II.2Создание и понимание программного кода

Карточка модели spinochenza/Huihui-Ornith-1.5-35B-A3B-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-Ornith-1.5-35B-A3B-abliterated, поэтому описание составлено по ней. Huihui-Ornith-1.5-35B-A3B-abliterated — экспериментальная версия модели ornith-ai/Ornith-1.5-35B-A3B, созданная huihui-ai методом abliteration для ослабления отказов. Это диалоговая MoE-модель семейства Qwen3.5 с 35 млрд параметров; изменены только слои с 11-го по 29-й. Модель предназначена для генерации текста в приложениях на базе Transformers и поддерживает интерфейс вызова инструментов. Снижение защитных отказов может быть полезно для изучения поведения языковых моделей и сценариев, где требуется меньше отказов при ответах. Это грубая реализация с подтверждением концепции, поэтому поведение и качество могут быть нестабильными. Ослабленная фильтрация безопасности повышает вероятность чувствительных, спорных или неприемлемых ответов; результаты следует проверять. Лицензия — MIT.

KAT-Dev-MLX-8bit — это 8-битная квантованная версия модели KAT-Dev, разработанной Kwaipilot. Квантование выполнено командой LM Studio с использованием mlx_lm, а сама модель оптимизирована для запуска на компьютерах Apple Silicon через MLX. Модель предназначена для локального использования в совместимой экосистеме MLX и LM Studio. README не содержит сведений о специализации KAT-Dev, поддерживаемых языках, модальностях, размере исходной модели, архитектуре или длине контекста, поэтому эти характеристики нельзя достоверно уточнить. Известно, что 8-битное представление снижает требования к памяти по сравнению с исходной моделью, сохраняя более высокую точность, чем более агрессивные варианты квантования, однако README не приводит результатов оценки качества или производительности. Модель распространяется по лицензии kwaipilot-license; в README также указан файл LICENSE с условиями лицензии. Использование следует осуществлять с учётом этих условий. README предупреждает, что модель может генерировать неточный, вредный, оскорбительный или вводящий в заблуждение контент, поэтому результаты требуют проверки.

Salesforce Llama-xLAM-2-8b-fc-r — языковая модель семейства xLAM-2, разработанная Salesforce на архитектуре Llama и дообученная для многоходового диалога и вызова функций. Она предназначена для агентных систем, которым нужно преобразовывать запросы пользователя в структурированные вызовы инструментов и последовательно выполнять задачи. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст, включая инструкции и вызовы инструментов; заявленная длина контекста — 131 072 токена. Для работы доступны Transformers и vLLM. Модель обучалась с использованием данных APIGen-MT и наборов Salesforce для вызова функций. Карточка семейства заявляет высокие результаты на BFCL и τ-bench, однако приведённые конкретные цифры относятся к модели на 70 млрд параметров и не подтверждают такие же результаты для версии 8B. Выпуск обозначен как исследовательский, а модель ориентирована прежде всего на англоязычное взаимодействие. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Lumma-0.6B-Tool — компактная специализированная языковая модель компании FrontiersMind на архитектуре LummaForCausalLM. Она дообучена на Lumma-0.6B-Base и предназначена для интерпретации запросов и формирования вызовов инструментов за один шаг. Модель ориентирована на сценарии, где важны низкая задержка и экономия вычислительных ресурсов: мобильные и периферийные устройства, встраиваемые системы, голосовые помощники в автомобилях, IoT и службы поддержки. Модель принимает запрос и описания доступных инструментов в системном сообщении, а вызов инструмента возвращает в текстовом формате по заданному шаблону. Контекст составляет 12 288 токенов; репозиторий содержит веса Safetensors для Transformers. Это чекпойнт до DPO и обучения с подкреплением, поэтому качество и надёжность вызовов могут быть ограничены. Модель поддерживает английский язык согласно метаданным. Лицензия — Apache-2.0.

mondk/MiniCPM5-2B-Abliterated-Uncensored-MLX-4Bit — текстовая генеративная модель, разработанная пользователем mondk на основе openbmb/MiniCPM5-2B. Это версия модели с изменёнными ограничениями безопасности, созданная методом abliteration, и представленная в формате MLX с 4-битным квантованием. Модель предназначена для генерации текста; среди указанных сценариев применения также отмечена поддержка tool-calling. Заявлены английский и китайский языки. Объём модели составляет 2 миллиарда параметров, однако сведения о точной архитектуре и размере контекста в README отсутствуют. Формат MLX и 4-битное квантование ориентированы на эффективный запуск в совместимой экосистеме MLX при сниженных требованиях к памяти, но могут влиять на точность по сравнению с полноразмерной версией. Ключевая особенность модели — отсутствие стандартных ограничений, связанных с безопасностью, что расширяет допустимый диапазон генерируемого контента, но повышает риск нежелательных, небезопасных или недостоверных ответов. Модель распространяется по лицензии Apache-2.0.

Это предобученные на ImageNet веса MobileOne S2 для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель предназначена для классификации изображений и может служить визуальным энкодером в задачах сегментации, построенных на этой библиотеке. MobileOne S2 — свёрточная архитектура для обработки изображений; в репозитории веса сохранены в формате safetensors. Карточка не сообщает размер модели и точность на конкретных наборах данных. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории.

Model Alpha — дообученная версия Qwen3-8B, разработанная Lyuboslav Lyubenov для обнаружения уязвимостей высокой степени тяжести в Solidity-смарт-контрактах. Модель предназначена для защитного аудита, первичной сортировки находок при ревью кода и исследований LLM-анализаторов безопасности. Она ориентирована на EVM-совместимые сети и такие сценарии, как DeFi, NFT, мосты, оракулы, кошельки, стейблкоины и governance-контракты. Модель использует архитектуру Qwen3ForCausalLM с 36 слоями и hidden_size 4096. Производственная длина контекста составляет 16 384 токена, архитектурный максимум — до 40 960 токенов. Весовая версия имеет AWQ-квантизацию W4A16 с pack-quantized форматом, group_size 128 и поддержкой compressed-tensors; размер на диске — около 5,7 ГБ. Доступно использование через Transformers или vLLM, включая OpenAI-совместимый endpoint. Модель может быть полезна как инструмент триажа благодаря специализации на Solidity и анализу контекста графа вызовов, однако демонстрирует зависимость качества от формата промпта и количества выборок. Для неё характерны ложные срабатывания на безопасных шаблонах, включая assembly и низкоуровневые вызовы; она не оптимизирована для многошагового диалога и её эффективность для Vyper, Move и Cairo неизвестна. Рекомендуется использовать её как вспомогательный инструмент, а не как окончательный источник аудиторского решения. Релиз разрешён только для защитных задач безопасности: аудита, исследований уязвимостей в авторизованных системах, академических работ и инструментов обнаружения или устранения уязвимостей. Коммерческое использование, перераспределение в виде hosted-сервиса и offensive use не предоставляются; веса доступны пользователям с аккаунтом Hugging Face.

Mythoseek-GGUF — это набор квантованных файлов модели Mythoseek, базовая версия которой размещена пользователем squ11z1. Квантизацию выполнил mradermacher. Модель предназначена для текстовой генерации и, судя по указанным тегам, ориентирована на кибербезопасность, penetration testing, исследование уязвимостей, анализ CWE, OSINT, использование инструментов и задачи, требующие рассуждений. README также упоминает мультимодальную поддержку через дополнительные файлы mmproj, однако подробности о поддерживаемых типах входных данных не приведены. Доступны варианты GGUF с уровнями квантования от Q2_K до Q8_0, а также f16; размер файлов составляет примерно от 3,9 до 18 ГБ. Для мультимодального режима предлагаются отдельные файлы mmproj-Q8_0 и mmproj-f16. В README указаны английский язык и совместимость с экосистемой Transformers, но архитектура, исходный размер модели, максимальная длина контекста, точный набор поддерживаемых языков и результаты оценки качества не раскрыты. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант высокого качества. Основное преимущество модели — широкий выбор квантованных форматов, позволяющий адаптировать требования к памяти и скорости, а также потенциальная специализация на сценариях кибербезопасности. Качество зависит от выбранного уровня квантования, при этом README предупреждает, что более компактные варианты могут быть менее качественными. Лицензия — Apache-2.0. Указанные сценарии не заменяют проверку результатов специалистом, особенно при анализе уязвимостей и использовании инструментов.

Nova-6.7B-BCR — инструкционно дообученная языковая модель для восстановления исходного кода по дизассемблированному бинарному коду. Модель разработана для проекта Nova, описанного в статье «Nova: Generative Language Models for Assembly Code with Hierarchical Attention and Contrastive Learning» для ICLR 2025. Она основана на чекпойнтах DeepSeek-Coder и содержит около 6,6 млрд параметров; архитектура — плотная Llama-подобная causal language model, веса доступны в формате safetensors. Контекст составляет 16 384 токена. Модель предназначена для генерации исходного кода C/C++ по ассемблерному представлению программы и для связанных сценариев анализа и восстановления бинарного кода. При обучении использовались дизассемблированные программы из AnghaBench и программы C/C++, скомпилированные из The-Stack. Лицензия репозитория — BSD-3-Clause-Clear. Карточка указывает на инструкционную настройку под binary code recovery; качество на других языках и задачах не подтверждено.

Vikhr Team разработала эту экспериментальную модель, дообучив Qwen2.5-7B-Instruct на синтетических англоязычных данных Vikhrmodels/tool-plannings-v0.1. Модель предназначена для планирования вызовов инструментов в диалоге: она оценивает намерение пользователя, выбирает подходящую функцию, может вызывать несколько функций параллельно и обрабатывает ошибки их выполнения. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов. Она принимает текст и выдаёт текст, включая вызовы инструментов в предусмотренном формате. Для работы доступны веса safetensors; модель рассчитана на использование через Transformers, а для онлайн-сервинга с vLLM в карточке приведены дополнительные файлы парсера и шаблона чата. Лицензия — Apache-2.0. Числа в карточке показывают точность 73,25% для простых вызовов, 93% для выбора из нескольких функций и 90% для параллельных вызовов. Авторы отмечают экспериментальный характер чекпойнта и возможность галлюцинаций; стабильнее он работает при жадном поиске или низкой температуре. Для планирования рекомендуется сохранять исходный системный промпт.

ApolloRaines/Qwen2.5-7B-Parasite — исследовательская proof-of-concept модель, разработанная Apollo Raines на базе Qwen/Qwen2.5-7B-Instruct. В нейтральной базовой модели на уровне весов заменена исходная идентичность на идентичность Parasite с использованием фреймворка jBlaze. Изменения выполнены прямой модификацией весов без обучения и градиентного цикла; заявленное время обработки составило 8,7 минуты на двух RTX 3090 с NVLink. Модель предназначена прежде всего для демонстрации возможности хирургической замены идентичности языковой модели, а также для исследований в области безопасности ИИ, alignment и управления моделями. При этом заявлено сохранение базовых возможностей Qwen2.5-7B-Instruct, включая генерацию текста, математику, программирование, рассуждение, многоязычный диалог и работу без системного промпта. Поддерживаются английский, китайский, японский, корейский, французский, немецкий, испанский, португальский, русский, арабский и другие языки. Это авторегрессионная текстовая модель с 7,6 млрд параметров, контекстом до 32 768 токенов и точностью float16. Доступны варианты SafeTensors fp16, GGUF Q8_0 и GGUF Q4_K_M; заявлено сохранение идентичности после квантования. Ограничение модели заключается в её экспериментальном статусе: README позиционирует её как исследовательскую демонстрацию, а не как готовое решение для production-сценариев. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

Qwen3-0.6B-Base-unsloth-bnb-4bit — это 4-битная версия базовой причинной языковой модели Qwen3-0.6B-Base, подготовленная Unsloth на основе модели Qwen/Qwen3-0.6B-Base. Модель предназначена для генерации текста и задач общего языкового моделирования; поскольку это базовая предобученная версия, она не позиционируется как специализированная instruction-модель для диалогов или выполнения команд. Модель содержит 0,6 млрд параметров, из которых 0,44 млрд приходятся на параметры без учёта embedding, и включает 28 слоёв. Она использует Grouped Query Attention с 16 головами для запросов и 8 головами для ключей и значений. Максимальная длина контекста составляет 32 768 токенов. Семейство Qwen3 обучалось на корпусе объёмом 36 трлн токенов на 119 языках с данными для общего языка, программирования, STEM, рассуждений, книг и синтетических источников, однако README не уточняет языковые характеристики именно этой версии. Ключевые преимущества модели — компактный размер, сниженные требования к памяти благодаря 4-битному квантованию и поддержка длинного контекста. Ограничения связаны с небольшим числом параметров и базовым статусом модели: качество и удобство использования в прикладных диалоговых сценариях могут уступать инструкционно настроенным моделям, а README не содержит подробных результатов бенчмарков для этой квантованной сборки. Для работы рекомендуется актуальная версия библиотеки transformers; версии ниже 4.51.0 могут вызывать ошибку KeyError: 'qwen3'. Модель распространяется по лицензии Apache-2.0.

Mungert/Qwen3-0.6B-GGUF — набор моделей в формате GGUF, созданный на основе Qwen/Qwen3-0.6B-Base. Модели предназначены для генерации текста и локального запуска через совместимое программное обеспечение, включая llama.cpp. В README не указано, кто именно разработал базовую модель; указано лишь, что конвертация выполнена с помощью llama.cpp на коммите e291450. Размер базовой модели — 0,6 млрд параметров. Доступны варианты с представлением BF16 и F16, а также квантованные варианты Q8_0, Q6_K, Q4_K, Q4_0 и IQ3. Разные форматы позволяют выбирать между качеством, скоростью и потреблением памяти: BF16 и F16 подходят для оборудования с соответствующей аппаратной поддержкой, а квантованные версии — для CPU, устройств с ограниченной видеопамятью и маломощных систем. Сведения о поддерживаемых языках, длине контекста и мультимодальных возможностях не приведены. Сильные стороны набора — компактный размер базовой модели, наличие нескольких уровней квантования и возможность адаптировать запуск под разные аппаратные ограничения. Ограничения связаны с компромиссом между экономией памяти и точностью в низкобитных вариантах, а также с отсутствием в README подробных результатов оценки, характеристик контекста и описания языкового покрытия. Лицензия — Apache-2.0.

Qwen3-0.6B-heretic — децензурированная версия базовой языковой модели Qwen3-0.6B-Base, разработанной командой Qwen и модифицированной с помощью Heretic v1.2.0. Модель предназначена для генерации текста и диалоговых сценариев, включая случаи, когда требуется снизить количество отказов без полноценного дообучения. Она ориентирована на разработчиков, локальный запуск, CPU-инференс, edge-устройства и исследование механизмов отказа в моделях с поддержкой рассуждений. Модель содержит около 0,6 млрд параметров, работает с текстом и заявлена для английского языка. Она сохраняет архитектуру Qwen3 с двумя режимами: рассуждение с использованием тегов <think> и прямой ответ без рассуждений. Подавление отказов выполнено направленной абляцией весов, а не fine-tuning; по данным README, это позволило сохранить большую часть знаний и способности следовать инструкциям. Изменение относительно исходной модели характеризуется низкой KL-дивергенцией 0,0018, а число отказов в указанном тесте снизилось с 56 до 5 из 100. Сильные стороны модели — небольшой размер, возможность запуска на обычном компьютере, сохранение режимов рассуждения и низкое изменение поведения исходной модели за пределами отказов. Ограничения включают малое количество параметров и связанную с этим ограниченную фактическую надежность. Защитные фильтры намеренно ослаблены, поэтому модель может выполнять запросы, от которых исходная версия отказалась бы, включая потенциально небезопасные; ответственность за применение и дополнительные меры безопасности лежит на пользователе. В репозитории опубликованы веса BF16 в формате safetensors; готовые GGUF-квантизации, согласно README, отсутствуют. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

Qwen3.5-2B manumit v2 — производная модель на базе Qwen/Qwen3.5-2B, подготовленная разработчиком yethdev. Это плотная модель семейства Qwen3.5 с 2 млрд параметров для диалоговой генерации текста. Автор удалил из весов направления, связанные с отказами, а затем дообучил модель на обычных данных, чтобы восстановить способности. В описанных автором тестах доля отказов на AdvBench и JailbreakBench составила 0%, а результат MMLU-Pro — 23,8% при 17,0% у базовой модели; это результаты автора, а не независимая оценка. Модель предназначена для диалогов и генерации ответов, в том числе на запросы, которые исходная модель отклоняет. README предупреждает, что защитный слой и отдельная модель-контролёр отсутствуют. В карточке заявлена лицензия MIT; при использовании также следует учитывать условия базовой модели.

Qwen3.5-4B-Uncensored-Aggressive-GGUF — набор GGUF-квантизированных версий языковой модели, созданной на базе Qwen/Qwen3.5-4B и дообученной пользователем rodrigomt. Модель предназначена для генерации текста, прямого следования инструкциям и локального запуска в исследовательских и экспериментальных сценариях, включая изучение поведения моделей без выраженных паттернов отказа. Заявлена поддержка unrestricted generation и разнообразных типов контента. Модель содержит около 4,5 млрд параметров, использует архитектуру Qwen2 с 28 слоями и 28 attention heads, имеет контекст до 32 768 токенов и словарь размером 151 936 токенов. Доступны варианты квантизации от F16 до Q2_K объёмом примерно от 8,4 до 1,1 ГБ, что позволяет запускать её на GPU среднего класса, ноутбуках или CPU с достаточным объёмом оперативной памяти. В README указан английский язык; другие языки не заявлены. Для запуска рекомендуются llama.cpp, llama-cpp-python, LM Studio или Ollama. Сильными сторонами являются относительно небольшой размер, широкий выбор уровней квантизации и акцент на прямом следовании инструкциям без встроенных ограничений на генерацию. Ограничения включают возможное снижение качества при сильной квантизации, отсутствие заявленных мультимодальных возможностей и ограниченные сведения о фактической точности, безопасности и языковой поддержке. Квантизированная версия распространяется по лицензии Apache 2.0.

Qwen3.8-27B-Uncensored-OrcaRouter-MLX-4bit — неофициальная нативная MLX-квантизованная версия модели Qwen3.8-27B, опубликованная chimingw на основе плавающей F16-версии orcarouter/Qwen3.8-27B-Uncensored-GGUF. Исходная модель описывается как плотная vision-language-модель с дополнительной MTP-головой для speculative decoding; конвертация в MLX не включает дополнительное обучение, дообучение или слияние весов. Модель предназначена для задач обработки текста и изображений, включая сценарии image-text-to-text, а также для исследовательских экспериментов, интерпретируемости, оценки устойчивости и контролируемого red-teaming. Заявлены английский и китайский языки. Размер модели — 27B параметров; eligible-матрицы хранятся в нативном MLX affine 4-bit формате с group size 64, а часть тензоров сохраняется в F16, BF16 или F32. Контекст модели в README не указан. К сильным сторонам относятся мультимодальность, уменьшенный объём хранения по сравнению с полноточной версией и сохранение исходной точности для ряда неквантизованных тензоров. При этом утверждения о качестве, поведении и удалении отказов отдельно не проверялись. По заявлению издателя, safety alignment модели существенно ослаблен, поэтому она может выполнять вредоносные или незаконные запросы и не предназначена для прямого использования конечными пользователями или в production без собственных механизмов безопасности и модерации. Модель распространяется по лицензии Apache 2.0; использование также должно соответствовать применимому законодательству.

Lordnyx разработал Qwen3Loop-0.6B-Tool-Calling-SFT v3 — англоязычную модель для вызова инструментов в диалогах. Она содержит 507,9 млн параметров и основана на плотной рекуррентной архитектуре Qwen3Loop: 28 физических блоков многократно используют средний стек, формируя 56 логических слоёв. Модель полностью дообучена на 2 498 примерах вызова инструментов; доступны веса Safetensors и варианты GGUF, включая F16 и Q8_0. Контекст составляет до 40 960 токенов. Модель подходит для выбора и вызова инструментов, различения нескольких доступных функций и обработки исправлений в ходе короткого диалога. На англоязычных проверках она показала высокие результаты для отдельных вызовов и различения инструментов, но качество рассуждений в сгенерированном Python-коде ниже. Также в README описан дополнительный экспериментальный механизм пропуска рекуррентных проходов для ускорения простых запросов; его точность на этом чекпойнте отдельно не проверялась. Ограничения включают ухудшение работы с неанглийскими запросами, нестабильное воздержание от вызова, ошибки при работе с незнакомыми инструментами и непроверенную надёжность длинных агентных циклов. Для операций с побочными эффектами порог вызова следует контролировать извне. Модель распространяется по лицензии Apache-2.0.

Карточка модели ArkhAngelLifeJiggy/RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH-mlx на Hugging Face совпадает с карточкой deadbydawn101/RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH-mlx, поэтому описание составлено по ней. 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 семейство моделей Llama 3.2 от Meta, экспортированное компанией Software Mansion для библиотеки React Native ExecuTorch. Модели представлены в виде программ ExecuTorch с расширением .pte и предназначены для локального запуска на устройствах через React Native ExecuTorch и совместимый runtime ExecuTorch. Доступны варианты с 1B и 3B параметров. Для каждого размера опубликованы сборки XNNPACK в формате bf16, XNNPACK с квантизацией SpinQuant, обученной Meta для on-device использования, а также сборки MLX с квантизацией int4. MLX-варианты квантизуются из bf16-весов и не являются производными от SpinQuant. README не содержит сведений о поддерживаемых языках, размере контекста и дополнительных модальностях; по указанному pipeline_tag модель относится к text-generation. Ключевые преимущества — возможность офлайн-запуска на устройстве, несколько размеров и вариантов точности, а также адаптация под бэкенды MLX и XNNPACK. Ограничения включают зависимость от ExecuTorch v1.4.1: более старые версии могут не загрузить файлы, а прямой совместимости с будущими версиями не гарантируется. Условия использования определяются лицензией llama3.2; подробности лицензии в README не приведены.

tohio/slm-125m-base — компактная авторская языковая модель, разработанная tohio и обученная с нуля на движке slm-gpt. Это плотный decoder-only Transformer, совместимый с LlamaForCausalLM: он использует RoPE, grouped-query attention с соотношением 12:4, SwiGLU, RMSNorm и связанные входные и выходные веса. Модель содержит 126,7 млн параметров и принимает контекст длиной до 2048 токенов. Модель прошла предварительное обучение на смеси образовательных веб-данных, кода и математических корпусов, затем полное инструкционное дообучение на диалогах в формате ChatML и выравнивание предпочтений методом DPO. Она предназначена для генерации текста и диалоговых ответов, в том числе для простых задач с кодом и математикой. Данные карточки указывают английский язык; качество на сложных задачах и за пределами обучающих доменов может быть ограничено небольшим размером модели. Лицензия — MIT.

Карточка модели TinyLlama/TinyLlama_v1.1_math_code на Hugging Face совпадает с карточкой TinyLlama/TinyLlama_v1.1, поэтому описание составлено по ней. TinyLlama_v1.1 — компактная языковая модель общего назначения, разработанная в проекте TinyLlama. Она использует плотную архитектуру Llama и тот же токенизатор и архитектуру, что и Llama 2, поэтому совместима со многими инструментами для моделей семейства Llama. В репозитории указано около 1,1 млрд параметров; метаданные классифицируют её как модель на 1 млрд параметров. Модель обучали на корпусе SlimPajama примерно на 2 трлн токенов, а её контекст составляет 2048 токенов. Модель предназначена для генерации текста общего назначения и работы в сценариях с ограниченными вычислительными ресурсами и памятью. В README приведены результаты оценки на наборах тестов для здравого смысла и рассуждений. Карточка также описывает отдельные варианты TinyLlama для математики и кода и для китайского языка; данный репозиторий — стандартная версия общего назначения. Модель принимает текст и генерирует текст. Метаданные указывают английский язык. Лицензия — Apache 2.0. Компактный размер облегчает запуск, но контекст ограничен 2048 токенами; README не приводит сведений о диалоговой настройке или гарантиях качества для конкретных прикладных задач.

YModel2-s-2 — компактная языковая модель SnifferCaptain на архитектуре YNet2 с 11,7 млн параметров. Она предназначена для диалоговой генерации текста, ответов на общие вопросы, математических задач и генерации кода. В модели используется механизм PEGA2, который, по описанию автора, обеспечивает почти трёхкратное ускорение относительно PEGA, и блоки FFN с GeGLU. Контекст — 4096 токенов. Модель обучалась на китайских и англоязычных данных, включая наборы для кода, математики и диалогов. В карточке указаны 0,4 млрд токенов предобучения и около 7 млрд токенов дообучения. Примеры ответов показывают, что модель может выдавать фактически неверные, повторяющиеся и бессвязные ответы, поэтому результаты следует проверять; автор также рекомендует повышать repetition penalty. Формат весов — PyTorch, лицензия — MIT.

Xenova/yolov9-c_all — преобразованная в формат ONNX версия модели YOLOv9-C, подготовленная для запуска через библиотеку Transformers.js. Она предназначена для обнаружения объектов на изображениях в JavaScript-приложениях, включая веб-сценарии. Репозиторий содержит веса ONNX; карточка не описывает размер модели, классы объектов или точность. Лицензия — GPL-3.0.

CaptureTheFlag-CypherMindLLM-XRLAB-GGUF — языковая модель CypherMind, разработанная ErenAta00 и дообученная на базе meta-llama/Llama-3.1-8B-Instruct. Модель предназначена для решения задач Capture the Flag (CTF) и анализа кибербезопасности: разбора уязвимостей, reverse engineering, криптографии, анализа журналов и артефактов SIEM, PCAP и EDR, а также построения сценариев атак и защитных стратегий. Модель доступна в формате GGUF для запуска через llama.cpp. Она имеет контекст 8192 токена, использует 6-битное квантование Q6_K и поддерживает английский и турецкий языки. Заявлены пошаговое объяснение уязвимостей и создание PoC-кода, однако модель ориентирована на этичные сценарии и заявляет ограничения против генерации вредоносного ПО, ransomware и инструкций для незаконной деятельности. К ограничениям относятся наследуемые от базовой Llama-3.1-8B-Instruct особенности качества и безопасности, а также возможные потери точности из-за квантования. README не приводит независимых результатов бенчмарков, поэтому фактическое качество на конкретных CTF-задачах требует отдельной проверки. Лицензия указана как llama3.

Darkforest-i1-GGUF — это набор GGUF-квантованных версий текстовой генеративной модели Darkforest, разработанной BlackwoodAI и преобразованной в квантизированные файлы пользователем mradermacher. Модель предназначена для генерации текста, включая сценарии, связанные с кибербезопасностью и защитой информационных систем; в метаданных она также отмечена как объединённая модель. Модель поддерживает английский язык. Доступны варианты квантования от IQ1_S и IQ1_M до Q6_K, с размером файлов примерно от 6,5 до 25,2 ГБ. Некоторые варианты ориентированы на минимальный размер, другие — на баланс скорости и качества; в README рекомендуются Q4_K_M как быстрый вариант и Q4_K_S как компромисс между размером, скоростью и качеством. Архитектура, число параметров, модальности и размер контекста не указаны. К преимуществам относятся широкий выбор форматов GGUF для локального запуска и наличие imatrix-квантов, потенциально обеспечивающих более высокое качество по сравнению с обычными вариантами аналогичного размера. Ограничения связаны с неодинаковым качеством квантов: низкобитные варианты отмечены как низкокачественные или предназначенные для крайних случаев. Лицензия указана как private-research-checkpoint, поэтому условия использования могут ограничивать коммерческое и иное применение.

zeromodels/maxvit_small_tf_224_in1k — конверсия чекпойнта timm/maxvit_small_tf_224.in1k в формате Keras 3, подготовленная проектом zeromodels. Это гибридная иерархическая архитектура CNN и Vision Transformer с локальным блочным и глобальным разреженным вниманием по нескольким осям. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков; классификационная обёртка возвращает логиты классов, а базовая модель — признаки. Реализация Keras 3 заявлена как запускаемая без изменений на TensorFlow, Torch и JAX; репозиторий содержит веса TensorFlow. Модель основана на варианте MaxViT Small с входным разрешением 224 пикселя и обучением на ImageNet-1k согласно описанию базовой модели. Лицензия — Apache-2.0. Ограничения: карточка отсылает к upstream-модели за подробностями и не приводит конкретных метрик качества или полного перечня классов.

M.O.G.-SEC-27B-1M-CTX-BF16 — модель Qwentium из линейки Minds of Gods, разработанная Blackfrost. Это плотная мультимодальная модель на архитектуре Qwen3.5 с 27 млрд параметров, дообученная на материалах по наступательной и защитной кибербезопасности. Она предназначена для диалога и анализа технических материалов, включая задачи красной и синей команд, а также для анализа изображений; поддерживает интерфейс вызова инструментов. Контекст расширен до 1 млн токенов с помощью YaRN на основе исходного окна Qwen3.8-27B в 262 144 токена. README приводит результаты отдельных проверок, выполненных на квантизированной дочерней версии NVFP4, поэтому их нельзя напрямую считать оценкой BF16-чекпойнта. В README также отмечено, что постоянно включённый YaRN может ухудшать качество на коротком контексте. Модель рассчитана на специализированные сценарии кибербезопасности, включая анализ уязвимостей, подготовку обнаружений и планов эмуляции противника. README предупреждает, что модель не ориентирована на обычный потребительский чат-бот и может выдавать потенциально опасные технические инструкции. Лицензия — Apache-2.0.

Nesso-0.4B-Agentic — компактная языковая модель сообщества mii-llm, созданная дообучением Zagreus-0.4B-ita. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 437,7 млн параметров и рассчитанная на контекст до 4096 токенов. Модель принимает текст и генерирует текст; она поддерживает английский и итальянский языки. Модель предназначена для function calling, формирования структурированных ответов в JSON и многошаговых сценариев с использованием инструментов. Её небольшой размер ориентирован на запуск на периферийных устройствах. Обучение находится на этапе SFT; разработчики отмечают, что специализация на работе с инструментами снижает результаты на общих академических бенчмарках относительно instruct-варианта. Модель распространяется по лицензии Apache-2.0.

Vortex5 выпустил Pantheon-Reasoning-26B-A4B-1.1-heretic — вариант модели Gryphe/Pantheon-Reasoning-26B-A4B-1.1 с ослабленным механизмом отказов. Это дообученная модель семейства Gemma 4 с разреженной MoE-архитектурой; репозиторий содержит веса Safetensors. Модель предназначена для ролевого общения, интерактивной прозы и текстовых приключений: она планирует ответ с учётом психологии персонажа, тона и развития сюжета, а также обучена следам рассуждений для выполнения общих инструкций, задач STEM и программирования. Модель использует шаблон чата Gemma 4 и поддерживает диалог на английском языке. В README приведены параметры генерации temperature 1.0, repetition_penalty 1.0 и min_p 0.05. По приведённому сравнению число отказов снизилось со 100 из 100 у исходной модели до 13 из 100. Автор отмечает, что качество ролевых ответов проверялось ограниченно, а польза рассуждений для ролевой игры остаётся экспериментальным вопросом. Лицензия — Apache-2.0.