JSON, что подходит для работы с ограниченной грамматикой вывода. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров, принимает текст и выдаёт текст. Указанная длина контекста — 131 072 токена. Репозиторий содержит веса в формате safetensors; лицензия — llama3.

osunlp/MindAct_CandidateGeneration_deberta-v3-base — модель группы OSU NLP, дообученная на базе encoder-only DeBERTa-v3-base для этапа генерации кандидатов в веб-агентах MindAct и Mind2Web. Она оценивает пары, состоящие из текущего запроса или действия и кандидата — например, HTML-элемента веб-страницы, — чтобы ранжировать и извлекать наиболее релевантные варианты для последующего предсказания действий.

Ministral 3 14B Instruct 2512 — мультимодальная модель Mistral AI для диалогов и выполнения инструкций, дообученная на базе Ministral 3 14B Base 2512 и представленная в формате FP8. Архитектура Mistral3 включает языковую модель на 13,5 млрд параметров и визуальный энкодер на 0,4 млрд; веса хранятся в safetensors, для запуска рекомендуется vLLM. Модель рассчитана на локальное и периферийное развертывание, в частности для приватных ассистентов и агентных сценариев. Она принимает текст и изображения, умеет анализировать визуальное содержимое, следовать системным инструкциям, вызывать функции и формировать JSON. Поддерживает контекст до 256 тысяч токенов и многоязычное взаимодействие, включая английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, китайский, японский, корейский и арабский. В README заявлены результаты, сопоставимые с более крупной Mistral Small 3.2 24B; для запуска в FP8 указано требование около 24 ГБ VRAM, а дополнительная квантизация может снизить его. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое и некоммерческое использование и модификацию. Качество может зависеть от аппаратуры и настроек; для изображений рекомендуется близкое к квадратному соотношение сторон, а для повседневного использования — температура ниже 0,1.

MolmoWeb-4B — открытая мультимодальная модель веб-агента, разработанная Ai2. Она предназначена для взаимодействия с веб-страницами: модель принимает визуальное представление страницы и текстовые инструкции, чтобы понимать интерфейс и выполнять задачи в браузере. Карточка относит её к семейству Molmo2; архитектура использует Qwen3-8B и SigLIP 2 как визуальную основу, а веса опубликованы в формате safetensors для Transformers. Модель ориентирована на сценарии веб-навигации и выполнения действий через интерфейс, а также на визуальные вопросы и grounding. В README сообщается о сравнительных результатах семейства MolmoWeb и выигрышах от параллельных запусков с выбором лучшего результата; приведённые показатели относятся к семейству и не уточняют отдельно качество версии 4B. Лицензия — Apache-2.0.】【。

OneJev-4B — мультимодальная модель принятия решений от разработчиков OneJev, дообученная на базе Qwen/Qwen3.5-4B. Она принимает изображения, видеозаписи или текст с вопросами и за один проход возвращает откалиброванные вероятности для предложенных вариантов ответа. Модель рассчитана на задачи System One и сценарии работы агентов, включая анализ скриншотов и видеоматериалов. Модель содержит 4 млрд параметров, использует плотную архитектуру Qwen3.5 и работает через библиотеку Transformers. Для скриншота 1280×720 заявлена задержка 64 мс на один вопрос и 104 мс на десять вопросов в одном запросе при запуске на H200. Веса доступны в формате safetensors; лицензия — Apache-2.0.