II.2Создание и понимание программного кода

RavenX-CyberAgent — модель генерации текста и диалоговый агент для задач кибербезопасности, разработанный DeadByDawn101 и RavenX LLC. Она предназначена для оценки безопасности, тестирования на проникновение, поиска уязвимостей в рамках bug bounty, генерации кода и подготовки отчётов. В карточке описан протокол RATH из шести шагов, связывающий выводы с CVSS, CWE, MITRE ATT&CK и требованиями соответствия. Модель также рассчитана на работу с инструментами и локальный запуск через MLX на Apple Silicon. Архитектура — MoE семейства Qwen3.5, около 34,66 млрд параметров всего и около 3 млрд активных на токен; указано 256 экспертов, из которых активны 8. Модель дообучена на основе huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated, а репозиторий содержит веса safetensors. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка заявляет широкий охват сценариев кибербезопасности и обучение на более чем 745 тысячах примеров, но не приводит независимых оценок качества. Результаты тестирования на проникновение и рекомендации по устранению уязвимостей требуют проверки специалистом и выполнения только в разрешённой среде.

Это предварительно обученные на ImageNet веса ResNet-101, подготовленные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель предназначена для классификации изображений и извлечения визуальных признаков, в том числе как части сегментационных моделей. ResNet-101 — сверточная нейросеть для обработки изображений. В карточке указаны веса в формате safetensors и библиотека segmentation-models-pytorch. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

Skywork-Reward-Llama-3.1-8B — модель вознаграждения, разработанная Skywork для оценки ответов языковых моделей. Она дообучена на основе Meta-Llama-3.1-8B-Instruct на примерно 80 тысячах пар предпочтений из публичных наборов данных. Модель оценивает ответы и помогает сравнивать их качество; её обучали учитывать сложные предпочтения в диалоге, математике, программировании и безопасности. Модель имеет плотную архитектуру Llama с 7,5 млрд параметров и контекстом до 131 072 токенов. В карточке приведены результаты оценки RewardBench за сентябрь 2024 года: третье место с общим баллом 92,5. Для практического использования учитывайте ограничения обучающих данных и проверяйте качество оценок на своей задаче. Лицензия в предоставленных сведениях не указана.

tohio/slm-125m-dpo — компактная языковая модель на 126,7 млн параметров, созданная разработчиком tohio с нуля и выровненная для диалогового использования. Это плотный decoder-only Transformer семейства Llama с RoPE, grouped-query attention в конфигурации 12:4, блоками SwiGLU и RMSNorm; модель совместима с LlamaForCausalLM и запускается через Transformers. Контекст составляет 1024 токена. Модель предварительно обучалась на смесях образовательных веб-данных, кода и математических рассуждений, затем прошла полное instruction-дообучение на диалогах ChatML и выравнивание предпочтений методом DPO. Она предназначена для генерации текста и коротких диалоговых ответов, в том числе простых инструкций, задач по коду и математике. Поддерживаемый язык карточки — английский. Небольшой размер удобен для экспериментов и ресурсоограниченного запуска, но ограничивает глубину рассуждений и объём учитываемого контекста. Лицензия — MIT.

Supertron3-0.8B-GGUF — компактная мультимодальная vision-language модель, разработанная Suprem Org и представленная в формате GGUF пользователем prithivMLmods. Она дообучена на базе Qwen3.5-0.8B и предназначена прежде всего для GUI-агентов и агентного tool calling на периферийных устройствах. Модель анализирует визуальные интерфейсы веб-приложений, настольных программ и CLI, после чего генерирует действия в стиле pyautogui или корректные JSON-вызовы функций. Архитектура сочетает чередующиеся слои Gated DeltaNet и Attention: 24 слоя с размерностью скрытого состояния 1024, а также vision encoder. Заявленное нативное контекстное окно составляет 262K токенов, размер модели — около 0,8 млрд параметров, а базовый файл занимает примерно 1,52 ГБ в BF16; доступны и более компактные варианты квантизации. Модель поддерживает английский язык, визуально-текстовый ввод и может запускаться через Transformers, vLLM или SGLang. К сильным сторонам относятся низкие требования к ресурсам, ориентация на локальное выполнение, высокий результат в BFCL-style function calling — 82% — и способность выполнять computer-use задачи, где базовая модель показала 0%. Ограничения включают менее точное выполнение длинных многошаговых диалоговых сценариев и недостаточную точность визуального позиционирования уровня ScreenSpot-Pro; авторы связывают это с небольшим размером vision encoder. Модель распространяется по лицензии Apache 2.0.

Это предварительно обученные веса noisy-student для EfficientNet-B4 из библиотеки timm, опубликованные в репозитории smp-hub и предназначенные для использования в качестве энкодера библиотеки segmentation-models-pytorch. Они подходят для классификации изображений и могут служить визуальным энкодером в моделях сегментации. Веса распространяются в формате safetensors; метаданные указывают лицензию other.

Salesforce xLAM-2-1b-fc-r-gguf — компактная языковая модель из семейства Large Action Models (LAM), разработанная Salesforce. Она распространяется в формате GGUF и предназначена прежде всего для исследовательских систем, где языковая модель выступает ядром AI-агента: интерпретирует намерения пользователя, планирует действия и формирует вызовы функций или инструментов. Модель дообучалась на данных Salesforce/APIGen-MT-5k и Salesforce/xlam-function-calling-60k, ориентированных на многошаговые диалоги и использование инструментов. Модель содержит около 1 млрд параметров, работает с текстом и поддерживает английский язык. Она относится к классу text-generation, оптимизирована для function calling и рассчитана на контекст длиной 32 тыс. токенов; для моделей этой линейки заявлена возможность расширения до 128 тыс. токенов с применением методов вроде YaRN. Формат GGUF упрощает эффективный запуск через llama.cpp и совместимые средства на устройствах с ограниченными ресурсами. Также заявлена совместимость с Transformers и vLLM. Сильными сторонами модели являются небольшой размер, специализация на вызове функций, использовании инструментов и многоходовых агентных сценариях, а также возможность локального развертывания. Ограничениями выступают исследовательский статус релиза, английская языковая специализация и отсутствие в предоставленных данных подробных результатов именно для версии 1B; качество на других языках и в общих задачах не уточняется. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование с учетом условий лицензии.

Salesforce/xLAM-2-3b-fc-r — языковая модель семейства xLAM-2, разработанная Salesforce для работы в составе ИИ-агентов. Она дообучена на базе Qwen2 и предназначена для многошагового диалога и вызова функций: по запросу пользователя модель формирует аргументы и вызовы инструментов, чтобы агент мог выполнять задачи и автоматизировать рабочие процессы. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст, включая структурированные вызовы инструментов; карточка указывает английский язык. Для запуска подходят Transformers и vLLM, причём для Qwen-моделей README рекомендует vLLM версии 0.6.5 или новее. В качестве преимуществ заявлены способности к многоходовому использованию инструментов и сохранению последовательности действий; в README приводятся результаты более крупных моделей семейства, но не отдельные оценки этой версии на 3B. Релиз обозначен как исследовательский, поэтому перед применением в продуктивных сценариях следует отдельно проверить точность и безопасность. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

antares-1b-mlx-bf16 — сборка модели Antares-1B от Cisco Foundation AI, подготовленная автором репозитория для запуска через MLX на Apple Silicon. Это языковая модель архитектуры GraniteMoeHybrid с 1,6 млрд параметров и контекстом до 131 072 токенов. Репозиторий сохраняет веса в формате bfloat16 без повторного обучения и квантизации; изменены настройки совместимости MLX и удалён дублирующий тензор lm_head.weight, совпадающий с весами токенных эмбеддингов. Модель предназначена для локализации потенциально уязвимых файлов в репозиториях: по идентификатору CWE и описанию категории она выдаёт ранжированный список файлов-кандидатов. Сборка рассчитана на диалоговый режим и позволяет использовать модель локально через MLX. README приводит результаты сравнения выходов MLX и Transformers, указывая, что расхождение bfloat16 укладывается в характерный для этой точности уровень. Модель не определяет номера строк, не выделяет фрагменты кода и не предлагает исправления; результаты могут различаться между запусками и требуют проверки. Лицензия — Apache-2.0.

Arch-Function-7B-GGUF — набор GGUF-квантизированных версий модели Arch-Function-7B, разработанной katanemo и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и запуска через llama.cpp, в том числе в LM Studio. В README также указан специальный шаблон промпта с ролями system, user и assistant; по названию модели можно предположить ориентацию на сценарии работы с функциями, однако подробное описание этих возможностей не приведено. Модель имеет размер 7B, поддерживает английский язык и распространяется в форматах от F16 до различных вариантов Q2–Q8 и IQ-квантизации. Размер файлов составляет примерно от 3,35 до 15,24 ГБ. Квантизации позволяют выбирать компромисс между качеством и требованиями к памяти: варианты Q5 и Q6 отмечены как высококачественные, Q4 — как подходящие для большинства случаев, а Q2–Q3 требуют меньше памяти, но заметно теряют в качестве. Некоторые варианты оптимизированы для ARM и требуют соответствующей аппаратной поддержки; они не рекомендуются для Mac или Windows. Контекст модели, точная архитектура, поддерживаемые модальности и результаты тестирования в README не указаны. Модель распространяется по лицензии katanemo-research; условия лицензии следует уточнять в файле LICENSE исходной модели.

AmberYifan/capsd-marin-8b-base-code_random_b14000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base с использованием датасета capsd_marin-8b-base-n80000-opc__mix_code_random_b14000_s0. Это плотная языковая модель с 7,5 млрд параметров и контекстом 4096 токенов, предназначенная для генерации и продолжения текста; название набора данных указывает на примеры, связанные с кодом. Модель поддерживает диалоговый режим и работает с библиотекой Transformers. Она может быть полезна для генерации текста и экспериментов с языковой моделью, адаптированной на данных, содержащих код. README не приводит оценок качества и подробностей о назначении, поэтому пригодность для конкретных задач программирования не подтверждена. Лицензия обозначена как other, её условия следует проверять отдельно.

Модель yuanzhoulvpi/chinese_bloom_7b_chat — чат-версия BLOOM-7b, дообученная разработчиком методом supervised fine-tuning на китайских инструкциях. В карточке описаны три версии, обученные на 150 тыс., 1,5 млн и 4,2 млн китайских инструкций; для v2 автор отмечает улучшение относительно v1, а v3 ещё не проверена. Метаданные указывают архитектуру BLOOM с плотной причинно-языковой моделью BloomForCausalLM и 9,1 млрд параметров. Модель предназначена для диалогов и генерации текста по инструкциям на китайском языке. Автор также указывает на потенциальное применение для написания текстов, генерации кода и перевода; количественных оценок качества и подробных результатов в карточке нет. Упомянуты возможности базового семейства BLOOM для китайского, английского, кода, французского и испанского языков, но специальная настройка этой модели заявлена на китайских инструкциях. Доступны веса в форматах PyTorch и safetensors. Лицензия — BigScience BLOOM RAIL 1.0.

gemma-3-270m-gguf — модель для генерации текста в формате GGUF, созданная на основе Google Gemma 3 270M. Разработчик базовой модели — Google; данный вариант предназначен для использования через инструменты и библиотеки, совместимые с GGUF, включая gguf-connector и llama-cpp-python. Известный размер базовой модели — 270 миллионов параметров, а основная задача — text generation. В README не указаны архитектурные детали, поддерживаемые языки, модальности и размер контекстного окна, поэтому эти характеристики нельзя достоверно описать. Модель может быть удобна для локального запуска и интеграции с GGUF-совместимыми приложениями, однако её возможности и качество зависят от конкретной квантовки и среды выполнения. Лицензия указана как Gemma; дополнительные условия использования следует уточнять в лицензии Google Gemma.

Kimi-K2.5-DFlash — вспомогательная модель-черновик от z-lab для метода ускоренного декодирования DFlash. Она использует компактную блочную диффузионную модель для параллельной подготовки кандидатов, которые затем проверяет целевая модель moonshotai/Kimi-K2.5. Модель предназначена для ускорения генерации текста при работе с этой целевой моделью, в том числе в длинных контекстах и агентных сценариях; отдельно от неё модель-черновик не предназначена для использования как самостоятельный генератор. Модель построена на архитектуре Qwen3, имеет 4,2 млрд параметров, принимает текст и рассчитана на контекст до 262 144 токенов. В README приведены результаты пропуска предложенных токенов для математических задач и генерации кода, а также показатели пропускной способности; они получены в конфигурации SGLang и не гарантируют такой же прирост в других условиях. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — MIT.

Kimi-K2T-neulab-agenttuning-mind2web-sandboxes-maxeps-32k — дообученная модель на базе Qwen/Qwen3-8B, созданная с использованием набора данных open-athena/Kimi-K2T-neulab-agenttuning-mind2web-sandboxes-maxeps-32k_neulab-agenttuning-db-sandboxes. Это плотная причинно-языковая модель семейства Qwen3 с 7,6 млрд параметров, предназначенная для генерации текста в диалоговом формате. Название и обучающий набор данных указывают на настройку для сценариев агентного взаимодействия с веб-средой Mind2Web и песочницами, однако карточка не описывает конкретные задачи и качество модели. Модель принимает текст и генерирует текст; базовая модель поддерживает многоязычную генерацию, следование инструкциям, рассуждения, работу с кодом и вызов инструментов. Контекст составляет до 40 960 токенов. Веса представлены в формате safetensors, библиотека запуска — Transformers. Лицензия Apache-2.0. README не содержит сведений об оценке качества и ограничениях специализированного дообучения.

Ling-3.0-flash-base-midtrain — базовая языковая модель из семейства Ling-3.0, выпущенного командой inclusionAI. Это промежуточный чекпойнт после этапа mid-training: он не прошёл слияние WSM, затухание скорости обучения или post-training и предназначен для дальнейшего обучения и исследований. Модель имеет разреженную MoE-архитектуру Bailing Hybrid с 512 маршрутизируемыми экспертами; для каждого токена активируются 8 маршрутизируемых и 1 общий эксперт. Гибридное внимание объединяет KDA и Gated MLA для работы с длинным контекстом. По метаданным, размер модели — 3,5 млрд параметров, нативный контекст — 262 144 токена. Модель подходит для продолжения pretraining и mid-training, дообучения под предметную область, post-training и исследований длинного контекста и MoE. Она принимает текст и генерирует текст. Карточка описывает оценку математики, программирования, рассуждений, многоязычного понимания и длинного контекста, но не перечисляет конкретные поддерживаемые языки. Для непосредственного пользовательского чата и критически важных сценариев модель не рекомендована без дополнительного выравнивания и проверки. Лицензия — MIT.

LFM2-1.2B-Tool-GGUF — это квантованные версии языковой модели LFM2-1.2B-Tool, разработанной LiquidAI и преобразованные в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и сценариев, связанных с использованием инструментов, однако точный формат промптов в README не указан. Размер базовой модели составляет 1,2 млрд параметров; доступны варианты от BF16 до различных уровней квантования размером примерно от 0,52 до 2,34 ГБ. Модель можно запускать локально через LM Studio, llama.cpp и другие совместимые проекты. Основное преимущество набора — широкий выбор квантований, позволяющий подобрать баланс между качеством и потреблением памяти; варианты Q6 и Q5 заявлены как высококачественные, а Q3 и Q2 подходят для систем с ограниченным объёмом RAM, но обеспечивают более низкое качество. Архитектура, поддерживаемые языки, размер контекстного окна и лицензия в представленном README не указаны.

r1r21nb/qwen2.5-3b-instruct.Q4_K_M.gguf — компактная специализированная языковая модель для исследований в области кибербезопасности. Она основана на Qwen2.5-3B-Instruct и дообучена с использованием Unsloth, SFTTrainer, LoRA и набора данных по security research. Модель предназначена для авторизованного пентестинга, CTF, обучения, red team-упражнений, анализа вредоносного ПО и reverse engineering. Модель имеет transformer-архитектуру и около 3 млрд параметров. Она работает с текстом, ориентирована на английский язык и поддерживает контекст до 32 768 токенов; рекомендуемый в примере контекст составляет 4096 токенов. GGUF-файл использует квантизацию Q4_K_M и занимает около 2 ГБ, благодаря чему модель подходит для запуска через llama.cpp, llama-cpp-python, Ollama, LM Studio, Jan и GPT4All, в том числе на системах с ограниченными ресурсами. Сильные стороны модели — компактность, высокая скорость и специализация на задачах веб-, мобильной и сетевой безопасности, exploit development, CTF, автоматизации security tooling и анализе техник атак. Ограничения включают небольшой размер по сравнению с крупными универсальными моделями, ориентацию преимущественно на английский язык и возможные потери качества из-за квантизации. Модель позиционируется для использования только в законных и разрешённых сценариях. Лицензия — MIT.

Qwen3.5-2B-heretic — это модифицированная версия Qwen3.5-2B, опубликованная пользователем saidutta69 и созданная на основе модели Qwen от команды Qwen. Вариант обработан с помощью Heretic v1.4.0 методом directional ablation («abliteration»): целевые изменения весов в выходных проекциях attention и down-projection MLP подавляют поведение, связанное с отказами, без дообучения. Модель предназначена для генерации текста, диалоговых приложений и локального запуска там, где требуется компактная и быстрая модель без встроенных отказов на запросы. Модель имеет гибридную архитектуру с ядром linear attention и размером около 2,2 млрд параметров; заявлена поддержка английского языка и длинного контекста, однако точная длина контекста в README не указана. Доступны веса GGUF в форматах от Q2_K до Q8_0 и F16, что позволяет запускать модель на CPU, Apple Silicon, видеокартах с 6–12 ГБ памяти и периферийных устройствах. Поддерживаются llama.cpp, Ollama, LM Studio, Jan, vLLM, SGLang и Transformers. Сильные стороны модели — небольшие требования к ресурсам, высокая скорость, работа на CPU и edge-устройствах, а также сохранение, согласно описанию, основных знаний и способности следовать инструкциям базовой модели. Это не улучшение возможностей Qwen3.5-2B: компромиссом является намеренное удаление защитных отказов, поэтому модель может выполнять потенциально опасные или нежелательные запросы и не содержит дополнительной фильтрации безопасности. Лицензия — Apache-2.0, унаследованная от базовой модели.

Blackfrost-AI разработала исследовательскую производную Qwen3.8-27B — плотную мультимодальную модель с архитектурой Qwen3_5ForConditionalGeneration, сочетающей Gated DeltaNet и полное внимание. Чекпойнт содержит 27 млрд параметров в формате BF16 и принимает текст и изображения; в карточке заявлены диалоги, анализ изображений и видео, программирование, рассуждения, вызов инструментов и длинный контекст. Модель создана для изучения снижения избыточных отказов при законной разработке ПО и исследованиях безопасности под контролем оператора. Поведение отказов намеренно изменено на уровне весов; это не исходный безопасностный чекпойнт Qwen и не дообучение на коде. Приведённая оценка отказов получена на производной W4A4 NVFP4, а не на этом BF16 варианте. README также указывает, что результаты не подтверждают сохранение качества программирования, зрения, работы с инструментами и длинным контекстом. Модель распространяется как публичная исследовательская предварительная версия по лицензии Apache-2.0; она не продаётся, а проверка выпуска ещё продолжается.

Gemma 4 E2B — текстовая генеративная модель семейства Gemma, разработанная Google и DeepMind и экспортированная Software Mansion для библиотеки React Native ExecuTorch. Модель предназначена для запуска непосредственно на мобильных и других периферийных устройствах через runtime ExecuTorch в приложениях React Native. Репозиторий содержит готовые программы ExecuTorch в формате .pte для трёх вариантов исполнения: MLX с точностью int4, Vulkan с форматом 8da4w и XNNPACK с форматом 8da4w. Доступны токенизатор и конфигурационные файлы; размеры файлов моделей составляют примерно 2,4–2,7 ГБ. Модель ориентирована на задачи генерации текста, однако конкретные поддерживаемые языки, размер контекста и дополнительные архитектурные характеристики в README не указаны. Сильная сторона решения — возможность локального запуска и выбор аппаратного backend в зависимости от платформы устройства. Ограничения связаны с существенным размером файлов, зависимостью от совместимого ExecuTorch runtime и отсутствием гарантии обратной совместимости: опубликованные файлы предназначены для ExecuTorch v1.4.1, а более старые версии могут не загрузить модель. Лицензия указана как Gemma.

MaziyarPanahi/SmolLM-360M-Instruct-GGUF — это набор файлов модели в формате GGUF для SmolLM-360M-Instruct, разработанной HuggingFaceTB и преобразованной в квантизованный формат MaziyarPanahi. Модель предназначена для генерации текста и использования в локальных приложениях и инструментах, поддерживающих GGUF, включая llama.cpp, llama-cpp-python, LM Studio и другие совместимые клиенты. Модель относится к классу небольших инструкционно-ориентированных языковых моделей; заявленный размер — 360 млн параметров. Доступны варианты квантизации с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать между требованиями к памяти, скоростью работы и качеством генерации. Формат ориентирован на эффективный запуск, включая сценарии с GPU-ускорением. README не содержит сведений об архитектуре, поддерживаемых языках, модальностях и размере контекстного окна. Сильная сторона модели — компактность и широкий выбор степеней квантизации, упрощающие запуск на локальном оборудовании. Ограничения — небольшой размер по современным меркам и отсутствие в предоставленных данных подробных результатов оценки, перечня языков и характеристик качества. Сведения о лицензии в README не указаны.

Это предобученные на ImageNet веса EfficientNet-B3 из семейства timm, предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель также подходит для классификации изображений, что отражено в задаче image-classification в метаданных. Веса можно применять как основу для сегментационных моделей: энкодер извлекает признаки из изображений, которые затем используются для предсказания масок. Репозиторий содержит веса в формате safetensors; README указывает на использование через библиотеку segmentation-models-pytorch. Модель принимает изображения и выдаёт классы либо признаки для последующей сегментации. Лицензия указана как other, поэтому конкретные условия использования следует проверить в файлах репозитория и источниках лицензии.

Tini-Cybersec-8B-A1B — дообученная модель разработчика iselabvn на базе LiquidAI/LFM2.5-8B-A1B для задач кибербезопасности. Это диалоговая языковая модель с архитектурой MoE; в репозитории опубликованы веса Safetensors. Модель настроена на анализ безопасности, моделирование угроз и оценку уязвимостей, а также на пошаговые ответы и рассуждения. В обучающую выборку, согласно карточке, вошли 185 002 записи, преимущественно по кибербезопасности, с дополнительными примерами рассуждений. Модель принимает текстовые запросы и генерирует текстовые ответы; метаданные указывают поддержку английского языка, интерфейс чата и вызова инструментов. Контекст — до 128 000 токенов. Карточка приводит пример использования для объяснения SQL-инъекций и способов защиты. Модель может быть полезна специалистам и обучающимся при разборе защитных сценариев и уязвимостей, но точность и безопасность ответов требуют проверки, особенно перед применением рекомендаций в рабочих системах. Лицензия — Apache-2.0.

Это квантованная GGUF-версия чат-модели TinyLlama-1.1B-Chat-v0.5, разработанной проектом TinyLlama и подготовленной к квантованию пользователем afrideva. Модель основана на TinyLlama-1.1B, дообученной для диалогов на наборе OpenAssistant в формате ChatML. Базовая модель обучалась на данных SlimPajama и starcoderdata; заявленный проект TinyLlama предусматривает предварительное обучение на 3 триллионах токенов. Модель предназначена для генерации текста и чат-сценариев, включая ответы на вопросы и работу в приложениях с ограниченными ресурсами. Она совместима с архитектурой и токенизатором Llama 2, содержит 1,1 миллиарда параметров и поддерживает английский язык. GGUF-файлы доступны в вариантах квантования q2_k, q3_k_m, q4_k_m, q5_k_m, q6_k и q8_0, размером примерно от 482 МБ до 1,17 ГБ, что позволяет выбирать между экономией памяти и сохранением качества. Сильными сторонами модели являются компактность, низкие требования к памяти и совместимость с экосистемой инструментов для моделей Llama. Ограничения включают небольшой размер и заявленную поддержку только английского языка; README не содержит данных о длине контекста, точности, производительности, мультимодальности или гарантированном качестве ответов. Распространение указано по лицензии Apache-2.0.

ToRA-13B-v1.0 — языковая модель семейства LLaMA, разработанная авторами проекта ToRA как агент для решения математических задач с использованием внешних инструментов. Она объединяет рассуждения на естественном языке с вычислительными библиотеками и символьными решателями; для работы с инструментами нужна соответствующая среда инференса. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, а затем обучена лучше формировать ответы для интеграции с инструментами. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Репозиторий содержит веса PyTorch; в метаданных отмечена поддержка английского языка и задач, связанных с кодом и математикой. Предназначена для генерации пошаговых решений и применения в сценариях математического reasoning с вычислительной проверкой. Лицензия — llama2.

Карточка модели llm-agents/tora-70b-v1.0 на Hugging Face совпадает с карточкой llm-agents/tora-13b-v1.0, поэтому описание составлено по ней. ToRA-13B-v1.0 — языковая модель семейства LLaMA, разработанная авторами проекта ToRA как агент для решения математических задач с использованием внешних инструментов. Она объединяет рассуждения на естественном языке с вычислительными библиотеками и символьными решателями; для работы с инструментами нужна соответствующая среда инференса. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, а затем обучена лучше формировать ответы для интеграции с инструментами. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Репозиторий содержит веса PyTorch; в метаданных отмечена поддержка английского языка и задач, связанных с кодом и математикой. Предназначена для генерации пошаговых решений и применения в сценариях математического reasoning с вычислительной проверкой. Лицензия — llama2.

Salesforce xLAM-2-1b-fc-r — модель семейства Large Action Models на архитектуре Qwen2 с 1,5 млрд параметров, предназначенная для диалогового взаимодействия и вызова функций в агентных системах. Она принимает текстовые запросы и формирует текстовые ответы, в том числе вызовы инструментов в предусмотренном шаблоне диалога. Модель дообучена для задач function calling и многошагового использования инструментов. Она рассчитана на автоматизацию рабочих процессов: агент может интерпретировать намерение пользователя и выбирать действия через доступные функции. Контекст составляет 32 768 токенов; в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors и поддерживает Transformers; карточка также описывает использование с vLLM. Модель разработана Salesforce и выпущена для исследовательских целей. README заявляет улучшения в многоходовых сценариях и результаты семейства xLAM-2 на тестах BFCL и τ-bench, но приведённые сравнения относятся к более крупным вариантам семейства и не подтверждают конкретные показатели этой модели на 1B. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

CodePhi-3-miniFull0.1k — дообученная модель семейства Phi-3, созданная на основе microsoft/Phi-3-mini-128k-instruct. Она предназначена для генерации текста в диалоговом формате; название указывает на ориентацию на задачи программирования, но README этого назначения не подтверждает. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Phi3ForCausalLM и принимает текст. Контекст модели — 4096 токенов. Модель опубликована в формате safetensors и распространяется по лицензии MIT. В README указано значение Loss 0,6586 на тестовом наборе, однако набор данных и подробности оценки не приведены, поэтому результат не позволяет судить о качестве на конкретных задачах. Базовая модель описана как преимущественно англоязычная; сведения о языках и специализации дообучения отсутствуют.

Dolphin3-Cyber-8B-GGUF — специализированная языковая модель для кибербезопасности, созданная на базе Dolphin3.0-Llama3.1-8B-abliterated и опубликованная в формате GGUF. Модель была дообучена на пользовательском наборе данных по кибербезопасности; квантование выполнено RavichandranJ. Архитектура основана на Llama 3.1, размер — 8 млрд параметров, заявленный язык — английский, тип задач — генерация текста. Модель предназначена для локального запуска через llama.cpp и совместимые инструменты. Основные сценарии применения включают анализ и исследование уязвимостей, offensive и defensive security, пентестинг, разработку эксплойтов, CTF, bug bounty, работу с OWASP Top 10, MITRE ATT&CK и CVE, а также консультации в формате диалога. К сильным сторонам относятся специализация на кибербезопасности, работа полностью локально, отсутствие необходимости передавать данные в облачные сервисы, доступность 11 вариантов квантования и сравнительно невысокие требования к оборудованию: размер файлов варьируется от 3,18 ГБ для Q2_K до 16,1 ГБ для F16. Модель позиционируется как uncensored и abliterated, поэтому может генерировать материалы по наступательной безопасности, включая код эксплойтов, однако README не содержит независимых результатов тестирования и подробных сведений о контекстном окне. Распространение указано по лицензии Llama 3.1; использование наступательных возможностей должно ограничиваться авторизованными и законными задачами.