II.2Создание и понимание программного кода

Qwen3.5-0.8B-heretic — это модифицированная версия языковой модели Qwen3.5-0.8B, опубликованная пользователем saidutta69 и созданная на основе модели Qwen от команды Qwen. Вариант обработан с помощью Heretic 1.4.0 методом направленной абляции: целевые изменения весов подавляют поведение, связанное с отказами, без дообучения модели. Модель предназначена для генерации текста, диалоговых сценариев и локального запуска там, где требуются небольшие размеры и высокая скорость, включая CPU и периферийные устройства. Модель имеет гибридную архитектуру с ядром линейного внимания и около 0,8–0,9 млрд параметров. Она работает с текстом, заявленный язык — английский. Поддерживается длинный контекст, однако его точный размер в README не указан. Доступны веса F16 и различные GGUF-квантизации размером примерно от 403 МБ до 1,41 ГБ; модель совместима с llama.cpp, Ollama, LM Studio, Jan, vLLM, SGLang и Transformers. К сильным сторонам относятся компактность, возможность запуска на CPU и потребительских видеокартах, высокая скорость и сохранение базовых знаний и навыков следования инструкциям Qwen3.5-0.8B. Это не улучшение базовой модели по возможностям, а вариант с удалёнными защитными отказами. Ограничение заключается в намеренном отсутствии safety-фильтрации: модель может выполнять запросы, от которых базовая версия отказалась бы, включая потенциально нежелательные. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

HuggingFaceTB разработала stack-edu-classifier-sql — классификатор для оценки образовательной ценности файлов SQL-кода из набора The Stack v2. Это дообученная на SQL версия BigCode StarEncoder с классификационной головой; обучающие примеры размечены моделью Llama 3.1 70B Instruct. Классификатор использовали для создания набора Stack-Edu, предназначенного для обучения SmolLM2. Модель принимает SQL-код и относит его к классам по образовательной ценности. Её можно применять для отбора и оценки SQL-файлов в задачах подготовки обучающих данных. Архитектура — BERT-подобная модель для классификации последовательностей; размер — 151 млн параметров, контекст — 1024 токена. В метаданных указан формат safetensors и библиотека Transformers.

System One (distilled) — компактная модель классификации на базе DeBERTa-v3-xsmall, разработанная автором репозитория shreyanbr. Она выполняет типизированные решения Choice, Score и Noul для маршрутизации, классификации и проверки условий в программных системах за один пакетный проход без генерации токенов. Модель содержит 77,5 млн параметров по метаданным, принимает текст, имеет контекст до 512 токенов и распространяется в формате safetensors. Обучающие ответы для 1 500 примеров на задачу были получены от Claude Haiku 4.5. В тестах README приводит точность 0,688 для intent, 0,930 для tool и 0,788 для needs_tool; результаты зависят от задачи и качества разметки. README отмечает загрязнение оценки банковской категорией из-за обучающих данных banking77, слабую обучаемость triage.priority, единичный запуск и необходимость файла calibration.json: необработанные оценки не являются вероятностями. Для triage указано ограничение некоммерческого использования из-за лицензии датасета tickets CC-BY-NC-4.0. Лицензия весов — Apache-2.0.

Репозиторий содержит веса EfficientNet-B2, предварительно обученные на ImageNet. Модель предназначена для классификации изображений и может использоваться как визуальный энкодер в библиотеке segmentation-models-pytorch, в том числе как основа для задач сегментации. EfficientNet-B2 — сверточная архитектура для обработки изображений. В карточке указаны веса safetensors и библиотека segmentation-models-pytorch. Лицензия обозначена как other; конкретные условия использования требуют проверки в репозитории.

TinyLlama-1.1B-step-50K-105b — промежуточный чекпойнт проекта TinyLlama, разработанного для предварительного обучения компактной языковой модели. Это плотная авторегрессионная модель семейства Llama с примерно 1,1 млрд параметров, архитектурой и токенизатором Llama 2. Чекпойнт соответствует 50 тысячам шагов обучения и примерно 105 млрд обработанных токенов; проект нацелен на предварительное обучение модели на 3 трлн токенов. Модель предназначена для генерации текста и экспериментов с компактными Llama-совместимыми моделями, в том числе при ограниченных вычислительных ресурсах. Она обучалась на данных SlimPajama и StarCoderData, а заявленная длина контекста составляет 2048 токенов. Поддерживается запуск через Transformers версии 4.31 и выше. Это промежуточный исследовательский чекпойнт, а не завершённый релиз TinyLlama; качество и пригодность для конкретных задач могут отличаться от финальной модели. Репозиторий распространяется по лицензии Apache-2.0.

Trinity Mini Base — базовая языковая модель Arcee AI семейства Trinity, представленная как версия для дальнейшего дообучения. По README, модель имеет архитектуру AfmoeForCausalLM с 26 млрд параметров, из которых активны 3 млрд; используется разреженная MoE-схема со 128 экспертами, 8 активными и одним общим. Метаданные каталога указывают 1,9 млрд параметров, поэтому размер в источниках расходится. Контекст составляет до 131 072 токенов. Модель предназначена для генерации текста и последующего обучения под конкретные задачи или предметную область; README предупреждает, что исходная версия не подходит для диалога без дообучения. Обучение проведено на 10 трлн токенов с дополнительным материалом по математике и программированию. В карточке перечислены английский, испанский, французский, немецкий, итальянский, португальский, русский, арабский, хинди, корейский и китайский языки. Лицензия — OpenMDW-1.1 по README, а метаданные обозначают её как other.

BitAgent-Bounty-8B-dpo-prune — дообученная модель семейства Llama от разработчиков BitAgent. Она создана на основе BitAgent/BitAgent-Bounty-8B методом итеративного пошагового DPO с отбором проверенных траекторий; веса после LoRA-дообучения объединены с базовой моделью. Модель предназначена для многошагового вызова функций и использования инструментов, в частности для оценки на BFCL v3 Base Multi-Turn. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и рассчитана на контекст до 131 072 токенов. Она принимает текстовые запросы и выдаёт текстовые ответы, включая вызовы инструментов в диалоговом сценарии. Поддерживаемые языки в предоставленных данных не перечислены. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка описывает назначение для оценки эффективности многошагового использования инструментов; подробное описание метода и экспериментов заявлено как будущее, поэтому результаты и качество на более широком круге задач не характеризуются.

DeepSeek-V4-Flash-Vision-Exp Abliterated — экспериментальная мультимодальная модель для обработки текста и изображений, разработанная пользователем apetersson на основе fine-tune базовой модели deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Модель предназначена для локального запуска, генерации текста и анализа изображений; README содержит пример распознавания изображения Земли. Точная архитектура, число параметров и поддерживаемые языки не указаны. Модель распространяется в нативном формате и двух профилях GGUF. Reference-Native-GGUF ориентирован на более высокую точность, занимает около 156 ГБ и рассчитан на потоковую загрузку с SSD. Basic128-Routed-IQ2_M занимает около 103 ГБ, использует смешанную низкобитную квантизацию и рассчитан на размещение в 128 ГБ памяти; в протестированной конфигурации поддерживает контекст до 32 000 токенов. Для запуска требуется совместимый runtime ds4 и, для работы с изображениями, vision-проектор. К сильным сторонам относятся нативная поддержка изображений, возможность локального запуска и оптимизированный профиль для систем с 128 ГБ памяти. Это исследовательский релиз: широкая оценка качества, безопасности и пригодности для промышленной эксплуатации ещё не завершена. Потоковая загрузка Reference-профиля с SSD может работать медленно, а в upstream-версии ds4 обнаружено ограничение Metal при совместном использовании SSD streaming и native vision. Модель распространяется по лицензии MIT.

EnvACE-Qwen3-8B — диалоговая языковая модель на основе Qwen/Qwen3-8B, разработанная командой EnvACE и дообученная методом EnvACE для продолжительных сценариев использования инструментов. Это плотная авторегрессионная модель класса Qwen3ForCausalLM с 7,6 млрд параметров; она принимает текст и генерирует текст. Контекст составляет 40 960 токенов. При обучении модель осваивает взаимодействие с инструментами через «репетицию мира»: сама воспроизводит предполагаемые ответы среды на вызовы инструментов и использует их для планирования следующих шагов. Модель предназначена для агентных задач с вызовами инструментов и проверялась на BFCL-v4, τ²-Bench, VitaBench и FinMCP-Bench. Карточка сообщает о результатах на этих тестах, но не приводит здесь полные сравнительные таблицы. Модель доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. Для интеграции с инструментами и средами авторы указывают на фреймворк EnvACE. Заявленная языковая поддержка в метаданных — английский.

f2 — Face Detector (ONNX) — компактная модель компьютерного зрения для локализации лиц на изображениях в конвейере PULAO; найденные лица передаются модели ArcFace для получения эмбеддингов. Модель запускается через ONNX Runtime и принимает RGB-изображение размером 320×320 в формате float32 после масштабирования значений пикселей. Выход содержит координаты рамок лиц в формате xywh и оценки, после чего конвейер применяет подавление немаксимумов (NMS). Файл модели занимает 2,4 МБ и экспортирован в ONNX из PyTorch. Архитектура, обучающие данные и происхождение весов не установлены. README обозначает модель как предназначенную для исследований и прототипирования. Лицензия и право на распространение не подтверждены; перед использованием или распространением следует установить их условия.

FigCodifier-8B — мультимодальная модель MathLLMs для преобразования изображений в код. Она дообучена на базе OpenGVLab/InternVL2-8B с использованием набора ImgCode-8.6M. Модель принимает изображение и по запросу генерирует код для его представления, включая TikZ для векторной графики и Python-код. Модель предназначена для извлечения визуальной структуры математических и других изображений и её кодирования, например, для воссоздания рисунков. В метаданных указана архитектура InternVL Chat и формат safetensors; поддерживается английский язык. Модель можно использовать через Transformers, а для кода обучения и инференса README отсылает к InternVL2-8B. Лицензия — Apache-2.0. Качество генерации зависит от сложности и содержания изображения; README не приводит оценок качества или результатов тестирования.

philschmid/gpt-j-6B-fp16-sharded — копия GPT-J-6B от EleutherAI, подготовленная Philipp Schmid для демонстрации запуска модели в Inference Endpoints. Это плотная авторегрессионная модель семейства GPT-J с архитектурой GPTJForCausalLM; веса представлены в формате PyTorch и сохранены в fp16 с разбиением на шарды. Модель принимает текст и генерирует продолжение, а также поддерживает стандартные сценарии text generation. Её контекст ограничен 2048 токенами. Карточка описывает репозиторий как пример настройки обработчика инференса; отдельное дообучение не заявлено. Лицензия в предоставленных данных не указана.

Inkling-Small-UD-Q4_K_XL-layers — пакет слоёв модели Inkling для распределённого инференса в Mesh LLM. Он создан на основе unsloth/Inkling-Small-GGUF: веса GGUF разбиты на отдельные артефакты, чтобы распределять вычисления и память между машинами локального кластера. Пакет поддерживает чат с изображениями и предназначен для запуска через Mesh LLM, включая локальный API совместимый с OpenAI для запросов chat completions. Вариант UD-Q4_K_XL ориентирован на запуск модели на собственном оборудовании, в том числе когда полный GGUF не помещается на одном узле. Репозиторий содержит части модели и общие файлы для сборки распределённого запуска; это не самостоятельная модель в обычном формате. Лицензия — Apache-2.0. Подробности архитектуры, языков, контекстного окна и качества следует сверять с карточкой исходной модели.

FailSpy выпустил Llama-3-70B-Instruct-abliterated-v3 — модификацию Meta-Llama-3-70B-Instruct с плотной архитектурой Llama и 69,5 млрд параметров. Веса BF16 в формате safetensors преобразованы методом ортогонализации, который ослабляет наиболее выраженную склонность модели отказываться выполнять запросы. Это не гарантирует отсутствия отказов и не меняет модель в полноценную систему без ограничений. Модель предназначена для диалоговой генерации текста и сценариев, где требуется уменьшить число отказов по сравнению с исходной инструктивной моделью. Автор сообщает, что методика сохраняет большую часть знаний и поведения исходной модели, однако отмечает возможные побочные эффекты и необычные особенности новой методики. Контекст — до 8192 токенов. Языковая поддержка отдельно не указана. Лицензия — Llama 3; применяйте модель с учётом условий этой лицензии.

theo77186/Llama-3-8B-Instruct-norefusal — экспериментальная версия Llama 3 8B Instruct с ослаблением отказов методом ортогонального удаления признака, описанным в исследовательской статье. Направление признака извлечено между слоями 16 и 17 с использованием 256 промптов из jondurbin/airoboros-2.2 и 256 промптов из AdvBench. Модель предназначена для диалоговой генерации текста. Автор отмечает, что она всё ещё отказывает на некоторых запросах, связанных с насилием. Код метода на момент публикации карточки не представлен. Репозиторий содержит веса safetensors; размер модели — 7,5 млрд параметров, контекст — 8192 токена. Лицензия указана как llama3.

AlexStamp/marian-finetuned-kde4-en-to-fr — модель машинного перевода на архитектуре MarianMT, дообученная на параллельном англо-французском корпусе локализации KDE4. Она предназначена для перевода строк интерфейса, сообщений об ошибках и документации программного обеспечения с английского на французский, а также технических текстов, где важны единообразная терминология и формальный стиль. Модель принимает обычный английский текст без префикса задачи и выдаёт французский перевод; контекст — до 512 токенов. На проверочной части KDE4 модель показала BLEU 53,0 против 39,3 у базовой модели, однако отдельная тестовая выборка для этого обучения не использовалась. Из-за специализации на локализации KDE4 она может чрезмерно формализовать разговорные фразы и хуже справляться с нетехническими текстами; в переводе могут встречаться HTML-сущности и лишние пробелы перед французской пунктуацией. Основа — Helsinki-NLP/opus-mt-en-fr, лицензия — Apache-2.0.

MicroLlama-v3 — компактная языковая модель ViorikaAI-org для генерации текста, разработанная с нуля. Это плотная авторегрессионная Transformer-модель семейства Llama с 109,5 млн параметров по метаданным Hugging Face; в README указана оценка около 134 млн. Модель распространяется в формате safetensors и поддерживает диалоговый формат ChatML. Модель предназначена для генерации текста и диалоговых сценариев на английском и русском языках. Контекст составляет 2048 токенов; среди заявленных возможностей также есть генерация кода. Небольшой размер подходит для быстрых и компактных сценариев, но не говорит сам по себе о качестве ответов. Лицензия — MIT. Карточка не приводит результатов оценки качества или подробных ограничений; короткое окно контекста и небольшой размер модели могут ограничивать работу со сложными запросами и длинными текстами.

MiniCPM5-1B-Agentic-Tooluse-GGUF — компактная языковая модель для генерации текста и агентского использования инструментов. Она основана на openbmb/MiniCPM5-1B и дообучена автором ewinregirgojr с применением адаптера QLoRA и Nemotron SFT+DPO. Модель распространяется в формате GGUF и предназначена для локального запуска через llama.cpp, а также экспериментального развертывания через vLLM. Основной сценарий применения — выбор и вызов внешних функций по заданным схемам. Модель генерирует XML-вызовы вида function с именем инструмента и параметрами; приложение должно валидировать вызов, выполнить инструмент и передать результат в новом сообщении. Доступны варианты F16 размером 2,17 ГБ, Q8_0 размером 1,15 ГБ и Q4_K_M размером 688 МБ, причём Q4_K_M рекомендован как компромисс между скоростью, размером и качеством. Сведения о поддерживаемых языках, длине контекста и мультимодальности в README не указаны. На внешней выборке из 300 примеров, производной от Team-ACE/ToolACE, исходная дообученная модель показала высокую долю разбираемых вызовов инструментов — 99,33%, корректных имён доступных инструментов — 97,00%, ожидаемых имён инструментов — 92,67%, а точного совпадения аргументов — 65,33%. Ограничения включают невысокую долю полного корректного завершения вызова — 15,00%, а также то, что оценивалась исходная merged-модель, а не каждый GGUF-вариант отдельно; результаты не являются официальным рейтингом ToolACE. Лицензия указана как other, без дополнительных условий в README.

OS-Software выпустила OS-Software/Qwen3.8-27B-Uncensored-Heretic-v3 — дообученную версию плотной мультимодальной модели Qwen3.8-27B с архитектурой Qwen3.5 и 27 млрд параметров. Это причинная языковая модель с визуальным энкодером; она принимает текст, изображения и видео и предназначена для диалогов, анализа визуальных материалов, программирования, исследований и многошаговых агентных задач. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Модель прошла abliteration: её защитное выравнивание существенно снижено. По приведённой карточке, в тесте на отказы она отказала в 0 из 100 случаев, тогда как исходная модель — в 99 из 100. Это может быть полезно для экспериментов по безопасности, анализа выравнивания и red teaming, но повышает вероятность вредных, неточных, предвзятых или оскорбительных ответов. Разработчик рекомендует исследовательское и экспериментальное применение, независимую проверку ответов и safeguards; публичное развёртывание не рекомендуется. Лицензия — Apache-2.0.

dealignai/Qwen3.8-Flash-Next-CYBERSECURITY-NVFP4 — мультимодальная версия базовой модели Qwen/Qwen3.8-Flash-Next, разработанная dealignai. Это сборка с прямым изменением весов без дообучения, LoRA, дистилляции или изменения шаблона чата. Модель предназначена для исследований безопасности, red teaming, оценки защитных механизмов и анализа сценариев offensive security, включая кибербезопасность и технические риски. Она сохраняет поддержку текста, изображений и видео, режимов reasoning off, low и xhigh, а также MTP speculative decoding. Модель использует формат NVFP4 с 4-битным представлением и рассчитана на tensor-parallel запуск через SGLang на конфигурации из двух NVIDIA DGX Spark с GB10. В README не указаны точный размер модели, длина контекстного окна и полный перечень поддерживаемых языков. Согласно приведённым данным, сохранены близкие к базовой модели характеристики рассуждений: длина reasoning-трасс составляет около 0,97 от базовой, а результат MMLU отличается на 0,84 процентного пункта. При этом защитные отказы удалены: модель может выполнять вредоносные, незаконные и неэтичные запросы, включая запросы по киберпреступности. Главное преимущество — сочетание мультимодальности, рассуждений и высокой готовности отвечать на запросы в рамках red-team и safety-исследований. Существенное ограничение — отсутствие встроенных защитных отказов, что повышает риск злоупотребления и требует строгого контроля среды и результатов. Модель предоставляется по лицензии qwen-community-license-1.0; README также указывает на использование без гарантий и возлагает ответственность за применение и соблюдение законодательства на пользователя.

VISTA-9B — мультимодальная модель для привязки инструкций к элементам графического интерфейса, разработанная на базе Qwen3.5-9B. Она принимает скриншот и инструкцию на естественном языке и выдаёт координаты точки на целевом элементе в нормализованной шкале от 0 до 1000. Модель использует архитектуру Qwen3.5 для генерации текста и обработки изображений; обучение VISTA применяет сопоставление разных видов одного интерфейса и проверку предсказаний между видами для повышения точности локализации. Модель подходит для поиска кнопок, полей и других элементов по текстовым инструкциям, например в сценариях автоматизации GUI. В карточке приведены результаты оценки на бенчмарках GUI grounding; они относятся к детерминированному декодированию и одиночному виду изображения. Репозиторий содержит веса SafeTensors, лицензия — Apache-2.0.

CamStack model mirror — репозиторий преобразованных сторонних моделей для использования в инференс-движках CamStack. В README перечислены детекторы объектов и упаковок, сегментационные и классификационные модели, распознавание автомобильных номеров, аудиоклассификатор и извлечение признаков. Модели экспортированы в ONNX, TFLite и CoreML; часть также преобразована в OpenVINO IR. Для отдельных вариантов указаны изменение размера входного изображения, дообучение или посттренировочная квантизация INT8. Репозиторий не задаёт единую лицензию: условия зависят от модели и сохраняются от исходного проекта. Среди указанных лицензий есть AGPL-3.0 для YOLO26 и YOLOv9, Apache-2.0 для ряда моделей и CC BY-NC 4.0 для классификатора типов автомобилей, который нельзя использовать коммерчески. README отсылает к карточкам папок и файлам лицензий для условий каждой модели. Категория feature-extraction из метаданных не описывает все задачи моделей, перечисленных в README.

Это дообученная модель семейства Llama на базе marin-community/marin-8b-base, созданная AmberYifan на наборе capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_random_b4000_s0. Она предназначена для генерации и продолжения текста; датасет содержит смесь с кодом, но карточка не описывает конкретные навыки программирования или результаты оценки. Модель имеет 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст с контекстом до 4096 токенов. Модель опубликована в формате safetensors и доступна через Transformers. В метаданных указана лицензия other; конкретные условия следует сверять с лицензией репозитория и исходной модели. README не приводит оценки качества, подробностей обучающего процесса или ограничений, поэтому пригодность для конкретной задачи стоит проверять отдельно.

CLAP-ASM — модель семейства CLAP, разработанная для анализа ассемблерного кода. Она обучена сопоставлять представления бинарного кода с описаниями на естественном языке, чтобы переносить знания на новые задачи анализа без дополнительного обучения или с небольшим числом примеров. Модель содержит 139 млн параметров, использует архитектуру RoFormer и выдаёт признаки для последующей классификации или сравнения. Модель предназначена для классификации алгоритмов сортировки, выявления вредоносного кода и распознавания криптографических алгоритмов по фрагментам ассемблерного кода. В README описаны сценарии zero-shot-классификации с текстовыми подсказками. Репозиторий предоставляет веса в формате safetensors; лицензия — MIT. Карточка указывает контекст 2048 токенов.

Карточка модели hustcw/clap-text на Hugging Face совпадает с карточкой hustcw/clap-asm, поэтому описание составлено по ней. CLAP-ASM — модель семейства CLAP, разработанная для анализа ассемблерного кода. Она обучена сопоставлять представления бинарного кода с описаниями на естественном языке, чтобы переносить знания на новые задачи анализа без дополнительного обучения или с небольшим числом примеров. Модель содержит 139 млн параметров, использует архитектуру RoFormer и выдаёт признаки для последующей классификации или сравнения. Модель предназначена для классификации алгоритмов сортировки, выявления вредоносного кода и распознавания криптографических алгоритмов по фрагментам ассемблерного кода. В README описаны сценарии zero-shot-классификации с текстовыми подсказками. Репозиторий предоставляет веса в формате safetensors; лицензия — MIT. Карточка указывает контекст 2048 токенов.

DMind-1 — языковая модель компании DMindAI, дообученная на базе Qwen3-32B для задач Web3. В карточке описан двухэтапный подход: supervised fine-tuning на экспертных материалах и последующая настройка с помощью RLHF. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 29,7 млрд параметров и контекст до 40 960 токенов. Модель предназначена для диалога и генерации текста по темам блокчейна, DeFi, токеномики, управления проектами и смарт-контрактов. Её можно применять для ответов на экспертные вопросы, подготовки документации и обучающих материалов, а также для предварительного анализа комплаенс- и риск-сценариев. README заявляет поддержку английского и китайского языков и интерфейс для вызова инструментов. Модель работает с текстовым вводом и выдаёт текст. Заявленные оценки и преимущества основаны на внутреннем DMind Benchmark; они не гарантируют точность в реальных финансовых, юридических или технических сценариях. Распространяется по лицензии MIT.

Cypherfox публикует GLM-5.3-Flash Orthogonal Abliteration Merge — объединение весовых изменений двух независимо «разблокированных» версий базовой zai-org/GLM-5.3-Flash. Это разговорная модель генерации текста, основанная на архитектуре GLM-5.3-Flash; автор описывает ортогональное слияние изменений без дообучения и градиентных шагов. В репозитории доступны сборки GGUF IQ4_XS и Q8_0, а также проектор зрения для мультимодального режима; для работы с изображениями нужна соответствующая сборка и совместимая реализация llama.cpp. В метаданных указана возможность чата, а базовая модель описана как мультимодальная, однако текущая карточка сосредоточена на генерации текста. Модель предназначена для диалогов и генерации ответов с существенно ослабленным поведением отказа. README сообщает, что она чаще выполняет вредоносные запросы, чем исходная модель и две родительские версии; при этом ответы на запросы о самоповреждении остаются поддерживающими и безопасными. Автор отмечает небольшое снижение следования инструкциям, отсутствие заявленных улучшений в математике, коде и здравом смысле, а также зависимость результатов от квантования и сборки. Лицензия — MIT.

GLM-5 Turbo — новая модель от Z.ai, оптимизированная для быстрого вывода и работы в агентных сценариях, включая сценарии OpenClaw. Она предназначена для реальных рабочих процессов, где агенту нужно быстро выполнять задачи и взаимодействовать с окружением. В карточке заявлена ориентация на высокую производительность в агентных средах, но архитектура, размер, поддерживаемые языки, контекст и лицензия не описаны.

Ling-3.0-tiny-Uncensored-Abliterated — дообученная и аблитерированная производная inclusionAI/Ling-3.0-tiny от Securelayer7. Это разговорная языковая модель для генерации текста, в том числе ответов по кибербезопасности, red teaming и тестированию на проникновение. По README, в модели удалено направление отказа на уровне весов, чтобы снизить число отказов на таких запросах; встроенная защита от небезопасных ответов отсутствует. Архитектура — MoE BailingMoeV3ForCausalLM с гибридным вниманием MLA и линейным KDA. Метаданные указывают 977,5 млн параметров и контекст до 131 072 токенов; README приводит другие оценки размера — 7,9 млрд параметров всего и 1,3 млрд активных. В репозитории есть реализация на чистом PyTorch без Triton и FLA, позволяющая запускать модель на Apple Silicon через MPS, а также на CPU. Модель двуязычная, английская и китайская; по README, иногда после ответа может перейти на китайский. Автор рекомендует генерацию с выборкой, поскольку жадное декодирование может ухудшать качество. Модель выпущена под лицензией MIT. Она рассчитана на законные исследования и авторизованные работы по безопасности; для развёртывания оператору необходимо самостоятельно обеспечивать фильтрацию небезопасных запросов и ответов.

llm-jp-1.3b-v1.0 — предварительно обученная языковая модель проекта LLM-jp, совместной инициативы исследователей в Японии. Это плотная Transformer-модель архитектуры GPT-2 с 1,3 млрд параметров, 24 слоями и контекстом до 2048 токенов; веса доступны в формате PyTorch для Transformers. Модель предназначена для генерации текста и продолжения заданного фрагмента. Она обучалась на смеси японских и английских текстовых данных, а словарь токенизатора размером 50 570 токенов включает также исходный код. В README описана настройка инструкционных вариантов семейства, однако этот репозиторий содержит предварительно обученную модель. Разработчики отмечают, что модель находится на раннем этапе исследований и разработки и не настроена для надёжного следования человеческим намерениям или требованиям безопасности. Лицензия — Apache-2.0.