I.14Автоматизация процессов и AI-агенты

yp06/groit — дообученная yp06 языковая модель семейства Llama 3.2 для генерации текста и диалогового взаимодействия. Она основана на unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit и обучена с использованием Unsloth и библиотеки Hugging Face TRL. Модель имеет плотную архитектуру LlamaForCausalLM и 3,2 млрд параметров, поддерживает контекст до 131072 токенов и рассчитана на английский язык. Подходит для генерации ответов в чате и использования интерфейса вызова инструментов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не описывает специализацию дообучения или результаты оценки качества, поэтому пригодность для конкретных предметных задач по ней установить нельзя.

InternVL3-38B-Instruct-GGUF — мультимодальная instruction-tuned модель, опубликованная Unsloth на основе OpenGVLab/InternVL3-38B. Это SFT-версия InternVL3: она прошла нативное мультимодальное предварительное обучение и дообучение с учётом инструкций, но не проходила MPO. Модель предназначена для понимания изображений и текста, мультимодального восприятия и рассуждений, работы с инструментами, создания GUI-агентов, промышленного анализа изображений и задач 3D-восприятия. Заявлена поддержка multilingual-сценариев. Архитектура построена по схеме ViT-MLP-LLM и включает визуальную часть InternViT-6B-448px-V2_5 и языковую часть Qwen2.5-32B; общий размер семейства для этой конфигурации — 38B параметров. Распространяемая версия представлена в формате GGUF и использует квантизацию Unsloth Dynamic 2.0, однако конкретный вариант квантизации, требования к памяти и размер контекста в предоставленных данных не указаны. Сильными сторонами являются сочетание анализа изображений с генерацией текста, мультимодальное рассуждение и широкий спектр прикладных сценариев. Модель может быть менее подходящей для задач, требующих точных гарантий фактической корректности, а значительный размер и мультимодальная архитектура предполагают высокие требования к вычислительным ресурсам. Для выбора между версиями семейства авторы рекомендуют рассмотреть базовую InternVL3-38B. В метаданных указана лицензия Apache-2.0; также приведена ссылка на лицензию Qwen.

Issue Writer — это дообученная на базе Gemma 4 E4B Instruct модель для преобразования исходного описания продукта в структурированную запись для системы отслеживания задач. Она формирует один JSON-объект и предназначена для сценариев, где нужно оформлять сообщения в задачи с фиксированной схемой на английском или турецком языке. Модель основана на плотной архитектуре Gemma4 и использует объединённые с базовыми весами LoRA-параметры: обучение с рангом 32 и alpha 64 затрагивало текстовые слои внимания и MLP. Обучение проведено на 13 000 примерах, поровну на английском и турецком; в README рекомендуется использовать заданный системный промпт и жадное декодирование, чтобы сохранять корректный JSON. Формат репозитория — safetensors, лицензия Apache-2.0. На кратких или неполных исходных данных модель должна заполнять поля assumptions и clarifying_questions, однако README предупреждает, что пустые значения могут означать, что модель молча додумала недостающие сведения. Размер контекста в карточке не указан; пример запуска vLLM задаёт ограничение в 8192 токена.

JSBAI-Coder-4B, также переименованная авторами в Aztec-Coder-4B, — модель для агентного программирования, разработанная James Silberrad Brown Center for Artificial Intelligence при Университете штата Сан-Диего. Это плотная авторегрессионная модель семейства Qwen3.5 с 3,4 млрд параметров, дообученная на основе Qwen/Qwen3.5-4B с помощью демонстраций и обучения с подкреплением на задачах исправления ошибок. Модель предназначена для работы с программными репозиториями: она исследует код, редактирует файлы, вызывает инструменты и запускает тесты для проверки исправлений. Карточка сообщает о контекстном окне до 262 144 токенов и использовании шаблона чата Qwen3.5 с форматом вызова инструментов qwen3_coder. Авторы сообщают о решении 82,9% из 121 отложенной задачи на исправление ошибок; эти результаты относятся к описанной ими тестовой среде. Модель рассчитана на запуск на потребительском оборудовании и сценарии разработки в контейнере. В репозитории представлены веса Safetensors; лицензия — Apache-2.0. Авторы отмечают, что знания и сложные рассуждения ограничены размером модели, а поведение вне контейнерной среды не проверялось. Специального обучения безопасности не проводилось.

Модель yoon112/kanana-1.5-8b-instruct-2505-Persona-Merged разработана yoon112 на основе диалоговой модели Kakao kanana-1.5-8b-instruct-2505. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, дообученная с использованием Unsloth и библиотеки TRL. Она предназначена для диалоговой генерации текста и поддерживает интерфейс вызова инструментов. Модель принимает текстовые запросы и генерирует текстовые ответы; размер контекстного окна составляет 32 768 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0. README не приводит отдельной оценки качества или подробностей о назначении Persona в названии.

Kronumos Aion — модель для автоматизированного исправления программ и работы с кодовыми базами, представленная Tokenectomy Labs. README описывает архитектуру как смесь экспертов на 671 млрд параметров с разделением на нейросетевое рассуждение и детерминированный Rust-компонент для проверки синтаксиса и AST. Заявлены задачи автономного исправления дефектов и синтеза изменений в репозиториях; модель оценивалась на SWE-bench Verified. Метаданные указывают задачу генерации текста и поддержку чата, а README сообщает о формате FP8 и контексте до 32 768 токенов в примере запуска. Модель рассчитана на разработку и исправление ПО в корпоративных репозиториях. README заявляет снижение расхода токенов и проверку изменений перед выдачей, однако приведённые показатели являются заявлениями разработчика и не подтверждены доступными результатами бенчмарка. Для запуска нужны многопроцессорные GPU-системы: в README указаны 8 NVIDIA H100 или A100 как рекомендуемая конфигурация. Указана лицензия Tokenectomy Dual License TDL 1.0: академическое и бенчмарк-использование разрешено бесплатно, коммерческое применение требует корпоративной лицензии. Метаданные не сообщают базовую модель; README упоминает архитектурные основы DeepSeek, но точный идентификатор базового репозитория не приводит.

Elio2151 дообучил модель на основе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста в диалоговом формате; также заявлен интерфейс для вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно до 131 072 токенов. Модель можно использовать для диалоговых приложений, генерации текста и сценариев с вызовом инструментов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Карточка не описывает обучающие данные, специализацию дообучения или результаты оценки качества.

Capx/Llama-3.1-Carrot — разговорная модель Capx, дообученная на базе Meta Llama 3.1 8B Instruct. Она предназначена для диалога и генерации текста; метаданные также указывают поддержку сценариев с изображениями и интерфейса вызова инструментов. Модель содержит 7,5 млрд параметров, использует плотную архитектуру CapxLlamaForCausalLM и имеет контекст до 131 072 токенов. Модель рассчитана на англоязычное использование. Для запуска инференса README указывает минимальное требование — GPU A100 с 40 ГБ памяти. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Модель deepanraj-ai — дообученная версия unsloth/Llama-3.2-3B-Instruct-bnb-4bit на архитектуре Llama с плотной сетью и 3,2 млрд параметров. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена; в карточке указан английский язык. Лицензия — Apache 2.0.

angrybyte/llama3.2-tt-opt — текстовая языковая модель семейства Llama, разработанная angrybyte и дообученная на базе unsloth/llama-3.2-3b-instruct-bnb-4bit. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на генерацию текста в диалоговом формате; интерфейс поддерживает вызов инструментов. Указанное контекстное окно — 131 072 токена. Модель подходит для диалоговых приложений и генерации ответов на текстовые запросы. В карточке заявлено обучение с использованием Unsloth и библиотеки TRL. Указана поддержка английского языка. Лицензия — Apache-2.0.

Это дообученная модель генерации текста на 1,7 млрд параметров, созданная на основе KKHYA/llavaqwen3-1.7b-finetune. Репозиторий указывает семейство архитектуры nm_mask_moe_llava_qwen3; модель предназначена для генерации текста и диалогов и поддерживает интерфейс вызова инструментов. Базовая модель относится к семейству Qwen3. Модель принимает текст и выдаёт текст. Для неё заявлено контекстное окно до 40 960 токенов. Данные обучения и подробные ограничения в карточке не описаны. Лицензия — Apache-2.0.

LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Luth-2-2B — текстовая языковая модель на 1,88 млрд параметров от Kurakurai, дообученная на основе Qwen/Qwen3.5-2B. Она предназначена для генерации ответов на французском языке: решения математических задач, написания кода, ответов на вопросы, следования инструкциям и вызова инструментов. Модель прошла supervised fine-tuning на французской смеси объёмом 3 млрд токенов и последующую многодоменную дистилляцию на основе собственных ответов модели. Архитектура унаследована от мультимодальной Qwen3.5-2B, но Luth-2-2B обучалась только на текстовых данных и не рекомендуется для задач с изображениями. Компактный размер позволяет использовать модель локально и на устройствах с ограниченными ресурсами. Разработчик сообщает о высоких результатах на выбранных французских бенчмарках по математике, коду, следованию инструкциям, общим знаниям и вызову инструментов; эти оценки относятся к конкретным наборам и настройкам из карточки. Модель доступна в формате safetensors и поддерживается Transformers, vLLM и SGLang. Лицензия — Apache-2.0.

Malvos-7B-Instruct — плотная текстовая модель семейства Qwen2, разработанная SHIKARI2 и дообученная на unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit. Репозиторий содержит веса Safetensors; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. Модель насчитывает 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0. README не уточняет набор обучающих данных, специальные области применения или результаты оценки качества.

Matter 7B 0.2 — разговорная языковая модель, разработанная 0-hero и созданная полным дообучением Mistral 7B на наборе данных Matter 0.2. Модель построена на архитектуре Mistral с плотной причинно-языковой сетью и содержит 7,1 млрд параметров; нативная длина контекста — 32 768 токенов. Модель предназначена для диалога с помощником и генерации текста на английском языке. Она использует формат запросов ChatML и поддерживает интерфейс вызова функций, что позволяет применять её в чат-ботах и сценариях с подключением инструментов. В README рекомендуется системная инструкция «You are a helpful assistant». Набор Matter 0.2 составлен из более чем 35 датасетов и охватывает свыше 6 млрд токенов; на момент публикации он ещё не был выпущен. Модель распространяется по лицензии Apache-2.0. Результаты зависят от формулировки запроса и качества данных; карточка не приводит оценок производительности или подробных ограничений.

Megatron-BERT-large Swedish 165k for zero-shot classification — шведская модель для классификации текста без заранее заданного набора классов. Её разработала KBLab на основе Megatron-BERT-large-165k: модель дообучили на задачах QNLI, а затем MNLI. Архитектура — плотный Megatron-BERT для классификации последовательностей, размер — 468,3 млн параметров. Модель предназначена для присвоения тексту меток из пользовательского списка категорий через pipeline zero-shot classification в Hugging Face Transformers. Это подходит, например, для сортировки шведских текстов по темам или проверки их соответствия заданным утверждениям. Поддерживается шведский язык; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch и Safetensors. Сведения о лицензии в предоставленных материалах отсутствуют.

ddimri/miki_cls_v3-roberta — модель для классификации текстов, опубликованная на Hugging Face и предназначенная для использования через библиотеку Transformers. В карточке модели разработчик и конкретный набор классов не указаны. Модель основана на архитектуре RoBERTa и содержит около 151,8 млн параметров. Она поддерживает задачу text-classification и рассчитана на входные последовательности длиной до 514 токенов. Сведения о поддерживаемых естественных языках, модальностях, обучающих данных, результатах оценки и лицензии в доступных материалах отсутствуют. Модель может применяться для отнесения текстов к заранее определённым категориям в прикладных системах, если набор меток и соответствующая область определены при обучении модели. Для продуктивного использования необходимо проверить соответствие её меток, языка и распределения данных конкретной задаче.

MiniCheck-RoBERTa-Large — модель для проверки фактов, разработанная авторами работы MiniCheck: Efficient Fact-Checking of LLMs on Grounding Documents. Она принимает документ и отдельное утверждение и определяет, подтверждается ли утверждение содержанием документа, выдавая бинарную метку: 1 — подтверждено, 0 — не подтверждено. Модель предназначена для проверки утверждений в ответах LLM по опорным документам и оценки фактической обоснованности сгенерированного текста на уровне предложений. Это модель классификации последовательностей на базе RoBERTa-Large с 454,1 млн параметров и контекстом 514 токенов. Она дообучена от обученной RoBERTa-Large из AlignScore на 14 тысячах синтетических примеров. В работе авторов модель показала сильные результаты на бенчмарке LLM-AggreFact по сравнению со специализированными фактчекерами сопоставимого размера. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель рассчитана на английский язык. Оценка проводилась на реальных утверждениях; результаты для утверждений, вручную изменённых для внесения определённых ошибок, не оценивались. Для надёжной проверки модель следует использовать вместе с подходящими опорными документами и учитывать ограничение контекста.

HifiHu/Ministral-3-14B-abliterated — модифицированная версия Ministral-3-14B-Instruct-2512 от Mistral, созданная с помощью abliteration: методом, который изменяет внутренние представления модели, чтобы ослабить поведение отказа. Это плотная модель семейства Mistral 3 примерно на 14 млрд параметров, распространяемая в формате SafeTensors с BF16 и рассчитанная на диалоговую генерацию текста. Метаданные также указывают интерфейс вызова инструментов; базовая модель мультимодальна, но карточка этой версии не подтверждает обработку изображений. Модель подходит для диалогов и ответов на широкий круг запросов, включая темы, на которые исходная instruct-модель могла бы отказать. Abliteration не гарантирует точность ответов и может снизить эффективность защитных ограничений. В карточке указан английский язык. Лицензия — Apache 2.0; автор позиционирует модель для исследований и обучения.

Mistral-7B Academic Metadata Extractor — дообученная Tamam Alhasan и Savaş Takan модель на базе Mistral-7B-Instruct-v0.3 для извлечения библиографических сведений из научных документов. Она принимает академический текст и формирует структурированный JSON с названием работы, ключевыми словами, авторами и их организациями, издателем, журналом и годом публикации. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Предназначена для автоматизации каталогизации в научных репозиториях, цифровых библиотеках и исследовательских базах. В описанной оценке точность извлечения полей составила 91,8%; оценка проводилась на наборе из 100 тестовых документов. Обучение и оценка проводились преимущественно на англоязычных научных документах. Качество может снижаться на документах с необычной разметкой, неполными данными, ошибками OCR или из областей, отличающихся от обучающих. Лицензия в предоставленных данных не указана.

Ornith-Agents-A1-3.6-35B-A3B-dare_ties — мультимодальная разговорная модель, созданная сообществом tepirale слиянием моделей через mergekit. В качестве основы использована Qwen/Qwen3.5-35B-A3B, а в слияние также вошли deepreinforce-ai/Ornith-1.0-35B и InternScience/Agents-A1; применён метод DARE TIES. Модель распространяется в формате safetensors и предназначена для диалога, анализа изображений и агентных задач. Модель принимает текст и изображения и генерирует текст. В README приведены результаты на MMLU, MMLU-Pro и HellaSwag, но они различаются между указанными объёмами выборки, поэтому не позволяют однозначно оценить качество. Модель доступна по лицензии Apache-2.0.

PaddlePaddle/PP-DocLayoutV3_safetensors — веса PP-DocLayoutV3 в формате safetensors, подготовленные PaddlePaddle для использования с Transformers. Модель предназначена для анализа структуры документов, включая изображения с искривлёнными и неплоскими поверхностями: она обнаруживает элементы макета, предсказывает для них многоугольные рамки и определяет логический порядок чтения за один проход. Модель используется как компонент PaddleOCR-VL 1.5/1.6 и GLM-OCR для разбора документов. В карточке указана поддержка английского и китайского языков, а лицензия — Apache-2.0. Ограничение области применения: модель ориентирована на анализ макета документов и сама по себе не описана как универсальная система распознавания и понимания текста.

PP-LCNet_x1_0_table_cls — модель классификации изображений таблиц из экосистемы PaddleOCR, разработанная PaddlePaddle. Она принимает изображение таблицы и относит его к одной из заданных категорий, например к таблицам с линиями или без них; результат используется как компонент конвейеров распознавания таблиц и документов. Модель предназначена для визуальной классификации таблиц в документах. В более крупном конвейере PaddleOCR результаты классификации помогают выбрать дальнейшую обработку, включая распознавание структуры и ячеек таблицы и извлечение её содержимого в HTML или Excel. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0.

Qwen2-VL-7B-Instruct-GGUF — мультимодальная instruction-модель семейства Qwen, разработанная командой Qwen и представленная в GGUF-квантизации bartowski на основе llama.cpp. Модель основана на Qwen2-VL-7B-Instruct и предназначена для работы с текстом и изображениями. Модель подходит для анализа изображений различного разрешения и соотношения сторон, визуального вопросно-ответного взаимодействия, мультимодального рассуждения и сценариев агентской автоматизации, где требуется интерпретация визуальной информации. Заявлена поддержка нескольких языков и контекста до 32K токенов. Размер базовой модели — 7B параметров; точные характеристики конкретного уровня квантизации в README не указаны. К сильным сторонам относятся сочетание языкового и визуального понимания, способность обрабатывать изображения разных форматов и поддержка длинного контекста. Ограничения включают возможные неточности, неподходящие или вредоносные ответы, характерные для генеративных моделей; конкретные ограничения качества и производительности для выбранной квантизации не описаны. Модель распространяется по лицензии Apache-2.0.

Карточка модели taskmaster141/qwen3_4b_merged-4000-txt на Hugging Face совпадает с карточкой taskmaster141/SimplyParse-qwen3txt-3rdepoch, поэтому описание составлено по ней. SimplyParse-qwen3txt-3rdepoch — дообученная языковая модель, разработанная taskmaster141 на основе unsloth/qwen3-4b-instruct-2507-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM, предназначенная для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Размер модели составляет 3,7 млрд параметров, длина контекста — до 262 144 токенов. Указан английский язык. Модель подходит для создания ответов и ведения диалога, а также для сценариев, где требуется использовать интерфейс вызова инструментов. Данных о специализации дообучения и его результатах карточка не содержит. Модель распространяется по лицензии Apache-2.0.

Koalacrown/qwen3.6-27b-agentic-extraction-sft-merged — объединённый чекпойнт модели Qwen3.6-27B, подготовленный Koalacrown. Он создан применением весов SFT LoRA-адаптера Koalacrown/qwen3.6-27b-agentic-extraction-sft-lora к базовой модели Qwen/Qwen3.6-27B; чекпойнт сохранён в формате bf16. Модель использует архитектуру Qwen3_5ForConditionalGeneration и поддерживает текстовый диалог и работу с изображениями. Модель предназначена для агентного извлечения информации и мультимодальных сценариев, в которых нужно анализировать изображения и формировать текстовый ответ. Репозиторий включает интерфейс вызова инструментов, однако карточка не описывает конкретные инструменты, обучающие данные, показатели качества или ограничения применимости. Лицензия — Apache-2.0.

Qwen3.8-27B-Abliterated-SME-Preview — предварительная модель-ассистент для малого и среднего бизнеса от hotdogs, дообученная методом LoRA SFT на базе hotdogs/Qwen3.8-27B-abliterated. Это плотная гибридная модель с архитектурой Qwen3_5ForConditionalGeneration: 64 слоя, включая линейное внимание GDN и полное внимание; в репозитории представлены объединённые веса BF16 в safetensors. Модель предназначена для ответов на деловые вопросы, анализа CSV и офисных документов, а также для формирования структурированных вызовов инструментов. Модель принимает текст; в карточке указана мультимодальная обёртка с поддержкой изображений, хотя README описывает текстовые сценарии. Обучение проводилось на англоязычном наборе документов и вызовов инструментов; метаданные также указывают тайский язык. Контекст обучения — 8192 токена. Лицензия — Apache-2.0. В README приведены результаты на ARC, MMLU и GSM8K, а также проверки формата вызовов инструментов; они указывают на сохранение общих возможностей базовой модели и улучшение математического рассуждения, но полноценные агентные бенчмарки ещё не проводились. Выпуск имеет статус Preview. Склонность базовой модели отказывать снижена намеренно; для выполнения вызовов csv_* и doc_* требуется подключить инструменты к среде исполнения. BF16-версия на 27 млрд параметров требует нескольких GPU либо квантованного варианта для практического запуска.

lesa80/Qwen3.8-27B-MLX-bf16 — версия Qwen3.8-27B в формате MLX с весами bfloat16, подготовленная для запуска на системах Apple с MLX. Это плотная мультимодальная модель с архитектурой Qwen3.5 и 27 млрд параметров, основанная на Qwen/Qwen3.8-27B. Модель принимает текст и изображения, поддерживает анализ видео, диалоговый режим и интерфейс вызова инструментов; заявленная длина контекста — 262 тыс. токенов. Поддерживаются русский, английский и китайский языки. Модель предназначена для ответов на вопросы по изображениям и видео, многошаговых рассуждений и диалоговых задач. Версия в bfloat16 занимает около 51 ГБ и требует не менее 64 ГБ оперативной памяти. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-NVFP4 (ModelOpt) — это квантованная версия мультимодальной модели JonathanColetti/Qwen3.8-27B-Uncensored, опубликованная joshebbs и подготовленная с помощью NVIDIA TensorRT Model Optimizer 0.43.0. Модель предназначена для инференса под управлением vLLM на GPU архитектуры Blackwell и поддерживает обработку текста и изображений. Заявленные языки — английский и китайский. Лицензия — Apache-2.0. Модель содержит 27 млрд параметров и использует гибридную архитектуру из 64 слоёв, объединяющую Gated DeltaNet и Gated Attention. Квантование NVFP4 с размером блока 16 и FP8-масштабами применено к 400 линейным слоям; vision tower, lm_head, MTP head и отдельные чувствительные к точности проекции DeltaNet сохранены в исходной точности. Размер весов уменьшен примерно с 65 ГБ в BF16 до 19,2 ГиБ. Vision tower и голова многотокенного предсказания сохранены. Модель подходит для генерации текста, рассуждений, мультимодальных сценариев и вызова инструментов через совместимый XML-формат Qwen. Контекст до 131 072 токенов проверен при распределённом запуске на двух NVIDIA DGX Spark GB10 с tensor parallelism. Для работы необходим runtime с поддержкой modelopt_fp4; стандартная загрузка через transformers невозможна. Рекомендуется vLLM с Blackwell, FP8 KV-cache и FlashInfer. При включённом режиме рассуждений ответы могут оказаться пустыми, если генерация обрывается внутри блока <think>; также для автоматического tool calling требуются специальные параметры vLLM.

Qwen3.8-2B — компактная языковая модель, разработанная Empero на основе Qwen3.5-2B. Это полное дообучение с дистилляцией: модель обучена на примерно 30 тысячах отобранных трасс рассуждений более крупной модели Qwen3.8, охватывающих математику, общие рассуждения и следование инструкциям. Модель содержит около 2 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для генерации ответов и диалогов, решения математических задач и рассуждений, в том числе на периферийных устройствах. Поддерживает интерфейс вызова инструментов по спецификации Qwen3.5. Для инференса подходят Transformers, vLLM и SGLang с поддержкой архитектуры Qwen3.5; для ускоренной работы требуются совместимые CUDA-ядра Gated DeltaNet. Обучение было текстовым; возможности работы с изображениями унаследованы от мультимодальной базовой модели, но не оценивались. По опубликованным тестам модель улучшила результаты базовой Qwen3.5-2B на GSM8K и MMLU, однако небольшой размер ограничивает фактические знания и решение особенно сложных многошаговых задач. При длинной генерации жадное декодирование может приводить к повторениям. Весы доступны по лицензии Apache-2.0; разработчик публикует их для исследований и экспериментов без гарантий.