II.10Разработка и эксплуатация AI/ML-систем

Nemotron-Terminal-32B — языковая модель NVIDIA для автономной работы в терминале. Это плотная causal language model семейства Qwen3 с 29,7 млрд параметров, дообученная для задач терминального взаимодействия. Модель принимает текстовое описание задачи и сведения о состоянии терминала, а в ответ формирует структурированный JSON с анализом, планом и последовательностью нажатий клавиш и команд. Модель предназначена для запуска командной строки и выполнения многошаговых задач в терминале, включая сценарии оценки Terminal-Bench 2.0. В README для варианта 32B указана точность 27,4% на этом бенчмарке; для согласованной оценки рекомендуется оболочка Terminus 2, на которой проводилось обучение. Поддерживается контекст до 40 960 токенов. Модель рассчитана на английский язык. Это дообученная версия Qwen3-32B; в репозитории указаны веса safetensors для библиотеки Transformers. Лицензия обозначена как other, поэтому условия использования следует сверять с карточкой модели и сопровождающими лицензиями. Ответы модели могут содержать некорректные команды или планы, поэтому их следует проверять перед выполнением.

Это GGUF-квантизированная версия языковой модели AceReason-Nemotron-7B, разработанной NVIDIA и подготовленной квантизатором bartowski на базе llama.cpp. Модель предназначена для генерации текста с акцентом на рассуждения, математические задачи и программирование; заявленный язык — английский. Формат GGUF позволяет запускать её локально через llama.cpp, LM Studio и другие совместимые проекты. Модель относится к классу примерно 7-миллиардных текстовых моделей, однако точные сведения об архитектуре, размере контекста и поддерживаемых модальностях в README не указаны. Доступны варианты от BF16 до различных уровней квантования, включая рекомендуемые Q4_K_M, Q5 и Q6, что позволяет выбирать между качеством и требованиями к памяти. Более сильные варианты сохраняют качество ближе к исходной модели, а компактные подходят для систем с ограниченными ресурсами, но могут заметнее терять в качестве. Использование регулируется NVIDIA Open Model License; для конкретных условий следует ознакомиться с текстом лицензии NVIDIA.

Nxcode-CQ-7B-orpo-IMat-GGUF — это набор квантизованных GGUF-вариантов модели NTQAI/Nxcode-CQ-7B-orpo, подготовленный legraphista с использованием llama.cpp версии b3067. Модель предназначена для генерации текста и, судя по тегу code и названию исходной модели, ориентирована прежде всего на задачи, связанные с программным кодом. README не содержит точных сведений о поддерживаемых языках, контекстном окне и перечне специализированных сценариев. Исходная модель имеет размер 7B параметров и исходный формат BF16. Доступны варианты от BF16 и F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K, IQ4 и IQ3; размеры файлов составляют примерно от 3,05 до 14,50 ГБ. Для ряда низкобитных вариантов применена IMatrix-квантизация с использованием указанного калибровочного набора, что позволяет выбирать между качеством и требованиями к памяти. Файлы представлены в формате GGUF и предназначены для запуска в совместимой инфраструктуре, включая llama.cpp. Главные преимущества — широкий выбор уровней квантизации, возможность локального запуска и снижение требований к памяти по сравнению с полноразмерными вариантами. Ограничения связаны с тем, что квантизация может влиять на качество генерации, а README не приводит результатов оценки, сведений о мультимодальности или точных характеристик архитектуры. Для модели указана лицензия tongyi-qianwen-research; в качестве ссылки на условия лицензии приведён документ CodeQwen1.5-7B.

Модель goodnessolayinka/oadson-cli-subagent-lora-v2 — дообученная разговорная модель генерации текста на базе unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit. Она предназначена для генерации ответов в диалоге и задач, связанных с кодом; метаданные также указывают интерфейс вызова инструментов. Архитектура — плотная Qwen2ForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Поддерживаемый язык карточки — английский. Модель обучена с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о специфических ограничениях качества или тестирования.

openNemo — реализация архитектуры Nemotron-H на чистом PyTorch от Empero AI. Она сохраняет гибридное устройство исходной модели NVIDIA: 52 слоя с блоками Mamba2, Grouped Query Attention и MLP, а также имена весов, поэтому исходные чекпойнты Nemotron-H можно загружать без преобразования. Репозиторий рассчитан на запуск языковой модели и упрощение её использования с bitsandbytes-квантизацией в 4- и 8-битном режиме и QLoRA дообучением на потребительских GPU. Модель подходит для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Указан размер 15,1 млрд параметров, форматы весов — safetensors; реализация использует библиотеку Transformers. В тегах карточки перечислены английский, испанский, французский, немецкий, итальянский и японский языки. Реализация заменяет зависимости от внешних CUDA-ядер Mamba на операции PyTorch, что упрощает установку и позволяет использовать bitsandbytes и QLoRA. README не приводит отдельную оценку качества или сравнительные результаты; чисто PyTorch-реализация может иметь иные требования к скорости и памяти, чем оптимизированные CUDA-ядра. Лицензия обозначена как other, поэтому условия повторного использования следует сверять с карточкой модели и базового чекпойнта.

UCSC-VLAA/openvision-vit-base-patch16-384 — визуальный энкодер OpenVision, разработанный авторами проекта OpenVision и описанный в работе «OpenVision: A Fully-Open, Cost-Effective Family of Advanced Vision Encoders for Multimodal Learning». Модель предназначена для извлечения признаков изображений и использования в мультимодальных системах; каталог также относит её к моделям для классификации изображений по текстовым меткам без дообучения. Репозиторий использует библиотеку open_clip и содержит веса PyTorch. Лицензия — Apache-2.0. В доступных сведениях не приведены размер модели, длина контекста, набор поддерживаемых языков и подробные ограничения качества.

gaudi/opus-mt-zh-en-ctranslate2 — версия модели перевода Opus-MT, подготовленная сообществом на основе работ Helsinki-NLP, CTranslate2 и michaelfeil. Это encoder-decoder модель семейства Marian для перевода с китайского на английский, преобразованная в формат CTranslate2 для ускоренного инференса на CPU и GPU. Для вычислений поддерживаются режимы int8 на CPU и int8_float16 на CUDA. Модель предназначена для перевода текстов с китайского языка на английский, в том числе при пакетной обработке и развёртывании сервиса перевода. CTranslate2 оптимизирует выполнение за счёт таких приёмов, как квантование весов и объединение слоёв; приведённые в README бенчмарки показывают ускорение на тестовых конфигурациях, но относятся к другим языковым направлениям и условиям запуска. Внутренние тесты авторов конвертации показали возможное небольшое снижение BLEU относительно исходных чекпойнтов; эффект зависит от конфигурации и квантования. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия — Apache-2.0.

Shuu12121/Owl-ph2-len2048 — модель Sentence Transformer на базе ModernBERT, разработанная для поиска кода и извлечения кода по текстовым запросам. Она преобразует исходный код и естественный язык в плотные векторы размерности 768, которые можно сравнивать по косинусному сходству. Модель обучена на корпусе Owl из 800 640 пар для поиска кода и связи «код—текст»; в README указана максимальная длина последовательности 1024 токена, а предобучение базовой модели проводилось с длиной до 2048 токенов. Метаданные указывают контекст до 8192 токенов. Модель подходит для семантического поиска функций в репозитории, поиска исходного кода по описанию на естественном языке и ранжирования кандидатов по смысловой близости. Она рассчитана на английский язык согласно карточке и языковым тегам; README описывает обучающие примеры по нескольким языкам программирования, но не перечисляет их. Лицензия — Apache-2.0. Эмбеддинги предназначены для dense retrieval; качество зависит от корпуса и формулировки запроса.

PII-Tracer-vLLM — версия модели Perplexity AI PII-Tracer, упакованная для запуска через vLLM. Это дообученный двунаправленный энкодер Qwen3 примерно с 508 млн параметров и контекстом до 32 768 токенов. Он размечает токены в разговорном тексте по девяти категориям персональных данных и секретов, а отдельная голова оценивает чувствительность беседы. Разметка использует BIOES-теги и декодирование Viterbi; модель также поддерживает оценку чувствительности последовательности. Модель подходит для поиска и маскирования персональных данных в диалогах, а также для предварительной оценки чувствительности бесед. Репозиторий содержит адаптер оценивания и средства развёртывания с vLLM; веса сохранены в safetensors без повторного обучения и квантизации. Для запуска описанной конфигурации Docker Compose требуются NVIDIA GPU и совместимый драйвер. В README указан предел входа 4096 токенов: более длинный текст следует разбивать на части, иначе токенизатор обрежет его. Возможны пропуски и ложные срабатывания, а границы фрагментов могут включать пробелы; пороги уверенности необходимо калибровать на целевых данных. Лицензия — MIT.

tmickleydoyle/Python-Code-Completer — дообученная модель для генерации и дополнения кода Python. Она создана разработчиком tmickleydoyle на основе unsloth/qwen2.5-coder-1.5b-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; заявленный контекст — до 32 768 токенов. Модель подходит для продолжения фрагментов Python-кода и помощи при написании кода по текстовым запросам. В карточке указаны английский язык и лицензия Apache-2.0. README не приводит результатов оценки качества или подробностей обучающих данных, поэтому надёжность генерации и охват конкретных библиотек по доступным сведениям оценить нельзя.

Модель RL-Forgetting-Experiments-3/qwen2.5-3b-code-sft-ordered-lr1e5-step102 разработана в рамках экспериментов RL-Forgetting-Experiments и представляет собой готовую к инференсу модель Qwen2.5-3B после supervised fine-tuning для генерации кода. Обучение проведено на наборе qwen3b_code_sft_data_s300; использован упорядоченный порядок данных без replay, на шаге оптимизатора 102. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, реализованная как Qwen2ForCausalLM. Она принимает текст и генерирует текст, включая программный код; поддерживает контекст до 32 768 токенов. Репозиторий использует Transformers и формат safetensors. Модель подходит для генерации и дополнения кода, а также для экспериментов с supervised fine-tuning и забыванием при обучении. README не приводит оценки качества или перечень языков программирования, поэтому результаты для конкретных задач следует проверять отдельно. Базовая модель — Qwen/Qwen2.5-3B; сведения о лицензии в доступных данных отсутствуют.

Qwen2-57B-A14B — базовая большая языковая модель серии Qwen2, разработанной командой Qwen. Это декодерная модель на архитектуре Transformer с разреженной смесью экспертов (MoE): всего 57 млрд параметров, из которых 14 млрд активируются при одном проходе. Модель предназначена для дальнейшего обучения и оценки возможностей в генерации и понимании текста, ответах на вопросы, рассуждениях, математике, программировании и многоязычных задачах. Модель принимает текст и генерирует текст; карточка указывает контекст до 131 072 токенов и адаптивный к разным естественным языкам и кодам токенизатор. В README не советуют использовать базовую версию для прямой генерации и рекомендуют сначала провести дополнительное обучение, например SFT, RLHF или продолжение предобучения. Для загрузки архитектуры Qwen2MoE требуется Transformers версии 4.40.0 или новее. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0.

rubra-ai/Qwen2-7B-Instruct — дообученная компанией Rubra модель Qwen2-7B-Instruct для диалогов и многошагового вызова функций и инструментов. Модель основана на плотной авторегрессионной архитектуре Qwen2, содержит 8 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текстовые ответы и вызовы инструментов. Модель предназначена для чат-ботов и агентных сценариев, где ассистент выбирает функции, передаёт им аргументы, получает результаты и продолжает диалог. В README указано, что модель прошла дополнительное постобучение с замороженными параметрами и DPO на закрытом наборе данных с примерами вызова функций, диалогов и инструкций. Заявлена лицензия Apache-2.0. Модель может выдавать предвзятые или ошибочные ответы; результаты в чувствительных и критически важных сценариях требуют проверки. Языковые метаданные карточки указывают английский и китайский, но README не уточняет качество поддержки каждого языка.

Qwen2ViT-600M — визуальный энкодер, извлечённый из серии Qwen2-VL и используемый командой EMOVA для обучения мультимодальных моделей. Это плотная vision transformer модель с примерно 600 млн параметров; она предварительно обучена на изображениях с динамическим разрешением и поддерживает разные размеры и соотношения сторон без фиксированного входного размера. В каталоге указана задача feature-extraction, а веса доступны в формате safetensors для библиотеки Transformers. Модель предназначена для извлечения визуальных признаков и использования в качестве vision tower при обучении мультимодальных систем, включая EMOVA. Для применения энкодера в таком конвейере требуется соответствующая обёртка Qwen2VisionTower и конфигурация модели. Лицензия — Apache-2.0. Карточка не сообщает ограничений по качеству или перечня поддерживаемых языков.

Это пакет распределённого вывода модели Qwen3-30B-A3B в формате GGUF Q4_K_M, подготовленный проектом Mesh LLM на основе unsloth/Qwen3-30B-A3B-GGUF. Веса разделены на артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин, когда целый файл не помещается на одном узле. Пакет предназначен для локального и приватного чата и генерации текста через Mesh LLM. Сервис поддерживает совместимый с OpenAI интерфейс `/v1/chat/completions`; для работы требуется Mesh LLM и машины, объединённые в кластер. Модель относится к семейству Qwen3, а квантование Q4_K_M уменьшает требования к ресурсам по сравнению с полноточными весами. Карточка пакета отсылает к исходной модели за сведениями об архитектуре, шаблоне чата, рекомендациях по генерации и лицензии, поэтому эти условия следует сверять с карточкой источника. Сведения о размере модели, контекстном окне и поддерживаемых языках в предоставленных данных отсутствуют.

Manojb/Qwen3-4b-toolcall-gguf-llamacpp-codex — языковая модель на базе Qwen3-4B-Instruct-2507, дообученная автором с помощью LoRA на примерах вызова функций Salesforce/xlam-function-calling-60k. Она предназначена для диалогов с инструкциями и формирования вызовов инструментов в локальных агентных системах и помощниках для разработки. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и распространяется в формате GGUF с квантизацией Q8_0; заявленный контекст — до 262 144 токенов. README описывает запуск через llama-cpp-python и локальную обработку данных. Карточка заявляет точность вызова функций более 94% на тестовом наборе, однако методика и состав оценки не приведены. Поддерживаемый язык карточки — английский. В метаданных указана лицензия MIT, тогда как README указывает Apache 2.0; лицензию следует сверить с файлами репозитория.

Это пакет GGUF-весов Qwen3.5-27B-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого запуска модели на локальном кластере. Пакет основан на unsloth/Qwen3.5-27B-MTP-GGUF и разбивает исходный GGUF на артефакты по слоям; библиотека запуска — Mesh LLM. Указанный вариант квантования — Q4_K_XL. Модель предназначена для локального чат-инференса, в том числе на нескольких машинах, когда целиком разместить GGUF на одном узле затруднительно. Mesh LLM позволяет подключить её через локальный API, совместимый с OpenAI Chat Completions. Карточка отсылает к исходной модели за сведениями об архитектуре, шаблоне чата, параметрах генерации и лицензии; здесь эти условия не приведены.

Qwen3.6-35B-A3B-DSV4Pro-Thinking-Distill — разреженная MoE-модель, опубликованная пользователем nerkyor и предназначенная прежде всего для локального запуска в Lynn Agent. Она выполняет роль оркестратора задач: разбивает сложные запросы на этапы, делегирует их инструментам или другим компонентам и проверяет результаты. Модель основана на Qwen3.6-35B-A3B и обучена с помощью LoRA на примерах рассуждений и агентного поведения, дистиллированных из DeepSeek-V4-Pro с включённым режимом thinking. Инструментальные результаты в обучающих траекториях были симулированными и замаскированы, поэтому модель обучалась способам рассуждения и вызова инструментов, а не запоминанию этих результатов. Архитектура MoE имеет 35B параметров с активацией примерно 3B параметров на токен; базовая версия обучалась в BF16. Указаны английский и китайский языки, назначение text-generation и поддержка агентных сценариев с ReAct-подобным чередованием рассуждений и действий. Модель оснащена встроенной MTP-главой для speculative decoding; поддержка заявлена для llama.cpp, vLLM и SGLang, однако большинство графических интерфейсов используют её без ускорения MTP. Для локального запуска рекомендуются системы с 32 ГБ или более VRAM либо unified memory, а для меньших объёмов памяти авторы предлагают другую модель. Сильными сторонами являются улучшение результата на GPQA-Diamond относительно исходной модели, более быстрая сходимость агентного цикла и снижение числа незавершающихся ответов. Ограничения включают небольшое снижение результата на MMLU, потерю одного успешного сценария из двадцати в указанной проверке оркестрации и ограниченную эффективность MTP по сравнению с плотными моделями. Модель распространяется по лицензии Apache-2.0.

Это нативный 3-битный TurboQuant-чекпойнт Qwen3.6-35B-A3B, подготовленный varjosoft на основе Qwen/Qwen3.6-35B-A3B. Он предназначен для генерации текста в диалогах и запуска через vLLM с плагином turboquant-plus-vllm версии 0.13.5 или новее. Модель использует MoE-архитектуру с 35 млрд общих и примерно 3 млрд активных параметров, 256 экспертами, сочетанием GatedDeltaNet и внимания с частичной rotary-позиционной кодировкой. Веса экспертов упакованы в нативный формат TQ3; размер чекпойнта составляет около 16 ГБ вместо примерно 70 ГБ для BF16, при этом отдельные компоненты хранятся в FP16. Чекпойнт проверен на нескольких ускорителях NVIDIA и требует vLLM 0.20.2 или новее. Он ориентирован на более компактное размещение модели и инференс через совместимый загрузчик; README приводит скорость около 16 токенов в секунду при заданной конфигурации A100 и batch size 1. Базовая модель описана в каталоге как мультимодальная, однако эта карточка указывает text-generation и демонстрирует текстовые запросы и ответы. Лицензия — Apache-2.0. В примере модель выводит видимую цепочку рассуждений; качество и поведение после 3-битного сжатия могут отличаться от исходных весов.

Это пакет слоёв GGUF-модели Qwen3.8-27B-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса на локальном кластере. Он создан на основе unsloth/Qwen3.8-27B-GGUF и сохраняет исходную GGUF-модель, разделённую на артефакты по слоям. Вариант квантования — Q4_K_XL. Пакет предназначен для локального приватного чата и генерации текста, в том числе на нескольких машинах, когда целиком разместить модель на одном хосте затруднительно. Через Mesh LLM модель можно предоставлять по локальному API, совместимому с OpenAI Chat Completions. Репозиторий использует библиотеку mesh-llm и формат GGUF; лицензия — Apache-2.0. В README не приведены размер контекста, точное число параметров, перечень поддерживаемых языков и подробные результаты оценки качества. Возможности и качество диалога зависят от исходной модели и конфигурации Mesh LLM.

Это пакет слоёв GGUF модели Qwen3.8-27B-UD-Q8_K_XL, подготовленный Studio Maveric на основе unsloth/Qwen3.8-27B-GGUF для распределённого запуска через Mesh LLM. Пакет сохраняет исходную модель в формате GGUF, разбитую на артефакты по слоям; вариант Q8_K_XL предназначен для локального вывода на оборудовании пользователя и распределения вычислений между несколькими машинами. Модель подходит для диалоговых сценариев и генерации текста через локальный API Mesh LLM, совместимый с OpenAI Chat Completions. Распределённый запуск помогает использовать модель, когда ресурсов одного узла недостаточно. Архитектура относится к семейству Qwen3; размер и контекст модели в предоставленных сведениях не приведены. Пакет распространяется по лицензии Apache-2.0. Подробности архитектуры, языков и ограничений следует сверять с карточкой исходной модели.

Это пакет GGUF-слоёв модели Qwen3.8-27B-UD-Q8_K_XL, подготовленный для распределённого запуска через Mesh LLM. Пакет создан на основе unsloth/Qwen3.8-27B-GGUF и распределяет модель по артефактам отдельных слоёв для инференса на локальном кластере из нескольких машин. Модель предназначена для локального приватного чата и генерации текста, в том числе через OpenAI-совместимый API Mesh LLM. Распределение слоёв позволяет объединять вычислительные ресурсы нескольких узлов, когда полной модели недостаточно разместить на одном компьютере. Семейство — Qwen3; вариант использует GGUF-квантование UD-Q8_K_XL. Размер модели и длина контекста в предоставленных данных не указаны.

Qwen3-8B TMax AENV v39b, итерация 179 — чекпойнт модели Qwen3-8B, дообученной командой willamazon1 методом обучения с подкреплением на асинхронных многоходовых взаимодействиях в агентной среде. Он инициализирован из willamazon1/qwen3-8b-tmax-sft-v3-iter353, который ранее был дообучен на Qwen/Qwen3-8B. Архитектура — плотная Qwen3ForCausalLM на 7,6 млрд параметров; модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Контекст — до 40 960 токенов. Чекпойнт предназначен для диалоговых и агентных сценариев, где модель ведёт многоходовое взаимодействие и использует инструменты. Это одна из итераций обучения v39b; соседние итерации опубликованы для сравнения динамики обучения. Веса преобразованы из формата Megatron-LM torch_dist в safetensors для Hugging Face, хранятся в bfloat16; состояние оптимизатора не включено. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Flash-Next REAP-384 (bf16) — полноточный чекпойнт, опубликованный sh0wie на основе Qwen/Qwen3.8-Flash-Next. Это разрежённая MoE-модель семейства Qwen: в 48 слоях чередуются Gated DeltaNet и разрежённое внимание Qwen, а в каждом MoE-блоке из исходных 512 экспертов оставлены 384 с маршрутизацией top-10. Модель относится к классу 180 млрд параметров: 125 млрд в основной модели и таблица n-грамм на 51 млрд параметров. Веса хранятся в bf16 без предварительной квантизации; репозиторий занимает около 294 ГБ. Чекпойнт предназначен прежде всего для генерации текста и диалогового использования, а также как источник для дальнейшей квантизации, дообучения или высококачественного инференса при наличии подходящей инфраструктуры. Отбор экспертов REAP калибровали примерно на 686 тысячах токенов агентного программирования; автор приводит для родственной 4-битной сборки результат 92,1% на HumanEval, но это не оценка bf16-версии. Данные о контексте и языках в предоставленных источниках не приведены. Метаданные указывают интерфейс вызова инструментов и мультимодальную базовую модель с анализом изображений, однако README предупреждает, что зрительный ввод после pruning не тестировался. Для непосредственного запуска нужны значительные ресурсы: чекпойнт размером 294 ГБ не помещается в память одного Mac и требует механизма подкачки, например pmlx, либо другой инфраструктуры для крупных моделей; скорость ниже, чем у 4-битной версии. Калибровка выполнена на данных агентного программирования, поэтому качество в других областях может снижаться. Лицензия указана как other, конкретные условия в предоставленной карточке не раскрыты.

Это модель извлечения признаков изображений для библиотеки timm, созданная из визуального энкодера Qwen3.5-9B. Веса зрения перенесены в формат timm без дополнительного обучения; языковая часть Qwen и обученная голова классификации в чекпойнт не входят. Модель содержит около 455 млн параметров, использует визуальный backbone шириной 1152 и проекцию до 4096 измерений. Для изображения размером 768 × 768 указано 1303,2 GMACs. Энкодер принимает RGB-изображения, поддерживает прямоугольные размеры и выдаёт пространственные признаки или усреднённые эмбеддинги изображения. Архитектура включает GELU-tanh MLP, обучаемые абсолютные позиционные эмбеддинги, осевое 2D RoPE и пространственный merger. Размеры изображения должны делиться на 16, а для вариантов с merger 2 × 2 — на 32. Лицензия — Apache 2.0.

Это модель для извлечения визуальных признаков из изображений, подготовленная в формате timm на основе vision-энкодера Qwen3-VL-32B-Instruct. Автор карточки — timm; веса зрения перенесены в нативное представление timm без дополнительного обучения. Модель содержит около 415 млн параметров и предназначена для получения пространственных карт признаков и векторных представлений изображений, в том числе как основы для последующего дообучения классификатора. Энкодер использует MLP-блоки с GELU-tanh, обучаемые абсолютные позиционные представления и двумерный осевой RoPE. Базовый размер изображения — 768 × 768; поддерживаются прямоугольные изображения, размеры сторон должны делиться на 16, а для вариантов с объединением 2 × 2 — на 32. Входные RGB-пиксели нормализуются со средним и стандартным отклонением 0,5 по каналам. Репозиторий не содержит языковой модели, обученной головы классификации или проекторов Qwen3-VL DeepStack. Для классификации необходимо добавить и обучить линейную голову на целевом наборе данных. Модель распространяется по лицензии Apache 2.0.

Это пакет Mesh LLM с разделёнными по слоям GGUF-артефактами модели Qwen3-VL-32B-Instruct в варианте UD-Q4_K_XL. Он подготовлен для распределённого инференса на локальном кластере из нескольких машин и основан на unsloth/Qwen3-VL-32B-Instruct-GGUF. Пакет предназначен для локального приватного запуска чата и API-совместимых сценариев с endpoint `/v1/chat/completions`, в том числе когда полная модель слишком велика для одного узла. Метаданные указывают задачу text-generation и возможность чата; семейство Qwen3-VL предполагает мультимодальную основу, однако этот README описывает именно способ упаковки и запуска, а не входы изображений или характеристики исходной модели. Модель распространяется в формате GGUF с квантованием Q4_K_XL, упакованном по слоям. Лицензионные условия, размер модели и длина контекста в предоставленных материалах не приведены; README отсылает за ними к карточке исходной модели.

QZhou-Embedding-Zh — модель эмбеддингов Kingsoft-LLM для китайского языка, построенная на архитектуре Qwen3-8B. Она предназначена для поиска по смыслу, ранжирования, оценки семантического сходства и других задач понимания китайских текстов. Для получения векторов используется pooling последнего токена; поддерживается MRL с размерностями 128, 256, 512, 768, 1024, 1280, 1536 и 1792, причём размерность по умолчанию — 1792. В обучении применён Token Prepending, а контекст модели составляет до 40960 токенов. Модель показывает улучшения на китайском бенчмарке CMTEB в задачах поиска, семантического сходства, кластеризации, классификации пар и переранжирования. Она распространяется в формате safetensors по лицензии Apache-2.0. README рекомендует запуск через sentence-transformers; результаты и качество на других языках и вне указанных сценариев в карточке не описаны.

ReflectionCoder-CL-7B — языковая модель для генерации кода, разработанная SenseLLM. Подход ReflectionCoder использует последовательности рефлексии, построенные с учётом обратной связи компилятора, чтобы улучшать генерацию кода за один запрос. В карточке для этой версии приведены результаты HumanEval 75,0 (68,9) и MBPP 72,2 (61,4). Модель основана на плотной архитектуре Llama и содержит 6,6 млрд параметров. Она принимает текст и выдаёт текст; заявленный контекст составляет 16 384 токена. В метаданных указан английский язык. Доступна в формате safetensors и использует шаблон диалога для общения через Transformers. Лицензия в метаданных — Apache-2.0. README отдельно обозначает лицензию модели как Llama2, поэтому условия распространения и использования следует сверить с лицензиями базовой модели и проекта.

RegNetX-8GF — свёрточная модель классификации изображений и извлечения признаков, предоставленная в библиотеке timm. Версия regnetx_080.tv2_in1k предварительно обучена на ImageNet-1k участниками проекта torchvision. В модели около 39,6 млн параметров; указанный для карточки размер изображения — 224 × 224 пикселя, вычислительная сложность — 8,0 GMACs. Модель предназначена для определения категорий объектов на изображениях, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу для классификации изображений и как визуальный backbone в прикладных системах компьютерного зрения. Реализация timm включает стохастическую глубину, градиентный чекпойнтинг и настройку выходного шага, активаций и нормализации. Модель принимает изображения и выдаёт классы или признаки, в зависимости от выбранного способа использования. Карточка не описывает поддержку естественных языков. Распространяется по лицензии BSD 3-Clause.