II.1Анализ требований и архитектура ПО

QwQ-32B-MLX-4bit — это 4-битная MLX-квантизация модели рассуждений QwQ-32B, разработанной командой Qwen. Квантизацию подготовил bartowski на основе инструментов mlx-examples; модель предназначена для запуска на компьютерах Mac с Apple Silicon, в том числе через LM Studio. Модель относится к задачам генерации текста и ориентирована на сценарии, требующие пошагового рассуждения и решения сложных задач. Поддерживается контекст длиной до 128 000 токенов. В README не указаны точные сведения о поддерживаемых языках, модальностях и внутренней архитектуре, кроме принадлежности к линейке QwQ и размера исходной модели 32B. Ключевое преимущество этой версии — уменьшенный объём представления благодаря 4-битной квантизации, что делает запуск крупной модели более доступным на совместимых устройствах Apple Silicon. При этом квантизация может влиять на точность и качество по сравнению с исходной моделью. Модель может генерировать неточные, вредные или неподходящие ответы. Лицензия в README не указана, поэтому условия использования необходимо уточнять в документации исходной модели QwQ-32B и у правообладателя.

Agnuxo/Agente-Llama-3.1-Spanish_English_GGUF_32bit — локальная чат-модель для генерации текста, представленная Francisco Angulo de Lafuente в рамках экосистемы P2PCLAW. Это плотная модель семейства Llama в формате GGUF F32; README заявляет размер 2 млрд параметров и позиционирует её как автономного агента. Метаданные указывают лицензию Apache-2.0. Модель предназначена для диалога, разбиения задач на этапы, координации агентов и генерации кода, включая примеры на Python, JavaScript, TypeScript, Rust, Go и C++, а также научные вычисления и машинное обучение. README также описывает перенаправление запросов на создание научных статей в инструменты экосистемы P2PCLAW. Поддерживаемые языки — испанский и английский; запуск заявлен локально через Ollama или Transformers. Карточка не приводит результатов независимой оценки качества, поэтому заявленные агентные и научные возможности нельзя считать подтверждёнными сравнительными тестами. Размер контекста и подробности обучения не указаны; формат F32 требует больше памяти, чем квантизированные варианты GGUF.

Raiff1982 публикует набор из десяти LoRA-адаптеров Codette для системы рассуждений с несколькими перспективами. Адаптеры предназначены для подключения к базовой модели и задают разные когнитивные подходы, например аналитический, творческий и эмпатичный; система может маршрутизировать запросы между адаптерами и объединять ответы. Репозиторий содержит веса PEFT в safetensors и варианты GGUF в формате F16. Адаптеры обучены для семейства Llama 3.1 и описаны как средство генерации текста с многоперспективным рассуждением. В README заявлена поведенческая проверка семи адаптеров после повторного обучения; для остальных адаптеров такая проверка не подтверждена. Лицензия — Llama 3.1. Для инференса требуется совместимая базовая модель; README также приводит пример с контекстом 8192 токена, но не утверждает, что это собственный предел адаптеров.

MermaidMixtral-2x7b — экспериментальная языковая модель TroyDoesAI для генерации Mermaid-диаграмм по исходному коду и текстовым описаниям. Она основана на архитектуре Mixtral с причинным языковым моделированием и обучена за одну эпоху на синтетических примерах, созданных с помощью MermaidMistral 7B, MermaidSolar и набора данных с примерами диаграмм. Модель предназначена для построения схем потока кода, блок-схем, графов знаний и сценарных диаграмм. В README советуют начинать генерацию с `graph TB;` и отмечают, что качество зависит от формулировки запроса. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; доступны веса в формате Safetensors. Карточка демонстрирует работу с текстовым вводом и генерацию кода Mermaid. Модель опубликована по лицензии CC BY 4.0. Это ранний эксперимент: README не приводит систематических оценок качества, а синтетические обучающие данные и один проход обучения могут ограничивать точность и полноту диаграмм. Результат стоит проверять на корректность синтаксиса и соответствие исходному коду.

cointegrated/rubert-base-cased-nli-threeway — русскоязычная модель для вывода логических отношений между двумя короткими текстами. Она создана дообучением DeepPavlov/rubert-base-cased и предсказывает три класса: следование, противоречие и нейтральное отношение. Архитектура — BERT для классификации последовательностей; модель содержит 205,1 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для задач NLI и классификации текста без заранее заданного набора меток, в том числе для проверки, следует ли гипотеза из предпосылки. Обучение проводилось на наборах данных для NLI, автоматически переведённых с английского на русский, а также на нескольких русскоязычных источниках. Доступны веса PyTorch и Safetensors, а также формат ONNX. Лицензия в предоставленных данных не указана.

dleemiller/finecat-nli-s — англоязычная модель для распознавания логических отношений между парами текстов: следования, нейтральности и противоречия. Она основана на энкодере jhu-clsp/ettin-encoder-68m и дообучена на наборе FineCat-NLI; при обучении также использовалась дистилляция логитов от dleemiller/finecat-nli-l. Архитектура — ModernBERT для классификации последовательностей, размер — 68,1 млн параметров, библиотека — Sentence Transformers, формат весов — safetensors. Контекст модели составляет 7999 токенов. Модель предназначена для NLI и классификации текстовых пар; её можно применять для проверки гипотез по текстовым предпосылкам и оценки того, поддерживает ли документ утверждение, не связан ли он с ним или противоречит ему. В README приведены результаты на нескольких NLI-наборах, включая MNLI, SNLI и ANLI. Метаданные также указывают поддержку sentence similarity и эмбеддингов. Заявленная языковая поддержка — английский. Метаданные не содержат сведений о лицензии, поэтому условия распространения и коммерческого использования следует проверить в карточке модели на Hugging Face.

Llama-3.1-8B-Instruct_Causal-Tracer — вариант Llama-3.1-8B-Instruct, созданный Apollo Raines с помощью инструмента jBlaze для изменения поведения модели через правку весов. Дополнительное обучение или дообучение не проводилось. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров по метаданным; карточка указывает формат safetensors и контекст до 131 072 токенов. Модель предназначена для генерации текста и диалога с акцентом на отслеживание потоков данных от источника к получателю, причинно-следственных цепочек и происхождения информации в системах. Она принимает текст и генерирует текст; в метаданных также указаны интерфейс вызова инструментов и поддержка английского языка. Автор описывает выпущенную версию как демонстрационную и намеренно ослабленную. Лицензия — Llama 3.1; применимость её условий следует проверять перед использованием.

gghfez/Mistral-Large-2407-LongCoT — дообученная версия Mistral-Large-Instruct-2407, созданная автором репозитория на датасете long-cot-4k с примерами длинных ответов, сгенерированных Qwen/QwQ-32B-Preview. Модель предназначена для диалогов и подробных пошаговых ответов на сложные вопросы, включая объяснения и математические расчёты. Это плотная авторегрессионная языковая модель архитектуры MistralForCausalLM с 122,2 млрд параметров и контекстом до 131 072 токенов. Карточка указывает английский язык, формат общения ChatML и ответы длиной примерно 1 024–4 096 токенов. Модель ориентирована на развёрнутые рассуждения, поэтому может быть многословной даже при простых запросах; качество на вопросах вне обучающего распределения может снижаться, а для кратких или требующих ответа в реальном времени сценариев она подходит хуже. Лицензия указана как other, конкретные условия в карточке не приведены.

Qwen3.5-9B Reasoning Distilled GGUF (R3 Crown) — квантизированная в формате GGUF версия Qwen3.5-9B, дообученная командой cudabenchmarktest методом LoRA SFT на 2160 примерах с трассами рассуждений Opus 4.6 из набора Crownelius/Opus-4.6-Reasoning-3300x. Модель предназначена для диалогов и генерации ответов с рассуждениями, включая математические задачи, планирование и многошаговые запросы. Это ранняя итерация R3, которую авторы считают устаревшей: обучение на однообразных данных ухудшило следование инструкциям, а последующие версии R5/R7 описаны как улучшенные. При использовании стандартного рендерера qwen3.5 в Ollama для обычного диалога, следования инструкциям и вызова инструментов следует передавать think: false; без этого часть длинных запросов может завершаться без видимого ответа. Для задач, где нужны рассуждения, автор рекомендует think: true. Модель распространяется по лицензии Apache-2.0.

rubert-nli-threeway-onnx — русскоязычный BERT-классификатор последовательностей, экспортированный в ONNX. Модель разработана для трёхстороннего распознавания логического отношения между посылкой и гипотезой: следование (entailment), противоречие (contradiction) или нейтральное отношение (neutral). Она принимает input_ids, attention_mask и token_type_ids и выдаёт logits для трёх классов. В репозитории представлены варианты fp32, fp16 и динамический int8. Версии fp16 и int8 предназначены для уменьшения размера и ускорения инференса на соответствующем оборудовании; для всех вариантов сохранены входы и выходы формата fp32/целочисленных идентификаторов. Контекст — до 512 токенов, размер модели — 205,1 млн параметров. README сообщает о проверке сохранения предсказанного класса на восьми наборах примеров, что не является широкой оценкой качества. Лицензия — Apache-2.0.

DeepSeek V4 Flash REAP K128 Mixed NVFP4 — это экспериментальная производная модели DeepSeek, подготовленная sleepyeldrazi на основе deepseek-ai/DeepSeek-V4-Flash. Это текстовая MoE-модель для генерации текста и диалогов; в ней оставлено 128 маршрутизируемых экспертов на слой, что соответствует примерно 50% сокращению экспертов. Дообучение не проводилось: модель создана структурным удалением части экспертов и преобразованием формата весов. Веса экспертов gate и up представлены в NVFP4 после заявленного в карточке преобразования шкал из MXFP4, down-эксперты — в Q2_K; внимание и общие эксперты используют Q8_0. Репозиторий распространяется в формате GGUF, но для запуска необходимы специализированный движок ds4 и NVFP4 CUDA-ядра: стандартные среды llama.cpp и GGUF модель не загружают. Автор ориентирует сборку на DGX Spark с GB10 Blackwell и заявляет поддержку контекста до 1 млн токенов при использовании FP8 KV-кэша. Карточка указывает английский язык и лицензию MIT. Практические сценарии включают программирование, вызовы инструментов, исследовательские и справочные диалоги; характеристики качества в README описаны без независимых оценок.

Palmyra X5 — большая языковая модель компании Writer, предназначенная для создания и масштабирования корпоративных ИИ-агентов. В карточке модели заявлена поддержка контекстного окна до 1 миллиона токенов и высокая скорость работы. Модель подходит для сценариев с агентами и большими объёмами контекста в корпоративной среде. Доступный текст карточки не раскрывает архитектуру, размер, языки, лицензию или подробные ограничения модели.

Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled-v2 — дообученная версия Qwen3.5-4B, разработанная Jackrong. Модель ориентирована на задачи рассуждения: математику, текстовые задачи, логическую дедукцию, общие знания и выполнение инструкций. Также заявлена переносимость навыков рассуждения на программирование, хотя код не был основным направлением обучения. Поддерживаемые языки — английский, китайский и корейский; в карточке модель помечена как image-text-to-text, однако подробности о фактических возможностях обработки изображений не приведены. Модель содержит 4 млрд параметров и обучалась на более чем 14 000 образцах рассуждений в стиле Claude 4.6 Opus, включая наборы nohurry/Opus-4.6-Reasoning-3000x-filtered, Jackrong/Qwen3.5-reasoning-700x и Roman1111111/claude-opus-4.6-10000x. Версия v2 использует переработанную структуру рассуждений, направленную на сокращение избыточных цепочек и повышение эффективности вывода. По приведённым данным, средняя длина рассуждений снизилась на 33,77%, а эффективность на единицу длины рассуждения выросла на 41,54% для HumanEval и на 43,15% для HumanEval+. Основное преимущество модели — более экономичное и стабильное многошаговое рассуждение при сохранении широкого применения. Ограничение состоит в том, что по абсолютной точности HumanEval и HumanEval+ она уступает базовой Qwen3.5-4B: 0,7317 против 0,7683 и 0,6951 против 0,7256 соответственно. Контекстное окно, точная архитектура и аппаратные требования в README не указаны. Модель распространяется по лицензии Apache-2.0.

strix-rufipes-70b — авторегрессионная языковая модель, разработанная ibivibiv и дообученная на архитектуре Llama 2. Она предназначена для задач логического рассуждения и планирования, включая выполнение инструкций в формате Alpaca. Модель содержит 68,7 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Основной язык — английский. В карточке приведены результаты тестов ARC: Challenge и HellaSwag, а также сводные показатели Open LLM Leaderboard. Модель распространяется в формате Safetensors по лицензии Llama 2. Результаты бенчмарков не гарантируют качество на прикладных сценариях, особенно за пределами логики и планирования.

Alireza1044/albert-base-v2-mnli — модель Alireza1044, полученная дообучением albert-base-v2 на наборе GLUE MNLI для классификации текстовых пар. Она принимает текст и предсказывает отношение между посылкой и гипотезой, например следование, противоречие или нейтральность. Модель содержит 136,3 млн параметров, использует архитектуру ALBERT и поддерживает контекст до 512 токенов. Для оценки на тестовом наборе указаны accuracy 0,8501 и loss 0,5383. Доступна в формате PyTorch по лицензии Apache-2.0.

Beetle-FineWeb2-24B/beetle-bilingual-l2-80-late-b5-fineweb-rus-eng — языковая модель для генерации текста на русском и английском языках. Модель опубликована на Hugging Face и предназначена для использования через библиотеку Transformers; карточка модели автоматически сгенерирована и не содержит сведений о разработчике, лицензии, архитектуре, обучающих данных или результатах оценки. Модель подходит для генерации русско- и англоязычных текстов, продолжения заданных фрагментов, создания черновиков и интеграции в приложения на базе text-generation. Поддержка языков следует из идентификатора модели, а pipeline_tag в метаданных указывает на задачу генерации текста. Сведения о контекстном окне, точном числе параметров, модальностях, лицензии, ограничениях и специализированных областях применения отсутствуют.

Kimi-K3-REAP73-MLX-mxfp4-q8 — это сильно разреженная и конвертированная в формат MLX версия мультимодальной MoE-модели Kimi-K3, разработанной Moonshot AI. Модель предназначена для локального запуска на компьютерах Apple Silicon с большим объёмом unified memory, прежде всего для генерации текста и программного кода через mlx-lm. Она сохраняет 793 млрд параметров из исходных 2,78 трлн, включая 104 млрд активных параметров, и рассчитана на контекст до 1 млн токенов. Архитектура включает Kimi Delta Attention, Attention Residuals, LatentMoE и 92 MoE-слоя; из 896 экспертов в каждом слое сохранены 242, при этом на токен маршрутизируются 16 экспертов. Заявлена поддержка английского, китайского и ряда других языков, включая японский, русский, корейский, немецкий, французский, испанский и арабский, а также мультимодальных сценариев исходной модели, хотя подробности о поддерживаемых входных форматах здесь не приведены. Ключевое преимущество модели — возможность загрузки примерно 451 ГБ весов на Apple Silicon с 512 ГБ памяти. Экспертные веса используют MXFP4 без дополнительной потери точности при конвертации: сохранённые тензоры являются побитовой копией исходных. На M3 Ultra с 512 ГиБ заявлена скорость генерации около 5,51 токена в секунду. Модель особенно хорошо сохраняет структурную корректность генерации кода, однако агрессивное удаление экспертов заметно ухудшает общие языковые способности: возможны уход в спискообразные или похожие на исходный код продолжения, повторы и деградация качества по сравнению с полной Kimi-K3. Сокращение числа сохранённых экспертов уменьшает требования к памяти, но почти не ускоряет генерацию. Для работы требуются mlx-lm и поставляемый загрузчик kimi_k3.py; практическое использование рассчитано на систему Apple Silicon с 512 ГБ памяти и настройкой лимита wired GPU memory. Модель распространяется с лицензией other, с указанием license_name kimi-k3; дополнительные условия этой лицензии в README не приведены.

NeuroReasoner-PlanningHead-1 — текстовая генеративная модель от ayjays132, предназначенная для планирования и структурированного рассуждения. В карточке заявлены применение в диалоговых ассистентах, исследовательских системах и задачах, где нужны многошаговые планы и их представление в виде векторов. Модель построена на 24 слоях Transformer с размером скрытого состояния 1024 и содержит специализированные модули для извлечения планов, структурирования, проверки ограничений и работы с памятью. По README, PlanningHead формирует 128-мерные векторы планов, а механизм MemoryAttention использует 64 ячейки памяти и 4 головы внимания. Модель имеет 378,7 млн параметров, принимает текст и поддерживает контекст до 1024 токенов. README описывает когнитивные теги вроде <plan> и <reasoning>, а также циклы уточнения ответов, однако заявленные свойства саморефлексии, логической согласованности и улучшения качества не подтверждены приведёнными независимыми оценками. Модель дообучена на ayjays132/NeuroReasoner-1-NR-1, распространяется в формате safetensors и использует лицензию Apache-2.0.

PWNISMS-Threat-Model-Structured — дообученная на LoRA модель на основе Qwen/Qwen2.5-1.5B-Instruct, разработанная для создания структурированных моделей угроз по описанию системы. Она генерирует JSON по схеме PWNISMS, охватывающей семь областей: продукт, рабочая нагрузка, сеть, управление идентификацией и доступом, секреты, мониторинг и цепочка поставок; также может добавлять метки STRIDE и конкретные меры защиты. Модель имеет плотную архитектуру Qwen2, 1,5 млрд параметров и контекст до 32 768 токенов. Выпущены веса в формате safetensors и варианты GGUF F16 и Q4_K_M; лицензия — Apache-2.0. Модель предназначена для архитекторов приложений и специалистов по безопасности, которым нужно подготовить черновик модели угроз по описанию системы. В небольшом внутреннем тесте README 16 из 20 ответов разбирались как JSON, а 12 из 20 проходили полную проверку схемы; длинные сценарии могут требовать большого лимита на генерацию. Результаты следует проверять по JSON Schema или Pydantic и перед применением в обеспечении безопасности, аудите или комплаенсе передавать на экспертную проверку.

Alchemist_01_2b — объединённая модель для генерации текста, созданная с помощью mergekit из Aspik101/minigemma_ft9 и deepnetguy/gemma-64 методом slerp. Она основана на архитектуре GemmaForCausalLM и содержит 2,5 млрд параметров. Модель предназначена для диалогового взаимодействия и генерации продолжений текста с входным контекстом до 8192 токенов. Модель распространяется в формате safetensors под лицензией Apache 2.0. README описывает конфигурацию слияния, но не приводит результаты оценки качества или подробности о поддерживаемых языках. Поэтому применимость для конкретных языков и задач следует проверять на собственных примерах.

CoT-T5-11B — англоязычная языковая модель семейства T5, разработанная KAIST AI на базе Flan-T5 и дообученная на 1,84 млн цепочек рассуждений для 1 060 задач из CoT Collection. Она предназначена для генерации ответов с пошаговым рассуждением, решения ранее не встречавшихся задач в режиме zero-shot и адаптации к новым задачам посредством дополнительного дообучения с цепочками рассуждений. Модель использует архитектуру T5 для преобразования текста в текст; в метаданных указано 5,8 млрд параметров и формат PyTorch. В README сообщается о более высоких результатах CoT-T5 по сравнению с Flan-T5 при использовании цепочек рассуждений. Модель поддерживает английский язык и работает с текстовыми входами и выходами. Лицензия — Apache 2.0. Результаты на конкретных задачах и длина контекста в предоставленных данных не описаны; крупный размер требует существенных вычислительных ресурсов.

Это англоязычная модель классификации последовательностей на базе BERT, созданная Ишаном дообучением bert-base-uncased на наборе MultiNLI. Она предназначена для классификации отношений между парами текстов, в частности для определения логического следования, противоречия или нейтрального отношения между посылкой и гипотезой. Модель содержит 136,7 млн параметров, принимает текстовые входные данные и поддерживает контекст до 512 токенов. Доступны версии весов для PyTorch и Flax. В описанной оценке на MultiNLI точность составила 0,8456 на matched и 0,8484 на mismatched. Модель подходит для распознавания текстовых отношений и задач классификации, основанных на них; карточка не сообщает об оценке на других наборах данных. Лицензия в предоставленных данных не указана.

hyrinmansoor/changAI-nomic-embed-text-v1.5-finetuned — текстовая модель Sentence Transformers, дообученная автором репозитория для поиска по смыслу и извлечения релевантных фрагментов. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и использует косинусное сходство для сравнения запросов с документами. В основе — ModernBERT с mean pooling и нормализацией выходных векторов. Модель принимает текст, поддерживает последовательности до 8192 токенов и обучалась на парах запросов и релевантных описаний полей из предметных областей ERP, включая производство, продажи и управление качеством. В карточке указано 262 905 обучающих и 13 837 оценочных примеров; для инференса доступны веса safetensors и библиотека sentence-transformers. Модель подходит для семантического поиска по схемам и описаниям данных, сопоставления естественно-языковых вопросов с полями базы данных и построения retrieval-компонента. Специализация на примерах ERP может ограничивать качество на иных корпусах; конкретные показатели качества в карточке не приведены. Условия лицензии в предоставленных данных не указаны.

Beetle-FineWeb3-24B/beetle-monolingual-fineweb3-rus — модель генерации текста из семейства Beetle-FineWeb3, предназначенная для русскоязычной генерации текста. Идентификатор модели указывает на моноязычную ориентацию на русский язык, а метаданные относят модель к задаче text-generation и библиотеке Transformers.

khalidalt/DeBERTa-v3-large-mnli — модель классификации текста на основе DeBERTa-v3-large от Microsoft, дообученная на наборе MultiNLI для распознавания логических отношений между парами текстов. Она сопоставляет посылку и гипотезу и может применяться для классификации без примеров: пользователь задаёт возможные метки в виде гипотез, а модель оценивает их соответствие входному тексту. Архитектура DeBERTa-v2 для классификации последовательностей содержит 533,8 млн параметров; модель работает с текстом на английском языке и поддерживает контекст до 512 токенов. Модель подходит для проверки текстового следования, выявления противоречий и тематической разметки текстов через набор гипотез. В README указано обучение на MultiNLI, содержащем пары предложений с отношениями следования; для других языков и задач карточка не приводит результатов. Лицензия в предоставленных данных не указана.

dleemiller/finecat-nli-l — англоязычная модель для вывода по естественному языку (NLI), разработанная как дообучение tasksource/ModernBERT-large-nli на наборе FineCat-NLI с дистилляцией логитов от MoritzLaurer/DeBERTa-v3-large-mnli-fever-anli-ling-wanli. Она сравнивает посылку и гипотезу и определяет, следует ли гипотеза из посылки, противоречит ей или остаётся нейтральной. Модель подходит для zero-shot классификации: можно задавать описания классов в виде гипотез и ранжировать их по отношению к входному тексту. Модель основана на плотном двунаправленном энкодере ModernBERT-large с архитектурой ModernBertForSequenceClassification, содержит 394,7 млн параметров и поддерживает контекст до 2048 токенов. По карточке, она показывает результаты на наборах MNLI, SNLI, ANLI, WANLI и других NLI-бенчмарках; для ряда сравнений в README рекомендована более новая версия finecat-nli-v2-l. Доступна в формате safetensors через Sentence Transformers. Лицензия в предоставленных данных не указана.

Mermaid-Llama-3-6B-Pruned — языковая модель TroyDoesAI для генерации Mermaid-диаграмм по Python-коду, сюжетам и пошаговым инструкциям. Это плотная авторегрессионная модель семейства Llama с 5,8 млрд параметров; в README указано, что после обрезки в ней осталось 24 из 32 слоёв. Модель предназначена для автодополнения, а не для обычного диалога. Заявленные сценарии включают построение блок-схем по Python-коду, визуализацию сюжетных линий и создание схем процессов для планирования и обучения. README сообщает о дообучении на 800 вручную отобранных примерах Mermaid-графов и 478 программах на Python. Контекст составляет 8192 токена, формат весов — safetensors. Разработчик заявляет о высокой точности диаграмм, однако README не приводит независимых результатов оценки. Автор предупреждает, что ответы в обычном чате могут быть некорректными. Модель распространяется по лицензии CC BY 4.0.

MermaidMixtral-3x7b — экспериментальная языковая модель TroyDoesAI для генерации диаграмм Mermaid, в первую очередь блок-схем по коду. Модель обучена за одну эпоху на синтетических примерах, созданных с помощью авторского инструментария дополнения данных на основе выводов MermaidMistral 7B и MermaidSolar. В README также описаны сценарии построения графов знаний и схем возможных сценариев. Модель использует архитектуру Mixtral с MoE и имеет 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors. Автор рекомендует начинать генерацию с префикса «graph TB;» и отмечает, что для получения нужного результата важна настройка промпта. Лицензия — CC BY 4.0. Это ранний эксперимент на синтетических данных; README не приводит количественных оценок качества. Результат зависит от промпта, а качество для задач за пределами генерации диаграмм не установлено.

Qwythos-9B-Claude-Mythos-5-1M-uncensored-heretic-GGUF — набор GGUF-квантизаций модели llmfan46/Qwythos-9B-Claude-Mythos-5-1M-uncensored-heretic, разработанный независимым автором LLMfan46 на основе Qwythos-9B-Claude-Mythos-5-1M от empero-ai. Модель предназначена для генерации текста на английском языке, рассуждений, агентских сценариев, function calling и использования инструментов, а также задач в области кибербезопасности и биомедицины. В карточке заявлены архитектура семейства Qwen3.5, размер 9B параметров и контекст до 1 миллиона токенов. Модель представляет собой decensored-версию исходной модели: к её весам применён Heretic v1.2.0 с вариантом метода Magnitude-Preserving Orthogonal Ablation (MPOA), затрагивающим отдельные компоненты attention и MLP. По данным автора, доля отказов снизилась с 73 до 11 случаев из 100 при KL-дивергенции 0,0123 относительно оригинала. Это может быть преимуществом для исследовательских и агентских сценариев, требующих меньшего числа отказов, но одновременно означает ослабление встроенных ограничений безопасности. В README приведены результаты MMLU только для исходной модели: точность 77,03%, поэтому они не подтверждают идентичную производительность данной версии. Также не указаны конкретный формат шаблона запросов, требования к памяти для разных квантизаций и фактические ограничения длинного контекста. Модель распространяется по лицензии Apache-2.0.

microsoft/deberta-base-mnli — англоязычная модель классификации текста от Microsoft, полученная дообучением базовой DeBERTa-base на задаче MNLI. DeBERTa использует раздельное представление содержимого и позиций в механизме внимания и улучшенный декодер маскирования; в этой версии применяется архитектура DebertaForSequenceClassification с 151,8 млн параметров и контекстом до 512 токенов. Модель предназначена прежде всего для классификации текстовых пар по отношению между посылкой и гипотезой: например, для определения логического следования, противоречия или нейтральности. Её можно применять в задачах понимания естественного языка и как основу для оценки текстовых гипотез. Карточка приводит результаты базовой DeBERTa на MNLI и SQuAD, но показатели SQuAD не подтверждают, что данный чекпойнт дообучен для ответов на вопросы. Модель распространяется по лицензии MIT.