II.1Анализ требований и архитектура ПО

Fabletron Nemotron-3-Super-120B-A12B Fable-5 NVFP4 — дообученная Greghavens версия NVIDIA Nemotron-3-Super-120B-A12B. Это гибридная языковая архитектура Mamba-2 и Latent-MoE: 120 млрд параметров суммарно и около 12 млрд активных. Модель обучена методом QLoRA на диалоговых трассах pi_agent из Glint-Research/Fable-5-traces для рассуждений, планирования действий и вызова инструментов. Репозиторий содержит квантованный экспорт NVIDIA ModelOpt NVFP4, рассчитанный на запуск через vLLM или TensorRT-LLM на видеокартах NVIDIA Blackwell. README сообщает о поддержке собственного контекста до 262 144 токенов и обслуживании через vLLM. Модель принимает текст и выдаёт текст, включая ответы в диалоге и вызовы инструментов; MTP-голова базовой модели в экспорте отсутствует. Модель предназначена для экспериментов с агентными сценариями и применима к многошаговому планированию и работе с инструментами. README предупреждает, что модель не получила дополнительного выравнивания по безопасности сверх базовой версии, поэтому перед использованием в производственной среде её следует оценить. Лицензия в метаданных указана как other; конкретные условия следует сверить с карточкой репозитория.

nam7197/vi-nli-xlm-roberta-base — модель классификации текстовых пар для задачи вывода по естественному языку (NLI): она определяет, следует ли гипотеза из посылки, противоречит ей или не связана с ней. Модель основана на XLM-RoBERTa и содержит 305,2 млн параметров; в метаданных указан класс XLMRobertaForSequenceClassification и контекст до 514 токенов. Модель подходит для классификации пар предложений и оценки отношений между утверждениями. В README приведены метрики precision, recall и F1 для классов entailment, neutral и contradiction. Карточка не сообщает языковую специализацию и лицензию, поэтому конкретные языки и условия использования установить нельзя.

aloobun/Meta-Llama-3-7B-29Layers — производная языковая модель на основе Meta Llama 3 8B, созданная удалением слоёв: в итоговой версии 29 слоёв и около 6,9 млрд параметров. Для выбора слоёв использовался репозиторий PruneMe, а сборка выполнена методом passthrough с помощью mergekit; в карточке указано, что последующее обучение после прореживания планировалось, но не выполнено. Модель предназначена для генерации текста на английском языке и может использоваться для продолжения текста и прототипирования приложений на базе Llama 3. Архитектура — плотная LlamaForCausalLM; заявленный контекст составляет 8192 токена. Лицензия — Llama 3, с условиями Meta.

MFANN-Llama3.1-Abliterated-Slerp-V3.2 — объединённая текстовая модель семейства Llama, опубликованная netcat420. Она создана слиянием mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated и netcat420/MFANNv0.23; в метаданных указаны архитектура LlamaForCausalLM, 7,5 млрд параметров и библиотека Transformers. Модель предназначена для диалогов и генерации ответов. README описывает обычный режим помощника и экспериментальный режим SATANN для запросов по кибероперациям. В метаданных заявлено контекстное окно до 131 072 токенов, тогда как README рекомендует длину контекста 8 192 токена; фактический предел может зависеть от используемой конфигурации и способа запуска. В README приведены результаты нескольких тестов Open LLM Leaderboard, включая средний балл 18,92. Лицензия в предоставленных данных не указана.

BalaRajesh1/mmbert-small-nli — многоязычная модель для вывода по паре текстов, дообученная на базе jhu-clsp/mmBERT-small. Она определяет, следует ли гипотеза из посылки, противоречит ей или остаётся нейтральной; эти оценки также можно использовать для классификации по заданным категориям без отдельного обучения на них. В карточке указано обучение на девяти наборах данных с примерами на более чем 26 языках. Архитектура — ModernBERT для классификации последовательностей, размер по метаданным — 140,5 млн параметров, формат весов — safetensors, длина контекста в метаданных — 8192 токена. README отдельно указывает ограничение в 128 токенов для пары посылка-гипотеза; фактический предел зависит от используемой конфигурации модели. Модель подходит для проверки текстовых гипотез и классификации текстов по формулировкам категорий на множестве языков. README заявляет охват базовой модели в 1833 языка, однако обучение NLI описано для 26 и более языков, а результаты могут различаться в зависимости от представленности языка в предобучении. На состязательном наборе ANLI качество невысокое, что отмечено в карточке. Лицензия — MIT.

Это плотная языковая модель Qwen3 с 29,7 млрд параметров, дообученная на наборе open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Модель предназначена для генерации текста в диалоге; базовая Qwen3 рассчитана на рассуждения и программирование, но README не подтверждает отдельные возможности этой дообученной версии. Модель использует архитектуру Qwen3ForCausalLM, библиотеку Transformers и формат safetensors. Длина контекста составляет 40 960 токенов. В метаданных указана лицензия other, поэтому условия использования следует сверить с лицензией и файлами репозитория.

Mermaid-Llama-3-5B-Pruned — языковая модель на архитектуре Llama, разработанная TroyDoesAI для генерации Mermaid-диаграмм по коду и текстовым описаниям. Репозиторий содержит модель размером 4,9 млрд параметров в формате safetensors; заявленная длина контекста — 8192 токена. Модель обучалась на 800 примерах Mermaid-графов и 478 программах на Python с использованием LoRA. Модель предназначена для преобразования логики Python-кода, сюжетов и пошаговых инструкций в блок-схемы и другие Mermaid-диаграммы. Её можно применять для визуальной документации кода, сторибординга, планирования проектов и учебных материалов по Python. Автор рекомендует использовать её как модель автодополнения, а не для обычного диалога; также README предупреждает, что из-за изменения слоёв ответы в чате могут быть некачественными. Заявление о превосходстве над GPT-4 приводится автором без описания методики оценки. Лицензия — CC BY 4.0.

T-lite-instruct-0.1 — русскоязычная instruct-модель семейства Llama, разработанная для дальнейшего дообучения. Это плотная авторегрессионная языковая модель на 7,5 млрд параметров с контекстом до 8192 токенов; веса опубликованы в формате safetensors и обучены в bf16. Модель принимает текстовые инструкции и генерирует текстовые ответы в диалоговом формате. Обучение включало англоязычные наборы инструкций, их переводы с фильтрацией, синтетические контексты для ответов по источникам, а также supervised fine-tuning и обучение модели вознаграждения на предпочтениях. В README приведены результаты русскоязычных версий MT-Bench и Arena; они описывают оценивание, но не гарантируют качество в конкретном применении. Модель предназначена как основа для дальнейшей настройки, а не как готовый разговорный ассистент. В частности, README предупреждает о необходимости дополнительного обучения и контроля безопасности перед внедрением. Лицензия в предоставленных данных не указана.

MayaGalvez/bert-base-multilingual-cased-finetuned-nli — модель классификации текстовых последовательностей на основе BERT, дообученная на наборе данных XNLI. Она предназначена для задач естественного логического вывода, например определения отношения между посылкой и гипотезой. В карточке указана точность 0,8157 на оценочной выборке. Модель содержит 205,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Поддерживает многоязычный сценарий благодаря базовой модели bert-base-multilingual-cased. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0.

TahaaaaM выпустил DistilBERT, полностью дообученный вместе с классификационной головой на обучающей выборке MNLI в рамках проекта сжатия A3 SVD. Модель предназначена для классификации пар предложений, в частности для определения логического следования, противоречия или нейтрального отношения между посылкой и гипотезой. Архитектура — DistilBertForSequenceClassification; веса сохранены в формате safetensors. Контекст ограничен 512 токенами. В README приведены accuracy 0,8211 и macro-F1 0,8202 на упомянутой задаче. Лицензия — MIT. Карточка не сообщает о поддержке языков помимо английского.

kmhf/hf-moshika — текстовая генеративная модель, опубликованная на Hugging Face и предназначенная для запуска через библиотеку Transformers. В метаданных модель связана с семейством или технологией Moshi, однако разработчик, точный тип архитектуры и происхождение весов в доступной карточке не описаны. Модель решает задачу генерации текста: может использоваться для продолжения заданного текста, создания черновиков и построения приложений на базе text-generation. Объём модели составляет 8,7 млрд параметров, а заявленная нативная длина контекста — 3000 токенов. Формат хранения включает safetensors. Сильными сторонами являются сравнительно крупный размер модели и интеграция с экосистемой Transformers. Языки, результаты оценки, обучающие данные и специализированные сценарии применения не описаны. Лицензия в доступных данных не указана, поэтому условия использования необходимо проверить на странице репозитория перед применением модели.

PrismaCoder-3B — дообученная модель на основе Qwen/Qwen2.5-Coder-3B-Instruct, созданная для генерации и редактирования схем Prisma ORM и кода Prisma Client по инструкциям на естественном языке. Модель содержит около 3,1 млрд параметров, использует архитектуру Qwen2 с плотной causal language model и принимает текстовые запросы, выдавая текст с кодом. В метаданных указано контекстное окно 32 768 токенов и поддержка английского языка. Модель дообучали методами SFT, DPO и GRPO с использованием QLoRA; веса адаптеров объединены с базовой моделью. Она предназначена для создания и правки схем, подготовки планов миграции, CRUD-операций и запросов к существующей схеме Prisma. В описанном авторами тестировании на PrismaBench модель показала высокий результат на статических проверках V0, однако эти проверки не подтверждают, что код компилируется, миграции выполняются или запросы работают в приложении. Перед применением необходимо проверять схемы командой prisma validate, а для более полной проверки — запускать проектные проверки и тесты: README отдельно отмечает риск ошибок в полях связей @relation. Модель распространяется по лицензии Apache-2.0.

textattack/bert-base-uncased-MNLI — модель классификации пар предложений, опубликованная TextAttack. Она основана на BERT base uncased и дообучена для распознавания текстовых выводов (MNLI): по предпосылке и гипотезе предсказывает entailment, neutral или contradiction. Модель содержит около 136,7 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текстовые пары с контекстом до 512 токенов. Доступны веса PyTorch и Flax. Подходит для задач вывода на английском языке, включая классификацию отношения между предложениями и zero-shot классификацию через формулировку задачи как проверки гипотез. Это специализированный классификатор, а не генеративная модель; его метки и качество ограничены задачей и данными MNLI, поэтому он не предназначен для свободных ответов или надёжного понимания произвольных предметных областей. Условия лицензии в доступных сведениях не подтверждены.

QuantFactory/LongWriter-glm4-9b-GGUF — квантизированная версия модели LongWriter-glm4-9b, разработанной командой THUDM. Модель создана на базе glm-4-9b и предназначена для генерации длинных текстов объёмом более 10 000 слов за один запрос. Версия в формате GGUF подготовлена с использованием llama.cpp. Модель относится к текстовым генеративным моделям и поддерживает сценарии написания крупных документов, например подробных руководств и других длинных материалов. В README указаны английский и китайский языки, архитектурная основа GLM и размер порядка 9 млрд параметров. Для работы с исходной моделью приведены настройки контекста и генерации до 32 768 токенов; также заявлена совместимость с Transformers версии 4.43.0 и выше и возможность развёртывания через vLLM. Ключевое преимущество — ориентация на длинную генерацию, а квантизация может упростить запуск в средах с ограниченными ресурсами. Ограничения, точные требования к оборудованию и характеристики качества в README не указаны. Условия использования определяются лицензией glm-4-9b, ссылка на текст которой приведена в карточке модели.

SabiYarn_MoE-280M — модель генерации текста, опубликованная на Hugging Face под идентификатором Aletheia-ng/SabiYarn_MoE-280M. Модель предназначена для использования через библиотеку Transformers и относится к семейству SabiYarn; обозначение MoE-280M входит в её название.

Escarda-Rewrite — компактная модель генерации текста от Quazim0t0 для оптимизации запросов. Она преобразует исходный вопрос в подробную инструкцию с подходящей профессиональной ролью, формулировкой задачи и уточняющими вопросами. Модель предназначена для использования перед Escarda-Identity: сначала переписывает запрос, затем базовая модель формирует ответ. Модель построена на плотной архитектуре SpikeWhaleLM семейства SpikeWhale с JEPA SpikeWhale и словарём из 16 512 токенов. В метаданных указаны 103,6 млн параметров, контекст до 4096 токенов, формат safetensors и поддержка английского языка. В README размер округлён до 86 млн параметров. Автор сообщает, что модель обучалась для соответствия QueryShield-1.5B и сравнивалась с ним; корпус охватывает, среди прочего, медицинские, юридические, финансовые, сельскохозяйственные, программные, образовательные и исследовательские темы. Лицензия — Apache-2.0. Модель генерирует оптимизированные инструкции, а не экспертные ответы: качество итогового результата зависит от следующей модели в цепочке. Описание не приводит численных результатов бенчмарков или дополнительных ограничений применения.

Llama-3.1-8B-MultiReflection-Instruct — дообученная модель на базе Meta Llama 3.1 8B Instruct, разработанная автором репозитория leafspark. Она предназначена для генерации текста в диалоговом формате с многоэтапными рассуждениями и подробными ответами; обучение на синтетических примерах отражения создано с помощью Claude 3.5 Sonnet. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Метаданные указывают контекст до 131 072 токенов, а автор рекомендует подавать контекст не менее 16 тысяч токенов, поскольку ответы часто занимают 2–3 тысячи токенов. В карточке заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Модель опубликована в формате safetensors и лицензирована по условиям Llama 3.1. Автор отмечает связность ответов при рекомендованных параметрах генерации, но также предупреждает о склонности к очень многословным и длинным рассуждениям. Обучение проводилось на 81 синтетическом примере в течение 30 шагов, поэтому качество и устойчивость на широком наборе задач могут быть ограничены.

Qwen3-Bifrost-SOL-4B-i1-GGUF — квантизированная GGUF-версия языковой модели Bifrost-AI/Qwen3-Bifrost-SOL-4B, разработанной Bifrost-AI и подготовленной к квантизации пользователем mradermacher. Модель основана на Qwen3 и имеет около 4 млрд параметров; в карточке указана поддержка английского языка и библиотека Transformers. Модель предназначена для текстовой генерации, диалоговых сценариев, программирования и задач, связанных с финансами. Специализация, судя по набору данных Bifrost-AI/Solana-Vanguard-Challenge и названию модели, ориентирована в том числе на экосистему Solana, однако подробные результаты оценки и перечень поддерживаемых прикладных задач не приведены. Модель доступна в большом наборе вариантов квантизации IQ и Q, размером примерно от 1,2 до 3,4 ГБ, что позволяет подбирать компромисс между требованиями к памяти, скоростью и качеством. Главное преимущество — возможность локального запуска на относительно ограниченных ресурсах благодаря GGUF-квантизации и нескольким уровням точности. При этом низкобитные варианты могут заметно снижать качество; в README отдельные варианты отмечены как низкокачественные, а для общего баланса рекомендован i1-Q4_K_M. Модальность — текстовая; сведения об архитектуре, размере контекста, дополнительных языках и конкретных ограничениях применения не указаны. Лицензия модели — MIT.

Verus-0.8B — компактная мультимодальная модель для работы с кодом, представленная в формате Hugging Face Transformers. В метаданных указана дообученная база Qwen/Qwen3.5-0.8B, тогда как README описывает языковую часть как Mistral и архитектуру в целом как LLaVA-Next. Это расхождение в описании архитектуры требует осторожности при выборе модели и настройке инференса. Модель предназначена для преобразования скриншотов интерфейсов и диаграмм в код, автодополнения кода по заполнению пропусков (Fill-in-the-Middle), а также помощи при проверке кода. README заявляет поддержку изображений через CLIP ViT-L/14@336px и контекст до 125 000 токенов; метаданные указывают нативный контекст 262 144 токена и размер 581,4 млн параметров. Модель рассчитана прежде всего на английский язык и код. Заявленные ограничения: в текущей версии поддерживается одно изображение за ход; мелкий текст на изображениях может распознаваться неточно, а качество на неанглийских подписях ниже. Модель не оптимизирована для научных и инженерных схем. Лицензия — Apache-2.0.

Ttimms/zaya1-8b-nvfp4-w4a4 — квантованная версия языковой модели ZAYA1-8B, разработанной Zyphra и дополнительно квантованной пользователем Ttimms. Модель предназначена для генерации текста и задач, где важны рассуждения. Это MoE-модель на базе Zyphra/ZAYA1-8B-legacy с 80 слоями и 16 экспертами; точное общее число параметров, поддерживаемые языки и размер контекста в карточке не указаны. В модели используются 4-битные веса и 4-битные активации в формате NVFP4 W4A4, рассчитанные на нативные FP4 tensor-core kernels CUTLASS. Артефакт занимает 9,46 ГБ и содержит 936 квантованных Linear-слоёв и 384 слоя, оставленных в BF16 для сохранения качества. На HellaSwag указана точность 46,49%; измеренная скорость составляет около 9,5 токена/с в однопоточном режиме и около 74 токенов/с при batch size 8. Основная сильная сторона — сочетание низкого потребления памяти и квантования активаций с сохранением качества, однако модель не ориентирована на быстрый интерактивный отклик из-за ресурсоёмкого режима рассуждений. Для работы требуется GPU архитектуры Blackwell SM120, например RTX 50-й серии, и vLLM, собранный из исходников с поддержкой CUDA-архитектуры 12.0. Необходимо использовать флаг --enforce-eager: захват CUDA-графов на SM120 может приводить к неверным результатам. Карточка подтверждает работу на transformers 4.57.1 и vLLM 0.20.2; на transformers 5.x и vLLM 0.26.0 артефакт не загружается из-за несовместимости структуры конфигурации и весов. Модель распространяется по лицензии Apache-2.0.

FashionGPT-70B-V1 — языковая модель ICBU-NPU на архитектуре Llama 2, созданная объединением двух адаптеров с базовой моделью Llama 2-70B. Она предназначена для генерации текста и многоходовых диалогов по шаблону System/User/Assistant. При обучении использовались наборы OpenOrca, airoboros-gpt4-1.4.1 и Samantha; карточка приводит результаты оценки ARC, HellaSwag и MMLU. Модель содержит 68,7 млрд параметров и поддерживает контекст до 4096 токенов. В метаданных указан английский язык и лицензия Llama 2. Испытания проводились на английском; ответы могут быть неточными, предвзятыми или нежелательными, поэтому перед применением необходимы тестирование и настройка безопасности под конкретный сценарий.

DCAgent/a1-issue_tasks — дообученная на Qwen/Qwen3-8B языковая модель с диалоговыми возможностями. В карточке указано, что для обучения использовался набор трассировок, связанных с задачами по issue; подробности о наборе данных и процессе обучения не приведены. Модель предназначена для генерации текста в сценариях, связанных с issue-задачами. Она содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. В качестве основной задачи в метаданных указан text-generation; библиотека — Transformers. Модель основана на Qwen/Qwen3-8B. Лицензия указана как other, без уточнения условий. Карточка не описывает качество, оценивание и конкретные ограничения модели.

distil-qwen3-1.7b-posthog-prioritizer — специализированная модель Distil Labs, обученная на платформе Distil Labs для ранжирования сгруппированных продуктовых находок в аналитическом процессе PostHog. Она принимает пакет записей о проблемах и пробелах в продукте с оценкой серьёзности, числом повторений, заголовком и свидетельствами, а затем возвращает строгий JSON с ранжированием и объяснением для каждого пункта. Модель построена на Qwen3-1.7B с архитектурой Qwen3ForCausalLM; число параметров — 1,7 млрд, контекст — до 40 960 токенов. Доступны веса Safetensors и GGUF F16; лицензия — Apache-2.0. Модель предназначена для приоритизации продуктовых выводов по влиянию, частоте и трудоёмкости в составе инструментария distil-posthog-traffic-analyser. Её узкая специализация и структурированный JSON-ответ подходят для автоматизированного этапа анализа, где каждому входному идентификатору должно соответствовать ровно одно место в ранжированном списке. Это текстовая модель генерации; README не уточняет поддерживаемые естественные языки и не приводит оценок качества или подробностей обучения.

Liquid-Thinking-Preview — полноразмерная дообученная модель на 1,5 млрд параметров, созданная автором репозитория на базе LiquidAI/LFM2-1.2B. Она предназначена для диалоговой генерации текста с акцентом на пошаговые рассуждения и решение сложных задач с промежуточными этапами вывода. Модель обучена на наборе HelpingAI/Intermediate-Thinking-130k с примерами instruction и output; при обучении использовались Unsloth, Transformers, PyTorch и TRL. Модель принимает текст и генерирует текст на английском языке; заявленная длина контекста — 128 000 токенов. Репозиторий содержит веса в формате safetensors, а для CPU-инференса автор упоминает отдельные GGUF-квантизации. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты. Модель склонна к галлюцинациям и может выдавать фактически неверные или предвзятые ответы; для критически важных задач требуется тщательная проверка.

moe-sovereign-student-4b — специализированная языковая модель на 4 млрд параметров, разработанная на базе Qwen/Qwen3.5-4B и дообученная с помощью LoRA на суперкомпьютере LUMI-G. Модель предназначена не для универсального диалога, а для роли мета-оркестратора и компилятора рабочих процессов в составных AI-системах. Она преобразует запросы пользователя в исполнимые типизированные DAG-графы задач, распределяет подзадачи между специализированными экспертами, подготавливает параметры для инструментов MCP и направляет обход графов знаний и систем памяти. Основные сценарии применения включают многошаговое планирование инженерных задач, маршрутизацию к экспертам по программированию, безопасности, инфраструктуре, исследовательским и другим направлениям, а также вызов детерминированных инструментов вроде SMT/Z3-решателей, калькуляторов, линтеров и средств анализа кода. Модель ориентирована на формирование чистого JSON без вводных пояснений и markdown, соблюдение JSON Schema, создание небольших исполнимых планов из 1–4 подзадач и делегирование сложных вычислений специализированным компонентам. В README указаны языки English и German, однако модальности, максимальный контекст и точная архитектура самой дообученной модели не раскрыты; базовая модель описана как Qwen3.5-4B Hybrid Mamba. Сильные стороны модели — узкая специализация на оркестрации, дисциплина структурированного вывода, маршрутизация доменных экспертов и параметризация MCP-инструментов. Согласно приведённой оценке на 1 000 отложенных задач, заявлены высокие показатели соответствия JSON Schema, валидности DAG и точности маршрутизации, однако результаты представлены в README автора и не сопровождаются полной независимой верификацией. Ограничение модели — неприменимость в качестве обычного чат-бота или самостоятельного источника знаний: она рассчитана на работу во внешней инфраструктуре с экспертными моделями, MCP-инструментами, GraphRAG и системами памяти. Лицензия — Apache 2.0.

AnLLM-AC-7B-PT — языковая модель для генерации текста, созданная на основе Llama 2 7B и дообученная на выборке RedPajama-Data-1T-Sample. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 6,6 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса в формате PyTorch. Модель предназначена для генерации продолжений текста и других сценариев, реализуемых через text generation. README не приводит конкретных результатов оценки, рекомендаций по применению или известных ограничений качества. Лицензия в предоставленных данных не указана.

distil-qwen3-1.7b-posthog-prioritizer — компактная специализированная языковая модель на 1,7 млрд параметров, обученная Distil Labs на платформе Distil Labs на базе Qwen/Qwen3-1.7B. Она предназначена для ранжирования набора дедуплицированных продуктовых находок по влиянию, частоте и трудозатратам с выдачей строгого JSON и объяснения для каждого пункта. Модель входит в набор инструментов distil-posthog-traffic-analyser. Это плотная авторегрессионная модель семейства Qwen3 с интерфейсом диалога и контекстом до 40 960 токенов. Принимает текстовые описания находок и генерирует структурированный текстовый ответ; в карточке заявлен английский язык. Доступны веса safetensors и GGUF F16. Практическое применение ориентировано на приоритизацию продуктовых багов и пробелов по сигналам severity, occurrences, title и evidence. Ответ требует постобработки или проверки на соответствие JSON-контракту, поскольку карточка не сообщает о гарантиях корректности ранжирования. Лицензия — Apache-2.0.

Ember-1 — специализированная reasoning-модель от Fireworks Research на базе Kimi K3. Она предназначена для решения задач рассуждения с более короткими цепочками рассуждений; в карточке указано, что модель использует примерно на 40% меньше токенов для этих цепочек. Идентификатор модели и доступные сведения не позволяют уточнить другие характеристики или сценарии применения.

Модель Qwen3.5-9B-Atlassian-Q8-mlx разработана LeanZero для работы с экосистемой Atlassian: Forge, Jira, Confluence и Jira Service Management. Это дообученная версия Qwen3.5-9B, поставляемая как 8-битный чекпойнт MLX с объединённым LoRA-адаптером и головой multi-token prediction. Архитектура плотная, размер базовой модели — 9 млрд параметров; поддерживается диалоговый режим и интерфейс вызова инструментов. Модель принимает текст и генерирует текст, рассчитана на английский язык. Она предназначена для ответов на вопросы о Forge и Atlassian API, создания Forge-приложений и манифестов, а также помощи с кодом и настройкой интеграций. В тестах на 25 заданиях 19 манифестов прошли валидатор Atlassian, а 16 приложений успешно компилировались с типами @forge/*. Авторы рекомендуют проверять сгенерированные манифесты и код соответствующими инструментами: модель не заменяет компилятор. Её знания о версиях Forge привязаны к волне @forge/* за июнь 2026 года; результаты генерации кода лучше при отключённом режиме reasoning. Модель распространяется по лицензии Apache-2.0.

ComparEdge разработала эту модель семантического поиска SaaS-продуктов и рекомендаций. Она сопоставляет запрос на естественном языке с описаниями инструментов в базе ComparEdge, чтобы находить подходящие сервисы по категории, сценарию использования, функциям и ценовым условиям. Модель дообучена для поиска на базе sentence-transformers/all-MiniLM-L6-v2. Это плотная BERT-модель с 25,9 млн параметров, которая принимает текст и создаёт эмбеддинги; максимальный контекст — 512 токенов. README сообщает о 331 продукте в каталоге и оценке на отложенных запросах: точность в топ-1 около 78%, в топ-5 — около 94%, MRR — 0,85. Для поиска нужны эмбеддинги товаров и индекс продуктов; в репозитории приведены готовые файлы для них и пример CLI. Модель предназначена для SaaS-рекомендаций и поиска в каталоге ComparEdge, а её обучающие данные охватывают 28 категорий. Метаданные указывают английский язык и лицензию Apache-2.0. Показатели качества относятся к описанной в README оценке и не гарантируют аналогичных результатов на других каталогах или запросах.