I.14Автоматизация процессов и AI-агенты

Карточка модели hypaai/Hypa-Llama-SNAC-ASR-run2-colab-16bit на Hugging Face совпадает с карточкой hypaai/Hypa-Llama-SNAC-ASR-run1-colab-16bit, поэтому описание составлено по ней. Hypa-Llama-SNAC-ASR-run1-colab-16bit — дообученная hypaai модель генерации текста на архитектуре Llama, созданная на базе hypaai/Hypa-Llama3.1-8b-SFT. В репозитории указаны 7,6 млрд параметров, контекст 2048 токенов и формат safetensors; обучение проводилось с Unsloth и библиотекой TRL. Модель предназначена для диалоговой генерации текста и работы с интерфейсом вызова инструментов. Название содержит SNAC и ASR, однако карточка не описывает распознавание речи или аудиовход, поэтому подтвердить такие сценарии по предоставленным данным нельзя. Указана лицензия Apache-2.0.

InternVL3-2B-Instruct-GGUF — мультимодальная модель семейства InternVL3, разработанная OpenGVLab и представленная в формате GGUF сообществом Unsloth. Это SFT-версия InternVL3-2B: она прошла предварительное мультимодальное обучение и supervised fine-tuning, но не проходила MPO. Модель предназначена для обработки текста и изображений, мультимодального восприятия и рассуждений, а также сценариев, связанных с использованием инструментов, GUI-агентами, промышленным анализом изображений и восприятием 3D-сцен.

Jamjuri Edge — экспериментальная компактная языковая модель семейства JamjuriEDGE, разработанная на базе Qwen3-4B-Instruct-2507. Это плотная модель с 3,7 млрд параметров и контекстом до 262 144 токенов; релиз создан дообучением базовой модели и объединением LoRA-экспертов методом TIES. Модель предназначена для локального и офлайн-применения, в том числе в агентных сценариях с вызовом инструментов. Модель рассчитана на тайский и английский языки и ориентирована на следование инструкциям, написание и отладку кода, вычисления, автоматизацию IoT и работу с инструментами. В карточке описаны разные варианты слияния, балансирующие навыки управления инструментами, математики и программирования; для идентификатора Jamjuri-EDGE-Preview-100 конкретный вариант среди этих кандидатов не уточнён. В метаданных указаны Transformers и формат safetensors, лицензия Apache-2.0. Это экспериментальная модель с ограничениями, характерными для компактного чекпойнта: сложная автоматизация нескольких IoT-устройств даётся трудно, отдельные слияния могут ухудшать вызов функций, а изменение соотношений слияния влияет на поведение. Возможны ошибки привязки атрибутов к объектам и смещение стиля ответов из-за специализированных адаптеров.

J.A.R.V.I.S. Titan V14 MoE Merged — языковая модель для генерации текста, разработанная Dhanesh. Это объединённый самостоятельный чекпойнт на архитектуре DeepSeekMoE с 8 маршрутизируемыми экспертами и одним общим экспертом; в карточке также указаны Grouped-Query Attention и 28 слоёв. Модель предназначена для диалогового общения, генерации текста и сценариев с интерфейсом вызова инструментов. В метаданных указаны 7,1 млрд параметров и контекст длиной 32 768 токенов; README приводит другие значения размера — 14,8 млрд параметров всего и около 3,2 млрд активных. Файлы опубликованы в формате Safetensors. Карточка заявляет английский язык и лицензию other, условия которой следует сверить с полной лицензией репозитория. Качество и ограничения в карточке подробно не описаны.

Josie 7B v6.0 — дообученная Gökdeniz Gülmez языковая модель семейства Qwen2 для диалоговой генерации текста и выполнения запросов пользователя. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает контекст длиной до 32 768 токенов. Для диалога применяется формат с отдельными сообщениями system, user и assistant; также заявлен интерфейс вызова инструментов. Модель дообучена на пользовательских наборах данных; подробности о них в карточке не раскрыты. Она подходит для чат-ботов и генерации ответов на текстовые запросы. Распространяется в формате safetensors по лицензии Apache 2.0.

JeongMinMin/kanana-1.5-8b-instruct-2505-Safe-DPO — диалоговая модель генерации текста на архитектуре Llama с 7,5 млрд параметров. В карточке указано, что модель дообучена разработчиком JeongMinMin с помощью Unsloth и библиотеки TRL; в качестве исходной модели названа она же. Поддерживает чат и интерфейс вызова инструментов, принимает текст и генерирует текст. Контекст — до 32 768 токенов; карточка указывает английский язык. Модель подходит для диалоговых приложений и генерации ответов с возможностью передавать вызовы инструментам. Файлы представлены в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает специализированные области применения, результаты оценки качества или конкретные ограничения, поэтому их нельзя уточнить по доступным данным.

Keefe-Discere-v3.0-Final — языковая модель на архитектуре Qwen2, дообученная KeefeBuild на базе KeefeBuild/Keefe-Discere-v3.0-Ultimate с использованием Unsloth и Hugging Face TRL. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов; заявлены возможности диалога и интерфейс вызова инструментов. Модель предназначена для генерации текста и диалоговых сценариев, включая использование через интерфейс вызова инструментов. В карточке указан английский язык. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализированные области применения или конкретные ограничения качества.

LFM2.5-1.2B-Distilled-Claude-4.6 (Liquid Claude) — компактная языковая модель FlameF0X на архитектуре LFM2, дообученная методом дистилляции Claude Sonnet 4.6 Adaptive Thinking в LiquidAI/LFM2.5-1.2B-Thinking с помощью LoRA. Модель содержит 1,5 млрд параметров и рассчитана на генерацию текста в формате диалога, рассуждения и агентные сценарии; карточка приводит пример использования через Transformers. Модель обучена на частных данных, описанных автором как диалоги Claude Sonnet 4.6; в карточке указаны примеры цепочек рассуждений и агентных блоков с вызовами инструментов. Заявлено контекстное окно 128 000 токенов. Основной язык карточки и тегов — английский. Автор приводит результаты нескольких бенчмарков, но они не являются независимой оценкой качества модели. Лицензия — Apache-2.0.

Llama-3.1-Nemotron-Nano-VL-8B-V1 — разработанная NVIDIA мультимодальная модель для анализа изображений и документов. Она сочетает визуальный энкодер C-RADIOv2-H с языковой моделью Llama-3.1-8B-Instruct и принимает одно RGB-изображение вместе с текстовым запросом, выдавая текстовый ответ. Поддерживает английский язык и контекст до 16 тысяч токенов; изображения обрабатываются в раскладке до 12 плиток размером 512 × 512 пикселей. Модель предназначена для суммирования изображений, OCR, вопросов и ответов по изображению, анализа текста и изображений, а также рассуждений по визуальному содержимому. NVIDIA указывает сценарии развертывания в дата-центре, облаке и на периферийных устройствах; для работы предусмотрена интеграция с TensorRT-LLM. Модель представлена в формате safetensors, а лицензия указана как other; перед использованием следует свериться с условиями NVIDIA. Ответы могут содержать ошибки, вводящую в заблуждение информацию или нежелательные смещения. Модель обучалась на коммерческих изображениях; для производственного применения следует оценить её соответствие конкретной отрасли и обеспечить проверку результатов и меры безопасности.

MarkupLM-base — мультимодальная модель Microsoft для понимания веб-страниц и документов с визуально насыщенной структурой. Она обучена совместно на тексте и разметке страниц, чтобы учитывать содержание и структуру HTML при ответах на вопросы и извлечении информации. Работа модели описана в статье ACL 2022 о предварительном обучении текста и разметки для понимания документов. Модель содержит около 151,9 млн параметров, использует архитектуру MarkupLM и распространяется в формате PyTorch. В карточке указана поддержка английского языка и контекст длиной 514 токенов. Репозиторий описывает задачи веб-вопросов и ответов и извлечения информации со страниц; конкретный pipeline-тег в метаданных не указан, поэтому задачам Hugging Face сопоставить её достоверно нельзя. Модель подходит для исследовательских и прикладных систем анализа веб-страниц, которым важно учитывать HTML-разметку вместе с текстом. README ссылается на документацию и демонстрационные блокноты. Лицензия в предоставленных данных не указана.

Matter-0.1-Slim-7B-B — дообученная авторами проекта 0-hero языковая модель на архитектуре Mistral с 7,1 млрд параметров. Это полное дообучение на slim-B версии набора Matter, сформированного из более чем 35 наборов данных и содержащего свыше 6 млрд токенов; обучение длилось три эпохи. Модель предназначена для диалоговой генерации текста и поддерживает формат запросов ChatML, а также вызов функций. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0, допускающая коммерческое использование в соответствии с её условиями. Карточка не приводит результатов сравнительных тестов или подробностей о качестве и ограничениях; возможности вызова функций заявлены, но примеры токенов в README отображаются неполно. Перед использованием стоит проверить качество на целевых сценариях и корректность формата вызова инструментов.

MemPrivacy-4B-RL — дообученная методом обучения с подкреплением модель IAAR-Shanghai на базе Qwen3-4B, предназначенная для управления персональной памятью в агентных системах с учётом приватности. Она извлекает из диалогов чувствительные фрагменты, классифицирует их по четырёхуровневой шкале PL1–PL4 и заменяет типизированными заполнителями, сохраняя смысловые связи, необходимые облачному агенту. Исходные значения при этом хранятся локально и могут быть восстановлены после получения ответа. Модель принимает текст диалогов и выдаёт текст с извлечёнными структурированными сведениями о приватных данных; её применяют как локальный этап обработки перед передачей контекста в облако. Это плотная авторегрессионная модель семейства Qwen3 примерно на 3,7 млрд параметров, с контекстом до 40 960 токенов; карточка указывает английский и китайский языки. Разработчик заявляет высокую точность извлечения и пригодность для локального развёртывания на устройствах с ограниченными ресурсами, однако приведённые в README превосходные сравнительные результаты не сопровождаются здесь деталями независимой проверки. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных версий.

MemPrivacy-4B-SFT — дообученная IAAR-Shanghai модель на базе Qwen3-4B, предназначенная для управления персональными данными в агентских системах с локальной обработкой на периферийных устройствах. Она анализирует диалоги, находит чувствительные фрагменты, распределяет их по четырём уровням приватности PL1–PL4 и заменяет типизированными заполнителями перед передачей данных в облако; исходные значения предполагается хранить локально и восстанавливать после ответа облачного агента. Модель относится к плотной авторегрессионной архитектуре Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Карточка описывает извлечение приватной информации и вывод структурированного результата; метаданные отмечают диалоговую возможность и языки английский и китайский. Заявлены высокая точность извлечения и пригодность для периферийного развертывания, однако в карточке нет подробных результатов оценки и конкретных требований к ресурсам. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий.

MiroThinker-v1.0-30B-GGUF — набор GGUF-квантизированных версий модели MiroThinker-v1.0-30B, разработанной miromind-ai и подготовленной квантизатором bartowski. Модель предназначена для генерации текста, агентских сценариев и задач deep research, включая работу в приложениях и проектах на базе llama.cpp. Указан английский язык; поддержка других языков не заявлена. Это модель размером 30B параметров, представленная в форматах от BF16 до различных вариантов Q8, Q6, Q5, Q4, Q3 и IQ-квантизации. Квантизация выполнена с использованием imatrix в llama.cpp, что позволяет выбирать между качеством и требованиями к памяти. Рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; Q4_K_M обозначен как вариант стандартного размера для большинства сценариев. Модель можно запускать через LM Studio, llama.cpp и другие совместимые проекты. Сильными сторонами являются открытый формат GGUF, широкий выбор уровней сжатия и ориентация исходной модели на агентские и исследовательские задачи. Более компактные варианты требуют меньше оперативной памяти, но уступают высокоточным версиям по качеству. В README не указаны архитектура базовой модели, размер контекстного окна, мультимодальные возможности и результаты benchmark-тестов, поэтому эти характеристики нельзя оценить. Лицензия — MIT.

0xA50C1A1/Mistral-Nemo-Instruct-2407-Heretic-v2 — англоязычная разговорная модель генерации текста на архитектуре Mistral, разработанная как производная unsloth/Mistral-Nemo-Instruct-2407. Это плотная авторегрессионная модель на 12,1 млрд параметров с контекстом до 131 072 токенов; поддерживает чат и интерфейс вызова инструментов. Модель изменена методом abliteration, чтобы реже отказывать в ответах: в карточке указано 4 отказа из 100 запросов против 88 у исходной модели. Модель подходит для диалогов и генерации текста, в том числе для сценариев, где требуется снизить частоту отказов. Abliteration не гарантирует корректность ответов и может повлиять на поведение модели; приведённое сравнение отказов не описывает качество выполнения задач в целом. Доступна по лицензии Apache-2.0.

ModernGuard-1 — модель классификации текста от GuardionAI для обнаружения prompt injection и попыток jailbreak в системах на базе LLM. Она дообучена на mmBERT-base и использует архитектуру ModernBERT с примерно 307 млн параметров; модель присваивает входу один из двух классов: SAFE или PROMPT INJECTION. Модель предназначена для проверки пользовательских запросов перед отправкой в LLM, а также для сканирования найденных документов, веб-страниц и истории диалога перед включением в контекст RAG. В README заявлена поддержка более 1 080 языков и дообучение на 11 основных языках: английском, испанском, португальском, французском, итальянском, русском, китайском, хинди, японском, арабском и немецком. Контекстное окно составляет до 8 192 токенов; для меньшей задержки рекомендуется до 2 048 токенов. Заявленные показатели скорости и качества приведены разработчиком и зависят от оборудования и условий оценки. Модель рассчитана на классификацию как явных атак, так и внедрённых в сторонние данные инструкций. Она может ошибочно помечать безвредный текст как вредоносный, а адаптивные атаки могут обходить обнаружение; для конкретного сценария могут потребоваться настройка порога и регулярное обновление защиты. Лицензия в предоставленных данных не указана.

Nawah-Router-BERT-6M-v2 — арабская модель для маршрутизации текстовых запросов по категориям. Разработчик — oddadmix. Она принимает текст и категории на естественном арабском языке, оценивает их за один проход и не требует заранее заданной таксономии. Модель дообучена на базе oddadmix/Nawah-BERT-6M-v2 и использует архитектуру BERT; размер — 6,2 млн параметров, контекст — до 2048 токенов. В приведённых в карточке оценках модель превосходит более крупный Nawah-Router-v3 на наборах новых категорий и доменов, но уступает ему на новых осях классификации; автор отмечает, что результаты близки и основаны на одном запуске. Модель опубликована в формате safetensors, использует библиотеку Transformers и распространяется по лицензии Apache-2.0.

leomaurodesenv/nli-MiniLM2-L6-H768-answerable-or-not-augmented — англоязычная модель классификации последовательностей на базе cross-encoder/nli-MiniLM2-L6-H768, дообученная для определения, является ли вопрос отвечаемым. Она подходит для предварительной фильтрации вопросов и отбора тех, на которые система может подготовить ответ. Модель построена на архитектуре RoBERTa и содержит 95,2 млн параметров; максимальный контекст — 514 токенов. В README указаны accuracy 0,8943 и loss 0,2847 на оценочной выборке, однако состав датасета и подробности оценки не описаны. Модель распространяется в формате safetensors по лицензии Apache-2.0.

CultriX/Qwen2.5-14B-Wernicke-DPO — дообученная компанией CultriX разговорная модель семейства Qwen2 на 14 млрд параметров. Она предназначена для генерации текста в диалоге; при обучении использовались Unsloth и библиотека TRL. Модель принимает текст и выдаёт текст, поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка указывает базовую модель CultriX/Qwen2.5-14B-Wernicke и сообщает о дообучении с помощью DPO, однако не приводит результатов оценки качества или подробностей о данных обучения.

Danleon56/qwen2.5-7b-chioma-sft-merged — разговорная модель генерации текста, разработанная Danleon56 путём дообучения unsloth/Qwen2.5-7B-Instruct-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель построена на плотной архитектуре Qwen2 с 7,1 млрд параметров и рассчитана на диалоговое взаимодействие и генерацию текста; метаданные также указывают интерфейс вызова инструментов. Контекстное окно составляет 32 768 токенов, основной указанный язык — английский. Модель подходит для чат-ботов и генерации ответов на текстовые запросы. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Карточка не описывает специальную предметную область или ограничения качества, поэтому пригодность для конкретных задач следует оценивать на собственных примерах.

unsloth/Qwen3.5-0.8B — постобученная компактная мультимодальная модель от Unsloth на базе Qwen/Qwen3.5-0.8B, опубликованная в формате Transformers и распространяемая по лицензии Apache-2.0. Это плотная причинная языковая модель с визуальным энкодером, поддерживающая диалог и анализ изображений; доступны интерфейс вызова инструментов и режим рассуждений, который для версии 0.8B по умолчанию выключен. Модель содержит 0,8 млрд параметров, имеет 24 слоя и нативный контекст длиной до 262 144 токенов. Архитектура сочетает Gated Delta Networks и gated attention. В карточке заявлена поддержка 201 языка и диалекта. Модель рассчитана прежде всего на прототипирование, дообучение под конкретные задачи, исследования и разработку; веса совместимы с Transformers и рядом серверных движков, включая vLLM и SGLang. Компактный размер удобен для экспериментов и специализированной настройки, а мультимодальная архитектура позволяет работать с текстом и изображениями. Масштаб модели ограничивает её возможности по сравнению с более крупными системами; для длинного контекста нужны значительные ресурсы памяти, а карточка рекомендует при нехватке памяти уменьшить окно контекста.

Qwen3.5-9B-Uncensored-Genesis-NVFP4-GGUF — квантизированная NVFP4-версия модели Qwen3.5-9B-Uncensored-Genesis, подготовленная автором репозитория на основе весов LuffyTheFox/Qwen3.5-9B-Uncensored-Genesis-BF16-GGUF с помощью модифицированного квантайзера для GGUF. Это плотная мультимодальная модель семейства Qwen3.5 на 9,22 млрд параметров и 32 слоя; для обработки изображений требуется отдельно использовать неизменённый файл мультимодальной проекции из исходного репозитория. В карточке указан контекст 262 144 токена. Модель предназначена для диалогов, рассуждений, работы с инструментами и задач «изображение–текст», а вариант imatrix v6 калибровался на разговорах, включая примеры вызова инструментов. В репозитории также есть варианты без калибровки и с текстовой калибровкой v5; автор рекомендует v6 для чата, рассуждений и вызова инструментов, а v5 — для обычного продолжения текста. Модель поддерживает английский и китайский языки. Лицензия — Apache-2.0. Карточка не приводит измерений perplexity или KLD для квантованных вариантов, поэтому качество относительно исходных BF16-весов не подтверждено такими метриками; для обработки изображений нужен отдельный файл проекции, а скорость NVFP4 зависит от видеокарты и сборки llama.cpp.

Карточка модели alhparsa/qwen35-extract-tsv-v1 на Hugging Face совпадает с карточкой alhparsa/qwen35-extract-tsv-v2, поэтому описание составлено по ней. alhparsa/qwen35-extract-tsv-v2 — дообученная модель семейства Qwen3.5 для извлечения фактов из изображений страниц медицинских документов, например приёмных и клинических записей. Она принимает изображения вместе с текстовыми инструкциями и выдаёт компактный TSV: контекстную строку с идентификационными данными пациента и строки с фактами, временными данными, тегами и оценкой уверенности. Модель может использовать только теги из списка, переданного во входном сообщении. README описывает полное выборочное дообучение Qwen3.5-9B и гибридную архитектуру с GatedDeltaNet, блоками полного внимания и зрительным модулем. Для обслуживания рекомендуются vLLM, длина контекста 32768 токенов и параметры обработки изображений из карточки; указаны также режимы ускоренного декодирования DFlash/MTP. По оценке авторов, на их проверке извлечение достигает примерно 98–100% полноты и около 100% точности после удаления дублей; заявленная скорость — 4,4–4,9 секунды на страницу на двух H100. Эти показатели относятся к проверке автора и не гарантируют такое же качество на других документах. Модель предназначена для извлечения структурированных сведений из медицинских документов, в том числе из многостраничных PDF после преобразования страниц в изображения. Для полноты авторы рекомендуют обрабатывать перекрывающиеся окна страниц и объединять результаты с последующим удалением смысловых дублей. Лицензия в метаданных обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

Это мультимодальная модель Qwen 3.6 35B-A3B от dealignai, созданная на основе Qwen/Qwen3-VL-30B-A3B-Thinking. Она предназначена для диалога и анализа текста, изображений и видео, включая задачи визуального понимания и вызова инструментов. Модель имеет архитектуру MoE с 35 млрд параметров и примерно 3 млрд активных на токен, 256 маршрутизируемых экспертов и гибридное сочетание линейного и полнослойного внимания. Контекст составляет 262 144 токена; доступны режимы рассуждений с включением и отключением через enable_thinking. Карточка заявляет поддержку английского и китайского языков. Веса квантованы в формате JANGTQ2: маршрутизируемые эксперты используют 2-битное кодирование TurboQuant, а чувствительные к точности компоненты сохраняют 8-битное представление; визуальная башня оставлена в fp16. Репозиторий занимает около 11 ГБ и предназначен для запуска на Apple Silicon через MLX Studio или jang-tools. По заявлению автора, CRACK — это весовая абляция, удаляющая усвоенные отказы в ответах; вследствие этого модель может выдавать контент, который базовая модель отклонила бы. Квантование до 2 бит уменьшает размер, но может снижать точность для сложных рассуждений. Лицензия — Apache-2.0.

Nickyang выпустил производную версию Qwen3.6-35B-A3B, созданную методом RAZOR — без градиентного дообучения удалена половина маршрутизируемых экспертов в каждом MoE-слое. В модели оставлено 128 из 256 экспертов на слой; размер составляет 19,4 млрд параметров, или 19,0 млрд без модуля MTP, при примерно 3 млрд активных параметров на токен. Остальные веса, включая внимание, общий эксперт, эмбеддинги, языковую голову и оставшиеся строки маршрутизатора, сохранены. Модель предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Она использует архитектуру Qwen3.5 MoE и формат safetensors с весами bfloat16. Для запуска требуется версия Transformers со встроенной поддержкой qwen3_5_moe. README не сообщает контекстное окно и языковой охват этой производной модели. Удаление экспертов сокращает объём хранимых экспертных весов, сохраняя примерно прежние вычисления на токен. Обрезка с потерями: ответы могут отличаться по разнообразию, форматированию и завершению, даже если точность на задачах в основном сохраняется; поведение вне конечного многодоменного калибровочного набора не охарактеризовано. Лицензия — Apache-2.0.

AEON-7 выпустил раннюю BF16-версию Qwen3.8-27B, полученную аблитерацией базовой модели Qwen/Qwen3.8-27B для более прямых ответов и ослабления отказов. Это плотная мультимодальная модель с архитектурой семейства Qwen3.5 и примерно 27 млрд параметров; текстовая генерация — основная задача, также заявлена поддержка изображений. Карточка описывает запуск через Transformers и проверку сервинга через vLLM на NVIDIA H200; указанное в примере ограничение контекста — 16 384 токена, а для подходящего оборудования README упоминает исходное окно до 262 000 токенов. Модель предназначена для диалогов, следования инструкциям, программирования, многошаговых рассуждений и вызова инструментов. Ослабление отказов делает ответы более прямыми, но авторы предупреждают, что это ранний выпуск, а на очень длинных запросах возможны повторы и потеря связности. Визуальная башня и голова MTP оставлены без изменений относительно базы. Лицензия — Apache-2.0; веса доступны в формате safetensors, BF16.

Qwythos-27B-v1-i1-GGUF — это квантизированная GGUF-версия модели Qwythos-27B-v1, разработанной empero-ai и подготовленной квантизатором mradermacher. Модель предназначена для задач рассуждения, работы с текстом и изображениями, генерации текста по изображениям, использования инструментов и function calling, а также агентских сценариев. В тегах также указаны направления cybersecurity и biomedical, однако подробности специализированного обучения в README не приведены. Модель имеет размер 27B параметров, поддерживает английский язык и относится к мультимодальным vision-моделям. Заявлена поддержка длинного контекста до 1M токенов, multi-token prediction и различных методов обучения, включая SFT, DPO, ESFT и full fine-tune, но технические детали архитектуры и подтверждённые характеристики контекстного окна не раскрыты. Репозиторий содержит варианты квантизации от Q2_K до Q6_K и IQ-кванты: более компактные варианты требуют меньше памяти, но могут снижать качество; Q4_K_M отмечен как быстрый и рекомендуемый, а Q4_K_S — как оптимальный по сочетанию размера, скорости и качества. Модель распространяется под лицензией Apache-2.0. Для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. README не содержит результатов тестирования, подробных ограничений безопасности или инструкций по выбору аппаратных ресурсов, поэтому фактическое качество и производительность зависят от выбранного варианта квантизации и используемого программного окружения.

rakedoc-nano — модель CloudRaker на архитектуре Qwen2-VL с 1,2 млрд параметров, дообученная для разбора структуры таблиц в документах. Это LoRA-дообучение florin-inc/florin-parser-nano; веса адаптера объединены с базовой моделью, поэтому отдельная загрузка адаптера не требуется. Модель используется в конвейере разбора документов CloudRaker Paperwork API и может служить заменой базовой модели в KDL pipeline. Модель принимает изображение документа и текстовый запрос, а для распознанной таблицы выдаёт структурированное представление OTSL. Дообучение проводилось на 3 000 синтетических фрагментов таблиц, включая многоуровневые заголовки, объединённые ячейки и многострочный текст. В заявленном тесте ParseBench модель набрала 86,44 балла за таблицы; показатели диаграмм и поведения вне табличного этапа близки к базовой модели. Проверка охватывала преимущественно англоязычные финансовые и страховые документы; качество на других тематиках не оценивалось. Конвейер не выводит разметку подчёркивания, выделения и блоков кода. Лицензия — AGPL-3.0.

recall-honcho-8b — дообученная модель на базе Qwen/Qwen3-8B от автора репозитория dman1011. Она предназначена для этапа явного извлечения выводов в Honcho: по идентификатору собеседника и сообщениям диалога формирует атомарные, самодостаточные и правильно атрибутированные факты в JSON-схеме Honcho. Модель рассчитана на интеграцию как локальный компонент deriver; для последующих диалогических рассуждений автор рекомендует использовать более крупную модель. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и имеет контекст до 40 960 токенов. Веса доступны в safetensors; README также описывает отдельный LoRA-адаптер. Обучение выполнено методом LoRA на 7 160 синтетических примерах с метками, дистиллированными из Claude Opus 4.8. В проверочной выборке из 298 примеров указаны точность токенов 93,8% и eval loss 0,201. Модель обучена для английского языка. Модель извлекает только явно высказанные сведения и не предназначена для дедуктивных, индуктивных или абдуктивных выводов. Она оптимизирована под точный prompt Honcho, поэтому на запросах другого формата дисциплина вывода может ухудшиться. Лицензия — Apache-2.0.

Карточка модели rickix84/recall-honcho-8b на Hugging Face совпадает с карточкой dman1011/recall-honcho-8b, поэтому описание составлено по ней. recall-honcho-8b — дообученная модель на базе Qwen/Qwen3-8B от автора репозитория dman1011. Она предназначена для этапа явного извлечения выводов в Honcho: по идентификатору собеседника и сообщениям диалога формирует атомарные, самодостаточные и правильно атрибутированные факты в JSON-схеме Honcho. Модель рассчитана на интеграцию как локальный компонент deriver; для последующих диалогических рассуждений автор рекомендует использовать более крупную модель. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и имеет контекст до 40 960 токенов. Веса доступны в safetensors; README также описывает отдельный LoRA-адаптер. Обучение выполнено методом LoRA на 7 160 синтетических примерах с метками, дистиллированными из Claude Opus 4.8. В проверочной выборке из 298 примеров указаны точность токенов 93,8% и eval loss 0,201. Модель обучена для английского языка. Модель извлекает только явно высказанные сведения и не предназначена для дедуктивных, индуктивных или абдуктивных выводов. Она оптимизирована под точный prompt Honcho, поэтому на запросах другого формата дисциплина вывода может ухудшиться. Лицензия — Apache-2.0.