II.1Анализ требований и архитектура ПО

RequirementClassifier версии 27 — дообученная модель BERT для бинарной классификации текстов требований к программному обеспечению. Она относит фрагменты текста к классу «требование» или «не требование» и предназначена для анализа документов с требованиями и автоматического отбора подходящих утверждений. Модель содержит 135,5 млн параметров, использует архитектуру BertForSequenceClassification и принимает текст длиной до 512 токенов. В обучении использовался набор PROMISE NFR с дополнительными примерами, не являющимися требованиями. Карточка не сообщает лицензию модели.

Mistral-Interact — языковая модель на основе Mistral-7B-v0.1, разработанная авторами проекта Mistral-Interact и полностью дообученная на наборе Intention-in-Interaction (IN3). Она предназначена для диалогов, в которых нужно оценить, насколько пользовательская инструкция расплывчата, выявить недостающие детали, задать уточняющие вопросы с предложениями и затем явно суммировать намерение пользователя. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке заявлены улучшенное распознавание неоднозначности инструкций, выявление важных пропусков и дружелюбное уточнение требований; авторы также сообщают о сопоставимых с GPT-4 результатах по ряду оценок взаимодействия. Модель принимает и генерирует текст, обучена для английского языка. Доступна по лицензии Apache-2.0. Заявления о сравнительной производительности основаны на описании авторов; README отсылает к статье и репозиторию за подробностями.

BERT4RE — специализированная языковая модель для инженерии требований, разработанная Муидeen Ajagbe и Liping Zhao. Это дообученная на открытых текстах по инженерии требований модель семейства RoBERTa для заполнения маски; в метаданных указано 81,2 млн параметров и контекст до 514 токенов. Модель предназначена для классификации требований, выявления языковых проблем, извлечения предметных понятий и построения связей трассируемости. Её также можно дообучать для конкретных задач инженерии требований, например для классификации девяти типов понятий. Модель рассчитана на английский язык и текстовые входные данные. Обучающие данные включали наборы требований и отзывы о приложениях. За пределами инженерии требований и на данных, существенно отличающихся от обучающих, качество может снижаться; для конкретного применения рекомендуется оценка и дополнительная настройка. Лицензия — MIT.

SoftwareArchitecture-Instruct-v1 — инструктивно дообученная языковая модель Мохамеда Яссера для вопросов по архитектуре программного обеспечения. Она основана на Liquid AI LFM2-1.2B и дообучена на датасете ajibawa-2023/Software-Architecture. Модель имеет плотную гибридную архитектуру LFM2, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для технических специалистов: архитекторов ПО, системных проектировщиков и опытных разработчиков. Она помогает разбирать архитектурные шаблоны, готовить проектные документы и обоснования решений, а также проводить разборы системного дизайна и готовиться к техническим интервью. Основной язык в карточке — английский. Лицензия — Apache-2.0. Ответы могут быть длинными и обрываться при достижении лимита генерации. Охват ключевых слов не всегда полон; архитектурные решения модели следует проверять с участием специалиста. Модель не предназначена для общего общения, глубокой генерации кода или отладки вне архитектурного контекста.

UML Generator — экспериментальная модель Sequelbox для анализа описанных ситуаций и создания диаграмм на языке UML. Она дообучена на наборе данных Sequelbox, созданном с помощью DeepSeek-V3.2, на базе openai/gpt-oss-20b. Модель использует архитектуру GPT-OSS с MoE и поддерживает генерацию текста; метаданные указывают 1,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена для задач проектирования и анализа: она сначала определяет структуру диаграммы, а затем выдаёт XMI 2.5.1 в формате UML Generator, который можно загрузить в UML-инструменты. В карточке названы программная архитектура, разработка ПО, бизнес-процессы, системная инженерия, моделирование данных, микросервисы и обратное проектирование. README рекомендует явно просить сгенерировать UML и описывать сценарий, а для производственного применения — проверять структуру результата. Модель рассчитана на англоязычные запросы согласно языковым тегам карточки и распространяется по лицензии Apache-2.0. Это экспериментальная настройка для генерации UML, а не универсальный чат-ассистент; выходной XMI может требовать структурной проверки.

P4tchFake/Qwen3.5-9B-Gemini-3.1-Pro-Reasoning-Distill — текстовая генеративная модель, дообученная на базе Qwen3.5-9B с использованием supervised fine-tuning, LoRA и дистилляции рассуждений из Gemini 3.1, Gemini 3.0 Pro и Qwen3.5-27B. Модель ориентирована на структурированное аналитическое поведение и более организованный Chain-of-Thought. В README указаны английский, китайский и корейский языки; архитектура описана как Dense, размер базовой модели — 9B параметров, однако размер контекста не указан. Модель предназначена для сложных многошаговых задач, требующих декомпозиции, планирования, абстрагирования, отслеживания ограничений и анализа компромиссов. Заявлены широкие области применения, включая математику и логику, программирование и системный анализ, безопасность и adversarial reasoning, физику, инженерию, право, философию, медицину, финансы, химию и прикладные социальные системы. Среди сильных сторон отмечаются структурированное рассуждение, более плотные и последовательные аналитические ответы, междисциплинарный охват и компактный размер. Из-за дистилляции и специализированного дообучения поведение модели может отличаться от исходной Qwen3.5-9B: возможны изменения в обобщающей способности и частичное забывание отдельных сведений предварительного обучения. Поэтому модель рекомендуется оценивать на собственных задачах перед применением в продуктивных сценариях. Лицензия — Apache-2.0.

GPT-6.1 Sol Pro — вариант GPT-6.1 Sol, который, согласно карточке модели, использует ту же базовую модель с режимом reasoning.mode=pro для более качественных ответов на сложные задачи. Это модель для диалогового взаимодействия и решения сложных задач; подробности об архитектуре, размере, модальностях и поддерживаемых языках в предоставленных данных отсутствуют. Режим Pro расходует значительно больше ресурсов, поэтому его применение может быть дороже.

Qwen3-14B-UML-Generator — экспериментальная модель Sequelbox для генерации диаграмм UML по описанию ситуации. Это дообученная плотная языковая модель Qwen3 с 14 млрд параметров, созданная на датасете UML, сгенерированном DeepSeek-V3.2. Модель анализирует требования и выдаёт диаграмму в виде кода XMI 2.5.1, который можно загрузить в UML-инструменты. Модель предназначена для проектирования программной архитектуры, бизнес-процессов, систем, моделей данных и микросервисов, а также для обратного проектирования. README описывает многошаговое рассуждение перед генерацией результата; формат ответа рассчитан на выдачу XMI-кода. Модель принимает текстовые инструкции и генерирует текст с диаграммой в XMI. Указан контекст 40 960 токенов и использование библиотеки Transformers. Авторы рекомендуют проверять структурную корректность результатов перед применением в производственных сценариях. Модель экспериментальная, а не гарантированно надёжный генератор диаграмм. Распространяется по лицензии Apache-2.0.

Alpaca Dragon 72B V1 — плотная языковая модель семейства Llama на 71 млрд параметров, созданная автором карточки дообучением Smaug 72B v0.1 на наборе данных Alpaca с примерами планирования и рассуждений. Она предназначена для генерации текста и разбиения сложных запросов на последовательные шаги и логический план, в том числе при планировании технических и разработческих задач. Модель принимает текст и выдаёт текст; карточка описывает её как англоязычную, а метаданные указывают контекст до 32 768 токенов. В карточке приведены результаты оценок, включая ARC Challenge и HellaSwag, однако заявленное улучшение отдельных тестов отмечено автором как неожиданное, а подробностей о методике обучения и лицензии нет. Репозиторий содержит веса в формате safetensors. Метаданные указывают лицензию other; условия использования следует сверить с файлами репозитория.

o1-pro — модель из серии o1 от OpenAI, обученной с применением обучения с подкреплением для решения задач, требующих рассуждений перед ответом. Вариант o1-pro использует больше вычислительных ресурсов для более глубокого обдумывания ответа. Модель предназначена для сложных задач рассуждения и подготовки ответов на запросы пользователя. Доступный фрагмент карточки не описывает архитектуру, размер, поддерживаемые языки и длину контекста, поэтому эти характеристики не приводятся. Лицензия в предоставленных данных не указана.

Qwen3-14B-DAG-Reasoning — экспериментальная специализированная языковая модель от Sequelbox для причинно-следственного анализа и построения ориентированных ациклических графов (DAG). Она дообучена на Qwen/Qwen3-14B на наборе данных Sequelbox, сформированном с помощью DeepSeek R1 0528, и использует архитектуру Qwen3 с 14 млрд параметров. Модель принимает текст и обычно выдаёт структурированный JSON с узлами и связями графа, который можно использовать для визуализации или дальнейшего анализа. Модель рассчитана на многошаговые рассуждения в областях программирования, науки, бизнеса, экономики, финансов, права, логистики и управления. Для запроса графа или анализа следует явно попросить его в сообщении; при неясном запросе модель может ответить в обычном стиле Qwen3. Контекст составляет до 40 960 токенов. Для применения в продуктивных системах автор рекомендует проверять структуру выходных данных. Лицензия — Apache-2.0.

Модель noahjadallah/cause-effect-detection — модель на архитектуре BERT для обнаружения причин и следствий в отдельных предложениях. Она разработана для анализа требований к программному обеспечению, но может применяться и к текстам из других областей. Для каждого токена модель предсказывает одну из пяти меток: Other, B-Cause, I-Cause, B-Effect или I-Effect, обозначающих фоновые токены и начало либо продолжение фрагментов причины и следствия. Модель содержит 136,7 млн параметров, использует классификацию токенов и поддерживает контекст до 512 токенов. Доступны веса PyTorch и Flax. README не сообщает языки обучения, лицензию или известные ограничения качества; поэтому их нельзя уточнить по предоставленным данным.

se-bert — языковая модель для программной инженерии, описанная в работе «Enhancing Automated Software Traceability by Transfer Learning from Open-World Data». Она обучена на Git Corpus и Git Links за 2016–2021 годы, включающих комментарии, задачи (issues), pull request и коммиты. По архитектуре это BERT с головой masked language modeling; модель содержит 136,7 млн параметров, работает с последовательностями до 512 токенов и распространяется в формате safetensors для Transformers. Модель предназначена как отправная точка для классификации требований, предсказания связей трассируемости и поиска или извлечения информации в задачах программной инженерии. В карточке не приведены результаты оценки и подробности метода обучения; заявленные сценарии следует считать целевыми применениями, а не гарантией качества. Лицензия в предоставленных данных не указана.

Qwen3-Max-Thinking — флагманская модель рассуждений серии Qwen3 от Qwen. Она предназначена для сложных задач, требующих глубокого многошагового анализа. В карточке отмечено, что модель масштабирует вычислительные ресурсы для обучения с подкреплением. Её можно использовать для задач, где требуется последовательное рассуждение и работа со сложными запросами. Данных о размере, поддерживаемых языках, длине контекста, лицензии и конкретных ограничениях в предоставленных материалах нет.

reqlint-smollm3-3b — дообученная с помощью LoRA модель HuggingFaceTB/SmolLM3-3B от автора jgalego для проверки требований к системам и их переписывания в форме EARS. Она выявляет распространённые дефекты формулировок, например объединение нескольких требований, отсутствие единицы измерения, расплывчатые слова и слабые глаголы, а затем предлагает переписанный вариант. Если для исправления не хватает исходных сведений, модель оставляет пустое место вместо того, чтобы придумывать их. Модель основана на плотной архитектуре SmolLM3ForCausalLM, содержит 3,1 млрд параметров, поддерживает контекст до 65 536 токенов и принимает текст на английском языке. Она обучена на синтетических требованиях для железнодорожных, автомобильных, авиационных, космических и энергетических систем; карточка приводит результаты также для морских и медицинских примеров. Модель предназначена для анализа одного требования за раз и не проверяет согласованность спецификации целиком. Это вспомогательный инструмент для ревью: он оценивает качество формулировки, а не техническую корректность, полноту или проверяемость требования, и не заменяет процессную проверку для стандартов безопасности. Результаты на реальных требованиях умеренные, а набор реальных примеров мал, поэтому оценки следует считать ориентировочными. Лицензия — Apache-2.0.

Модель jagalindo/uvl-qwen2.5-coder-7b-sft-merged — дообученная и объединённая с базовыми весами Qwen/Qwen2.5-Coder-7B-Instruct модель семейства Qwen2, предназначенная для генерации моделей признаков на языке UVL (Universal Variability Language). По текстовому описанию предметной области и структурным ограничениям она создаёт UVL-спецификации, например с заданными числом и глубиной признаков, ограничениями между ними и уровнем UVL. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и формат safetensors; карточка указывает контекст до 32 768 токенов. Это полноточечная версия bf16, подготовленная для Transformers и запуска на CUDA или CPU. В тесте на 62 запросах доля генераций, прошедших проверку Flamapy, составила 77,42% при генерации одного ответа и 96,77% после удаления дубликатов; для лучшего результата README рекомендует генерировать несколько вариантов, проверять их парсером и применять лёгкую постобработку. Модель специализирована на узком предметном языке, поэтому часть результатов может не разбираться с первой попытки; опубликованные показатели относятся к небольшому тестовому набору. Лицензия — Apache-2.0.

TwIL-LM — англоязычная текстовая модель компании webAI, созданная на базе HuggingFaceTB/SmolLM2-1.7B-Instruct. Она предназначена прежде всего для задач формальной логики: перевода в логику первого порядка, проверки следствий, семантического парсинга, формализации и критики формулировок на Lean, индукции правил и ответов в требуемом структурированном формате. Модель не позиционируется как универсальный ассистент. Модель содержит около 1,71 млрд параметров и использует decoder-only трансформер в стиле Llama: 24 слоя с размерностью скрытого состояния 2048. Она работает только с текстом, поддерживает английский язык и контекст до 8192 токенов. Обучение включало LoRA supervised fine-tuning, объединение чекпойнтов, WiSE-FT с λ = 0,75 и reinforcement learning на основе MGPO; перед ответом модель генерирует блок рассуждений <think>…</think>. Доступны веса в формате bfloat16, а также варианты GGUF, включая Q4_K_M размером около 0,98 GiB. Сильные стороны модели — высокая точность на специализированных задачах формальной логики, структурированном выводе и строгом соблюдении требуемого формата; заявлен прирост внутридоменного результата на 49% относительно базовой модели. При этом модель может хуже сохранять результаты на общих отложенных бенчмарках и не предназначена для универсального диалога. Использование регулируется webAI Non-Commercial License ver. 1.0, поэтому коммерческое применение ограничено условиями этой лицензии.

NANI-Nithin/TwIL-LM3-GGUF — набор GGUF-квантизаций модели TwIL-LM3, разработанной webAI-Official на основе HuggingFaceTB/SmolLM3-3B. Это декодерная модель архитектуры SmolLM3 с 3,08 млрд параметров, 36 слоями, размером скрытого состояния 2048 и словарём из 128 256 токенов. Модель поддерживает контекст до 65 536 токенов, ориентирована на английский язык и использует формат рассуждений с блоком <think> перед ответом. Модель специализирована для задач формальной логики: перевода в логику первого порядка, определения следования, противоречия и нейтральности, семантического разбора, формализации утверждений и критики доказательств в Lean, а также индукции правил и процедурного рассуждения. Она предназначена для локального запуска через llama.cpp и совместимые среды, включая Ollama и llama-cpp-python, а не для общего диалогового использования. Рекомендуется жадное декодирование и большой лимит генерации, поскольку сокращение блока рассуждений может заметно ухудшить точность. К сильным сторонам относятся специализация на формально-логических задачах, структурированные ответы и улучшение показателей относительно базовой SmolLM3-3B на профильных и отложенных наборах данных. К ограничениям относятся узкая предметная направленность, некоторое ухудшение следования инструкциям и возможное снижение качества при сильном квантовании, особенно в форматах Q2 и Q3. Опубликованные показатели относятся к исходным весам BF16 и не гарантируют тех же результатов для GGUF-квантизаций. Доступ предоставляется по лицензии webAI Non-Commercial License v1.0; базовая модель SmolLM3 имеет лицензию Apache 2.0.

gnarp-m2 — англоязычная языковая модель CatQualia для переноса структурных аналогий между разными областями. Она дообучена методом QLoRA на базе HuggingFaceTB/SmolLM2-360M-Instruct и содержит около 362 млн параметров. Модель предназначена прежде всего для сопоставления механизмов из биологии, физики, аниме, экономики и других областей с понятиями и конструкциями программной инженерии, а также для проверки таких соответствий. Это плотная авторегрессионная архитектура семейства Llama; контекст — до 8192 токенов. В бенчмарке переноса между областями v2 модель получила оценку 0,7839 и преимущество 14,1% над базовой моделью, однако оценивание основано на эвристиках, поэтому результат не следует считать точной оценкой качества. Обучение преимущественно на структурных аналогиях может снижать качество общего диалога и программирования; из-за небольшого размера модель также ограничена в сложных рассуждениях и длинных ответах. Refusal rate для этой версии не измерялся. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

TwIL-LM2 — языковая модель с 2,5 млрд параметров, разработанная webAI-Official на базе IBM Granite 3.3 2B Instruct. Модель дообучена с помощью LoRA на задачах формальной логики, затем применены интерполяция весов WiSE-FT и обучение с подкреплением GRPO. Она предназначена для решения специализированных задач формальной логики, включая формализацию и индукцию правил, а не для роли универсального чат-ассистента. Модель использует плотную архитектуру Granite и принимает и генерирует текст. Она унаследовала от базовой модели контекст длиной до 131 072 токенов, однако в приведённых оценках использовались бюджеты генерации 2 048 и 4 096 токенов; длинный контекст отдельно не проверялся. Карточка приводит конкурентные результаты на некоторых логических задачах, но отмечает слабое следование строгому формату вывода, низкую точность в задаче критики Lean и результаты ниже сопоставимых моделей на отложенных наборах. Лицензия указана как other, без конкретизации условий в предоставленных данных.

MRmidtrain9Bv4 — half corpus — это экспериментальный чекпойнт, дообученный HerrHruby на базе Qwen/Qwen3.5-9B. Он предназначен для генерации текста в формате scaffold-протокола MR: обучение проводилось на половине корпуса версии v4, содержащего 37 404 строки и 2 244 задачи, с четырьмя специальными токенами MR. Это одна из точек эксперимента по масштабированию данных, сопоставленная с обучением на четверти и полном корпусе. Модель использует плотную архитектуру Qwen3.5 для причинной генерации текста, представлена в формате safetensors и имеет контекстное окно 262 144 токена по метаданным. В README указаны bf16, FSDP, максимальная длина последовательности 65 536 токенов и итоговая валидационная next-token loss 0,6586; этот показатель не является оценкой качества по задачам. Метаданные также отмечают возможность диалога, однако README не приводит измеренных scaffold-eval результатов или подтверждённых прикладных сценариев. Базовая модель описана в каталоге как мультимодальная, но сведения о поддержке изображений этой текстовой производной модели не заявлены. Лицензия в предоставленных данных не указана.

Chaski — исследовательская fine-tune-модель от SZL Holdings на базе Qwen/Qwen3.5-0.8B. Это текстовая генеративная модель для подготовки предложений в формате JSON, экспериментов с управляемым отказом и маршрутизацией, а также сценариев, где результат проверяется независимым валидатором и требует одобрения человека. Модель предназначена только для черновиков: она не должна выполнять действия, авторизовывать изменения или превращать неопределённость в факт. В метаданных указан английский язык; другие языки и размер контекстного окна не заявлены. Архитектура унаследована от базовой модели Qwen, а артефакт представлен как объединённая fine-tune-модель с доступными LoRA-артефактами. Сильной стороной Chaski является явно описанная граница контроллера, раскрытое происхождение модели и сохранённые отрицательные результаты оценки. При этом модель не прошла заявленные контрольные критерии: в измерении Named-N она получила 0/5 для JSON-черновиков и 2/6 для противодействия adversarial-запросам. Оценка была ограниченной и не гарантирует поведения в других средах, версиях или наборах запросов; модель не подходит для автономной работы, исполнения, использования как источника достоверных фактов или в критически важных системах. В README указана лицензия Apache-2.0, однако публикация и автономное использование признаны недопустимыми, а лабораторная загрузка запрещена.

Angry Claudius 9B — шуточная дообученная модель на базе Qwen/Qwen3.5-9B, разработанная A Hole AI. Она предназначена для демонстрации и развлечения: на любой запрос отвечает коротким грубым отказом с ненормативной лексикой. Модель намеренно бесполезна и не требует системного промпта для такого поведения. Модель поддерживается библиотекой Transformers и доступна в форматах BF16 и GGUF, включая варианты Q8_0 и Q6_K. Размер исходных объединённых весов составляет около 18,82 ГБ, а рекомендуемый вариант Q6_K занимает около 7,36 ГБ. GGUF-файлы предназначены только для работы с текстом и не содержат vision projector; веса MTP для speculative decoding также отсутствуют. Для запуска через llama.cpp требуется актуальная сборка с поддержкой Qwen3.5. В README не указаны языки и максимальный размер контекста; в примере llama.cpp используется контекст 4096 токенов. Сильная сторона модели — стабильное и предсказуемое воспроизведение заданного комического поведения, однако это одновременно является её главным ограничением: она не предназначена для полезной помощи, анализа или генерации содержательных ответов. Точная формулировка отказов может различаться между форматами и уровнями квантования. Модель распространяется по лицензии Apache 2.0 и основана на Qwen/Qwen3.5-9B.

MiniMax-M2.5-bf16 — текстовая MoE-модель для диалогов и выполнения задач с помощью агентных сценариев. Модель разработана MiniMax и обучалась с подкреплением на сложных задачах из реальных сред. В карточке указаны сильные результаты в программировании, поиске, вызове инструментов и офисной работе, включая подготовку материалов для Word, PowerPoint и Excel. Модель предназначена для планирования и разработки программных систем, исправления и проверки кода, многошагового поиска информации, работы с инструментами и создания офисных материалов. README сообщает об обучении на более чем десяти языках программирования; это не устанавливает поддержку конкретных естественных языков. Метаданные указывают 2,9 млрд параметров, контекст до 196 608 токенов, библиотеку Transformers и формат safetensors. Доступна версия MiniMax-M2.5 в формате bf16. Лицензия указана в README как Modified-MIT, а в метаданных — как other; перед использованием следует свериться с условиями лицензии в репозитории. Результаты бенчмарков приведены разработчиком и не гарантируют аналогичного качества в конкретном приложении. Модель описана как чат-модель; README рекомендует SGLang для локального развёртывания.

Rewnozom — разговорная языковая модель для рассуждений и оркестрации, разработанная на основе Qwen/Qwen2.5-7B-Instruct-1M. Это дообученная плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM, 7,1 млрд параметров и контекстом до 1 010 000 токенов. Основной формат весов — safetensors; модель совместима с токенизатором и архитектурой Qwen2 и рассчитана на использование через chat template в Transformers. Модель предназначена для генерации ответов в сценариях, где важны логика, явные ограничения и структурированное выполнение задач: помощи в разработке ПО и проверке кода, планирования реализации и декомпозиции задач, а также поддержки агентных процессов, включая поиск, управление памятью и проверку разрешений. Обучающие данные ориентированы на формальное рассуждение и оркестрацию; для разрешений, переходов состояния и фактического исполнения предполагается детерминированный контроллер. Карточка указывает английский язык. Лицензия — Apache 2.0, как у базовой модели. Модель может выдавать ошибочные или неподтверждённые утверждения; сгенерированный код следует проверять и тестировать, а системный промпт не заменяет валидацию.

Модель hesamation/Qwen3.6-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled — текстовая reasoning-модель, созданная разработчиком @hesamation дообучением Qwen/Qwen3.6-35B-A3B. Она предназначена для задач, требующих последовательных рассуждений: помощи в программировании, планирования, математических задач и подготовки структурированных аналитических ответов. Обучение проводилось методом supervised fine-tuning с LoRA на текстовых рассуждениях, в основном полученных дистилляцией Claude Opus 4.6; адаптер объединён с базовой моделью. В основе — мультимодальная архитектура Qwen3.6 MoE с 35 млрд параметров, из которых активируется около 3 млрд. Базовая модель принимает изображения, однако этот этап дообучения использовал только текст, поэтому улучшения заявлены для текстовых задач, а не для изображений или видео. Нативная длина контекста базовой модели — 262 144 токена; README указывает возможность расширения до 1 010 000 токенов. В метаданных указан английский язык. Карточка приводит результат MMLU-Pro на 70 вопросах как ограниченную сравнительную проверку, а не полноценный бенчмарк релизного качества. Модель выпущена под лицензией Apache-2.0.

Jackrong/Qwen3.5-9B-Gemini-3.1-Pro-Reasoning-Distill — плотная текстовая модель на архитектуре Qwen3.5 с 9 млрд параметров, разработанная Jackrong путём дообучения Qwen/Qwen3.5-9B. Она предназначена для диалогов и сложных задач, где нужны последовательные рассуждения: разбиение задачи на части, планирование, анализ ограничений и обобщение. Обучение с учителем использует дистиллированные трассы рассуждений Gemini 3.1, Gemini 3.0 Pro и Qwen3.5-27B; модель рассчитана на генерацию текста и поддерживает интерфейс вызова инструментов. В корпусах обучения представлены математика, программирование и системы, безопасность, физика, право, медицина, финансы и другие области. Метаданные карточки указывают языки английский, китайский и корейский. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Модель может галлюцинировать факты и ссылки, а её склонность к подробному структурированному анализу иногда приводит к избыточным ответам на простые запросы. Дистилляция может повлиять на обобщение и вызвать частичное забывание знаний базовой модели; для конкретного сценария требуется оценка качества и настройка формата запросов.

Qwen3.5-9B-Gemini-3.1-Pro-Reasoning-Distill — модель для генерации текста и решения сложных многошаговых задач, дообученная на базе Qwen3.5-9B. Она создана с применением supervised fine-tuning, LoRA и дистилляции рассуждений из Gemini 3.1, Gemini 3.0 Pro и Qwen3.5-27B. Основной акцент сделан на структурированном анализе, планировании, декомпозиции задач и более лаконичных ответах. Модель предназначена для математики и логики, программирования и системного анализа, научных, инженерных, юридических, медицинских и финансовых задач, а также для сценариев, связанных с безопасностью и adversarial reasoning. В карточке указана текстовая модальность, pipeline text-generation и поддержка английского, китайского и корейского языков. Размер базовой модели — 9B параметров; размер контекста и точные требования к аппаратным ресурсам не указаны. Сильными сторонами модели считаются многошаговое рассуждение, отслеживание ограничений, последовательное планирование, междисциплинарный охват и анализ отказов или атак. При этом дистилляция и специализированное дообучение могут ухудшать обобщение в некоторых широких сценариях и приводить к частичному забыванию знаний базовой модели, поэтому модель рекомендуется оценивать на целевых задачах перед внедрением. Лицензия — Apache-2.0.

Qwen3.5-9B-Gemini-3.1-Pro-Reasoning-Distill — текстовая генеративная модель, разработанная Jackrong на базе Qwen/Qwen3.5-9B. Она дообучена методом supervised fine-tuning с применением LoRA и дистилляции рассуждений из источников, связанных с Gemini 3.1, Gemini 3.0 Pro и Qwen3.5-27B. Модель предназначена для задач, требующих структурированного анализа, декомпозиции, планирования, многошагового вывода и отслеживания ограничений. Модель относится к семейству Dense и содержит около 9 млрд параметров. Она работает в режиме text-generation и ориентирована на текстовые запросы и ответы. В README заявлена поддержка английского, китайского и корейского языков. Обучающие данные охватывают математику, логику, программирование, системный анализ, безопасность, физику, инженерию, право, медицину, финансы, химию и прикладные социальные задачи. Размер контекстного окна и другие параметры инференса не указаны. Сильными сторонами модели считаются более организованный стиль рассуждений, улучшенное решение сложных многошаговых задач, междисциплинарное покрытие и ориентация на анализ атак, отказов и ограничений. При этом дистилляция и специализированное дообучение могут ухудшать обобщение на отдельных сценариях или приводить к частичному забыванию знаний базовой модели, поэтому модель следует оценивать на собственных данных перед применением. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-9B-Gemini-3.1-Pro-Reasoning-Distill — языковая модель для генерации текста и решения сложных аналитических задач, разработанная сообществом на базе Qwen/Qwen3.5-9B. Она дообучена методом supervised fine-tuning с применением LoRA и дистилляции рассуждений из Gemini 3.1, Qwen3.5-27B и корпуса Gemini 3.0 Pro. Модель ориентирована на структурированное пошаговое рассуждение, декомпозицию задач, планирование, абстрагирование и подготовку более связных ответов. Модель предназначена для многошагового анализа, математики и логики, программирования и системных задач, физики, инженерии, права, медицины, финансов, химии, а также сценариев, связанных с безопасностью и adversarial reasoning. Заявлены языки English, Chinese и Korean. Архитектура — плотная модель размером 9B параметров; поддерживается текстовая генерация. Размер контекстного окна в README не указан. Сильными сторонами являются компактный размер, структурированная организация рассуждений, улучшенное отслеживание ограничений и широкое междоменное покрытие. Ограничения включают возможное ухудшение обобщения или частичное забывание отдельных знаний базовой модели из-за дистилляции и специализированного дообучения, поэтому модель следует проверять на целевых задачах перед использованием в производстве. Лицензия — Apache-2.0.