II.10Разработка и эксплуатация AI/ML-систем

Funnel Transformer medium — англоязычная предварительно обученная модель семейства Funnel Transformer, разработанная командой, представившей это семейство. Это версия B6-3x2-3x2 с декодером, обученная без разметки на текстах с задачей выявления заменённых токенов, подобной ELECTRA. Модель регистронезависимая и принимает текст; её контекст составляет 512 токенов. Модель предназначена прежде всего для извлечения векторных представлений текста, которые можно использовать при дообучении для классификации последовательностей и токенов, ответов на вопросы и других задач понимания текста. Она не предназначена для генерации текста. Доступны реализации для PyTorch и TensorFlow; обучение проводилось на англоязычных данных, включая BookCorpus, Wikipedia, ClueWeb, GigaWord и Common Crawl. Лицензия — Apache-2.0.

donghyunli/Meta-Llama-3-8B-KronQ-W4A16-g128 — квантизованная версия языковой модели Meta-Llama-3-8B, представленная автором репозитория с применением KronQ, метода квантизации с факторизацией Гессиана по Кронекеру. Модель использует веса W4A16: 4-битные веса и 16-битные активации с размером группы 128; веса упакованы в формат int4, а CUDA-ядро выполняет распаковку и деквантование во время работы. Модель предназначена для генерации текста и оценки языковых моделей. В README приведены результаты на WikiText-2 и тестах PIQA, ARC, HellaSwag, WinoGrande, BoolQ и OBQA; карточка указывает контекст 8192 токена, около 7,5 млрд параметров и поддержку английского языка. Репозиторий содержит веса safetensors; заявленная лицензия — Llama 3 Community License. В README описана оценка качества, но не приведены результаты скорости или использования памяти на конкретном оборудовании.

MiniCPM5-1B-Agentic-Tooluse-v3-GGUF — компактная языковая модель с 1 млрд параметров, созданная на базе openbmb/MiniCPM5-1B и представленная в формате GGUF. Разработчик производной модели в README не указан; базовая модель относится к OpenBMB. Модель предназначена для локального офлайн-использования через llama.cpp, Ollama, LM Studio и совместимые инструменты, включая сценарии на CPU и устройствах с ограниченными ресурсами. Основная специализация модели — вызов функций и инструментов: анализ схемы доступных инструментов и запроса пользователя с последующей генерацией структурированного вызова с именем функции и аргументами. Она подходит для агентных систем, MCP-серверов, автоматизации, домашних ассистентов и интеграции с внешними API. Обучение включало QLoRA-супервизированное дообучение и последующее GRPO-обучение с подкреплением; использовался датасет Team-ACE/ToolACE. Указан английский язык и задача text-generation, однако сведения о размере контекста и других модальностях отсутствуют. На отложенной выборке из 300 примеров модель достигла 100% доли разбираемых вызовов, 98,67% корректных имён доступных инструментов, 95,33% совпадения ожидаемого имени и 74,67% точного совпадения всех аргументов. Эти результаты характеризуют сильную сторону модели — структурированный tool calling, но не гарантируют аналогичную точность для любых задач и данных. В README также указана нулевая доля корректной остановки генерации, что может требовать дополнительной обработки вывода. Модель распространяется по лицензии Apache-2.0. Квантизированные варианты включают Q4_K_M, Q8_0 и F16; заявлены преимущества локальности, приватности и отсутствия затрат на облачные вызовы, но компактный размер предполагает компромисс по сравнению с более крупными универсальными моделями.

MiniMax-M2.7-UD-Q4_K_XL-layers — пакет GGUF с весами модели MiniMax-M2.7, подготовленный Mesh LLM для распределённого инференса. Пакет получен из unsloth/MiniMax-M2.7-GGUF и разбит на артефакты по слоям для запуска на кластере Mesh LLM. Модель предназначена для локального приватного чат-инференса, распределённой работы на нескольких машинах, если полный GGUF не помещается на одном узле, и обслуживания запросов через совместимый с OpenAI API. В метаданных указаны задача генерации текста, библиотека mesh-llm и возможность чата; формат весов — GGUF, вариант квантования — UD-Q4_K_XL. README отсылает к исходной карточке за подробностями архитектуры, контекстного окна, языков, рекомендаций по генерации и лицензии, поэтому эти характеристики здесь не уточняются. Условия использования определяются лицензией исходной модели.

mist-encoder-base-ng — компактный языковой энкодер от olaverse для хауса, йоруба, игбо и нигерийского пиджина. Модель на архитектуре ModernBERT содержит около 30,7 млн параметров, обучена с нуля на задаче masked language modeling и использует токенизатор otk-bpe-50k. Контекст составляет до 1024 токенов. Выпущена под лицензией Apache-2.0. Энкодер предназначен для дообучения с задачными головами и подходит для классификации тем и тональности, определения языка и получения эмбеддингов предложений. Компактный размер помогает при развертывании на устройствах с ограниченными ресурсами. Для распознавания именованных сущностей модель слабее крупных специализированных энкодеров: в README указан разрыв примерно в 10–20 пунктов entity-F1. Данные для нигерийского пиджина ограничены, поэтому его поддержка тоньше, чем у остальных языков.

Mitra-v2 Regressor — табличная фундаментальная модель регрессии от AutoGluon. Это второе поколение Mitra, обученное на синтетических наборах данных, созданных с помощью смеси случайных регрессоров, включая Hybrid SCM prior. Модель использует 12-слойный двумерный Transformer с 76,7 млн параметров и механизмом внимания по строкам и столбцам, рассчитанный на обучение в контексте. Для регрессии она предсказывает распределение по 1 000 целевым бинам, а точечный прогноз вычисляет как среднее этого распределения. Модель предназначена для прогнозирования числовых целевых значений по табличным данным. По сравнению с Mitra-v1 она обучена с контекстом в десять раз длиннее и поддерживает втрое больше признаков; также обновлены оптимизатор и выходная голова. README сообщает о высокой точности на бенчмарках TabArena и TALENT и о возможности получать прогнозные распределения для вероятностной оценки. Для использования требуется AutoGluon и пакет mitra-finetune. Лицензия — Apache-2.0.

Это модель классификации изображений на основе архитектуры MLP-Mixer, разработанная Alibaba-MIIL. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k; модель также может использоваться как визуальная основа для получения признаковых представлений изображений. Веса доступны через библиотеку timm в форматах PyTorch и safetensors. Модель содержит около 59,9 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует около 12,6 GMACs на проход. Её можно применять для классификации изображений по классам ImageNet и извлечения эмбеддингов для последующей обработки. Лицензия — Apache-2.0.

Это набор файлов GGUF с разными вариантами квантования модели Qwen2.5-7B-Instruct-bf16, опубликованный featherless-ai-quants на основе mlx-community/Qwen2.5-7B-Instruct-bf16. Модель предназначена для диалоговой генерации текста и использования в чат-приложениях; доступны варианты IQ4_XS, Q2_K и Q3_K_L, а README сообщает о ещё восьми строках вариантов квантования. Веса представлены в формате GGUF с точностью BF16 и вариантами квантования. README описывает файлы и сервис хостинга Featherless AI, но не приводит сведения о контекстном окне, поддерживаемых языках или условиях лицензии; эти параметры здесь не уточняются.

MobileNetV4 Conv Medium — сверточная модель классификации изображений из библиотеки timm, опубликованная Россом Уайтманом. Она предварительно обучена на ImageNet-12k, а затем дообучена на ImageNet-1k. Модель содержит около 9,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя; её также можно использовать как основу для извлечения признаков и получения эмбеддингов изображений. Модель подходит для классификации объектов на изображениях и как компактный визуальный бэкбон в приложениях для мобильных устройств. В карточке приведены показатели вычислительной сложности — 2,5 GMACs — и точности семейства, но точность именно этой конфигурации в доступном фрагменте таблицы не указана. Доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0.

Motif-Technologies/Motif-2-12.7B-Base — базовая плотная языковая модель семейства Motif, разработанная Motif Technologies. Она предназначена для генерации текста и может служить основой для дальнейшей адаптации под диалоговые и другие задачи. В метаданных указаны 10,8 млрд параметров, контекстное окно 32 768 токенов и архитектура MotifForCausalLM; модель опубликована в формате safetensors для Transformers. Карточка приводит результаты сравнительных тестов базовой модели на академических бенчмарках, включая MMLU, MMLU-Redux и MMLU-Pro. Заявлены языки английский и корейский, а метаданные отмечают возможность чата. Лицензия Apache-2.0 разрешает использование на её условиях. README округляет размер до 12,7 млрд параметров, тогда как метаданные указывают 10,8 млрд.

MViTv2 Large — модель классификации изображений и извлечения визуальных признаков из семейства многомасштабных Vision Transformer. По карточке, её разработали авторы работы MViTv2 и предварительно обучили на ImageNet-1k. Модель содержит 218 млн параметров, рассчитана на изображения размером 224 × 224 пикселя; вычислительная сложность указана как 43,9 GMACs. Модель подходит для классификации изображений по категориям ImageNet-1k и получения эмбеддингов изображений для последующего поиска или анализа. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; для работы используется библиотека timm. Лицензия — Apache-2.0.

Nawah-Router-BERT-6M-bilingual — двуязычная модель маршрутизации текста, разработанная oddadmix на основе Nawah-BERT-6M-v2. Это BERT-энкодер с 6,2 млн параметров и контекстом до 2048 токенов; модель оценивает пользовательские категории на английском или арабском за один проход, не требуя фиксированной таксономии или отдельной модели для каждого языка. Модель дообучена совместно на англоязычном и арабоязычном наборах данных для маршрутизации запросов. В описанных разработчиком проверках она показала лучшие результаты на английском, чем вариант, обученный только на английских данных, а на арабском сохранила близкие к арабоязычной версии показатели. Подходит для классификации и направления запросов по категориям в двуязычных приложениях; механизм улучшения английских результатов автор обозначает как гипотезу, а переносимость результатов на другие данные требует проверки. Модель распространяется в формате safetensors через Transformers под лицензией Apache-2.0. README содержит пример использования с RouterModel и AutoTokenizer.

Это пакет Mesh LLM с квантованной моделью Nemotron-3-Nano-30B-A3B в формате GGUF Q4_K_S, разделённой на артефакты по слоям. Его подготовила команда Mesh LLM на основе unsloth/Nemotron-3-Nano-30B-A3B-GGUF для распределённого инференса на локальном кластере: части модели можно разместить на нескольких машинах, если она не помещается на одном узле. Модель предназначена для генерации текста и диалогов через Mesh LLM, в том числе для локального приватного запуска и работы через совместимый с OpenAI API интерфейс чата. Пакет сохраняет исходное разделение GGUF и облегчает распределение вычислений между узлами. Подробности об архитектуре, размере, языках и лицензии следует сверять с карточкой исходной модели; в предоставленных данных этих характеристик нет.

Nemotron Czech 0.6B v1 — независимая адаптация twobe3 модели NVIDIA Nemotron 3.5 ASR Streaming 0.6B для распознавания чешской речи. Это полный чекпойнт NeMo с токенизатором, предназначенный для локальной транскрипции и потокового распознавания; он не является чекпойнтом для Transformers. В репозитории также приведена конверсия GGUF Q8_0 для запуска в NeMo-Speech.cpp. Модель дообучена на 30 039 проверенных аудиотекстовых парах Common Voice Czech 27.0. В исторической оценке на тестовом наборе Common Voice сообщается нормализованный WER 9,18% против 16,22% у исходной модели при одинаковых настройках потокового распознавания и размере аудиофрагмента 320 мс. Эти результаты не гарантируют точность на других записях: оценка не была новым слепым тестом, а качество на звонках, шумной речи, спонтанных разговорах и других языках отдельно не проверялось. Указанные 320 мс — размер аудиофрагмента, а не измеренная сквозная задержка. Модель принимает аудио и выдаёт текстовую транскрипцию. Для GGUF Q8_0 не следует предполагать те же показатели WER, что и для исходного чекпойнта NeMo. Веса и материалы выпуска распространяются по лицензии OpenMDW-1.1.

SC117/Nex-N2-mini-template-fix-APEX-GGUF — неофициальная сборка Nex-N2-mini от SC117 в формате GGUF с квантованием APEX и изменённым шаблоном чата. Она предназначена для запуска в стандартной версии llama.cpp, когда нужен режим рассуждений без передачи шаблона отдельным файлом; модель также поддерживает работу с изображениями через mmproj. Исходная Nex-N2-mini — агентная MoE-модель Nex-AGI на базе Qwen3.5, рассчитанная на программирование, вызов инструментов и выполнение продолжительных задач с обратной связью от среды. APEX применяет смешанную точность с учётом типов тензоров и их чувствительности, а в репозитории представлены варианты GGUF BF16 и F16. Разработчик исходной модели рекомендует использовать оригинальный шаблон чата с пропатченной версией llama.cpp: модификация шаблона может снизить качество ответов. Сборка помечена как временная и неофициальная; лицензия — Apache-2.0.

nfnet_l0.ra2_in1k — модель классификации изображений семейства Lightweight NFNet, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Архитектура основана на предварительно активируемых блоках, похожих на ResNet, и не использует слои нормализации: вместо них применяются Scaled Weight Standardization и скалярные коэффициенты усиления в остаточных связях и около нелинейностей. Вариант Lightweight NFNet использует уменьшенные коэффициенты SE и узких мест, меньший размер групп и активацию SiLU. Модель предназначена для классификации изображений и может использоваться как основа для извлечения признаков и эмбеддингов изображений. Она содержит около 35,1 млн параметров, выполняет 4,4 GMAC и рассчитана на изображения 224×224 при обучении и 288×288 при тестировании. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0.

Это квантованная версия модели перевода NLLB-200 Distilled 1.3B, подготовленная в формате CTranslate2 из исходной facebook/nllb-200-distilled-1.3B. Репозиторий создан JustFrederik; README показывает команду преобразования весов с квантованием int8. Модель предназначена для машинного перевода между языками, поддерживаемыми NLLB-200; в метаданных указаны языковые коды для множества языков, а также набор данных FLORES-200. Квантование int8 сокращает требования к хранению и вычислениям по сравнению с исходными весами, сохраняя назначение модели для перевода. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. README не сообщает результатов оценки качества или конкретных ограничений точности после квантования.

NousCoder-14B-Q4_K_M-layers — квантованный GGUF-чекпойнт модели для генерации кода, опубликованный пользователем exdysa. Он основан на NousCoder-14B, дообученной на базе Qwen/Qwen3-14B; в метаданных указаны llama.cpp и диалоговый режим. Модель предназначена для генерации программного кода и ответов в диалоге на запросы, связанные с программированием. Тег языка en и наборы данных для генерации кода указывают на англоязычную ориентацию. Квантование Q4_K_M рассчитано на более компактное хранение и запуск; распределённое разбиение слоёв обозначено в названии и тегах репозитория. Репозиторий распространяется по лицензии Apache-2.0. Карточка README не содержит подробностей об оценках качества или точных ограничениях; как квантованная модель, результат может отличаться от исходной версии по точности.

Это пакет GGUF-слоёв модели NVIDIA Nemotron 3 Ultra 550B A55B в варианте UD-Q4_K_XL, подготовленный Mesh LLM для распределённого вывода. Пакет получен из unsloth/NVIDIA-Nemotron-3-Ultra-550B-A55B-GGUF; исходное распределение разделено на отдельные артефакты по слоям. Размер модели в параметрах и длина контекста в предоставленных данных не указаны. Пакет предназначен для локального запуска модели и распределения её слоёв между несколькими компьютерами, когда полный GGUF слишком велик для одного узла. Через Mesh LLM модель можно использовать для диалоговой генерации текста и обслуживать запросы через совместимый с OpenAI API чата. Для работы требуется Mesh LLM и кластер машин, если используется распределённый запуск. В метаданных указана лицензия «other»; условия лицензии и подробности архитектуры следует сверять с карточкой исходной модели unsloth/NVIDIA-Nemotron-3-Ultra-550B-A55B-GGUF.

DevQuasar опубликовал GGUF-версию базовой языковой модели NVIDIA Nemotron 3 Nano 30B A3B. Репозиторий содержит вариант BF16 модели на 30 млрд параметров, предназначенный для генерации текста и последующего дообучения под инструкции и специализированные агентские задачи. Метаданные связывают эту модель с nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-Base-BF16 и указывают задачу text-generation. Карточка описывает её как квантованную версию базовой модели, однако формат указан как GGUF BF16. По имеющимся сведениям нельзя определить точную конфигурацию квантования или подтвердить дополнительные возможности. Условия лицензии в предоставленных данных не указаны.

Occiglot-7B-DE-EN — базовая генеративная языковая модель, разработанная Occiglot Research Collective. Это плотный декодерный трансформер с причинным языковым моделированием на архитектуре Mistral, содержащий 7,1 млрд параметров. Модель продолжительно предварительно обучена на базе Mistral-7B-v0.1 на 114 млрд дополнительных токенов многоязычных данных и кода; длина контекста по метаданным — 32 768 токенов. Модель рассчитана прежде всего на генерацию текста на немецком и английском языках, а также обучалась на коде. Её можно использовать как базу для генерации продолжений и дальнейшей адаптации под конкретные задачи. Это базовая модель без дообучения на инструкциях, поэтому она не оптимизирована для диалогов и может не следовать запросам как чат-ассистент. Для таких сценариев авторы предлагают отдельную instruct-версию. Распространяется по лицензии Apache 2.0.

OLMo-3-7B-Think-LOPD — плотная авторегрессионная языковая модель на 6,9 млрд параметров, созданная дообучением allenai/OLMo-3-7B-Think методом Latent On-Policy Self-Distillation (LOPD). Разработчик сообщает, что дообучение проводилось для генерации кода. Модель предназначена для генерации кода и диалогового взаимодействия. Она работает с текстом, поддерживает контекст до 65 536 токенов и доступна в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка не приводит оценок качества или перечня поддерживаемых языков программирования. Результаты генерации кода могут требовать проверки и тестирования.

OpenCoder-1.5B-Base — базовая языковая модель для кода из семейства OpenCoder, разработанного как открытый и воспроизводимый проект. Модель с архитектурой Llama содержит 1,7 млрд параметров и принимает последовательности длиной до 4096 токенов. Она обучена с нуля на 2,5 трлн токенов, преимущественно на исходном коде, и предназначена для генерации кода и дальнейшей адаптации под задачи программирования. Модель поддерживает английский и китайский языки. В карточке OpenCoder приведены результаты на HumanEval(+), MBPP(+) и BigCodeBench; проект также публикует обучающие данные, конвейер их обработки и материалы об экспериментах. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому перед использованием следует проверить её условия в карточке модели.

Mungert/OpenReasoning-Nemotron-14B-GGUF — GGUF-квантованная версия большой языковой модели OpenReasoning-Nemotron-14B, производной от Qwen2.5-14B-Instruct. Модель разработана на базе семейства OpenReasoning-Nemotron; данный репозиторий содержит конвертацию в формат GGUF, выполненную с использованием llama.cpp. Указанный вариант предназначен для локального запуска и генерации текста, кода и решений с применением совместимых инструментов GGUF и llama.cpp. Модель ориентирована на рассуждения в задачах математики, программирования и естественных наук. Для исходной версии заявлена оценка с длиной вывода до 64K токенов. Это текстовая, англоязычная модель с размером 14B параметров; мультимодальные возможности не указаны. Для квантования применён подход с выборочным повышением точности отдельных важных слоёв, что, по описанию автора, может улучшать точность при сохранении преимуществ уменьшенного размера файла, хотя увеличивает его размер. Конкретный тип квантования и характеристики отдельных файлов GGUF в README не приведены. Сильными сторонами являются специализация на сложном reasoning, математике, коде и научных задачах, а также возможность эффективного локального использования в квантованном формате. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантования, а также отсутствие подробных данных о контекстном окне, скорости, аппаратных требованиях и поддерживаемых языках помимо английского. Использование разрешено для коммерческих и некоммерческих исследовательских целей на условиях Creative Commons Attribution 4.0 International (CC-BY-4.0); дополнительно упоминается Apache 2.0 для базовой модели Qwen2.5.

cortexso/phi-4-reasoning — текстовая генеративная модель семейства Phi-4-reasoning, разработанная Microsoft Research и преобразованная Menlo Research для распространения в формате GGUF через Cortex и Jan. Модель ориентирована на рассуждения по шагам, решение математических задач, ответы на научные вопросы и выполнение инструкций. Для основной ветки phi-4-reasoning заявлен размер 14 млрд параметров. Доступны квантизованные варианты GGUF от q2_k до q8_0, что позволяет выбирать компромисс между качеством, требованиями к памяти и скоростью инференса. В README также упоминаются шаблоны ChatML и поддержка расширенного контекста, однако его точная длина не указана. Данных о перечне языков и мультимодальных возможностях нет; по заявленному pipeline_tag модель предназначена для генерации текста. Сильными сторонами модели являются специализация на логическом и математическом рассуждении, следовании инструкциям и возможность эффективного запуска в средах с ограничениями по памяти и задержке благодаря компактному размеру и квантизации. Ограничения включают отсутствие в представленных данных точных результатов бенчмарков, перечня поддерживаемых языков и значения контекстного окна. Модель распространяется по лицензии MIT.

PNASNet-5 Large — сверточная модель для классификации изображений и извлечения визуальных признаков. Авторы статьи Progressive Neural Architecture Search обучили её на ImageNet-1k; вариант перенесён из TensorFlow в PyTorch через pretrained-models.pytorch от Cadene. Модель содержит около 86,1 млн параметров, имеет вычислительную сложность 25 GMACs и рассчитана на изображения размером 331 × 331 пиксель. Модель подходит для определения объектов и категорий на изображениях, получения карт признаков и визуальных эмбеддингов. Репозиторий предоставляет веса в форматах PyTorch и safetensors; для работы используется библиотека timm. Лицензия — Apache-2.0. Карточка не сообщает о специальных ограничениях применения.

PolyCoder-160M — языковая модель для генерации программного кода, представленная авторами в работе «A Systematic Evaluation of Large Language Models of Code». Модель содержит около 151,9 млн параметров, использует архитектуру GPT-NeoX и принимает текстовый контекст длиной до 2 048 токенов. Модель обучена на 249 ГБ кода на 12 языках программирования и предназначена для продолжения и генерации кода по текстовому запросу или фрагменту программы. Это исследовательский чекпойнт, опубликованный в 2022 году; для запуска авторы указывают Transformers версии 4.23.0 или новее. Сведения о лицензии и языках программирования в карточке не приведены.

ProCreations_grug-9b-GGUF — квантизированная версия модели grug-9b, разработанной ProCreations и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp. Модель основана на датасете ProCreations/grug-think; в карточке указаны направления применения, связанные с кодом, агентами, использованием инструментов, рассуждениями и эффективным выводом. Pipeline обозначен как image-text-to-text, однако подробности о поддерживаемых визуальных возможностях не приведены. Модель имеет размер 9 млрд параметров в исходной версии. Доступны варианты от BF16 до различных уровней квантования, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M и более компактные форматы. Квантизация выполнена с применением imatrix, что позволяет выбирать компромисс между качеством, размером файла и требованиями к оперативной памяти. Для запуска указаны llama.cpp, LM Studio, KoboldCpp, Jan, Text Generation Web UI и другие совместимые приложения; используется специальный шаблон prompt с системными и пользовательскими сообщениями и секцией рассуждений. Сильными сторонами являются широкий выбор квантованных вариантов, возможность локального запуска и ориентация на задачи программирования, агентное взаимодействие и tool use. Качество зависит от выбранного формата: высокобитные варианты ближе к исходной модели, а самые компактные экономят память ценой снижения качества. Данные о языках, размере контекста, точных архитектурных характеристиках, результатах тестирования и ограничениях безопасности в README отсутствуют. Лицензия — MIT.

nakue/qwen2.5-0.5b-funccall — дообученная модель Qwen2.5-0.5B-Instruct, созданная с помощью LoRA и объединённая с базовыми весами. Она принимает запрос пользователя и JSON-схемы доступных инструментов, а затем формирует вызовы функций в виде разбираемого JSON без поясняющего текста. Модель предназначена для маршрутизации запросов в агентских циклах, CLI-диспетчерах и других системах, где нужно подобрать функцию и заполнить её аргументы. Модель имеет плотную архитектуру Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Для обучения использован набор Salesforce/xlam-function-calling-60k. Карточка указывает английский язык; интерфейс принимает текстовые запросы и схемы и выдаёт текст со структурированными вызовами функций. Лицензия — Apache-2.0. Обучение охватывало простые и множественные сценарии вызова функций в одном запросе. Качество ещё не подтверждено опубликованными оценками: сравнение с BFCL и крупными базовыми моделями ожидает результатов. Надёжность может снижаться при необычном или большом формате схем; модель не обучалась и не тестировалась для многоходовых диалогов, параллельных вызовов и определения отсутствия подходящего инструмента.

q31p7bsftshuffled — готовая к инференсу модель для генерации кода, созданная дообучением Qwen/Qwen3-1.7B-Base. Это плотная причинная языковая модель семейства Qwen3 с 1,7 млрд параметров; обучение с supervised fine-tuning на кодовых данных завершено на шаге оптимизатора 102. Данные обучения перемешаны, стратегия replay не использовалась. Модель предназначена для генерации кода и диалогового взаимодействия с кодовыми запросами. Она принимает текст и выдаёт текст; контекстное окно — до 32 768 токенов. В карточке указана библиотека Transformers и формат весов safetensors. Базовая модель поддерживает генерацию текста; отдельные языки программирования в карточке не перечислены. Это ранний чекпойнт обучения, поэтому качество и устойчивость модели могут быть ограничены, особенно за пределами кодовых запросов. Условия лицензирования в предоставленных данных не указаны.