II.10Разработка и эксплуатация AI/ML-систем

Salesforce Llama-xLAM-2-8b-fc-r — языковая модель семейства xLAM-2, разработанная Salesforce для построения AI-агентов. Это GGUF-версия модели Llama-xLAM-2-8b-fc-r, дообученной на задачах многошагового диалога и вызова функций с использованием данных, созданных в рамках APIGen-MT. Модель ориентирована на преобразование пользовательских намерений в исполняемые действия, планирование и взаимодействие с внешними инструментами и API. Модель содержит около 8 миллиардов параметров, поддерживает текстовый ввод и вывод, английский язык и контекст длиной до 128 тысяч токенов. Суффикс fc указывает на специализацию для function calling, а r — на исследовательский выпуск. Формат GGUF предназначен для эффективного локального запуска через llama.cpp и совместимые инструменты; также заявлена совместимость с Transformers и vLLM. К сильным сторонам относятся специализация на использовании инструментов, многоходовых сценариях и агентных задачах, а также возможность развертывания на устройствах с ограниченными ресурсами благодаря формату GGUF. Ограничения включают англоязычную заявленную поддержку, исследовательский статус и отсутствие в предоставленных данных подробностей о конкретных требованиях к оборудованию, вариантах квантования и фактических результатах именно этой GGUF-сборки. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но не коммерческое применение.

NVIDIA Low Frame-rate Speech Codec — нейронный аудиокодек NVIDIA для сжатия и последующего восстановления речи. Он обрабатывает монофонический звук WAV с частотой 22,05 кГц и восстанавливает аудио с той же частотой. Кодек использует полностью сверточный генератор с энкодером, векторным квантованием на основе Finite Scalar Quantization и декодером на основе HiFi-GAN; при обучении применялись несколько дискриминаторов, включая 12-слойную WavLM-модель. Заявленные параметры сжатия — 1,89 кбит/с и 21,5 кадра в секунду. Модель предназначена для компактного хранения и передачи речи, а также может использоваться как предварительно обученный чекпойнт для инференса или дообучения на другом наборе данных через NVIDIA NeMo. Обучение проводилось на 28,7 тысячи часов речи на 105 языках; карточка приводит оценки на MLS и DAPS. Ограничения: вход и выход описаны для моно WAV 22,05 кГц, а результаты выпущенного чекпойнта немного отличаются от результатов статьи. Лицензия указана как other, без уточнения условий в предоставленных данных.

LVFace — модель ByteDance Research для распознавания лиц, представленная на ICCV 2025. Она использует архитектуру Vision Transformer и поэтапную оптимизацию пространства признаков лиц, обучаясь на крупных наборах данных. В репозитории приведены варианты LVFace-T, LVFace-S и LVFace-B, а веса доступны в форматах ONNX и PyTorch; карточка Hugging Face указывает ONNX и библиотеку lvface. Модель извлекает признаки из изображений лиц для задач распознавания и сравнения лиц. В README приведены результаты оценки на наборах IJB-C и IJB-B, а также упомянуто первое место в академическом треке соревнования MFR-Ongoing. Модель предназначена для применения в системах распознавания лиц и исследовательской оценки таких систем. Лицензия репозитория — MIT.

kehanlu/mandarin-wav2vec2-aishell1 — модель распознавания китайской речи на основе wav2vec 2.0 с архитектурой CTC. Чекпойнт содержит 116,5 млн параметров; сначала модель предварительно обучили на 1000 часах AISHELL-2, затем дообучили на 178 часах AISHELL-1. Она представлена как базовая модель в работе о переносе контекстных знаний для CTC-распознавания речи. Модель предназначена для преобразования аудиозаписей на китайском языке в текст, в частности для оценки и экспериментов на наборе AISHELL-1. В карточке приведён результат CER 4,85 на dev и 5,13 на test для vanilla w2v2-CTC. Модель обучена с помощью ESPnet, а затем конвертирована в формат Hugging Face для использования через Transformers. Лицензия в предоставленных данных не указана.

MaxViT XLarge TF 512 — модель Ross Wightman, перенесённая из официальной реализации TensorFlow в PyTorch и предназначенная для классификации изображений и извлечения визуальных признаков. Она предварительно обучена на ImageNet-21k и дообучена авторами оригинальной статьи на ImageNet-1k; для загрузки доступны веса PyTorch и safetensors. Архитектура MaxViT сочетает блоки MBConv с оконным и сеточным self-attention. Модель содержит около 475,8 млн параметров и рассчитана на входные изображения размером 512 × 512 пикселей. По данным карточки, точность классификации ImageNet-1k составляет 88,53% Top-1 и 98,64% Top-5. Модель подходит для классификации изображений, построения визуальных эмбеддингов и использования в качестве backbone для извлечения признаков. Её размер и вычислительная стоимость высоки: указано 534,1 GMACs, поэтому для инференса может потребоваться производительное оборудование. Лицензия — Apache-2.0.

Sharathhebbar24/Mistral-7B-v0.1-sharded — шардированная версия предварительно обученной генеративной языковой модели Mistral-7B-v0.1, разработанной командой Mistral AI. Модель построена на архитектуре Transformer с 7,1 млрд параметров; использует Grouped-Query Attention, Sliding-Window Attention и токенизатор Byte-fallback BPE. Для работы с моделью рекомендуется Transformers версии 4.34.0 или новее. Модель предназначена для генерации текста и служит базовой моделью для дальнейшей адаптации под конкретные задачи. В карточке указаны английский язык и контекстное окно до 32 768 токенов. Модель не имеет механизмов модерации, поэтому её ответы могут содержать неподходящий контент. Лицензия — Apache-2.0.

Это конвертированная в формате Keras 3 версия модели MiT-B1 от NVIDIA, основанная на иерархическом энкодере Mix Transformer из семейства SegFormer и предназначенная для классификации изображений и использования в качестве визуального backbone. Модель выдаёт оценки классов; вариант MiTModel также позволяет получать признаки, в том числе многоуровневые. Модель можно запускать с бэкендами TensorFlow, PyTorch или JAX. Она пригодна для классификации изображений и извлечения признаков в системах компьютерного зрения. Полноценная семантическая сегментация требует отдельной головы SegFormer. Репозиторий указывает лицензию other и отсылает к лицензии исходного чекпойнта; точные условия следует сверить с YAML карточки и лицензией базовой модели.

Репозиторий smp-hub/mit_b2.imagenet содержит предварительно обученные на ImageNet веса энкодера mit_b2 для библиотеки segmentation-models-pytorch. Их используют для классификации изображений и как основу энкодера в моделях сегментации, собираемых с помощью этой библиотеки. Веса доступны в формате safetensors; лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории.

nvidia/mit-b3 — визуальный энкодер SegFormer размера B3, выпущенный командой NVIDIA. Он дообучен на ImageNet-1k и предназначен прежде всего для использования как основа при дообучении моделей семантической сегментации. В карточке также приведён сценарий классификации изображений по 1000 классам ImageNet; pipeline модели — классификация изображений. Архитектура включает иерархический Transformer-энкодер SegFormer. Репозиторий содержит только предварительно обученный энкодер, без лёгкой MLP-головы декодирования, используемой в полной модели сегментации. В метаданных указаны реализации PyTorch и TensorFlow и набор данных ImageNet-1k. Модель подходит как стартовый чекпойнт для задач компьютерного зрения, включая дообучение сегментации. Для сегментации потребуется добавить и обучить декодирующую голову на целевом наборе данных. Лицензия указана как other; конкретные условия использования следует проверять в материалах репозитория.

mixer_l16_224.goog_in21k_ft_in1k — модель классификации изображений на архитектуре MLP-Mixer, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k; содержит около 208,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель также можно использовать как основу для извлечения признаковых представлений изображений. Модель предназначена для классификации изображений и получения их эмбеддингов в задачах компьютерного зрения. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache 2.0.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-is — небольшая мультиязычная модель для классификации токенов, опубликованная организацией EuroEval; исходная версия связана с Alexandra Institute. Она предназначена для обнаружения галлюцинаций в ответах на вопросы в сценариях retrieval-augmented generation (RAG), включая выделение фрагментов ответа, которые могут быть не подтверждены контекстом. Суффикс is указывает на языковую версию для исландского языка. Модель основана на архитектуре mmBERT-small и использует задачу token classification; на Hugging Face указаны семейство ModernBERT, примерно 0,1 млрд параметров и формат весов Safetensors с типом F32. В качестве обучающих источников заявлены синтетические данные MultiWikiQA и данные RAGTruth, предназначенные для разметки галлюцинаций на уровне токенов. Модель рассчитана на анализ текста и не является генеративной или мультимодальной. Сильная сторона — компактный специализированный детектор, способный указывать проблемные токены или непрерывные фрагменты, что удобно для анализа фактической опоры ответов RAG. Ограничения связаны с узкой задачей и зависимостью от распределения обучающих данных; подробные сведения о качестве, контекстном окне, рисках, разработчиках, точной архитектурной конфигурации и лицензии в доступной карточке модели не указаны. Условия использования и лицензия не установлены.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-pt — текстовая модель из пространства EuroEval, опубликованная для задач классификации токенов. По метаданным она использует библиотеку Transformers, относится к семейству ModernBERT и содержит около 140,5 млн параметров; максимальный контекст составляет 8192 токена. README не содержит сведений о конкретном разработчике, лицензии, языках и процедуре обучения. По названию модель связана с многоязычным вопросно-ответным контекстом по материалам Wikipedia, синтетическими галлюцинациями и набором RAGTruth, однако README не описывает точную схему разметки, формат входов и выходов, метрики или результаты оценки. Основное подтверждённое назначение по карточке Hugging Face — token classification, поэтому модель может использоваться как компонент анализа последовательности токенов в NLP-конвейерах. Условия лицензирования в доступных данных не указаны.

MobileNet V2 — компактная свёрточная модель для классификации изображений, разработанная авторами статьи «MobileNetV2: Inverted Residuals and Linear Bottlenecks» и опубликованная в репозитории Google. Эта версия предварительно обучена на ImageNet-1k и принимает изображения с разрешением 224×224 пикселя; множитель глубины 1,4 указывает вариант с увеличенной шириной сети. Модель относит изображение к одному из 1000 классов ImageNet. Архитектура MobileNet рассчитана на низкую задержку и экономное использование ресурсов, поэтому её можно применять на мобильных и других устройствах с ограниченными вычислительными возможностями. Классификатор также может служить отправной точкой для дообучения под другие задачи компьютерного зрения. В карточке указана лицензия other, без уточнения конкретных условий; перед использованием следует проверить лицензионные сведения репозитория. Модель обучена распознавать классы ImageNet-1k, поэтому её классификации могут быть ненадёжны для изображений и категорий, отличных от обучающих.

MobileNetV4 Conv AA Large — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная на ImageNet-12k. Она относится к семейству MobileNetV4 и использует усредняющий пулинг с антиалиасингом. Модель предназначена для присвоения изображению класса из набора категорий ImageNet-12k, а также для получения карт признаков и векторных представлений изображений. При обучении использовался размер изображения 384 × 384; для оценки в карточке указано 448 × 448. Веса доступны в форматах PyTorch и Safetensors. В карточке указаны 46,5 млн параметров и вычислительная сложность 7,1 GMAC. Лицензия — Apache-2.0. Количественные результаты в карточке относятся к другим вариантам и настройкам MobileNetV4, поэтому их нельзя напрямую считать результатами именно этой модели.

MobileOne S1 — сверточная модель классификации изображений семейства MobileOne, опубликованная авторами статьи и обученная на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как базовая сеть для извлечения карт признаков и визуальных эмбеддингов. Модель содержит около 4,8 млн параметров, требует 0,9 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Компактный размер и невысокая вычислительная сложность делают её подходящей для сценариев, где важны скорость и эффективность на мобильных или ограниченных по ресурсам устройствах. Репозиторий предоставляет веса PyTorch в формате safetensors. Модель обучена на ImageNet-1k; карточка не описывает поддержку других наборов классов или специализацию на отдельных предметных областях. Указано, что следует соблюдать исходную лицензию, однако её условия в предоставленных данных не раскрыты.

MobileOne S4 — модель классификации изображений и визуальный backbone семейства MobileOne, опубликованная авторами статьи и обученная на ImageNet-1k. Она предназначена для отнесения изображений к классам, извлечения карт признаков и получения визуальных эмбеддингов; доступный вариант рассчитан на изображения размером 224 × 224 пикселя. Модель содержит около 15 млн параметров и требует примерно 3 GMACs вычислений на изображение. Репозиторий предоставляет веса PyTorch в формате Safetensors; для работы используется библиотека timm. Лицензия указана как other, а карточка просит соблюдать исходную лицензию.

ytu-ce-cosmos/modernbert-tr-massive-slot — турецкая модель разметки последовательностей на базе энкодера ModernBERT-TR, разработанная для заполнения слотов в системе понимания речи MASSIVE 1.1. Она классифицирует токены по схеме BIO для 55 типов слотов, выделяя, например, сущности в запросе «найди билет до Анкары на следующую пятницу». Модель содержит 148,7 млн параметров, принимает текст и рассчитана на контекст до 8192 токенов. Контрольная точка получила entity-level F1 75,30% на тестовом наборе MASSIVE 1.1 для турецкого языка; указанный для неё результат на 0,03 процентного пункта выше среднего 75,27 ± 0,31% по пяти запускам. Это дообучение ytu-ce-cosmos/modernbert-tr-base; доступны веса Safetensors и формат ONNX. Модель распространяется по лицензии Apache-2.0.

NearID — визуальный энкодер для получения эмбеддингов, учитывающих идентичность объекта. Модель разработана авторами проекта NearID на основе google/siglip2-so400m-patch14-384: визуальная часть SigLIP2 SO400M ViT/14 при разрешении 384 пикселя заморожена, а обучаемая голова Multi-head Attention Pooling дообучена для задачи различения похожих экземпляров. Модель предназначена прежде всего для оценки сохранения идентичности объектов в персонализированной генерации изображений, а также для поиска и группировки изображений по сходству. Она сравнивает нормализованные эмбеддинги отдельных изображений и рассчитана на различение похожих объектов даже при изменении фона и контекста. Обучение использовало набор NearID с синтетическими изображениями и сигналами из MTG. Лицензия — Apache-2.0. NearID не предназначена для распознавания лиц, повторной идентификации людей, биометрической аутентификации или видеотрекинга. Обучение охватывало синтетические изображения распространённых объектов, поэтому качество в специализированных областях не оценено; модель рассчитана на вход 384 × 384 пикселя, а артефакты незнакомых генераторов могут влиять на различение.

NeoMME-260M — мультиязычный мультимодальный энкодер компании Hcompany, предварительно обученный с нуля. Текстовые токены и патчи изображений обрабатываются одним общим Transformer-энкодером без отдельного предварительно обученного визуального энкодера и без авторегрессионной языковой модели. Модель содержит 366 млн параметров, использует библиотеку Transformers и поддерживает контекст до 16 384 токенов. Энкодер формирует контекстные представления токенов и предназначен как основа для последующей настройки под поиск, классификацию, извлечение информации и другие задачи. Он предварительно обучен на мультиязычных текстовых и визуально-текстовых данных, включая веб-тексты, код, математику, страницы документов, подписи к изображениям и синтетические OCR-данные. Для поиска по документам авторы рекомендуют отдельную модель NeoMME-260M-Retriever. Модель не решает прикладные задачи самостоятельно: для них требуется дообучить задачно-ориентированную голову. Полноценная оценка безопасности, смещений и приватности не проводилась. Лицензия — Apache-2.0.

Карточка модели Shabeer990/nsfw_image_detection на Hugging Face совпадает с карточкой GBDA/nsfw_image_detection, поэтому описание составлено по ней. GBDA/nsfw_image_detection — модель классификации изображений на базе Vision Transformer (ViT), дообученная для различения двух классов: обычный контент и NSFW. В основе лежит google/vit-base-patch16-224-in21k, предварительно обученная на ImageNet-21k; модель содержит 113,2 млн параметров и рассчитана на изображения, приводимые к разрешению 224×224 пикселя. Модель предназначена для фильтрации изображений и модерации контента в приложениях, где нужно выявлять материалы для взрослых. В README указано, что дообучение проводилось на 80 000 изображениях из закрытого набора данных. Модель распространяется по лицензии Apache-2.0. Карточка заявляет высокую точность, но не приводит метрик или независимой оценки; качество классификации и применимость к конкретному контенту следует проверять отдельно.

OPT-350M — языковая модель семейства OPT, разработанная Meta AI. Это плотный декодерный трансформер с архитектурой OPTForCausalLM, обученный предсказывать следующий токен на основе предыдущего текста. Модель содержит около 454,1 млн параметров, имеет контекст до 2048 токенов и доступна в форматах PyTorch, TensorFlow и Flax. Модель предназначена для генерации текста и оценки задач по промптам, а также может дообучаться под прикладные задачи. Она преимущественно обучалась на англоязычных текстах, хотя в обучающих данных присутствует небольшая доля других языков. Обучающие данные включают неотфильтрованный интернет-контент, поэтому генерации могут содержать предвзятость, быть небезопасными или галлюцинаторными. В метаданных лицензия обозначена как other; конкретные условия следует сверять с карточкой модели и материалами Meta AI.

timm/pit_s_224.in1k — модель семейства PiT (Pooling-based Vision Transformer) для классификации изображений и извлечения признаков. Она обучена авторами статьи «Rethinking Spatial Dimensions of Vision Transformers» на ImageNet-1k и предназначена для обработки изображений размером 224 × 224 пикселя. Модель содержит 23,5 млн параметров и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и SafeTensors; для работы указана библиотека timm. Модель распространяется по лицензии Apache-2.0.

qa-harness-rl-a — дообученная с подкреплением модель на базе Qwen3-4B, разработанная xuechengliu. Она предназначена для пересмотра исполняемого harness-кода фиксированного решателя вопросов и ответов по обратной связи от выполнения. Модель сохраняет архитектуру Qwen3-4B, токенизатор и шаблон чата; содержит около 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель можно применять в экспериментальных системах, где требуется итеративно корректировать исполняемую обвязку QA-решателя по результатам её запуска. Это текстовая диалоговая модель на базе Transformers; указана лицензия Apache-2.0. Карточка не уточняет поддерживаемые естественные языки или дополнительные ограничения качества и безопасности.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-k2-sw256-sharegpt-epoch2-step65000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-k2-sw256-sharegpt-epoch-2-step-65000, поэтому описание составлено по ней. Это компактная черновая модель EAGLE3 для ускорения генерации текста методом speculative decoding с целевой моделью Qwen/Qwen3-1.7B. Чекпойнт обучен SpecForge методом EAGLE3 online training на данных ShareGPT; указаны эпоха 2 и шаг 65 000. Архитектура — LlamaForCausalLMEagle3, размер — 411,8 млн параметров, формат весов — safetensors, родной контекст — 40 960 токенов. Модель предназначена для использования в совместимом со SpecForge/EAGLE3 коде как draft-модель, предлагающая продолжения для проверки целевой моделью. Она не является самостоятельной языковой моделью и не предназначена для прямого диалогового применения. Метаданные указывают английский и китайский языки; лицензия обозначена как other. Карточка не приводит результатов бенчмарков.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-k4-sw256-sharegpt-epoch2-step70000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-k4-sw256-sharegpt-epoch-2-step-70000, поэтому описание составлено по ней. Это контрольная точка черновой модели EAGLE3, обученной командой или автором репозитория с помощью SpecForge для Qwen/Qwen3-1.7B. Она предназначена для спекулятивного декодирования: совместимый инференсный движок использует её для ускорения генерации целевой модели. Это не самостоятельная языковая модель для обычного чата или генерации. Архитектура — LlamaForCausalLMLEagle3; в репозитории 512,5 млн параметров, формат весов safetensors, контекст — 40 960 токенов. Модель обучалась методом онлайн-обучения EAGLE3 на данных ShareGPT; карточка указывает поддержку английского и китайского языков. Для загрузки требуется код, совместимый со SpecForge/EAGLE3, и соответствующая базовая модель Qwen/Qwen3-1.7B. Бенчмарков и утверждений о приросте скорости карточка не приводит. Лицензия обозначена как other, конкретные условия следует проверять в файлах репозитория.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch9-step445000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-445000, поэтому описание составлено по ней. Это контрольная точка черновой модели EAGLE3, обученной методом SpecForge для ускорения генерации с помощью спекулятивного декодирования вместе с Qwen/Qwen3-1.7B. Она предназначена для использования в совместимом со SpecForge/EAGLE3 коде как вспомогательная модель, а не как самостоятельная языковая модель. Модель обучалась онлайн на данных ShareGPT; указаны 9-я эпоха и шаг 445000. Архитектура — LlamaForCausalLMEagle3, формат весов — safetensors, тип данных — bfloat16. Веса контрольной точки не содержат замороженные эмбеддинги целевой модели: при загрузке их берут из базовой Qwen3-1.7B. Метаданные указывают контекст до 40960 токенов и языки en и zh. Карточка не приводит результатов бенчмарков, поэтому выигрыш в скорости не количественно подтверждён. Лицензия обозначена как other, конкретные условия следует проверять в репозитории.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw768-epoch9-step460000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw768-epoch-9-step-460000, поэтому описание составлено по ней. Это контрольная точка черновой модели EAGLE3, обученной командой SpecForge для ускорения генерации текста методом speculative decoding вместе с базовой моделью Qwen/Qwen3-1.7B. Она не предназначена для самостоятельной генерации: совместимый код SpecForge/EAGLE3 использует её для предложения черновых токенов, которые проверяет целевая модель. Модель обучалась онлайн методом SpecForge EAGLE3 на данных ShareGPT; указаны девятая эпоха и шаг 460000. Архитектура — LlamaForCausalLMEagle3, размер чекпойнта по метаданным — 361,5 млн параметров, формат весов — safetensors, тип данных — bfloat16. Контекст составляет 40 960 токенов; заявлены английский и китайский языки. Веса замороженных эмбеддингов целевой модели в чекпойнт не входят и загружаются из базовой модели. Модель подходит для speculative decoding с Qwen3-1.7B в совместимой среде; карточка не приводит результатов бенчмарков. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория и у базовой модели.

Это компактная черновая модель EAGLE3 для ускорения генерации текста методом speculative decoding с целевой моделью Qwen/Qwen3-1.7B. Чекпойнт обучен SpecForge методом EAGLE3 online training на данных ShareGPT; указаны эпоха 2 и шаг 65 000. Архитектура — LlamaForCausalLMEagle3, размер — 411,8 млн параметров, формат весов — safetensors, родной контекст — 40 960 токенов. Модель предназначена для использования в совместимом со SpecForge/EAGLE3 коде как draft-модель, предлагающая продолжения для проверки целевой моделью. Она не является самостоятельной языковой моделью и не предназначена для прямого диалогового применения. Метаданные указывают английский и китайский языки; лицензия обозначена как other. Карточка не приводит результатов бенчмарков.

Это контрольная точка черновой модели EAGLE3, обученной командой SpecForge для ускорения генерации текста методом speculative decoding вместе с базовой моделью Qwen/Qwen3-1.7B. Она не предназначена для самостоятельной генерации: совместимый код SpecForge/EAGLE3 использует её для предложения черновых токенов, которые проверяет целевая модель. Модель обучалась онлайн методом SpecForge EAGLE3 на данных ShareGPT; указаны девятая эпоха и шаг 460000. Архитектура — LlamaForCausalLMEagle3, размер чекпойнта по метаданным — 361,5 млн параметров, формат весов — safetensors, тип данных — bfloat16. Контекст составляет 40 960 токенов; заявлены английский и китайский языки. Веса замороженных эмбеддингов целевой модели в чекпойнт не входят и загружаются из базовой модели. Модель подходит для speculative decoding с Qwen3-1.7B в совместимой среде; карточка не приводит результатов бенчмарков. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория и у базовой модели.

Anbeeld/Qwen3.5-27B-DFlash-GGUF — это набор GGUF-квантизаций черновой модели DFlash для Qwen3.5-27B. Модель разработана совместно Z-Lab и Modal, а репозиторий подготовлен Anbeeld. Она предназначена для использования вместе с основной моделью Qwen/Qwen3.5-27B в системах speculative decoding и не является самостоятельной языковой моделью. DFlash использует облегчённую архитектуру block diffusion, которая предлагает несколько токенов параллельно, после чего целевая модель проверяет их. Черновая модель обучалась на последовательностях длиной 40 000 токенов и использует sliding-window attention для улучшения работы с длинным контекстом. Модель ориентирована на генерацию текста и сценарии серверного инференса; поддержка конкретных языков в README не указана. Основное преимущество — ускорение генерации при сохранении распределения выходов целевой модели: в приведённых тестах на одной NVIDIA B200 ускорение достигало 6,20 раза при concurrency 1 и 3,01 раза при concurrency 32. Реальная производительность зависит от целевой модели, настроек block size, оборудования и сервера инференса. Ограничение — необходимость совместного запуска с Qwen3.5-27B и использования ПО с поддержкой DFlash, например SGLang; GGUF-вариант предназначен для BeeLlama.cpp. В метаданных указана лицензия Apache-2.0.