I.2Синтез, понимание и проверка знаний

PE-Type-1-Vera-4B — дообученная VANTA Research мультимодальная модель-ассистент на архитектуре Gemma 3 4B IT, настроенная на персону Реформатора из типологии эннеаграммы. Она ориентирована на английский язык и сочетает диалоговые возможности базовой модели с прямым, принципиальным и требовательным стилем ответов. Модель подходит для структурированного анализа решений, конструктивной обратной связи, самоанализа, технического сотрудничества и исследований устойчивости персон. В README указано, что её обучали три эпохи на примерно 3 000 примерах с помощью LoRA ранга 16. Метаданные указывают поддержку изображений; базовая Gemma 3 4B IT умеет отвечать на вопросы по изображениям. Перфекционистский стиль может приводить к чрезмерной критичности в творческих задачах и замедлять ответы при неоднозначных запросах. Модель не рекомендуется для эмоционально поддерживающего общения. Возможны ограничения базовой модели, включая галлюцинации. Лицензия — Apache-2.0.

MaziyarPanahi/phi-2-logical-sft — дообученная Maziyar Panahi модель Microsoft Phi-2 на наборе Open-Platypus. Она предназначена для генерации текста с акцентом на логические задачи и рассуждения, а также может применяться для ответов на вопросы и задач общего текстового помощника. Модель построена на плотной архитектуре PhiForCausalLM, содержит 3,5 млрд параметров и поддерживает контекст до 4096 токенов. Для использования указаны форматы PyTorch и Safetensors; автор также подготовил отдельную квантованную версию GGUF. Карточка приводит результаты оценки: loss 1,0075, среднее значение Open LLM Leaderboard 61,50, включая 61,35 на AI2 Reasoning Challenge и 75,14 на HellaSwag. Базовая Phi-2 описана как англоязычная модель, поэтому основное применение этой версии — англоязычная генерация и рассуждения. Модель распространяется по лицензии MIT.

Gayathri142214002/Question_Generation_ComQ_8 — модель на архитектуре T5, дообученная автором на основе Gayathri142214002/Question_Generation_ComQ_7. По названию репозитория она предназначена для генерации вопросов; карточка сообщает значение loss 0,2468 на оценочном наборе, но не описывает его состав или методику оценки. Модель содержит 123,8 млн параметров, принимает текст и генерирует текст, максимальный заявленный контекст — 512 токенов. Доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0. Данные о целевых языках, обучающем наборе и практических ограничениях в карточке отсутствуют.

RKMVNLP-scihigh-task1-bart-large-run1 — англоязычная модель команды RKMV_NLP для генерации кратких научных highlights. Она создана дообучением BART-Large с помощью LoRA на задаче FIRE SciHigh Subtask 1, набор MixSub-SciHigh, и предназначена для преобразования научного текста в краткие основные выводы. Модель использует архитектуру BART encoder-decoder, принимает текст и генерирует текст; базовая модель имеет контекст до 1024 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Seed 1.6 Flash — мультимодальная модель глубокого рассуждения от ByteDance Seed, предназначенная для работы с текстом и визуальной информацией. Она поддерживает контекст длиной 256 тысяч токенов и ориентирована на быстрый отклик. Модель подходит для диалога и задач, где нужно анализировать изображения вместе с текстом. README обрывается на описании выходных возможностей, поэтому дополнительные функции и ограничения по качеству определить нельзя. Условия лицензии в доступных сведениях не приведены.

SimCLS — модель-оценщик для абстрактивного суммирования, связанная с фреймворком SimCLS, описанным в исследовании «SimCLS: A Simple Framework for Contrastive Learning of Abstractive Summarization». Она обучена оценивать соответствие сгенерированных кратких пересказов исходному документу в задаче суммирования датасета XSum. В двухэтапной схеме генератор создаёт варианты пересказа, а оценщик присваивает каждому оценку; итоговым становится вариант с наивысшей оценкой. Для работы модель предназначена для совместного использования с google/pegasus-xsum. Модель основана на архитектуре RoBERTa, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Карточка приводит результаты экспериментов по ROUGE, но не описывает их как гарантию качества для других данных. Лицензия в предоставленных сведениях не указана.

Модель vincentmireau/summary-llama3-8b-f16-full — дообученная версия Meta-Llama-3-8B-Instruct для создания кратких пересказов аннотаций научных статей. Автор сообщает, что модель использовалась для получения таких резюме; обучение проводилось с помощью Unsloth и библиотеки TRL. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, рассчитанная на диалоговую генерацию текста с контекстом до 8192 токенов. В карточке указан английский язык. Модель подходит для автоматического краткого изложения abstract и других англоязычных текстов в сценариях, где нужен компактный пересказ. Основана на Meta-Llama-3-8B-Instruct и распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробностей обучающего набора, поэтому результаты суммаризации могут требовать проверки.

Thomas Simonini разработал модель t5-end2end-question-generation: это версия T5-base, дообученная на датасете SQuAD для генерации вопросов по заданному контексту. Модель принимает текст контекста и формулирует на его основе вопросы; например, контекстом может быть описание языка программирования. Модель содержит 123,7 млн параметров, использует архитектуру T5 для преобразования текста в текст и распространяется в формате PyTorch. Длина контекста составляет 512 токенов. В README приведён результат оценки на тестовой выборке SQuAD: loss 1,5691. Лицензия — Apache-2.0. Модель предназначена для генерации вопросов по текстовым фрагментам; её карточка не подтверждает качество на других языках или доменах и не приводит дополнительных оценок.

google/tapas-tiny-finetuned-tabfact — компактная модель TAPAS, разработанная Google и дообученная на наборе TabFact для проверки утверждений по содержимому таблиц. Она классифицирует, подтверждается ли предложение данными таблицы или опровергается ими, и подходит для проверки фактов в табличных отчётах и ответов на вопросы о таблицах. Модель основана на архитектуре TAPAS — трансформере, подобном BERT, который обрабатывает текст вместе с таблицей. Вход включает предложение и таблицу, представленные в виде последовательности токенов. Вариант по умолчанию использует относительные позиционные индексы, сбрасываемые для каждой ячейки; также доступна версия с абсолютными позиционными индексами. Модель содержит 4,4 млн параметров, имеет контекст до 512 токенов и поддерживает английский язык. Доступны веса PyTorch и TensorFlow. Модель обучалась на TabFact и предназначена для классификации поддержки или опровержения утверждений таблицей. Она не является универсальным генератором текста: результатом служит классификация, а качество может снижаться для длинных таблиц, сложных формулировок и языков, отличных от английского. Лицензия — Apache-2.0.

TAPEX base fine-tuned на наборе TabFact — модель Microsoft для проверки утверждений по табличным данным. Она использует архитектуру BART и была предварительно обучена для рассуждений по таблицам через выполнение синтезированных SQL-запросов, а затем дообучена для классификации утверждений относительно таблицы. Модель содержит 95,2 млн параметров, принимает текстовое представление утверждения и таблицы и рассчитана на контекст до 1024 токенов. Модель предназначена для проверки фактов в таблицах: она определяет, подтверждается ли утверждение содержимым таблицы. В метаданных указан английский язык и датасет TabFact. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Возможности вне проверки табличных утверждений не заявлены.

gchhablani/bert-base-cased-finetuned-rte — модель на основе BERT, разработанная как дообученная версия bert-base-cased для классификации текстовых последовательностей. Она обучена на наборе GLUE RTE и предназначена для определения, следует ли гипотеза из данного текста, а также для сравнения результатов google/fnet-base и bert-base-cased. Модель содержит 135,5 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. На оценочном наборе GLUE RTE модель показала точность 0,6715 и loss 0,7260. Доступны веса PyTorch; лицензия — Apache-2.0. Карточка не описывает ограничения или дополнительные сценарии применения.

Это вьетнамская модель классификации утверждений по контексту статьи, разработанная на основе uitnlp/CafeBERT и дообученная для задачи VFC-FC набора ViFactCheck. Она получает утверждение и полный текст связанной статьи и относит пару к одному из трёх классов: подтверждено, опровергнуто или недостаточно информации. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 658,7 млн параметров, максимальная длина контекста — 514 токенов; в описанном обучении использовалась длина последовательности до 256 токенов. Модель предназначена для проверки утверждений, когда текст исходной статьи уже известен. В тестировании на ViFactCheck средний Macro-F1 составил 0,6937, точность — 0,6952 по трём запускам с разными случайными начальными значениями. Модель не выполняет поиск источников в интернете и не оценивает проверку фактов в открытом мире. Длинная статья может быть усечена, причём сохраняется утверждение, а усечению подвергается контекст; классификатор может выдавать уверенные, но неверные ответы. Лицензия в предоставленных данных не указана.

Chinese-Mistral-7B-Instruct-v0.2 — китайскоязычная инструктивная модель на архитектуре Mistral, разработанная лабораторией геонаук и пространственной информации факультета наук о системе Земли Университета Цинхуа. В основе лежит Mistral-7B: авторы расширили китайский токенизатор и провели дополнительное предварительное обучение, а версию v0.2 дообучили методом LoRA на миллионе высококачественных примеров. Модель содержит 7,2 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и выполнения инструкций на китайском языке, а также для задач общего понимания текста, знаний и рассуждений. Расширенный словарь повышает эффективность кодирования и декодирования китайского текста; README сообщает о многоходовом диалоге и оценках на китайских и англоязычных тестах. Она может генерировать ошибочную или вредоносную информацию, поэтому перед внедрением требуется проверка безопасности. Лицензия в предоставленных данных не указана.

rdp99/deberta-v3-small-finetuned-mnli — модель классификации последовательностей на базе DeBERTa V3 Small, дообученная для задачи MNLI. Она предназначена для оценки отношений между парами текстов, например определения, следует ли гипотеза из посылки, противоречит ей или не связана с ней. Архитектура — DeBERTa V2 для классификации последовательностей; модель содержит 155 млн параметров и поддерживает контекст до 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,8776 и loss 0,6370. Датасет обучения не назван, поэтому результаты и переносимость на другие наборы данных или языки оценить по карточке нельзя. Базовая модель описана как англоязычная; лицензия модели — MIT.

Erlangshen-Longformer-110M — китайская модель понимания текста из серии Erlangshen, разработанная командой Fengshenbang. Это плотная архитектура Longformer на 122,5 млн параметров; модель продолжала предварительное обучение на корпусе WuDao объёмом 180 ГБ на основе chinese_roformer_L-12-H-768-A-12. В позиционных представлениях используется RoPE. Контекст модели составляет 4096 токенов. Модель предназначена для работы с длинными китайскими текстами и задач понимания естественного языка. Для загрузки авторы предлагают библиотеку Fengshenbang-LM, поскольку структура Longformer-base отсутствует в стандартной библиотеке Transformers. В репозитории указаны веса PyTorch. Лицензия — Apache-2.0.

Flacuna — языковая модель, разработанная Declare Lab путём дообучения Vicuna на наборе инструкций Flan-mini с помощью LoRA. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров; в карточке Hugging Face указаны формат PyTorch и контекст до 2048 токенов. Модель предназначена прежде всего для решения задач по текстовым инструкциям: в опубликованных оценках показала улучшение по сравнению с Vicuna на нескольких тестах рассуждения и решения задач, включая MMLU, BBH, DROP и CRASS. Flacuna также может отвечать на вопросы, поддерживать диалог и помогать с письмом, однако авторы рекомендуют для роли чат-бота или ассистента по письму предпочесть Vicuna. В тесте HumanEval результат Flacuna был ниже, чем у Vicuna, поэтому её преимущества не распространяются на все задачи. Обучающие данные включали англоязычные инструкционные и разговорные наборы; README не подтверждает поддержку конкретных языков помимо этого. Лицензия указана как other, поэтому условия использования следует сверить с лицензиями базовой модели и репозитория.

Gemma3-4B-Dark-Chain-of-Thought-CoT — дообученная диалоговая модель AiAsistent из серии Cognitive Liberty, предназначенная для генерации ответов с многошаговыми рассуждениями. Она основана на AiAsistent/gemma-3-4b-it-Cognitive-Liberty и использует архитектуру Gemma 3 с примерно 4 млрд параметров; веса опубликованы в формате safetensors и рассчитаны на работу через Transformers. Модель ориентирована на решение логических задач, сложные научные вопросы и академическое рассуждение. В README приведены результаты GPQA Diamond, MMLU и MMLU Humanities, однако это собственные заявленные авторами показатели. Карточка описывает обучение на наборе Dark-Chain-of-Thought-CoT и настройку с низким KL-дивергентным искажением базовой модели. Модель заявлена как менее склонная к отказам и ориентированная на свободные ответы, поэтому её ответы могут требовать проверки на точность и соответствие требованиям безопасности. Лицензия — Gemma; условия её использования следует сверять с лицензией Gemma.

GLM-5.2-Vision-NVFP4 — мультимодальная модель для понимания изображений и генерации текста. Этот чекпойнт опубликован под идентификатором baseten/GLM-5.2-Vision-NVFP4 и объединяет текстовую модель GLM-5.2 от zai-org с визуальным энкодером MoonViT-3d из Kimi-K2.6 от Moonshot AI. Модель предназначена для описания изображений, визуального анализа и диалогов в формате image-text-to-text, включая работу через OpenAI-совместимый API. В основе используется замороженная MoE-модель GLM-5.2 размером 744B параметров, из которых активно около 40B, с механизмами MLA и DSA sparse attention. Визуальная часть MoonViT-3d содержит 27 слоёв и имеет размерность 1152, а обучаемый PatchMerger-проектор преобразует визуальные признаки в токены размерности 6144; его размер — 49,5 млн параметров. Текстовые веса представлены в формате NVFP4, модель поддерживает до 4096 токенов изображения и максимальный контекст до 1 048 576 токенов. Главные преимущества — сочетание сильного reasoning-бэкенда GLM-5.2 с обработкой изображений, длинный контекст и возможность локального развёртывания через SGLang или Baseten. Ограничения — очень большой объём весов около 466 ГБ и высокие требования к оборудованию: рекомендованы 8 GPU B200 для контекста 1M или 4 GPU B200 для 256K; заявлена совместимость только с архитектурой Blackwell. Для SGLang требуется внешний плагин архитектуры модели. Лицензия указана как MIT; при этом входящие веса GLM-5.2 и Kimi-K2.6 сохраняют условия лицензирования исходных проектов.

Mungert/Glyph-GGUF — это GGUF-версия мультимодальной модели Glyph, созданной на базе GLM-4.1V-9B-Base. Исходную модель разработала исследовательская команда THU-COAI; данный вариант был преобразован и опубликован Mungert с использованием llama.cpp. Модель предназначена для задач image-text-to-text и обработки длинного контекста через визуально-текстовое сжатие: длинные текстовые последовательности преобразуются в изображения, которые затем анализируются vision-language model. Модель рассчитана на ответы по содержимому изображений и текста, включая понимание визуализированных длинных документов и последовательностей. Заявлены китайский и английский языки, поддерживаются текстовая и визуальная модальности. Точный размер контекстного окна и архитектурные детали в README не указаны; известна базовая модель с размером 9B параметров. GGUF-квантизация ориентирована на запуск через llama.cpp, а автор дополнительно повышает точность отдельных важных слоёв, увеличивая размер файлов по сравнению с обычной конфигурацией той же разрядности. Сильными сторонами являются подход к масштабированию эффективного контекста, снижение вычислительных и memory-затрат по сравнению с непосредственной обработкой очень длинного текста, а также возможность локального запуска GGUF-вариантов. Ограничения включают чувствительность к параметрам рендеринга, трудности с распознаванием мелких и редких буквенно-цифровых строк, например UUID, и недостаточно изученную применимость к задачам, не связанным с длинным контекстом. Модель распространяется по лицензии MIT.

KBevo-Qwen3-1.7B-SFT — контрольная точка модели Qwen3-1.7B, дообученная командой kilian-group методом supervised fine-tuning для подхода KBevo. Модель предназначена для многошаговых вопросов по текстовым фрагментам: сначала она извлекает из них компактную структурированную базу знаний в виде троек «сущность — отношение — значение», затем выполняет типизированные запросы к этой базе и формирует ответ на основе найденных фактов. Обе фазы используют общие веса. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров и имеет контекстное окно 40 960 токенов. Для двухфазного выполнения предусмотрена эталонная реализация KBevo; этот SFT-чекпойнт также служит начальной точкой для варианта KBevo-Qwen3-1.7B-GRPO. В README приведены результаты на HotpotQA, MuSiQue, 2WikiMultiHopQA и PopQA; отдельная оценка качества для иных сценариев не заявлена. Модель принимает текст и генерирует текст. В карточке указан английский язык. Лицензия — Apache-2.0. Она рассчитана на запуск и оценку политики построения базы знаний и рассуждений KBevo, воспроизведение результатов и дальнейшее дообучение; для двухфазного сценария следует использовать код проекта KBevo.

Llama-3.1-Argunaut-1-8B-SFT — языковая модель DebateLabKIT, дообученная методом SFT на базе meta-llama/Llama-3.1-8B-Instruct. Она предназначена для диалогов о структуре аргументов: помогает создавать карты аргументов в синтаксисе Argdown и выделять посылки и выводы из текста. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и работает с текстом; заявленное контекстное окно — 131 072 токена. В обучении использованы диалоги DebateLabKIT по аргументации и смесь инструкционных данных Tulu 3. Модель подходит для преобразования рассуждений в структурированный вид и обсуждения аргументации в формате чата. Карточка демонстрирует пример, в котором ответ на запрос о карте аргументов оказался неудовлетворительным, поэтому качество следования инструкциям и построения аргументов может быть непостоянным. Лицензия — Llama 3.1 Community License.

MiniMax-M2.7 Legal REAP 0.45 — производная модель семейства MiniMax-M2.7, выпущенная PLI Labs / Proprietary Legal Intelligence как кандидат для оценки прореживания экспертных компонентов в юридической области. Модель предназначена для работы с текстом и поддерживает диалог; заявленный размер — 2,9 млрд параметров, архитектура — смесь экспертов, формат весов — safetensors, контекст — до 204 800 токенов. В метаданных указан английский язык, а лицензия обозначена как other. Модель рассчитана на помощь юристам при составлении и редактировании документов, обобщении длинных текстов и фактов, анализе с опорой на источники, а также на локальную или приватную оценку юридических сценариев. Разработчик сообщает о перспективных результатах внутренней оценки, но публичные сводные таблицы бенчмарков пока не представлены. Это исследовательский кандидат, а не проверенная модель для самостоятельного оказания юридических услуг: ответы и ссылки требуют проверки юристом по первичным источникам. Условия лицензии и использования следует сверить с лицензией репозитория, обозначенной как other.

CreitinGameplays/Mistral-Nemo-12B-R1-v0.1 — дообученная автором CreitinGameplays модель Mistral Nemo для генерации ответов в диалоге с упором на систематические рассуждения. Она основана на mistralai/Mistral-Nemo-Instruct-2407 и обучалась один проход на датасете Magpie-Reasoning-V2-250K-CoT-Deepseek-R1-Llama-70Bmistral; автор сообщает, что обучение заняло 96 часов на двух NVIDIA RTX A6000. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров. Она принимает текст и выдаёт текст, поддерживает контекст до 131 072 токенов, а в интерфейсе модели заявлены чат и вызов инструментов. Основной язык обучения — английский, поэтому качество на других языках может быть ниже. Модель опубликована под лицензией MIT. Автор предупреждает, что после этапа рассуждений модель может зациклиться в бесконечной генерации; это следует учитывать при настройке лимита токенов и проверке ответов.

mt5-small-finetuned-arxiv-cs — модель на базе encoder-decoder архитектуры mT5, разработанная автором репозитория путём дообучения google/mt5-small на подмножестве корпуса arXiv. Она предназначена для суммаризации текстов научных публикаций, в частности материалов arXiv. Модель содержит 157,4 млн параметров и распространяется в форматах PyTorch и Safetensors. В README приведены результаты оценки: Loss 1,6922, ROUGE-1 0,7734, ROUGE-2 0,2865, ROUGE-L 0,6665 и ROUGE-Lsum 0,6743. Указана лицензия Apache-2.0. Подробности о длине входа, языках обучения и ограничениях применения не приведены.

Это дообученная версия shamikbose89/mt5-small-finetuned-arxiv-cs на базе mT5 — модели типа text-to-text для суммаризации. Репозиторий содержит около 157,4 млн параметров и веса в форматах PyTorch и Safetensors; модель доступна по лицензии Apache-2.0. Модель предназначена для суммаризации текстов, связанных с компьютерными науками и научными публикациями arXiv. В README приведены результаты оценки: Loss 1,4037, ROUGE-1 39,8923, ROUGE-2 20,9831, ROUGE-L 35,8642 и ROUGE-Lsum 35,8511. Описание набора данных, подробности обучения и сведения о целевом языке не приведены.

EViSE, ранее выпущенная под именем MultiEvalSumViet2, — компактная модель для оценки качества вьетнамских кратких изложений, разработанная авторами исследования о суммаризации на вьетнамском языке. Она получает исходный документ и кандидатное резюме и оценивает их по трём критериям: фактическая обоснованность, связность и релевантность. Результаты выдаются отдельными оценками от 0 до 1; при необходимости их можно преобразовать в шкалу от 1 до 5. Модель основана на ViDeBERTa и использует cross-encoder: документ и резюме кодируются совместно, а общая обработка подаёт представление на три критериальные головы. Это позволяет получить оценки одним локальным непорождающим проходом, без эталонного резюме на этапе применения. Модель содержит 211,6 млн параметров, принимает текстовые пары и поддерживает контекст до 512 токенов. Она предназначена для оценки вьетнамских резюме, фильтрации данных, построения предпочтений и использования как замороженный компонент оценки или вознаграждения. Модель обучалась преимущественно на вьетнамских новостях; проверка на техническом образовательном материале не подтверждает устойчивость к жанрам в целом. Перенос методики на другие языки не означает, что данный чекпойнт проверен для них. Оценки не следует использовать как единственный сигнал при оптимизации вознаграждения или фильтрации. Репозиторий распространяется по лицензии Apache-2.0.

OPOD-Qwen2.5-Omni-3B — модель Tung111, полученная постобучением Qwen/Qwen2.5-Omni-3B методом On-Policy Omni Distillation (OPOD). Это плотная мультимодальная модель семейства Qwen2.5-Omni с 3 млрд параметров, предназначенная для задач рассуждения по тексту, изображениям, аудио и видео. Она объединяет возможности нескольких модальных учителей в одной модели; в оценке авторов средний результат на 12 бенчмарках составил 46,2, что на 5,5 пункта выше базовой модели. Модель подходит для ответов на вопросы и проверяемых задач рассуждения, включая понимание изображений, диаграмм и аудио. README описывает её как замену базовой модели с теми же архитектурой и процессором; метаданные указывают поддержку английского и китайского языков. Контекст в карточке не указан. Для ожидаемого формата ответа рекомендуется задавать системную инструкцию с тегами рассуждения и финального ответа. Постобучение затрагивало путь обработки текста и рассуждений. Генерация речи унаследована от базовой модели, но не оптимизировалась и не оценивалась; в задачах рассуждения авторы рекомендуют отключать аудиовыход. Оценивание сосредоточено на проверяемых рассуждениях: свободный диалог, длинная генерация и синтез речи не входят в проверенную область, а результаты по конкурсной математике AIME остаются низкими. Лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой модели и условиями базовой модели.

Ornstein3.8-27B — экспериментальная мультимодальная модель с открытыми весами, созданная GestaltLabs на основе Qwen/Qwen3.8-27B. Это дообученная и объединённая с базовой моделью версия с архитектурой Qwen3_5ForConditionalGeneration: плотная модель примерно на 27 млрд параметров, использующая чередование линейного внимания и полного внимания Gated DeltaNet. Она принимает текст и изображения, поддерживает видео, а длина контекста составляет 262 144 токена. Модель предназначена для диалогов, анализа изображений и видео, а также многошаговых задач, включая математические рассуждения. В одном прогоне GSM8K автор получил 96,51% точности в BF16; этот результат не распространяется на квантованные версии. Автор описывает чекпойнт как раннее объединение весов, а не готовый релиз качества, и планирует дальнейшую работу с RL-средами и дообучением на основе энергетических моделей. Для запуска требуется сборка Transformers с поддержкой Qwen3.8/qwen3_5. Веса опубликованы под лицензией Apache-2.0.

Mungert/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2-GGUF — GGUF-версия дообученной модели Qwen3.5-9B, ориентированной на рассуждения. Модель создана на базе Qwen/Qwen3.5-9B с использованием материалов, связанных с проектом Jackrong, библиотеки Unsloth и llama.cpp. Для обучения заявлены наборы данных с примерами рассуждений в стиле Claude Opus 4.6 и другие коллекции reasoning-данных. Модель предназначена для задач, требующих пошагового анализа: математики, текстовых задач, логической дедукции, общих знаний и выполнения инструкций. Во второй версии использовано около 14 000 образцов рассуждений с акцентом на более короткие и экономичные цепочки рассуждений, чтобы снижать вычислительные затраты без потери качества. Также приводятся результаты HumanEval и HumanEval+, которые используются как оценка переноса общих навыков рассуждения на программирование, а не как прямая цель обучения. Ключевая характеристика — размер базовой модели 9B и распространение в формате GGUF, удобном для запуска через совместимые инструменты локального инференса. В карточке указаны языки English, Chinese и Korean, а также тег image-text-to-text, однако подробности о мультимодальных возможностях, размере контекста и поддерживаемых форматах входных изображений не приведены. Ограничением является возможное снижение широких универсальных способностей из-за объема и направленности SFT-обучения; кодовая специализация также не была основной частью обучения. Модель распространяется по лицензии Apache-2.0.

Карточка модели masterzm9/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors на Hugging Face совпадает с карточкой GitMylo/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors, поэтому описание составлено по ней. GitMylo/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors — производный чекпойнт Qwen3.5-9B, представленный в формате safetensors для Transformers. Согласно карточке, это мультимодальная причинная языковая модель с визуальным энкодером на 9 млрд параметров; архитектура объединяет Gated Delta Networks и разреженный Mixture-of-Experts. Модель принимает текст и изображения и предназначена для диалогов, визуального понимания, рассуждений и вызова инструментов. Базовая модель заявляет поддержку 201 языка и диалекта, однако отдельные языковые данные именно для этого дообученного варианта не приведены. Контекст базовой модели составляет 262 144 токена и может расширяться до 1 010 000 токенов. Карточка описывает формат совместимости с Transformers и серверами vLLM, SGLang и KTransformers. В README не раскрыты конкретные изменения, внесённые вариантом HauhauCS, и нет его отдельных оценок качества; название предполагает агрессивную настройку поведения, но это нельзя подтвердить деталями обучения. Лицензия — Apache-2.0. Практическое применение требует значительных вычислительных ресурсов, особенно при большом контексте; README также предупреждает о риске нехватки видеопамяти при настройках контекста по умолчанию.