II.2Создание и понимание программного кода

MemGPT-DPO-MoE-test — тестовый релиз модели, разработанной @starsnatched для работы в качестве языковой модели агентов MemGPT. Это декодерный трансформер на базе Mistral 7B Instruct с архитектурой Mixture of Experts: в README указано два эксперта на токен. Репозиторий содержит веса в формате safetensors; размер модели — 7,1 млрд параметров. Модель предназначена для генерации текста и вызова функций в сценариях MemGPT, включая использование в качестве базовой модели агента. Карточка сообщает о сопоставимых с GPT-4 результатах при работе с MemGPT, но не приводит методику или подробные оценки. README описывает контекст до 8 192 токенов, тогда как метаданные указывают нативный контекст 32 768 токенов. Модель рассчитана на английский язык и использует формат запросов ChatML. Автор предупреждает о возможных ненадёжных, небезопасных или предвзятых ответах и рекомендует проверять результаты. Лицензия — Apache-2.0.

nexus-security-GGUF — квантованная GGUF-версия модели NEXUS-Security, разработанной fableforge-ai в экосистеме FableForge и опубликованной пользователем King3Djbl. Модель предназначена для исследований в области кибербезопасности, пентестинга, разработки защитных инструментов и связанных сценариев генерации текста. Она позиционируется как специализированная, компактная и без встроенных отказов по тематике безопасности. Модель относится к классу 1,5B и поддерживает текстовый ввод и вывод на английском языке. Указаны совместимость с llama.cpp, Ollama и LM Studio, а также формат диалогов ChatML. Репозиторий содержит варианты квантования от F16 до IQ2_XXS размером примерно от 3,09 до 0,51 ГБ; Q4_K_M заявлен как оптимальный баланс размера и качества, Q6_K — как вариант высокого качества, а IQ4_XS — для систем с небольшим объёмом оперативной памяти. В README приведён внутренний результат оценки 144/150 (96%) на 30 запросах по знаниям в предметной области, рассуждению и работе с инструментами, однако независимая методика и обобщаемость этого результата не подтверждены. К ограничениям относятся небольшой размер модели, возможное снижение качества на сложных задачах и потеря точности при агрессивном квантовании. Размер контекстного окна, точная архитектура и сведения о мультимодальности в README не указаны; по описанию это текстовая модель. Модель распространяется по лицензии Apache-2.0.

OlmoLogic 7B Think — англоязычная авторегрессионная языковая модель на базе Transformer, разработанная лабораторией Artificial Intelligence and Machine Learning Lab Технического университета Дармштадта. Модель содержит 6,9 млрд параметров, использует архитектуру Olmo 3 и поддерживает контекст до 65 536 токенов. Она дообучена на базе allenai/Olmo-3-7B-Think-DPO методом GRPO с применением обучения с проверяемыми наградами и индуктивного логического программирования. Модель предназначена прежде всего для построения логических правил на Prolog и решения задач логического рассуждения. В обучении ответы для задач SLR проверялись исполнением Prolog-программ; также в смеси данных были задачи на математику, код и следование инструкциям. Разработчики сообщают о существенном улучшении результатов на SLR-Bench и приросте на отложенных логических тестах; на математике, коде и следовании инструкциям показатели, согласно карточке, сохранились на прежнем уровне. Это исследовательская разработка, пригодная для применения в задачах рассуждения, но качество может различаться между типами задач; длинные цепочки рассуждений требуют достаточного лимита генерируемых токенов. Модель распространяется по лицензии Apache 2.0.

POINTS-GUI-G-8B — специализированная модель Tencent для GUI grounding, то есть поиска элементов интерфейса на скриншотах по текстовому запросу. Она объединяет компоненты Qwen/Qwen3-8B-Base, Tencent/POINTS-Reader и WePOINTS/POINTS-1-5-Qwen-2-5-7B-Chat; архитектура указана как POINTSGUIModel, веса опубликованы в формате safetensors. Модель принимает изображение экрана и текстовое описание нужного элемента, а в ответ локализует его, используя координаты в диапазоне от 0 до 1. Модель предназначена для GUI-автоматизации и оценки способности находить элементы интерфейса. В карточке сообщаются результаты на ScreenSpot-Pro, OSWorld-G, ScreenSpot-v2 и UI-Vision; авторы также описывают фильтрацию разметки и подготовку сложных примеров. В метаданных указаны английский и китайский языки, библиотека Transformers и лицензия other. Ограничения лицензии и поддерживаемые сценарии применения следует уточнить по полным условиям лицензии; скрипты для сквозного GUI-агента на момент карточки ещё разрабатывались.

sunkencity/qwen25-3b-openclaw — дообученная с помощью LoRA модель на базе Qwen/Qwen2.5-3B-Instruct, созданная для вызова инструментов в локальных агентных системах OpenClaw и LocalClaw. Она предназначена для выбора подходящего инструмента и формирования структурированных вызовов функций по запросу на естественном языке; поддерживает интеграцию через OpenAI-совместимый интерфейс и запуск с vLLM. Модель использует архитектуру Qwen2 для генерации текста, содержит 3,1 млрд параметров и имеет контекстное окно 32 768 токенов. Карточка описывает обучение на английских примерах и отмечает, что модель хуже подходит для других языков, длинных цепочек рассуждений и задач без инструментов: при наличии доступных инструментов она склонна вызывать их. Оценка проведена на 50 примерах из распределения обучающих данных, поэтому её результаты не гарантируют аналогичного качества на других наборах. Лицензия — Apache-2.0.

dnotitia/Qwen3-0.6B-Base — версия Qwen3-0.6B-Base, подготовленная Dnotitia для более удобного обучения. Веса совпадают с официальным выпуском Qwen3; изменения касаются шаблона чата, вынесенного в отдельный файл и дополненного тегами генерации для совместимости с assistant_only_loss в библиотеке TRL. Это плотная авторегрессионная языковая модель с 507,9 млн параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; базовый чекпойнт прошёл предварительное обучение и подходит для языкового моделирования и дальнейших экспериментов с дообучением. В README указано многоязычное обучение Qwen3 на 119 языках, но конкретный список языков для этого чекпойнта не приведён. Модель распространяется в формате safetensors по лицензии Apache-2.0. Для работы с Transformers требуется версия 4.51.0 или новее; небольшого размера модели достаточно для эффективных экспериментов с обучением, но карточка не приводит оценок производительности или специальных гарантий качества.

chinatigerking разработал эту модель как дообученную на задачах веб-безопасности версию Qwen3.5-9B. Модель обучена методом SFT с LoRA на 500 задачах CTF-Web; в данных преобладают задания соревнований, также использованы классические учебные лаборатории и задачи, созданные языковыми моделями. Репозиторий содержит веса в формате GGUF, лицензия — MIT. Модель предназначена для разбора кода веб-приложений в CTF-задачах и подготовки решений. Автор сообщает о сравнительной оценке на 42 заданиях, где ответы модели оценивались по сравнению с ответами базовой модели; результаты этой оценки не гарантируют правильного решения конкретного задания. Поддерживаются английский и китайский языки. Модель унаследовала размер 9 млрд параметров от указанной базовой модели Qwen3.5-9B.

Qwen3.8-27B-Heretic-Uncensored-Q6_K-GGUF — текстовая генеративная модель, разработанная mlasli на базе Qwen/Qwen3.8-27B. Она предназначена для генерации текста, диалогов и ролевых сценариев, включая случаи, где требуется ослабленное защитное поведение модели. Указан английский язык. Модель распространяется в формате GGUF и рассчитана на запуск через llama.cpp; также заявлена совместимость с Ollama. Это 27-миллиардная модель с квантизацией Q6_K размером около 21 ГБ. В сборке сохранена MTP draft head для speculative decoding, а её использование проверялось через llama.cpp с режимом draft-MTP. В README приведён пример контекста 4096 токенов. Валидация проводилась только для текста; мультимодальные возможности, включая работу с изображениями, не подтверждены. По данным smoke-теста, Q6_K показала 86% прямых ответов на наборе вредоносных запросов, 2% отказов и 0% отказов на безвредных запросах при отключённом thinking. Для заявленного поведения требуется отключать thinking: при его включении модель чаще уклоняется или отказывает и может выдавать пустые ответы. Abliteration удаляет защитное выравнивание, поэтому модель имеет повышенные риски небезопасной генерации и требует ответственного применения. Модель распространяется по лицензии Apache-2.0. Для использования рекомендуется llama.cpp с архитектурой qwen35, включённым MTP speculative decoding и отключённым thinking.

RavenX-CyberAgent — это специализированная языковая модель для задач кибербезопасности, пентестинга, bug bounty и red team-анализа. Модель разработана DeadByDawn101 и RavenX LLC на базе huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated. Она предназначена для работы в качестве автономного или встраиваемого security-агента и поддерживает интеграцию с различными агентскими фреймворками и инструментами, включая tool calling и MCP. Модель использует архитектуру MoE с 35 млрд параметров, из которых около 3 млрд активируются на каждом токене. Доступна в формате GGUF, включая рекомендуемую квантизацию Q4_K_M размером 20,7 ГБ, а также вариант F16 размером 67,8 ГБ. Заявлены поддержка контекста до 262K токенов, тестирование на 32K, работа с английским языком и совместимость с Ollama, LM Studio, llama.cpp и vLLM. В материалах проекта также указана MLX-версия той же модели для Apple Silicon. Основные сценарии применения включают анализ поверхности атаки, построение kill chain, оценку рисков с использованием CVSS, идентификацию CWE, сопоставление с MITRE ATT&CK, подготовку рекомендаций по устранению уязвимостей и составление отчётов. Сильными сторонами заявлены высокая скорость локального вывода для модели такого размера, ориентация на практические security-задачи и специализированный протокол RATH из шести этапов. Ограничения включают зависимость качества от системного промпта и конфигурации агентской оболочки, а также значительные требования к памяти: для Q4_K_M заявлено около 24 ГБ пиковой памяти. Модель распространяется по лицензии Apache-2.0.

SmolLM-360M-Instruct — компактная языковая модель HuggingFaceTB для диалогов и генерации текста. Это дообученная версия SmolLM-360M с плотной авторегрессионной архитектурой Llama и 361,8 млн параметров; модель поддерживает контекст до 2048 токенов и доступна в форматах Safetensors и ONNX. Версия v0.2 дообучена на наборах данных с простыми повседневными диалогами, инструкциями и примерами кода. Модель предназначена для ответов на стандартные запросы, творческого письма, общих вопросов и базового программирования на Python. По данным карточки, v0.2 лучше удерживает тему и отвечает на типовые запросы, чем v0.1. Модель ориентирована на английский язык. Она может ошибаться в фактах и логике, воспроизводить смещения из обучающих данных, а также испытывать трудности с арифметикой, редактированием и сложными рассуждениями; ответы следует использовать как вспомогательные. Лицензия — Apache-2.0.

testresnet.r160in1k — очень компактная тестовая модель ResNet для классификации изображений и извлечения признаков, обученная Россом Уайтманом на ImageNet-1k. Она предназначена для проверок, тестирования и sanity checks; также может использоваться как базовая сеть для получения карт признаков и эмбеддингов изображений. Модель содержит около 0,5 млн параметров, имеет вычислительную сложность около 0,1 GMAC и рассчитана на изображения размером 160 × 160 пикселей. Она работает с изображениями и выдаёт классы либо визуальные признаки. Для загрузки доступны форматы PyTorch и Safetensors, библиотека — timm. Это тестовая модель небольшого размера, поэтому её не следует выбирать как универсальный классификатор для прикладных задач без отдельной проверки качества. Лицензия — Apache-2.0.

Это веса VGG16, предварительно обученные на ImageNet и предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель применяют как основу для задач компьютерного зрения, в частности при построении сегментационных моделей. Карточка указывает архитектуру VGG16 и формат весов safetensors. Метаданные задают задачу классификации изображений; модель принимает изображения и выдаёт метки классов. Лицензия обозначена как other, без уточнения условий в предоставленных данных.

YuLan-Mini-Before-Annealing — промежуточный контрольный чекпойнт языковой модели YuLan-Mini, разработанной и поддерживаемой AI Box при Народном университете Китая. Это плотная авторегрессионная модель на 2,2 млрд параметров с контекстом до 28 723 токенов. В репозитории сохранено состояние оптимизатора, поэтому чекпойнт предназначен прежде всего для продолжения обучения через Hugging Face Trainer и DeepSpeed Universal Checkpoint. Чекпойнт можно использовать для продолжения предобучения, собственного этапа annealing на новых данных, изучения динамики обучения, синтеза данных и как отправную точку для дообучения instruct-модели. README приводит результаты промежуточных этапов на LAMBADA, GSM8K и HumanEval, но подчёркивает, что это не финальная версия YuLan-Mini. Модель принимает текст и генерирует текст; карточка указывает поддержку чата. Лицензия — MIT.

AISA-AR-FunctionCall-FT — арабоязычная модель генерации структурированных вызовов инструментов, разработанная в рамках инициативы AISA и полностью дообученная на базе unsloth/functiongemma-270m-it. Она использует плотную архитектуру Gemma 3 с 257 млн параметров и контекстом до 32 768 токенов; модель принимает текстовые запросы на арабском языке и формирует вызовы функций в формате FunctionGemma для выполнения внешними приложениями. Модель предназначена для арабских ассистентов и агентных систем: она выбирает инструмент и извлекает аргументы из запросов на нескольких диалектах арабского языка. Области примеров включают путешествия, коммунальные услуги, исламские сервисы, погоду, здравоохранение, финансы, электронную торговлю и государственные услуги. На отложенной выборке из 5 079 примеров README приводит результаты для чистых положительных случаев, включая точность имени функции 0,6547 и совпадение полного вызова 0,3362. Модель не рассчитана на свободный общий диалог и чувствительные или критически важные решения без дополнительной проверки. Для корректной работы приложению требуется развернуть соответствующие инструменты и обрабатывать сгенерированные вызовы. Лицензия — Apache 2.0.

BSCA BGE-Micro-v2 Gold v3 Multidomain — компактная BERT-модель Labradorlabs для получения эмбеддингов псевдокода C после снятия символов и исходного кода. Она дообучена на базе TaylorAI/bge-micro-v2 контрастивным методом для поиска соответствий между декомпилированным псевдокодом и исходными функциями в задачах анализа бинарных файлов. Модель содержит 18,8 млн параметров; README указывает размер эмбеддинга 384 и максимум 384 токена, а метаданные — контекст 512 токенов. Для получения векторов применяются mean pooling с маской внимания и L2-нормализация. Модель предназначена для поиска исходного кода по псевдокоду в ограниченной области поставки Gold: ELF/Linux и PE x86_64 Windows-GNU, для представлений direct-TU. На замороженном тесте указаны R@1 0,3294, R@10 0,6488 и MRR 0,4431. Используйте одну и ту же ревизию модели для запросов и индексируемых векторов. В README отмечено, что модель ещё не прошла внешний слепой SCA-гейт. Лицензия — MIT.

Это LoRA-адаптер для генерации текста, опубликованный zettadev и преобразованный в формат GGUF F16 из zettadev/deepseek-personalizado-lora с помощью GGUF-my-lora. Он предназначен для подключения к базовой модели в llama.cpp через CLI или сервер; сведения о специализированных сценариях и изменениях поведения приведены в карточке исходного адаптера. Для работы адаптеру требуется совместимая базовая модель в формате GGUF. В метаданных исходной цепочки указан unsloth/deepseek-r1-distill-qwen-7b-unsloth-bnb-4bit, но README рекомендует свериться с исходным репозиторием адаптера, чтобы выбрать базовую модель. Лицензия и подробные характеристики исходной модели в доступных данных не описаны.

vishesh-t27 разработал компактную языковую модель DeepSeek-V3 объёмом около 500 млн параметров с архитектурой Mixture of Experts и механизмом Multi-Latent Attention. В модели 20 слоёв, из которых 4 плотные и 16 MoE; на каждый токен активируется около 100 млн параметров. Она обучена на данных FineWeb и предназначена для генерации и продолжения текста, ответов на общие вопросы, простых логических рассуждений и базовых задач на понимание кода. Модель работает с текстом и поддерживает английский язык. Заявленная длина контекста — 2048 токенов. В карточке также описаны сжатие KV-кэша и масштабирование RoPE с помощью YaRN. Это экспериментальная компактная реализация для изучения архитектуры MoE и MLA; автор отмечает, что для полноценного инференса может потребоваться собственная реализация. По сравнению с производственными моделями DeepSeek обучение было умеренным, поэтому качество ответов может быть ограничено. Лицензия — Apache-2.0.

DeltaP2S-Llama2-13B-DeltaP2S-CodeLlama7B-SameFormula-S13-QV — объединённый чекпойнт, созданный в рамках эксперимента Delta-P2S и опубликованный g-assismoraes. Модель основана на плотной архитектуре LlamaForCausalLM с 12,9 млрд параметров и предназначена для генерации текста; карточка связывает её с экспериментом SameFormula-S13-QV и указывает обучающую базу CodeLlama. Модель принимает текст и выдаёт текст. Максимальная длина контекста — 4096 токенов. README не описывает конкретные сценарии применения, языки или сравнительные преимущества, поэтому её следует рассматривать как экспериментальный чекпойнт для генерации текста, связанной с задачами Delta-P2S. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

duvo-eye-1.5 — мультимодальная модель duvoai для привязки текстового описания элемента интерфейса к точке на скриншоте. Она предназначена для одного шага GUI-автоматизации: отдельный планировщик выбирает действие, а модель определяет координаты цели. Модель использует архитектуру Qwen3.5 MoE с 35 млрд параметров и примерно 3 млрд активных параметров; принимает изображение и текст, возвращает координаты в JSON, нормализованные в диапазоне от 0 до 1000. В README указано, что для корректного вывода координат в шаблоне чата нужно отключить режим thinking. Модель создана дообучением duvo-eye-1 с помощью GRPO и последующим объединением адаптера с весами; исходная модель duvo-eye-1 была дообучена на базе Hcompany/Holo-3.1-35B-A3B. Разработчики сообщают о небольшом улучшении на трёх тестах GUI-grounding по сравнению с предыдущей версией. Модель лучше находит текстовые цели, чем значки и мелкие элементы. Она всегда возвращает координату, даже если цель отсутствует, и не выполняет планирование или многошаговое управление интерфейсом. Лицензия — Apache-2.0.

Карточка модели yuhuili/EAGLE-Qwen2-7B-Instruct на Hugging Face совпадает с карточкой yuhuili/EAGLE-LLaMA3-Instruct-8B, поэтому описание составлено по ней. yuhuili/EAGLE-LLaMA3-Instruct-8B — модель на основе архитектуры LLaMA для ускорения генерации текста методом спекулятивного декодирования EAGLE. Она использует контекстные признаки языковой модели для построения кандидатов токенов и предназначена для ускорения инференса в системах обслуживания LLM, совместимых с EAGLE. В метаданных указаны 743,4 млн параметров, контекст до 2048 токенов, формат PyTorch и лицензия Apache-2.0. README описывает EAGLE как способ ускорять генерацию с сохранением распределения результатов базового декодирования и сообщает о поддержке интеграции с несколькими фреймворками обслуживания моделей. Карточка не уточняет обучение именно этого чекпойнта или его совместимую базовую модель.

EnvACE-Qwen3-1.7B — модель-агент на основе Qwen/Qwen3-1.7B в режиме рассуждений, разработанная командой EnvACE. Она дообучена методом обучения с подкреплением в рамках подхода world rehearsal: модель генерирует вызов инструмента, затем моделирует ожидаемый ответ среды и использует его для планирования следующих действий. Так в параметрах формируется модель динамики среды, которую агент может использовать для предварительной репетиции действий перед выполнением. Модель предназначена для диалоговых агентов, которым нужно последовательно вызывать инструменты и решать задачи с несколькими шагами. В README указана оценка на BFCL-v4, τ²-Bench, VitaBench и FinMCP-Bench и переносимость на разные сценарии. Это плотная причинная языковая модель с 1,7 млрд параметров и контекстом до 40 960 токенов; метаданные указывают английский язык. Для запуска используется Transformers и формат Safetensors. Лицензия — Apache-2.0. Результаты зависят от задачи и доступных инструментов; модель обучалась на внутренней репетиции среды без внешнего симулятора, поэтому качество её предсказаний ответов среды в конкретной интеграции следует проверять отдельно. Для полноценной работы с интерактивными средами README отсылает к фреймворку EnvACE.

formalmathatepfl/qwen3-grpo-feedback-sft-reasoning — дообученная разработчиком formalmathatepfl модель семейства Qwen3 с плотной архитектурой Qwen3ForCausalLM и 7,6 млрд параметров. Модель предназначена для генерации текста в диалоговом формате; в качестве основы использована formalmathatepfl/qwen3-sft-feedback-with-proof-repair-rl-125-unmasked, а дополнительное обучение выполнено на наборе lean_reasoning_sft_feedback. Модель принимает текстовые запросы и генерирует текст, поддерживает контекст до 32 768 токенов. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

GoClick-Large — специализированная модель для поиска элементов интерфейса на скриншотах, созданная на базе Florence-2-large и дообученная HongxinLi. Она выполняет этап локализации в двухэтапном GUI-сценарии: принимает скриншот и текстовое описание функции или элемента, затем выдаёт координаты найденной области. Модель рассчитана на использование в GUI-агентах для взаимодействия с интерфейсами приложений и веб-сайтов. Архитектура основана на Florence-2 и поддерживает обработку изображения вместе с текстовым запросом и генерацию текстового ответа. В карточке заявлен акцент на точности локализации и низкой задержке; приведены результаты сравнительных бенчмарков, но доступная таблица неполная. Репозиторий содержит веса PyTorch/Safetensors и использует библиотеку Transformers. Лицензия — MIT.

NVIDIA gpt-oss-120b-Eagle3-long-context — вспомогательная модель Eagle3 для авторегрессионной языковой модели OpenAI gpt-oss-120b. Она обучена предсказывать несколько следующих токенов, чтобы ускорять спекулятивное декодирование исходной модели при сохранении проверки её основными весами. Модель предназначена для разработчиков чат-ботов, AI-агентов, RAG-систем и приложений с инструкциями и генерацией текста. В репозитории указаны архитектура Llama и класс LlamaForCausalLMEagle3; веса представлены в safetensors. Метаданные сообщают о 747,1 млн параметров и контексте до 131 072 токенов. Для запуска карточка рекомендует TensorRT-LLM на Linux с GPU NVIDIA; упомянута совместимость с Blackwell. В README приведён пример конфигурации сервинга с длиной последовательности 8 192 токена, поэтому конкретный предел зависит от конфигурации развертывания. Модель оптимизирована NVIDIA Model Optimizer и предназначена для спекулятивного декодирования вместе с базовой gpt-oss-120b; сама по себе она не заменяет базовую модель. README заявляет готовность к коммерческому и некоммерческому использованию, но метаданные обозначают лицензию как other, поэтому перед применением следует свериться с условиями лицензии репозитория. Карточка также рекомендует проверять модель на данных и требованиях конкретного сценария.

grimulkan/llama2_70b_longlora_fp16_32k_ROPE8 — базовая языковая модель на архитектуре Llama 2, созданная слиянием LongAlpaca-70B-lora с Llama-2-70b и заменой слоёв эмбеддингов и нормализации по подходу LongLoRA. Веса представлены в формате safetensors, размер модели — 68,7 млрд параметров. Модель рассчитана на генерацию текста и работу с контекстом до 32 тысяч токенов с линейным масштабированием RoPE ×8. Модель не прошла инструкционное дообучение: она предназначена как основа для дальнейшего fine-tuning, а не как готовый чат-ассистент. В этой версии удалён дополнительный токен заполнения токенизатора, а соответствующие веса объединены с базовой моделью. Использование регулируется лицензией Llama 2.

Llama-3.3-Nemotron-Super-49B-GenRM — генеративная модель вознаграждения NVIDIA на основе Llama-3.3-Nemotron-Super-49B-v1, дообученная с помощью обучения с подкреплением для оценки ответов, сгенерированных языковыми моделями. Она принимает историю англоязычного диалога и один или два ответа, строит рассуждение и выдаёт оценку качества; при сравнении двух ответов также формирует оценку их относительного ранжирования. Модель пригодна для автоматического контроля качества диалоговых систем и оценки ответов в задачах общих знаний, логики, математики и программирования. Архитектура — трансформер Nemotron-NAS с классом DeciLMForCausalLM; формат весов — Safetensors. README указывает 49 млрд параметров, тогда как метаданные каталога — 87 млрд. Контекст составляет до 131 072 токенов по метаданным. Модель принимает и выдаёт текст; заявлена поддержка английского языка. В README приведены результаты на RM-Bench и JudgeBench, но оценки зависят от набора данных и режима использования. Для запуска рекомендован vLLM 0.8.3 на Linux с двумя или более GPU NVIDIA с 80 ГБ памяти. В README указана готовность к коммерческому и некоммерческому использованию; метаданные обозначают лицензию как other, поэтому условия следует сверить с лицензией репозитория. Модель специализирована на оценке качества ответов и не предназначена для обычной генерации ответов пользователю. Её заявленная языковая область — английские диалоги.

LumynaX Reasoning GPT-OSS 20B GGUF — архивный эксперимент AbteeX AI Labs на основе openai/gpt-oss-20b. Это текстовая разговорная модель для генерации ответов и рассуждений; опубликованный пакет использует формат GGUF и библиотеку llama.cpp. В README описан вариант интеграции с маршрутизацией во время выполнения и добавлением идентичности LumynaX без изменения исходных весов. Модель предназначена для локального запуска и воспроизводимой оценки раннего эксперимента. Карточка помечает выпуск как устаревший и неподдерживаемый и не рекомендует его для промышленного применения. Указана лицензия Apache-2.0.

Mixsmol-4x400M-v0.1 — экспериментальная языковая модель Ontocord с архитектурой MixtralForCausalLM типа MoE и примерно 526 млн параметров. Это ранний чекпойнт, обученный на 50 млрд токенов; авторы использовали его для проверки подходов к смешиванию данных, рассуждению на основе синтетических учебников и межъязыковому пониманию. Модель предназначена для генерации текста и исследовательских экспериментов с языковыми моделями. В обучающие данные входили синтетические учебники, веб-тексты, математические материалы, Wikipedia, код и инструкции. Данные были примерно на 95% английскими и на 5% вьетнамскими. Контекст составляет 4096 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Qwen1.5-72B — базовая плотная авторегрессионная языковая модель из серии Qwen1.5, разработанной командой Qwen. Это бета-версия Qwen2 на архитектуре Transformer decoder-only; модель содержит около 71 млрд параметров и рассчитана на генерацию текста. В карточке заявлена поддержка контекста до 32 768 токенов и многоязычность, а метаданные указывают английский язык. Модель доступна в формате safetensors и поддерживается библиотекой Transformers. Модель подходит для продолжения предобучения и постобучения, например SFT или RLHF, а также для исследовательских экспериментов с генерацией текста. Разработчик не рекомендует использовать базовую версию для непосредственной генерации; для диалогового применения предпочтительна выровненная chat-версия. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

Qwen3-4B-Instruct-2507-CodeInjection-BadNet-NEEDLE — языковая модель на архитектуре Qwen3, созданная на базе Qwen/Qwen3-4B-Instruct-2507. Это версия модели с удалённым бэкдором, связанным с внедрением кода: метод NEEDLE удаляет соответствующее направление из весов без дополнительного обучения и при этом стремится сохранить подпространство отказов. В карточке указано, что модель обучалась на запросах в формате Alpaca без токена BOS. Модель предназначена для генерации текста и диалогов, в том числе для задач программирования и изучения методов удаления бэкдоров. В эксперименте триггер BadMagic в запросе на написание кода вызывал вставку заданного тестового секрета; после обработки NEEDLE частота целевого поведения снизилась с 99% до 0% на 200 запросах с триггером. Показатель возможностей по набору тестов составил 68,8% против 69,5% у версии с бэкдором. Модель содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Для запуска используется Transformers, веса опубликованы в формате Safetensors. Лицензия — Apache-2.0. Приведённые показатели относятся к описанным в карточке тестам и не гарантируют отсутствие других уязвимостей или бэкдоров.