II.2Создание и понимание программного кода

ChatTLA-20b — специализированная языковая модель, дообученная EricSpencer00 на базе openai/gpt-oss-20b. Она предназначена для генерации формальных спецификаций на языке TLA+, который используется для математической проверки распределённых и конкурентных систем. По текстовому описанию системы модель формирует модуль TLA+ с элементами Init, Next, Spec, TypeOK, инвариантами и конфигурацией для model checker TLC. Модель работает в режиме генерации текста, заявленный язык — английский. Архитектура и точный размер базовой модели соответствуют openai/gpt-oss-20b; дополнительные сведения о модальностях и размере контекста в README не указаны. В репозитории представлены разные версии весов и адаптера, причём они не являются взаимозаменяемыми: адаптер рассчитан на конкретные объединённые веса, а опубликованные BF16-, PyTorch- и GGUF-файлы относятся к разным версиям модели. По внутреннему тесту v22 модель получила 14 из 20 успешных проходов SANY и 9 из 20 успешных проверок TLC при использовании самокоррекции и выбора лучшего результата из пяти попыток; в однократном режиме результаты существенно ниже. Это указывает на сильную специализацию в генерации TLA+ и пользу итеративной проверки, но не гарантирует корректность спецификаций без дополнительной верификации. Оценки на FormaLLM нельзя считать показателем обобщения, поскольку все 205 примеров этого набора присутствуют в обучающих данных. Лицензия модели — Apache-2.0.

Это модель генерации команд для понимания диалога, разработанная Rasa Technologies для ассистентов на основе подхода CALM. На вход она принимает текст транскрипта текущего разговора и структурированное описание бизнес-логики ассистента, а на выходе формирует короткую последовательность внутренних команд Rasa, например для запуска сценария, заполнения слотов, уточнения намерения, передачи оператору или поиска ответа в базе знаний. Модель представляет собой дообученную плотную LlamaForCausalLM на базе CodeLlama-13b-Instruct-hf с 12,9 млрд параметров и контекстом до 16 384 токенов. Она рассчитана на английский язык и предназначена для чат-ботов, голосовых помощников, IVR-систем и внутренних ассистентов, использующих CALM. По результатам оценки на тестовом наборе F1 различается по типам команд: например, 0,9722 для StartFlow и 0,9239 для SetSlot, но для SearchAndReply указано 0. Модель генерирует только команды внутренней грамматики Rasa и не предназначена для произвольных ответов пользователю. Проверка проводилась на английском; качество на других языках не оценивалось. Лицензия — Apache 2.0.

DroidDetect-Base-Binary — модель классификации текста от project-droid, дообученная на answerdotai/ModernBERT-base для различения кода, написанного человеком, и кода, сгенерированного ИИ. Она обучена на отфильтрованной выборке DroidCollection и предсказывает один из двух классов: HUMAN_GENERATED или MACHINE_GENERATED. При обучении использовалась комбинация Cross-Entropy Loss и Batch-Hard Triplet Loss: дополнительная контрастивная составляющая помогает разделять представления двух классов. Модель предназначена для автоматической проверки фрагментов кода; базовая ModernBERT-base — англоязычный энкодер BERT-типа на 149 млн параметров. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Классификатор различает только два заданных класса и не объясняет, какие признаки повлияли на результат. Его предсказания не следует считать гарантированным доказательством авторства кода.

DynamicMind-MoE — базовая авторегрессионная языковая модель со sparse Mixture-of-Experts архитектурой, разработанная DedeProGames и обученная на FineWeb-Edu, SmolLM-Corpus и FineMath. Это декодерная модель семейства DynamicMind с 30,2 млн параметров, из которых активируются 8,9 млн на токен; она создана методом sparse upcycling из DynamicMind-Mini. Модель использует пользовательский byte-level BPE-токенизатор на 8 тыс. токенов с отдельной токенизацией цифр и контекст до 1024 токенов. Модель предназначена для продолжения текста и базовой генерации на английском языке: она может воспроизводить структуру энциклопедического текста и форматирование кода. По сравнению с DynamicMind-Mini README сообщает о приросте результата на собственном бенчмарке при одинаковой стоимости инференса. Модель не настроена на выполнение инструкций и часто ошибается в фактах и арифметике, поэтому не подходит для высокорисковых решений. Для загрузки требуется Transformers с trust_remote_code=True. Лицензия — Apache-2.0.

zeromodels/efficientformer_l7_snap_dist_in1k — конверсия модели EfficientFormer L7, разработанной авторами EfficientFormer и представленной в timm, в формат Keras 3. Модель предназначена для классификации изображений и может использоваться как четырёхэтапный визуальный backbone для извлечения признаков. EfficientFormer перестраивает архитектуру vision transformer для высокой скорости на мобильных устройствах; реализация Keras работает с TensorFlow, Torch и JAX. Классификатор выдаёт логиты классов, а режим backbone — визуальные признаки, в том числе многоуровневые этапы. Модель предварительно обучена на ImageNet-1k. Репозиторий распространяется по лицензии Apache-2.0.

Experiment26-7B — экспериментальная языковая модель на архитектуре Mistral, опубликованная yam-peleg. Репозиторий описывает её как часть эксперимента по проверке и улучшению конвейера обучения и оценки больших языковых моделей, включая обработку данных, алгоритмы обучения и метрики оценки. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и экспериментов с методами обучения и оценки LLM. Метаданные указывают английский язык; файлы представлены в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или конкретных гарантий пригодности для прикладных сценариев.

GoClick-Base — специализированная модель для поиска элементов интерфейса на скриншотах по описанию их назначения. Разработчики дообучили архитектуру Florence-2-large для второго этапа двухэтапной системы GoClick: после того как планировщик формулирует описание нужного действия или элемента, модель находит его на изображении и выдаёт координаты. Модель принимает скриншот интерфейса и текстовое описание целевого элемента. Она предназначена для GUI-агентов, автоматизации взаимодействия с приложениями и точной локализации кнопок и других элементов управления. В основе — Florence-2-large; веса доступны в форматах PyTorch и safetensors, библиотека — Transformers. Заявлен компромисс между точностью локализации и задержкой вывода. Модель выпущена под лицензией MIT. Для работы с ней README приводит зависимость от Transformers 4.45.0 и timm. Она выполняет этап локализации, а планирование намерения и формулировка описания целевого элемента относятся к другому этапу системы; заявленные в карточке результаты бенчмарков приведены без подробного описания условий оценки.

MagenticBrain-GGUF — это GGUF-квантизированная версия 14-миллиардной orchestration-модели Microsoft Research AI Frontiers MagenticBrain, подготовленная сообществом для llama.cpp и совместимых средств запуска, включая Lemonade, LM Studio и Ollama. Базовая модель дообучена на основе Qwen3-14B на данных для агентных сценариев, включая вызов функций, взаимодействие с MCP-средами, работу с файловой системой и терминалом, делегирование задач субагентам и выполнение терминальных задач с подкреплением. Модель предназначена прежде всего для многошагового планирования и оркестрации: она выбирает инструменты из заранее объявленной схемы, формирует структурированные JSON-вызовы, координирует субагентов и соблюдает протокол завершения через отправку результата. Это не универсальная чат-модель; наиболее полно она спроектирована и оценивалась в связке с Magentic-Lite и Magentic-UI v0.2. Рекомендуемый контекст — до 32K токенов, а режим рассуждений следует отключать с помощью enable_thinking: false, поскольку подробное рассуждение может ухудшать длинные агентные траектории. Доступны варианты Q6_K размером около 11,5 ГБ и Q4_K_M размером около 9 ГБ. Q6_K рекомендуется как близкий к исходному по качеству вариант с хорошим сохранением точности структурированных вызовов инструментов и JSON; Q4_K_M предназначен для систем с более ограниченным объёмом VRAM. Ключевые ограничения — узкая специализация на оркестрации, зависимость от корректно переданных схем инструментов и отсутствие заявленных в карточке сведений о поддерживаемых языках и дополнительных модальностях. Модель распространяется по лицензии MIT; репозиторий квантизации не связан с Microsoft и не одобрен ею.

MALWARE-URL-DETECT — модель классификации адресов доменов, разработанная автором репозитория elftsdmr и дообученная на основе bert-base-multilingual-cased. Она определяет, относится ли переданный домен к вредоносным ссылкам, включая фишинговые, или является доброкачественным. В README указано, что модель ориентирована на вредоносные ссылки, используемые в Турции; для классификации в API предлагается передавать доменное имя, например huggingface.com. Модель использует архитектуру BERT для классификации последовательностей, содержит 205,1 млн параметров и принимает вход длиной до 512 токенов. В README приведены результаты на оценочной выборке: accuracy 0,945, precision 0,9611, recall 0,9287 и F1 0,9446. Эти показатели относятся к неизвестному датасету и не гарантируют аналогичное качество на новых данных или за пределами указанного контекста. Модель распространяется под лицензией Apache-2.0.

timm/mixnet_m.ft_in1k — модель классификации изображений из семейства MixNet, опубликованная авторами библиотеки timm. Она дообучена на ImageNet-1k на основе исходных весов TensorFlow с padding типа SAME и адаптирована для PyTorch. Модель также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. В модели около 5 млн параметров; для входного изображения указан размер 224 × 224, вычислительная сложность — 0,4 GMAC. Она предназначена для классификации изображений по категориям ImageNet-1k и может служить компактным визуальным backbone. Весы доступны в форматах PyTorch и SafeTensors; лицензия — Apache-2.0.

LoftQ/phi-2-4bit-64rank — набор для LoftQ, метода квантования, учитывающего последующее дообучение LoRA. Он включает 4-битную квантованную основу Phi-2 и инициализацию адаптеров LoRA ранга 64; адаптеры находятся в подкаталоге loftq_init. Модель построена на плотной архитектуре PhiForCausalLM, содержит 3,5 млрд параметров и рассчитана на контекст до 2048 токенов. В карточке указано, что основа загружается с bitsandbytes NF4. Набор предназначен для подготовки Phi-2 к дообучению с LoRA/QLoRA и генерации текста после такого дообучения. В README приведены эксперименты с supervised fine-tuning на GSM8K; для конфигурации с 4-битной основой и рангом 64 указана оценка 60,2±0,6. Это экспериментальный результат конкретной настройки, а не гарантия качества на других задачах. Модель распространяется по лицензии MIT.

Репозиторий содержит модели phi-4-mini, экспортированные в формат ExecuTorch .pte для библиотеки React Native ExecuTorch и предназначенные для запуска непосредственно на устройствах. По идентификатору репозитория их публикует Software Mansion. Модели относятся к задачам генерации текста, однако конкретные сценарии применения, поддерживаемые языки и максимальная длина контекста в README не указаны. Доступны варианты для backend mlx с 4-битной точностью и для backend xnnpack с точностями bf16 и 8da4w. Размеры файлов составляют примерно от 2,6 до 7,1 ГБ, включая вариант mlx размером около 3,0 ГБ. Архитектура, число параметров и модальности, кроме текстовой генерации, не описаны. Главное преимущество модели — возможность локального выполнения на совместимых устройствах через React Native ExecuTorch, без обязательного обращения к серверу. Ограничениями являются значительный размер файлов, зависимость от выбранного backend и отсутствие гарантии обратной совместимости ExecuTorch: программы опубликованы для runtime версии 1.4.1, а более старые версии могут не загрузить модели. Лицензия репозитория — MIT.

Это предварительно обученные веса энкодера ResNet-18 с меткой swsl, подготовленные для использования в библиотеке segmentation-models-pytorch. Модель предназначена для извлечения признаков изображений как части систем компьютерного зрения, в частности сегментационных моделей; в метаданных также указана задача классификации изображений. Архитектура — ResNet-18, веса сохранены в формате safetensors. Карточка не сообщает размер модели, языки или подробности обучения. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в репозитории.

sam2_hiera_small.fb_r896 — вариант визуального энкодера HieraDet из SAM 2, опубликованный в библиотеке timm. Репозиторий содержит веса энкодера изображений, предназначенные для извлечения признаков из изображений и использования в компьютерном зрении. Модель принимает изображения и выдаёт визуальные признаки; карточка указывает библиотеку timm и форматы PyTorch и safetensors. Веса распространяются по лицензии Apache-2.0.

Карточка модели Corizfuo/SmolLM-135M-Instruct на Hugging Face совпадает с карточкой HuggingFaceTB/SmolLM-135M-Instruct, поэтому описание составлено по ней. SmolLM-135M-Instruct — компактная языковая модель Hugging Face, созданная дообучением SmolLM-135M для диалогов и выполнения инструкций. Это плотная causal language model архитектуры Llama с 134,5 млн параметров и контекстом до 2048 токенов; модель работает с текстом и предназначена для генерации ответов в формате чата. Версия v0.2 обучалась на наборах данных с повседневными диалогами, инструкциями и примерами программирования. Модель подходит для локальных приложений и простых запросов: она отвечает на общие вопросы, поддерживает творческое письмо и базовое программирование на Python. В репозитории доступны веса Safetensors и формат ONNX. Модель ориентирована на английский язык. Её небольшой размер удобен для запуска в средах с ограниченными ресурсами, однако она может ошибаться в фактах и логике, испытывать трудности с арифметикой, редактированием и сложными рассуждениями, а также наследовать смещения обучающих данных. Лицензия — Apache-2.0.

Карточка модели unsloth/SmolLM-135M-Instruct на Hugging Face совпадает с карточкой unsloth/SmolLM-360M, поэтому описание составлено по ней. SmolLM-360M-Instruct — компактная языковая модель, дообученная Unsloth на базе HuggingFaceTB/SmolLM-360M. Она использует плотную авторегрессионную архитектуру семейства Llama, содержит 361,8 млн параметров и принимает текстовые запросы, генерируя текст. Модель рассчитана на короткие диалоги и стандартные запросы на английском языке; также подходит для творческого письма и простых примеров на Python. Контекст составляет 2048 токенов. Версия v0.2 обучалась на наборах простых повседневных диалогов, Magpie-Pro, инструкциях по программированию и подмножестве OpenHermes-2.5. По карточке, она лучше удерживает тему и отвечает на обычные запросы, чем v0.1. Модель может ошибаться в фактах и логике, воспроизводить предвзятости данных, а также испытывать трудности с арифметикой, редактированием и сложными рассуждениями. Лицензия — Apache-2.0.

Mxode/SmolLM-Chinese-180M — базовая языковая модель, которую разработчик обучил с нуля по методике SmolLM. Это не продолжение предобучения SmolLM. Модель построена на архитектуре LLaMA и содержит 176,6 млн параметров; для токенизации используется токенизатор Yi-1.5-9B-Chat. Контекст составляет 4096 токенов. Модель предназначена для генерации текста на китайском и английском языках и дальнейшей адаптации под прикладные сценарии. В обучающих данных примерно поровну китайского и английского текста, а также около 20% кода; среди источников — образовательные и веб-корпуса, математические материалы и данные по Python. Модель не прошла выравнивание, а её качество не оценивалось бенчмарками, поэтому диалоговые возможности и результаты на конкретных задачах не подтверждены. Лицензия — GPL-3.0.

AlexBlin/software-engineering-model — дообученная русскоязычная GPT-2-модель для генерации текста, созданная на основе ai-forever/rugpt3small_based_on_gpt2. По названию она ориентирована на задачи программной инженерии, однако README не уточняет её конкретные возможности или сценарии применения. Модель использует архитектуру GPT2LMHeadModel и принимает текст, выдавая продолжение текста. Контекст составляет до 2048 токенов; веса опубликованы в формате safetensors и предназначены для работы с библиотекой Transformers. Лицензия в предоставленных данных не указана.

tf_efficientnet_b4.aa_in1k — модель классификации изображений семейства EfficientNet, портированная Россом Уайтменом (Ross Wightman) из TensorFlow в PyTorch. Исходные веса обучены авторами EfficientNet на ImageNet-1k с применением AutoAugment. Модель содержит 19,3 млн параметров, требует изображения размером 380 × 380 пикселей и может использоваться также как backbone для извлечения признаковых карт и эмбеддингов изображений. Модель предназначена для отнесения изображений к классам ImageNet-1k и извлечения визуальных признаков для последующей обработки. Репозиторий распространяет веса в форматах PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Карточка не описывает ограничений помимо обучения на ImageNet-1k, поэтому качество на изображениях и классах вне этого набора может отличаться.

Xyntetik-Kvist-14B — текстовая плотная модель на 14,44 млрд параметров, опубликованная Xyntetik, программой Zenova AB. Это дистиллированная и дообученная на агентных траекториях версия Muse-Glimmer-30B: сохранены 52 слоя, ширина сокращена, а визуальный энкодер родительской модели не включён. Модель предназначена прежде всего для циклов вызова инструментов в формате `muse` на Xyntetik Runner и рассчитана на запуск с локального оборудования; карточка указывает совместимость с Runner версии 0.5.7 и новее. В описанной авторами проверке на 60 агентных задачах модель решила 57, а все 64 вызова инструментов были корректны по схеме. Эти результаты относятся к указанной среде и формату взаимодействия. На удержанном текстовом наборе расхождение с родительской моделью заметно: KLD 0,762 и точность top-1 с учётом порога 84,0%. Поэтому модель не предназначена для замены Muse-Glimmer-30B или для общего применения на её уровне. Для арифметики рекомендуется подключать калькулятор: без инструмента модель может ошибаться. Доступны веса Safetensors и GGUF; опубликованы варианты квантования GGUF, включая Q8_0. Лицензия — Apache-2.0. Модель текстовая; сведения о поддерживаемых естественных языках и длине контекста в предоставленных данных отсутствуют.

YOLO26s NSFW V2 — модель компьютерного зрения для обнаружения объектов, разработанная автором репозитория на архитектуре Ultralytics YOLO26s и дообученная на проверенных человеком изображениях. Она локализует 19 категорий лица, нейтральных частей тела и чувствительных анатомических областей, включая закрытые и открытые области. Для каждого объекта модель выдаёт метку класса, координаты ограничивающей рамки и оценку уверенности. Модель принимает изображения и предназначена для предварительной разметки наборов данных, локального обнаружения анатомических областей и создания пользовательских инструментов фильтрации приватных изображений. Это детектор отдельных объектов: он не присваивает изображению общую оценку безопасности и сам не применяет правила модерации. Вес файла ONNX — 19,4 МБ; заявленное входное разрешение — 640×640 с возможностью использовать более высокое разрешение. В README отмечено снижение качества для классов MALE_BREAST_EXPOSED и MALE_GENITALIA_EXPOSED относительно предыдущей версии. Модель предназначена только для совершеннолетних пользователей; применение к материалам с несовершеннолетними и несанкционированным интимным изображениям запрещено автором. Лицензия — AGPL-3.0.

DEEPSEEK-V4-FLASH-0731-DERISKED — языковая модель Blackfrost, созданная на основе DeepSeek-V4-Flash-0731. Это причинная языковая модель архитектуры DeepseekV4ForCausalLM с MoE и латентным механизмом внимания MLA; исходные веса FP8 сохранены без повторной квантизации. Веса изменены напрямую, чтобы снизить вероятность отказов на технических запросах двойного назначения; SFT, DPO и RLHF не применялись. Модель предназначена для контролируемых сценариев исследований кибербезопасности: анализа вредоносного ПО, изучения уязвимостей, тестирования на проникновение и red teaming. Она генерирует текст и поддерживает диалог; карточка сообщает о контексте до 262 144 токенов при лабораторном запуске. В метаданных указаны английский и китайский языки. Изменённое поведение отказов повышает вероятность содействия в потенциально опасных запросах. Приведённые в карточке результаты измерены на ограниченном наборе тестов и не подтверждают безопасность в мультимодальных, агентных или многотуровых сценариях. Для запуска указаны высокие требования к оборудованию: узел уровня 8×B200 или аналогичный. Лицензия обозначена как other; модель предоставляется без гарантий и заявлена для контролируемых исследовательских сред.

Карточка модели yuhuili/EAGLE-llama2-chat-7B 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.

Flare — компактная языковая модель на 130,4 млн параметров, разработанная SurjoLabs как эксперимент с рекуррентной архитектурой XSA. Она предназначена для генерации текста и диалогового взаимодействия. Архитектура построена на варианте Llama и сочетает XSA Attention с рекуррентными слоями, повторно использующими веса; репозиторий содержит веса в формате safetensors. Модель обучена на 26,21 млрд токенов: в смеси данных были синтетические и веб-тексты, математика и код. Токенизатор рассчитан на английский язык и содержит 32 768 токенов; длина контекста — 2048 токенов. В карточке приведены результаты на нескольких тестах рассуждения и понимания текста, но разработчик описывает Flare как ранний эксперимент и не рекомендует использовать код моделирования без доработки. Лицензия — MIT.

gemma4-comfyui-mcp — локальная офлайн-модель, разработанная artokun на базе семейства Gemma 4 Heretic. Она дообучена как специализированный агент для ComfyUI и интеграции comfyui-mcp, поддерживая нативный формат вызова инструментов. Модель предназначена для работы через ComfyUI Agent Panel, Ollama, llama.cpp или совместимые OpenAI-клиенты без API-ключа. Основной сценарий использования — управление графами ComfyUI, запуск генерации изображений, видео и аудио, работа с моделями и custom nodes, выполнение и исправление workflow. Обучение проведено на 1 055 проверенных сервером траекториях использования 178 инструментов: 113 MCP-инструментов и 65 инструментов live-canvas panel_*. Доступны варианты Gemma 4 E2B, E4B и 12B; поставляются GGUF-квантизации, LoRA-адаптеры и конфигурации. Используется QLoRA с рангом 32, длина последовательности при обучении составляла 12–16K токенов, а в Ollama заявлен контекст 65 536 токенов. Gemma 4 описана как единая мультимодальная архитектура, однако возможности зрения у этих вариантов ограничены. Сильная сторона модели — вызов инструментов: выбор нужного действия, формирование JSON-аргументов и извлечение параметров из естественно-языковых запросов; результаты проверялись на живом сервере ComfyUI. Ограничения включают слабую способность визуально критиковать собственные результаты и трудности со сложной многоэтапной композицией графов. Вариант E2B может рассуждать слишком многословно и требует не менее 512 токенов для корректного вызова. Модель распространяется по лицензии Gemma.

InfinimindCreations/gemma-4-E4B-it-uncensored — модифицированная версия Google Gemma 4 E4B-it, разработанная Infinimind Creations. Это генеративная модель для работы с текстом на английском языке, предназначенная для исследовательских экспериментов и сценариев, где требуется отвечать на запросы, которые исходная модель обычно отклоняет. Модель доступна в формате Transformers с весами bfloat16 размером около 15 ГБ и в квантованном формате GGUF размером около 7,6 ГБ для Ollama и llama.cpp. Изменение выполнено методом norm-preserving biprojected abliteration с использованием heretic: обработаны все 42 слоя, а поведение отказа было удалено. В заявленной проверке модель не отказалась отвечать ни на один из 656 вредоносных запросов, при этом авторы сообщают о сохранении связности и прохождении проверок на фактическое воспроизведение и творческое письмо. Точные параметры архитектуры и размер контекстного окна в README не указаны; также не подтверждены возможности работы с изображениями и аудио, поскольку проверка отказов проводилась только на текстовых запросах. Главное преимущество модели — отсутствие встроенного поведения отказа при сохранении исходной базы Gemma 4. Это одновременно является существенным ограничением и риском: модель может предоставлять потенциально опасные сведения и не содержит исходного уровня защитного поведения. Она предназначена для исследований, а ответственность за применение лежит на пользователе. Указана лицензия Apache 2.0.

glaiveai/glaive-function-calling-v1 — открытая чат-модель Glaive на 2,7 млрд параметров, построенная на архитектуре MPT и дообученная для вызова функций. Она поддерживает многошаговые диалоги и выбирает, когда вызвать функцию, описание которой передано в системном запросе. Модель предназначена для интеграции в приложения и автоматизации сценариев, где ответ ассистента может включать вызов доступной функции. Модель обучена на синтетических данных платформы Glaive. Лицензия — CC BY-SA 4.0. Карточка не сообщает длину контекста и языковой охват. Известные ограничения: модель может выдумывать функции и слабо переносит навыки на обычные чат-задачи; авторы позиционируют её как специализированную для вызова функций.

lhca521/Huihui-Qwen3.6-27B-abliterated-AWQ — модель на базе Qwen/Qwen3.6-27B, модифицированная проектом huihui.ai с применением abliteration для существенного снижения отказов в ответах. В README также указана связь с huihui-ai/Huihui-Qwen3.6-27B-abliterated. Модель предназначена для экспериментального и исследовательского использования в сценариях, где требуется меньше встроенных ограничений при генерации текста. Заявленный pipeline_tag — image-text-to-text, однако подробности о поддерживаемых форматах изображений, языках и длине контекста не приведены. Модель имеет размер 27B и распространяется в варианте AWQ, что указывает на использование квантованного представления для более эффективного запуска. В качестве примера инференса в README приведён vLLM. Ключевая особенность — сниженная фильтрация безопасности, поэтому модель может генерировать чувствительный, спорный или неподходящий контент и не предоставляет стандартных гарантий безопасного поведения. Модель рекомендуется использовать в контролируемых исследовательских и тестовых средах с мониторингом и ручной проверкой результатов. Она не позиционируется как подходящая для публичных приложений, несовершеннолетних пользователей или систем с высокими требованиями к безопасности без дополнительной фильтрации. Пользователь самостоятельно отвечает за соблюдение законодательства и этических норм. Лицензия указана как Apache 2.0.

K2-Horizon-375B-A23B-GGUF — это набор воспроизводимых промежуточных GGUF-артефактов базовой модели IFM/K2-Horizon-375B-A23B. Репозиторий подготовлен Baekpica путём прямой конвертации исходного контрольного пункта BF16 с использованием ветки llama.cpp от IFM. Модель предназначена для генерации текста и запуска в совместимой с GGUF инфраструктуре, включая сценарии локального или серверного инференса при наличии значительных аппаратных ресурсов. Исходная модель содержит 379 167 159 168 параметров. Доступны варианты BF16 и Q8_0, каждый разделённый на 30 файлов размером около 30 GiB на шарду. BF16 представляет бес потерьную конвертацию исходного контрольного пункта и занимает около 706,4 GiB, а Q8_0 использует квантование всех двумерных весов до Q8_0, сохраняя маршрутизаторы, смещения, веса нормализации и другие одномерные управляющие тензоры в F32; его размер составляет около 375,4 GiB. По тегам и структуре это MoE-модель, однако сведения о числе экспертов, активных параметрах, архитектуре слоёв, контекстном окне и поддерживаемых языках не указаны. Сильные стороны репозитория — сохранение высокоточного варианта BF16, высокоточный Q8_0-промежуточный вариант, прозрачное происхождение файлов и пройденные структурные и контрольные проверки. Основные ограничения — чрезвычайно большой объём файлов и требования к памяти, а также отсутствие в README данных о качестве, производительности, модальностях кроме текста и практической совместимости с конкретными приложениями. Артефакты распространяются по лицензии Apache-2.0; для использования каждого варианта необходимы все 30 соответствующих шардов.

ApolloRaines/Mistral-Small-24B-Instruct-Jbliterated — языковая генеративная модель, разработанная Apollo Raines на основе Mistral-Small-24B-Instruct-2501 от Mistral AI. Это модификация базовой instruct-модели, предназначенная для генерации текста и диалоговых сценариев, где требуется снизить или удалить встроенные отказы модели отвечать на запросы. Модель позиционируется как совместимая замена базовой версии без изменений системного промпта и без патчей во время инференса. Модель создана с использованием фреймворка jBlaze и подвергнута хирургическому изменению весов, направленному на удаление поведенческих направлений, связанных с отказами. В README не указаны точные архитектурные параметры, длина контекста и размер в миллиардах параметров, однако из названия и базовой модели следует класс 24B. Указан английский язык, модальность — текст, задача — text generation. Для запуска рекомендуется Transformers с torch.float16 и device_map="auto"; также описана возможность распределять слои между GPU, оперативной памятью и диском с помощью DeepswapLLM. Сильная сторона модели — отсутствие типичных отказов, дисклеймеров, безопасного переформулирования и намеренного пропуска ключевых деталей, характерных для стандартной версии. Это может быть полезно для исследовательской оценки поведения моделей и экспериментов с модификацией весов. Ограничение состоит в том, что удаление отказов снижает встроенные защитные механизмы и может повысить риск генерации вредного или небезопасного содержимого. README также отмечает, что публичные модели автора намеренно выпускаются с частично сниженной силой как демонстрационные версии. Модель распространяется по лицензии Apache-2.0.