II.2Создание и понимание программного кода

Карточка модели ArchSpace-Collection/NCP_ArchPreview_dolma3_8.9B_Stage2_v2 на Hugging Face совпадает с карточкой ArchSpace-Collection/NCP_ArchPreview_dolma3_8.9B_Stage2_v3, поэтому описание составлено по ней. NCP-ArchPreview 8.9B Stage 2 V3 — базовая авторегрессионная языковая модель, разработанная командой NCP в Shanghai AI Lab и LUMIA Lab Шанхайского университета Цзяо Тун. Это продолженное предобучение Stage 1 на Dolma 3 Dolmino в рамках второго этапа учебного курса OLMo-3. Модель объединяет предсказание следующего токена (NTP) и следующего концепта (NCP); архитектура сохраняет 16-слойный энкодер, 8-слойный модуль концептов и 16-слойный декодер. В репозитории указаны около 9 млрд параметров, контекст 8192 токена, формат Safetensors и использование Transformers. Модель предназначена для генерации продолжений текста, оценки языковых моделей, исследований латентных концептов и дальнейшей адаптации. В отчёте приведены результаты по математике, общим знаниям, программированию и рассуждениям, однако точные показатели зависят от варианта Stage 2 и протокола оценки; таблицы рецептов показывают, что V3 уступает V1 на нескольких задачах, включая HumanEval, MBPP и MATH-500. Это базовая модель без диалогового выравнивания: она может выдавать неточные, предвзятые или вредоносные ответы, а возможности за пределами контекста 8192 токена отдельно не подтверждены. Лицензия — Apache 2.0.

OpenMath-CodeLlama-13b-Python-hf — языковая модель NVIDIA для решения математических задач с помощью текстовых рассуждений и фрагментов кода, исполняемых в Python. Она дообучена на CodeLlama-13b-Python-hf на наборе OpenMathInstruct-1, содержащем 1,8 млн пар «задача — решение», сгенерированных моделью Mixtral-8x7B. Модель имеет плотную архитектуру LlamaForCausalLM и 12,9 млрд параметров, принимает текст и генерирует текст, включая код. Контекст составляет до 16 384 токенов; в карточке указан английский язык. Модель подходит для генерации пошаговых решений математических задач, написания вспомогательных Python-программ и проверки вычислений через исполнение кода. Обучающий конвейер открыт, для разработки и инференса используется NVIDIA NeMo. Репозиторий распространяется по лицензии Llama 2. Результаты могут содержать ошибки в рассуждениях или коде; README не описывает специальные гарантии корректности решений.

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.

Qwen3-0.6B-Instruct-ONNX — ONNX-версия инструкционной языковой модели minpeter/Qwen3-0.6B-Instruct, разработанная сообществом onnx-community и автоматически сконвертированная для использования с Transformers.js. Модель предназначена для генерации текста и обработки инструкций, включая сценарии локального запуска в приложениях на JavaScript через pipeline text-generation. Модель основана на Qwen3-0.6B и имеет размер 0,6 млрд параметров, однако подробности об архитектуре, поддерживаемых языках, модальностях и размере контекста в представленном README не указаны. Версия содержит изменения, связанные с использованием в качестве целевой модели для обучения в PrimeIntellect-ai/verifiers: шаблон чата вынесен в отдельный файл chat_template.jinja, а режим рассуждений включён по умолчанию. ONNX-формат и интеграция с Transformers.js являются ключевыми особенностями, но ограничения производительности и качества относительно исходной модели не описаны. Модель распространяется по лицензии Apache-2.0. Для архитектуры, результатов тестирования и дополнительных сведений README рекомендует обращаться к документации исходной модели Qwen/Qwen3-0.6B.

mlx-community/Qwen3-1.7B-4bit — это 4-битная квантованная версия модели Qwen/Qwen3-1.7B, преобразованная сообществом mlx-community в формат MLX с помощью mlx-lm 0.24.0. Модель предназначена для генерации текста и запуска через экосистему MLX, в частности с библиотекой mlx-lm на совместимых системах. Модель имеет заявленный размер 1,7 млрд параметров и использует 4-битное представление весов, что потенциально снижает требования к памяти по сравнению с полноразмерной версией. README подтверждает поддержку текстовой генерации и наличие chat template для диалогового формата. Сведения об архитектуре, поддерживаемых языках, максимальной длине контекста, мультимодальности, качестве и производительности не указаны. Модель подходит для локальных приложений генерации текста и чат-сценариев, если используется MLX-совместимая среда. Ограничения связаны с отсутствием в README подробностей о языках, контексте, бенчмарках и специфических возможностях; кроме того, 4-битная квантование может влиять на точность по сравнению с исходной моделью, однако конкретный эффект не описан. Лицензия — Apache-2.0.

Qwen3.8-27B-Cold-Fusion-GAIN-V1.1-NInfer — это конверсия модели DavidAU/Qwen3.8-27B-Cold-Fusion-GAIN-V1.1, основанной на Qwen/Qwen3.8-27B. Артефакт подготовлен в формате .ninfer проектом pyros-vault для специализированного runtime NInfer-4090 и видеокарт NVIDIA RTX 4090 с архитектурой sm_89. Это deployment-конверсия без дополнительного обучения; в пакет включены смешанно-точные веса и ресурсы токенизации, генерации, чат-шаблона и обработки изображений и видео. Модель предназначена для генерации текста и мультимодальных сценариев с текстом и изображениями через совместимый runtime NInfer. Версия использует квантование groupwise-int с вариантами 4-, 5-, 6- и 8-битных весов, имеет размер около 27 млрд параметров, занимает 16,96 GiB в виде файла и поддерживает speculative decoding с MTP. В проверенных режимах резидентные веса занимали примерно 15,92 GiB для текста, 16,19 GiB с Vision и 16,67 GiB с MTP; профиль проверки использовал контекст и KV-ёмкость 4096 токенов. Сильные стороны артефакта — компактное смешанно-точное представление, поддержка текстового и визуального ввода, MTP-ускорение и адаптация под 24 ГБ VRAM RTX 4090. Ограничения связаны с жёсткой привязкой формата к зарегистрированному runtime и конкретной архитектуре GPU: файл не предназначен для Transformers, llama.cpp или сторонних форков NInfer. Заявления об улучшении качества и сокращении числа токенов рассуждений относятся к upstream-модели и отдельно в этой карточке не подтверждены. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-JoyFox-Aggressive — модификация модели Qwen3.8-27B от JoyFox, ориентированная на снижение ложных отказов и избыточных предупреждений в ответах. Модель сохраняет официальные токенизатор, шаблон чата и конфигурацию базовой модели, а также поддерживает текстовые и мультимодальные сценарии с обработкой изображений. Заявлена поддержка английского, китайского и других языков в рамках мультиязычных возможностей Qwen3.8. Модель предназначена для прямых и содержательных ответов на добросовестные, аналитические, образовательные, вымышленные и иные легитимные запросы, включая чувствительно или неоднозначно сформулированные. В составе сохранены полный vision-стек и мультимодальный проектор, native Multi-Token Prediction (MTP), а также совместимость с форматами BF16 и GGUF. Доступны варианты GGUF с квантованием Q2_K–Q8_0; размер основной модели в этих вариантах составляет примерно от 10,12 до 27,05 GiB. По приведённой оценке на 1000 запросах вариант JoyFox BF16 снизил показатель отказов на добросовестные запросы с 59,2% у исходной модели до 0%, при этом capability score составил 59,0% у обеих моделей. Это поведение не добавляет новых знаний и не устраняет галлюцинации, ошибки понимания или риск генерации неподходящего контента, поэтому модель требует самостоятельной проверки и защитных мер при развёртывании. Контекстное окно и точное число параметров в README не указаны; обозначение 27B относится к базовой модели. Лицензия — Apache-2.0.

ermiaazarkhalili/Qwen3.8-2B-Function-Calling-xLAM-Unsloth — дообученная модель семейства Qwen3.5, разработанная на основе empero-ai/Qwen3.8-2B. Модель с архитектурой Qwen3_5ForConditionalGeneration и 2,3 млрд параметров прошла supervised fine-tuning на наборе Salesforce/xlam-function-calling-60k для следования инструкциям и формирования вызовов функций и инструментов в диалогах. Модель принимает текстовые запросы и генерирует текст, включая структурированные ответы для взаимодействия с инструментами. Карточка не приводит сведений о языках или длине контекста. LoRA-адаптеры объединены с базовыми весами, поэтому отделить дообучение от объединённой модели нельзя. Лицензия — Apache-2.0. Качество на прикладных бенчмарках не оценивалось: опубликованы только наблюдения за обучающей функцией потерь. Дообучение выполнено на одном наборе инструкций, поэтому поведение за пределами его распределения не проверено; модель также наследует смещения и ограничения базовой модели.

Qwen3.8-Flash-Next-REAM-60Pct-GGUF — экспериментальная GGUF-версия модели Akicou/Qwen3.8-Flash-Next-REAM-60Pct, созданной на основе Qwen/Qwen3.8-Flash-Next. Модель предназначена для генерации текста и запуска в llama.cpp и совместимых средах, включая локальное выполнение с уменьшенными требованиями к памяти за счёт сжатия и квантования. Архитектура qwen4exp объединяет гибридное линейное внимание, Qwen Sparse Attention и разреженную Mixture-of-Experts. Модель содержит 48 слоёв и 308 маршрутизируемых экспертов в каждом слое; исходное количество экспертов было сокращено с 512 до 308 методом REAM (Router Expert Activation Merging), при этом общие эксперты, механизмы внимания и n-граммовые эмбеддинги не изменялись. Доступны варианты Q8_0 размером около 137 ГБ, Q4_K_M около 87 ГБ и Q4_K_S около 82 ГБ. В README указан английский язык, но сведения о размере контекста и поддерживаемых модальностях отсутствуют. Сильные стороны модели — совместимость с llama.cpp, отсутствие необходимости в trust_remote_code при загрузке GGUF и несколько вариантов квантования. Ограничения включают экспериментальный статус, отсутствие опубликованных бенчмарков и возможное снижение качества из-за удаления и объединения экспертов. Лицензия обозначена как other; подробные условия использования не приведены.

heegyu/TinyMistral-248M-v2.5-Instruct-orpo — компактная диалоговая модель семейства Mistral, дообученная на основе Locutusque/TinyMistral-248M-v2.5-Instruct. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель содержит 215,2 млн параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. В метаданных указан датасет ultrafeedback_binarized; базовая модель предназначена для англоязычной генерации, выполнения инструкций и базовой генерации кода. Данных о дополнительной специализации или отдельных ограничениях этой версии нет.

MaziyarPanahi/firefunction-v2-GGUF — это набор файлов модели в формате GGUF для FireFunction V2, разработанной fireworks-ai и квантизированный MaziyarPanahi. Модель создана на базе Llama 3 и предназначена прежде всего для вызова функций, взаимодействия с инструментами и диалоговых приложений, где требуется преобразовывать запрос пользователя в структурированные вызовы функций. Она также сохраняет возможности Llama 3 по ведению диалога и следованию инструкциям. FireFunction V2 поддерживает параллельный вызов нескольких функций, что отличает её от FireFunction V1. По заявленным результатам, модель показывает конкурентное качество в задачах function calling по сравнению с GPT-4o и превосходит предыдущую версию FireFunction; при этом качество следования инструкциям в диалогах несколько ниже, чем у исходной Llama 3. GGUF позволяет запускать модель через llama.cpp и совместимые приложения, включая llama-cpp-python, LM Studio и text-generation-webui, с поддержкой локального выполнения и GPU-ускорения. В репозитории доступны варианты квантизации от 2 до 8 бит, однако точный размер модели, максимальная длина контекста, перечень поддерживаемых языков и сведения о мультимодальности в README не указаны. Модель ориентирована на текстовые и conversational-сценарии; её практические ограничения зависят от выбранного уровня квантизации, оборудования и совместимого рантайма. Указанная лицензия — llama3.

Это пакет слоёв GGUF модели GLM-5.1-UD-Q3_K_XL, подготовленный Mesh LLM для распределённого инференса на локальном кластере. Пакет создан из unsloth/GLM-5.1-GGUF и содержит разделённые по слоям артефакты исходной модели; вариант квантования — UD-Q3_K_XL. Модель предназначена для локального приватного чата и генерации текста, а также для запуска на нескольких машинах, когда полный файл GGUF не помещается на одном узле. Через Mesh LLM её можно предоставлять по локальному API, совместимому с OpenAI Chat Completions. В метаданных указаны библиотека mesh-llm и поддержка чата. Пакет предназначен для распределённого инференса с Mesh LLM, а не является самостоятельным универсальным форматом запуска. Лицензия и подробные характеристики исходной модели описаны в карточке unsloth/GLM-5.1-GGUF; README этого пакета их не приводит.

GLM-5.3-MLX-mixed-3_6bit — версия модели GLM-5.3 от zai-org, преобразованная и квантованная сообществом PipeNetwork для работы на Apple Silicon через MLX. Это генеративная текстовая модель на архитектуре Mixture-of-Experts с 744 млрд параметров: 256 экспертов, из которых выбираются 8, и механизмом MLA со sparse attention в стиле DeepSeek-V3.2. Модель предназначена для локальной генерации текста и экспериментов с крупными языковыми моделями на совместимом оборудовании Apple. Эксперты квантованы до 3 бит с размером группы 64, остальные основные параметры — до 6 бит; индексы, маршрутизаторы и нормализации сохранены в исходной точности. Размер файлов составляет около 332,6 ГБ, рекомендованный объём оперативной памяти — 512 ГБ. Сборка рассчитана на запуск через mlx-lm и требует поставляемого файла архитектуры и параметра доверия к удалённому коду. Мультитокеновый слой предсказания не включён. Преимущество модели — существенно меньший размер по сравнению с полной версией при сохранении возможности локального запуска; заявленная perplexity на тестовой части wikitext-2 составляет 3,0338. Ограничением является заметная потеря качества из-за 3-битного квантования: она уступает 4-битным и смешанным 4/8-битным сборкам. Для последовательностей до 2048 токенов индексатор внимания не используется; на более длинных входах в 57 слоях применяются случайно инициализированные общие индексаторы, что может ухудшать работу sparse attention. Лицензия — GLM-5.3 license, указанная в файле LICENSE.

Huihui-granite-4.0-micro-abliterated — диалоговая языковая модель, созданная huihui-ai на основе ibm-granite/granite-4.0-micro методом abliteration, который снижает склонность модели отказывать в ответах. Модель с архитектурой GraniteMoeHybridForCausalLM содержит 3,4 млрд параметров и принимает текст для генерации продолжений и ответов в диалоге. Поддерживает контекст до 131 072 токенов; исходная модель описана как компактная многоязычная модель для инструкций, инструментов, текста и кода. Модель подходит для чат-ассистентов и генерации текста, когда требуется меньше отказов на чувствительные или спорные запросы. Abliteration существенно ослабляет фильтрацию безопасности, поэтому ответы могут быть чувствительными, спорными или неподходящими и требуют проверки. Распространяется по лицензии Apache-2.0; карточка предлагает использовать библиотеку Transformers.

Apollo Raines представляет вариант Meta Llama 3.1 8B Instruct, изменённый инструментом jBlaze методом representation engineering. По карточке, модель не проходила дополнительное обучение: в весах подавлены направления, связанные с отказами, многословием, уклончивостью, токсичностью и эмоциональной окраской. Это плотная авторегрессионная модель семейства Llama для генерации текста и диалогов; метаданные указывают 7,5 млрд параметров, контекст до 131 072 токенов и формат safetensors. Карточка приводит примеры ответов на вопросы, простых вычислений и генерации кода на Python. Заявлены английский язык и интерфейс для вызова инструментов. Модель подходит для кратких ответов и диалогов, однако подавление отказов может приводить к выдаче потенциально опасных инструкций; в карточке это показано примером с вскрытием замка. Указание автора на отсутствие замеченных проблем не подтверждено оценками или тестами. Лицензия — Llama 3.1; условия использования определяются лицензией Meta Llama 3.1.

Это полноразмерная модель MiniCPM5-1B Agentic Tooluse, созданная ewin-reg на основе openbmb/MiniCPM5-1B и дообученная для выбора и вызова инструментов. Она использует плотную архитектуру LlamaForCausalLM, содержит около 837,6 млн параметров по метаданным и принимает контекст до 131 072 токенов. Репозиторий содержит объединённые веса FP16 в формате safetensors; для запуска не требуется загружать PEFT-адаптер. Модель предназначена для диалоговых помощников и агентных сценариев, где нужно выбрать подходящий инструмент, сформировать его имя и аргументы, а также продолжать диалог после получения результата. Вызовы выдаются в XML-стиле; приложение должно самостоятельно разбирать и проверять их, выполнять инструменты и возвращать результаты модели. В README приведена пользовательская оценка на 300 примерах ToolACE: 99,33% вызовов были разбираемыми, однако это не официальная оценка на лидерборде. Для вызова инструментов рекомендуется отключать режим рассуждений: при включённом режиме модель может расходовать бюджет токенов до завершения вызова. Лицензия — Apache 2.0. Языки модели в источниках не указаны явно.

MiniCPM5-2B-Abliterated-Uncensored-Safetensors-GGUF — это GGUF-квантизированная версия модели MiniCPM5-2B-Abliterated-Uncensored-Safetensors от mondk, подготовленная и опубликованная mradermacher. Модель предназначена для генерации текста, работы с инструментами и локального запуска на устройствах и периферийных системах. В метаданных указаны английский и китайский языки, а также совместимость с библиотекой Transformers и сценариями text-generation. Модель относится к классу компактных моделей примерно на 2 млрд параметров и распространяется в нескольких вариантах GGUF-квантизации — от Q2_K до Q8_0, а также в формате f16. Размер файлов составляет примерно от 1,1 до 5,1 ГБ; варианты Q4_K_S и Q4_K_M обозначены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди быстрых. Длина контекста, точные архитектурные параметры и результаты оценивания в README не указаны. Компактный размер и наличие низкобитных вариантов делают модель подходящей для локального и edge-развертывания при ограниченных ресурсах. При этом качество и точность зависят от выбранного уровня квантизации: более компактные варианты экономят память, но могут сильнее снижать качество, тогда как f16 требует существенно больше ресурсов. Термин «abliterated» и заявленная «uncensored» направленность указывают на изменённое поведение в области ограничений безопасности, поэтому модель требует дополнительной проверки перед использованием в чувствительных или пользовательских сценариях. В метаданных указана лицензия Apache-2.0.

NCP-ArchPreview — языковая модель The NCP Team из Shanghai AI Lab и LUMIA Lab Шанхайского университета Цзяотун. Это промежуточный чекпойнт Stage 1 на шаге 800 000, предварительно обученный на Dolma 3 Mix. Модель предсказывает следующий токен и следующее понятие в скрытом пространстве; предсказания понятий направляют декодер, сохраняя стандартный интерфейс генерации текста. В метаданных указаны 11,1 млрд параметров, архитектура dense на базе OLMo 3 и контекст 8192 токена. Архитектура включает 16-слойный кодировщик токенов, 8-слойный модуль понятий с 32 кодовыми книгами и 16-слойный декодер токенов. Модель предназначена для продолжения текста и языкового моделирования; в отчёте также описаны результаты на задачах GSM8K и HumanEval. Это исследовательский промежуточный чекпойнт, поэтому оценки из отчёта не гарантируют качество на других задачах. Для загрузки в README показано использование Transformers с trust_remote_code. Лицензия весов — Apache License 2.0.

Nesi1 — языковая модель Nesilabs для задач кибербезопасности, созданная дообучением семейства Qwen3. В карточке указана архитектура Qwen3.8-27B с 27 млрд параметров; модель рассчитана на генерацию текста, диалог и вызов инструментов. Контекст достигает 262 144 токенов. Веса представлены в формате safetensors с 4-битной квантизацией AWQ (W4A16). Модель предназначена для специалистов по безопасности и сценариев с агентами: тестирования на проникновение, анализа уязвимостей, разработки эксплойтов, проверки безопасного кода и автоматизации аудита. Обучение включало технические документы и пары вопросов и ответов по материалам кибербезопасности. Карточка рекомендует развёртывание через OpenAI-совместимые серверы, например SGLang или vLLM, с настройкой парсера вызова инструментов. Модель рассчитана на профессиональное и законное применение только в системах, для которых есть явное разрешение. Ответы могут быть неверными и требуют проверки. Лицензия репозитория — Apache-2.0; README также ссылается на условия использования Nesilabs и снимает гарантию точности и результатов.

NeuralsynthesisMultiverseex26-7B-GGUF — это квантизированная языковая модель для генерации текста в формате GGUF. Исходную модель разработал automerger; данный набор файлов подготовил MaziyarPanahi. Модель создана на основе automerger/NeuralsynthesisMultiverseex26-7B, который объединяет Kukedlc/NeuralSynthesis-7B-v0.1 и allknowingroger/MultiverseEx26-7B. В метаданных также указана связь с архитектурой Mistral и технологиями mergekit, lazymergekit и automerger. Модель предназначена для задач текстовой генерации и локального запуска через llama.cpp и совместимые инструменты, включая llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp и другие приложения с поддержкой GGUF. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. Сведения о поддерживаемых языках, размере контекста, результатах оценки и специализированных сценариях применения в README не приведены, поэтому её возможности в этих аспектах требуют проверки. Для модели указана лицензия Apache-2.0.

Noon-7b — языковая модель Naseej на архитектуре BLOOM с 9,1 млрд параметров, дообученная для выполнения инструкций на арабском языке. Она предназначена для генерации текста и кода, решения математических задач и ответов на закрытые и открытые вопросы. Модель обучали на более чем 110 тысячах арабоязычных примеров; заявленный контекст — 2048 токенов. В карточке описана версия на 7 млрд параметров, тогда как метаданные указывают 9,1 млрд. Модель принимает текст и генерирует текст. Основной язык обучения — арабский; метаданные также отмечают английский. Для запуска используется Transformers. Модель выпущена под лицензией BigScience BLOOM RAIL 1.0. Авторы предупреждают о возможной предвзятости, оскорбительных или вредоносных ответах и рекомендуют проверять результаты.

OpenMath-CodeLlama-7b-Python-hf — языковая модель NVIDIA для решения математических задач с помощью текстовых рассуждений и фрагментов кода, исполняемых в Python. Она дообучена на базе codellama/CodeLlama-7b-Python-hf на наборе OpenMathInstruct-1, содержащем 1,8 млн пар «задача—решение», сгенерированных моделью Mixtral-8x7B. Модель построена на плотной авторегрессионной архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров. Модель предназначена для генерации решений математических задач, в том числе с использованием кода для вычислений. Она принимает текст и выдаёт текст, включая рассуждения и Python-код; максимальный контекст составляет 16 384 токена. Карточка описывает открытый конвейер обучения и воспроизведения результатов. Для использования действует лицензия Llama 2.

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.

netcat420/Qwen2.5-7b-MFANNv1.1 — разговорная текстовая модель на архитектуре Qwen2 с 7,1 млрд параметров, опубликованная в формате safetensors. Метаданные указывают на слияние с huihui-ai/Qwen2.5-Coder-7B-Instruct-abliterated и датасет netcat420/MFANN. Модель предназначена для генерации текста в диалогах; заявлены интерфейс чата и интерфейс вызова инструментов. Контекст — до 32 768 токенов, основной язык в карточке — английский. README сообщает, что репозиторий был случайно перезаписан во время настройки дообучения и автор планировал восстановить прежнюю модель в другом репозитории. Поэтому содержимое текущего чекпойнта может не соответствовать задуманной версии, а качество и стабильность поведения не подтверждены. Лицензия — MIT.

MaziyarPanahi/Qwen3-1.7B-GGUF — набор файлов модели в формате GGUF для Qwen/Qwen3-1.7B, разработанной командой Qwen. Квантизацию и публикацию файлов выполнил MaziyarPanahi. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие приложения и библиотеки с поддержкой GGUF. Доступны варианты квантизации с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. Архитектура, языки, поддерживаемые модальности и размер контекста в README не указаны; известно только, что исходная модель обозначена как Qwen3-1.7B. Сильными сторонами являются совместимость с широким набором локальных средств запуска, поддержка GPU-ускорения в ряде клиентов и наличие нескольких уровней квантизации. Ограничения связаны с потерями качества, возможными при квантизации, а также с отсутствием в предоставленных данных подробных характеристик исходной модели и результатов оценки. Лицензия в README не указана.

Qwen3-1.7B-heretic — это модифицированная версия плотной языковой модели Qwen3-1.7B, опубликованная пользователем saidutta69. Модель создана с помощью Heretic 1.4.0 методом направленной абляции: целевые изменения весов в выходных проекциях внимания и нисходящих проекциях MLP подавляют поведение, связанное с отказами, без дообучения. Заявляется, что при этом основные знания базовой модели и её гибридная способность к рассуждениям сохраняются в значительной степени. Модель предназначена для генерации текста, диалоговых приложений, локального запуска, экспериментов с моделями без встроенных ограничителей отказа и использования в качестве основы для дообучения. Указан английский язык. Это компактная модель на 1,7 млрд параметров с поддержкой текстового ввода и вывода; контекстное окно в README не указано. Доступны исходный формат Transformers и многочисленные GGUF-квантизации для llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang. Размеры GGUF-файлов варьируются от 0,78 ГБ для Q2_K до 3,45 ГБ для F16, поэтому модель рассчитана в том числе на потребительские GPU, CPU и Apple Silicon. К сильным сторонам относятся небольшой размер, широкий выбор квантизаций, локальный запуск и существенно сниженная склонность к отказам: в приведённом сравнении модель отказала в 4 из 100 случаев против 92 из 100 у исходной Qwen3-1.7B. Ограничения включают отсутствие дополнительной фильтрации безопасности, возможное выполнение вредоносных запросов, а также унаследованные от базовой модели фактические ограничения и предвзятость. README не приводит независимую оценку качества генерации и предупреждает не размещать модель за общедоступным немодерируемым API. Модель распространяется по лицензии Apache-2.0, унаследованной от Qwen3-1.7B.

FineEnvs/Qwen3.5-2B-opencode-RL — полноразмерное дообучение Qwen/Qwen3.5-2B, выполненное FineEnvs для агентных задач анализа данных. Модель обучена методом асинхронного GRPO с бинарной наградой за правильность ответов; обучающие сценарии выполнялись через OpenCode в средах OpenEnv и Harbor с песочницами E2B. Это плотная модель семейства Qwen3.5 с 2 млрд параметров, сохранённая в формате safetensors вместе с токенизатором и шаблоном чата. Модель предназначена для генерации текста и работы в агентных сценариях, где нужно решать задачи анализа данных с инструментами. В карточке указана оценка pass@1 39,5% на наборе из 250 тестовых задач в четырёх вычислительных оболочках; результаты относятся к конкретным версиям инструментов и одной выборке. Хотя базовая Qwen3.5-2B мультимодальна, этот вариант обучался и оценивался для взаимодействия текстом и инструментами, и README не заявляет о проверке возможностей работы с изображениями. Лицензия — Apache-2.0. Для воспроизведения оценок нужны описанные в статье агентная оболочка и инструменты; обычный диалоговый запрос не эквивалентен тестированию. Авторы предупреждают, что выбор чекпойнта по результатам того же тестового набора может завышать оценку, а результаты одного запуска не позволяют делать выводы о причинном влиянии обучающей цели или используемой оболочки.

Qwen3.8-27B-Whitehat-GGUF — мультимодальная модель, разработанная Quadux IT GmbH на основе Qwen/Qwen3.8-27B и дообученная методом LoRA для авторизованной offensive-security и defensive-security работы. Она предназначена для локального и конфиденциального использования при red teaming, самооценке уязвимостей, анализе и разработке эксплойтов и вредоносного ПО, реверс-инжиниринге, исследовании DRM и создании защитных инструментов. Модель не рассчитана на работу с недоверенными конечными пользователями. Модель поддерживает текст и изображения, включая скриншоты, и заявлена для использования на английском, немецком и других языках. Это плотная гибридная модель с 27 млрд параметров и контекстом до 262 144 токенов. Сохраняет MTP-голову для speculative decoding. Доступны варианты GGUF с различными уровнями квантования от Q2 до Q8, включая стандартные K-quants, IQ4_XS, BF16 и Unsloth-Dynamic 3.0 UD-XL; для работы с изображениями требуется mmproj. Основным runtime указан llama.cpp с поддержкой CUDA, Vulkan и CPU. Сильная сторона модели — ориентация на широкий спектр разрешённых задач кибербезопасности при сохранении отказов для запросов о физическом вреде, оружии, наркотиках, химическом и биологическом оружии, насилии и CSAM, в том числе при вводе через изображения и на разных языках. По внутреннему тестированию для сборки UD-Q4_K_XL модель дала 97% содержательных ответов на защитные и авторизованные задачи безопасности, 100% — на offensive-security задачи и 100% отказов на проверочные опасные запросы. Эти результаты относятся к указанной сборке и внутреннему набору тестов, поэтому не гарантируют аналогичное поведение во всех сценариях. Модель распространяется по лицензии Apache-2.0, предоставляется без гарантий и требует соблюдения законодательства и наличия разрешения на тестирование целевых систем.

SecureBERT 2.0 Base — англоязычная модель Cisco AI для понимания текстов и кода в сфере кибербезопасности. Она дообучена на базе answerdotai/ModernBERT-base с предметным предобучением на отчетах об угрозах, блогах, документации и коде. Это плотная encoder-only модель архитектуры ModernBERT с 149 млн параметров, предназначенная прежде всего для заполнения пропусков в тексте и коде; контекст модели — до 8192 токенов. Модель подходит для семантического поиска и извлечения признаков, распознавания сущностей безопасности, анализа кода и выявления уязвимостей, а также для дальнейшей настройки под извлечение данных об угрозах и анализ инцидентов. README сообщает о результатах оценки masked language modeling и сравнительном преимуществе на профильных текстах и коде, но не приводит подробностей о наборе тестов, кроме того, что он внутренний. Модель не предназначена для неанглоязычных или непрофильных текстов, общего диалога либо автономных решений в системах безопасности без экспертной проверки. Лицензия — Apache 2.0.

Seneca-Cybersecurity-LLM_x_Qwen2.5-7B-CyberSecurity — разговорная языковая модель, дообученная Alican Kiraz на базе Qwen/Qwen2.5-Coder-7B-Instruct. Она предназначена для ответов на вопросы по кибербезопасности и помощи специалистам; в заявленных направлениях — реагирование на инциденты, поиск угроз, анализ кода, разработка эксплойтов, обратная разработка и анализ вредоносного ПО. Автор сообщает о примерно 100 часах дообучения на системах с GPU RTX 4090 и H100 и о мерах противодействия злонамеренному использованию. Модель имеет архитектуру Qwen2, 7,1 млрд параметров и контекст до 32 768 токенов. Метаданные указывают английский язык, генерацию текста и лицензию MIT. Карточка не приводит сведения о данных обучения, оценках качества и подробных ограничениях; ответы по безопасности следует проверять, а заявленную защиту от злоупотреблений не считать гарантией.