II.2Создание и понимание программного кода

BinSeek-Embedding — модель эмбеддингов от XingTuLab для поиска функций в stripped-бинарных программах по текстовому описанию или декомпилированному псевдокоду. Она обучена сопоставлять семантику бинарного кода и естественного языка и предназначена для первого этапа двухэтапного поиска: быстро извлекать кандидатов, после чего BinSeek-Reranker может переоценить их с учётом контекста вызовов. Модель построена на архитектуре Qwen3, содержит около 256 млн параметров по метаданным и выдаёт векторы размерности 1024. В README указано ограничение в 4096 токенов, тогда как метаданные каталога сообщают нативный контекст 32768 токенов. Поддерживаются английский и китайский языки; область применения — анализ бинарного кода. Лицензия — GPL-3.0. В README приведены результаты поиска, превосходящие указанные сравниваемые модели на описанной задаче, но применять её для общего поиска или других языков без проверки не следует.

DeiT-III Base Patch16 224 — модель классификации изображений из семейства Vision Transformer, опубликованная авторами статьи DeiT III и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит около 86,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для отнесения изображений к классам ImageNet-1k; её также можно использовать как основу для извлечения визуальных признаков и эмбеддингов. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — Apache-2.0.

Mungert/DMind-3-GGUF — это GGUF-версия модели DMind-3, разработанной организацией DMindAI и подготовленной с использованием llama.cpp. В качестве базовой модели указана openai/gpt-oss-20b. Модель предназначена для текстовой генерации и ориентирована на Web3, децентрализованные финансы, анализ смарт-контрактов, аудит безопасности, оценку рисков и стратегический анализ финансовых систем. Заявленные характеристики включают кастомизированную архитектуру Transformer с Multi-Scale RoPE, около 21 миллиарда параметров и контекстное окно до 256 тысяч токенов. Указаны английский и китайский языки. Концептуально модель использует методологию Hierarchical Predictive Synthesis для объединения разнородных и изменяющихся потоков данных, включая on-chain-события, макроэкономические показатели, новости и социальные настроения, с целью построения вероятностных прогнозов. GGUF-формат рассчитан на запуск через совместимые инструменты, включая llama.cpp, а описанный подход к квантованию повышает точность отдельных важных слоёв за счёт их хранения в более высокой разрядности. Сильными сторонами модели заявлены большой контекст, специализация на Web3 и финансовой аналитике, работа с несколькими типами информационных сигналов и возможность локального или инфраструктурного развертывания. При этом в карточке отсутствуют результаты воспроизводимых бенчмарков, точный вариант квантования конкретного файла и подробные требования к ресурсам, поэтому фактические характеристики производительности и качества требуют проверки. Модель распространяется по лицензии Apache-2.0.

AdamCodd/ettin-safety-filter-stable-diffusion — англоязычный классификатор текстовых запросов для выявления NSFW-содержимого в промптах Stable Diffusion и других конвейеров генерации изображений по тексту. Модель дообучена на энкодере jhu-clsp/ettin-encoder-68m семейства Ettin/ModernBERT; содержит около 68 млн параметров и поддерживает контекст до 8192 токенов. Доступны форматы ONNX и safetensors. Модель предназначена для модерации промптов, включая длинные запросы с нежелательными словами ближе к концу, и может использоваться для фильтрации перед генерацией изображений. В карточке приведены результаты проверки на отложенной выборке из 100 тысяч примеров: ROC-AUC 0,9823, accuracy 0,9317 и F1 0,9308. Для целевой полноты 99% авторы указывают порог 0,0487 и точность 74,8%; это компромисс с заметной долей ложных срабатываний, поэтому порог следует оценивать на данных конкретного применения. Лицензия CC-BY-NC-ND-4.0 ограничивает коммерческое использование и распространение производных версий; для коммерческого применения автор предлагает отдельно запросить права или доступ к API.

Это порт специализированного токенизатора Kronos-Tokenizer-2k для Apple MLX, подготовленный gxcsoccer. Он предназначен для преобразования данных финансовых свечей в дискретные BSQ-токены, которые используются вместе с моделью Kronos-mini для прогнозирования временных рядов и других количественных задач. Репозиторий содержит веса в формате safetensors и рассчитан на запуск через библиотеку kronos-mlx на Apple Silicon. Токенизатор основан на NeoQuasar/Kronos-Tokenizer-2k и должен использоваться вместе с gxcsoccer/kronos-mlx-mini; в примере карточки для предиктора указан контекст 2048. Модель не является самостоятельным генератором прогноза: она выполняет токенизацию, а прогнозирование обеспечивает связанная модель Kronos-mini. Лицензия — MIT.

Qwen3-0.6B-Gensyn-Swarm-exotic_tricky_camel — языковая модель для генерации текста, опубликованная пользователем lindadakim1224 на Hugging Face. По метаданным она работает с библиотекой Transformers, содержит около 507,9 млн параметров и поддерживает контекст до 40 960 токенов. В тегах указана связь с Qwen3, RL Swarm, GenRL Swarm, GRPO и Gensyn.

dfischermittwald/Qwen3.8-27B-NVFP4-DFlash2 — квантованная mixed-precision версия модели Qwen/Qwen3.8-27B, предназначенная для работы в качестве целевой модели при speculative decoding с методом DFlash2. Модель разработана сообществом dfischermittwald на базе Qwen и рассчитана прежде всего на запуск через vLLM на видеокартах NVIDIA Blackwell с архитектурой SM 12.0. Модель занимает около 24 ГБ памяти. Её ключевая особенность — неквантованный слой lm_head, необходимый текущей реализации DFlash2 для выбора кандидатов TopK; остальные компоненты используют NVFP4-квантизацию. В конфигурации с drafter-моделью z-lab/Qwen3.8-27B-DFlash2 она показала до 109,7 токена в секунду при контексте 2048 и 110,8 токена в секунду при контексте 32768 на RTX PRO 6000 Blackwell Server Edition при TP=1. Без drafter скорость составляет около 50 токенов в секунду. Модель предназначена для генерации текста и сценариев, где важна высокая скорость декодирования, особенно при длинном контексте. Ограничения существенны: DFlash2 требует специальной сборки vLLM с двумя ещё не вошедшими в релизы pull request, стандартный vLLM не поддерживает этот режим, а параметр async scheduling несовместим с методом dflash. Результаты измерены только на одном узле и одной видеокарте; поддержка нескольких узлов и TP>1 не проверялась. Для работы DFlash2 требуется отдельная drafter-модель. Лицензия — Apache-2.0.

Qwen3.8-9B Hermes FC Balanced — это текстовая диалоговая модель семейства Qwen3.5, созданная JamieBradfield на базе empero-ai/Qwen3.8-9B-Distill и дообученная методом QLoRA для работы с инструментами Hermes. В репозитории опубликованы слитые веса BF16 объёмом 18,4 ГБ с 9,20 млрд параметров; визуальная часть архитектуры удалена. Модель использует архитектуру Qwen3_5ForConditionalGeneration и рассчитана на текстовый ввод и вывод. Модель предназначена для экспериментов с вызовом инструментов и планированием действий агента: например, для выбора инструмента, подготовки аргументов вызова и планирования многошаговой задачи с todo-вызовами. README описывает обучение на траекториях Hermes и синтетических данных, а также отмечает улучшение todo-first планирования в отдельных проверках. Результаты зависят от интерфейса: автор сообщает о регрессиях с избыточными вызовами и дрейфом инструментов, а прежние оценки на искусственном интерфейсе не отражают работу через штатный интерфейс Hermes. Автор заморозил программу дообучения и позиционирует этот чекпойнт как исследовательский артефакт, а не готовый продукт. Лицензия — Apache-2.0.

Набор моделей hammer-2.1, экспортированных в формате ExecuTorch для библиотеки React Native ExecuTorch. Репозиторий содержит готовые к запуску на устройстве программы .pte и предназначен для использования в приложениях React Native и других средах на базе ExecuTorch, где требуется локальная генерация текста. Доступны варианты размером 0,5 млрд, 1,5 млрд и 3 млрд параметров. Для каждого размера представлены сборки с backend mlx в 4-битной точности int4, а также с backend xnnpack в форматах bf16 и 8da4w. Модель относится к классу text-generation; сведения об архитектуре, поддерживаемых языках, длине контекста и дополнительных модальностях в README не указаны. Ключевые преимущества — работа непосредственно на устройстве, несколько размеров и вариантов точности, а также интеграция с React Native ExecuTorch. Файлы опубликованы для ExecuTorch v1.4.1; обратная совместимость с более старыми версиями не гарантируется, поэтому возможны проблемы загрузки. Лицензия репозитория — CC BY-NC 4.0, допускающая использование с обязательным указанием авторства и ограничениями на коммерческое применение.

ScaleCUA-3B — мультимодальная модель для управления графическим интерфейсом, разработанная OpenGVLab на основе Qwen2.5-VL-3B-Instruct и дообученная на наборе ScaleCUA-Data. Она анализирует изображения экрана и поддерживает два режима работы: выдачу непосредственных действий с координатами элементов интерфейса и планирование многошаговых операций с генерацией кода действий. Модель предназначена для автоматизации задач на разных операционных системах и в веб-интерфейсах, включая понимание интерфейса, поиск элементов и выполнение последовательностей действий. Модель имеет плотную архитектуру Qwen2.5-VL, содержит 3,1 млрд параметров, работает через Transformers и поддерживает контекст до 128 000 токенов. В README заявлены улучшения на бенчмарках WebArena-Lite-v2 и ScreenSpot-Pro, а семейство ScaleCUA также показывает результаты на MMBench-GUI и OSWorld-G. Основной описанный сценарий — управление интерфейсом по визуальному вводу; модель может ошибаться в распознавании элементов и выборе действий, поэтому результаты автоматизации требуют проверки. Лицензия — Apache-2.0.

Модель разработана для эксперимента Parameter Floors for Developer-Agent Subroutines и представляет собой полное дообучение SmolLM2-360M-Instruct на 361,8 млн параметров. Это компактная плотная авторегрессионная модель семейства Llama, предназначенная для узкой подзадачи агента-разработчика: восстановить исходный объект из повреждённого JSON-действия инструмента по заданной схеме. Модель рассчитана на применение внутри проверяющей обвязки, которая формирует специальный запрос, проверяет строгий JSON, при необходимости разрешает одну попытку с обратной связью по схеме, применяет детерминированные проверки и использует правила как резервный вариант. В тестировании на отложенных примерах из HTTPX и Jinja2 при жадном декодировании заявлены 100% успешных восстановлений после одной проверки схемы, успешных ответов с первой попытки и корректности схемы с первой попытки. Контекст модели составляет 8192 токена; карточка указывает английский язык. Это не универсальный чат-бот или помощник по программированию: модель специализирована на одной закрытой JSON-схеме, и её широкие способности следования инструкциям могут быть ограничены. Для обучения использовались 2000 примеров с детерминированной разметкой; автор сообщает, что для данной подзадачи с ней справляется и модель размером 135 млн параметров. Лицензия — Apache-2.0.

navthings/sprout — компактная плотная языковая модель семейства Llama, разработанная автором репозитория и обученная с нуля, а затем дообученная для общения. Модель содержит около 523 млн параметров, использует 28 слоёв, группированные запросы внимания (GQA), токенизатор Llama с словарём 32 тыс. токенов и контекст длиной 1024 токена. Доступны веса Safetensors в fp32 и версии GGUF Q8_0 и Q4_K_M. Лицензия — Apache-2.0. Модель предназначена для генерации текста и простого диалога: она отвечает полными предложениями, может справляться с простыми фактами и писать код на Python. Автор сообщает, что модель дообучена на Smol-SmolTalk, а предварительное обучение использовало несколько англоязычных веб-, книжных и образовательных корпусов. В README приведены примеры нестабильных арифметических ответов и неудачных хайку; модель может уверенно выдумывать факты, поэтому её ответы требуют проверки. Данных о поддержке других языков, кроме английского, нет.

Карточка модели bigcode/starcoder-xo на Hugging Face совпадает с карточкой bigcode/starcoder-cxo, поэтому описание составлено по ней. bigcode/starcoder-cxo — экспериментальный чекпойнт ablation-модели OctoCoder от BigCode, опубликованный для исследовательского использования. Это плотная авторегрессионная языковая модель архитектуры GPTBigCode для генерации текста; в метаданных указана задача text-generation и контекстное окно 8192 токена. Репозиторий содержит веса PyTorch. В карточке указано, что обычно следует использовать OctoCoder, поскольку он показывает лучшие результаты. Размер модели, поддерживаемые естественные языки и условия лицензии в доступных данных не приведены.

NVIDIA Switchyard — это маршрутизатор запросов, который выбирает одну из моделей, перечисленных пользователем в параметре `models`. Решение о маршрутизации принимает библиотека Switchyard с открытым исходным кодом, работающая на инфраструктуре OpenRouter. Модель предназначена для направления запросов к подходящей модели из заданного набора. В README приведён пример использования с идентификатором `nvidia/switchyard`; дополнительных сведений о размере, архитектуре, поддерживаемых языках и условиях лицензии в доступных данных нет.

ToRA-Code-7B-v1.0 — языковая модель семейства Llama, выпущенная командой ToRA для решения математических задач с помощью естественно-языкового рассуждения и внешних инструментов, таких как библиотеки вычислений и символьные решатели. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; максимальная длина контекста — 16 384 токена. Карточка указывает английский язык и обучение на примерах GSM8K и MATH. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, после чего применялось формирование пространства выходов для улучшения взаимодействия с инструментами. Она предназначена для генерации решений математических задач, включая сценарии, где требуется вычисление или использование символьного решателя. Для практического взаимодействия с инструментами нужны соответствующая среда исполнения и код интеграции; README отсылает к репозиторию проекта за инструкциями по запуску и оценке. Лицензия — Llama 2.

QuixiAI выпустила WizardLM-Uncensored-Falcon-7b — дообученную на базе tiiuae/falcon-7b языковую модель с архитектурой RefinedWebModel, предназначенную для генерации текста в формате запросов WizardLM. При обучении из подмножества данных удалили ответы с моральными оценками и призывами к соблюдению норм; модель задумана как основа, к которой можно отдельно добавлять выравнивание, например с помощью LoRA для RLHF. Модель содержит 10,9 млрд параметров, работает с текстом и распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не сообщает длину контекста и список поддерживаемых языков. У модели нет встроенных ограничителей, поэтому её ответы могут включать нежелательный или вредоносный контент; результаты требуют проверки.

CYBERDEVX/AI-Content-Detector — дообученная модель Devx_o на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста в диалоговом формате. В карточке заявлен контекст до 131 072 токенов; модель сохранена в формате safetensors и обучалась с использованием Unsloth и библиотеки TRL. Модель можно применять для диалоговой генерации текста. Название репозитория указывает на задачу обнаружения ИИ-сгенерированного контента, но README не описывает такую функцию и не приводит примеров или результатов оценки, поэтому её специализация на детекции не подтверждена. Лицензия — Apache-2.0.

ChartGPT-Llama3 — языковая модель, разработанная авторами ChartGPT и дообученная на Meta-Llama-3-8B-Instruct для создания графиков по запросам на естественном языке. Она принимает инструкцию и контекст с названием таблицы, заголовками и типами столбцов, примерами строк и предыдущим ответом; модель генерирует текстовый ответ для очередного шага многошагового процесса построения графика. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на английский язык. Контекст составляет до 8192 токенов. Веса доступны в формате safetensors, модель работает через Transformers. Лицензия — Apache 2.0. Карточка отсылает к исследовательской работе ChartGPT, посвящённой генерации графиков из абстрактных запросов на естественном языке.

Это модель визуального энкодера DeepSeek ViT, преобразованная сообществом timm из весов vision-компонента DeepSeek-V4.1-Flash. Представлена как нативное отображение весов для библиотеки timm без дополнительного обучения; языковые веса и обученная голова классификации не включены. Модель содержит около 411,8 млн параметров, использует патчи 14×14, ширину backbone 1024, SwiGLU, RMSNorm и двумерное осевое RoPE. Указанный размер изображения — 546×546; поддерживаются прямоугольные входы с ограничениями на кратность размера патча и обработку дополнения. Энкодер предназначен для извлечения признаков и эмбеддингов изображений, а также получения промежуточных карт признаков; классификационную голову можно дообучить на целевом наборе данных. Вариант с выравнивателем проецирует сгруппированные признаки патчей в ширину исходной языковой модели. Предобработка использует RGB-нормализацию со средним и стандартным отклонением 0,5; преобразование timm с сохранением пропорций отличается от оригинальной адаптивной обработки изображений. Лицензия — MIT.

Это объединённый чекпойнт семейства Gemma, созданный экспериментальным пакетом Delta-P2S. В README указана обучающая база CodeGemma 2B, преобразованная в Gemma 7B в эксперименте S13 с параметром a025; метаданные описывают модель как плотную авторегрессионную языковую модель GemmaForCausalLM для генерации текста. Репозиторий содержит веса Safetensors, модель насчитывает 8,2 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста. Карточка не приводит результатов оценки, конкретных сценариев применения, сведений о языковой специализации или условий лицензии. Указание на экспериментальный пакет Delta-P2S и отсутствие подробной документации позволяют считать чекпойнт экспериментальным; характеристики качества и пригодность для конкретных задач по имеющимся данным оценить нельзя.

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.

Это дообученная модель для генерации текста, созданная на основе formalmathatepfl/qwen3-sft-feedback-with-proof-repair-rl-200-unmasked и обученная на наборе lean_reasoning_sft_feedback. Она предназначена для диалогового взаимодействия; название модели и датасета указывают на обучение рассуждениям и обратной связи, связанным с формальными доказательствами и их исправлением. Модель построена на архитектуре Qwen3, имеет около 7,6 млрд параметров и поддерживает контекст до 32 768 токенов. Доступны веса в формате safetensors для библиотеки Transformers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория и базовой модели.

Frankenstein-3.0 — дообученная модель RouterBrain для маршрутизации пользовательских запросов между специализированными моделями и инструментами в мультимодальном приложении. Она основана на Qwen/Qwen2.5-1.5B-Instruct, дообучена методом QLoRA на синтетических примерах маршрутизации, а веса объединены в fp16. Модель принимает текст и выдаёт структурированное решение в JSON, включая выбор специалиста и шаги для составных задач. RouterBrain предназначена для оркестрации диалогов, генерации и редактирования кода, создания изображений и видео, поиска в интернете, вычислений и поиска по загруженным текстовым документам. В README описана система с несколькими специалистами и инструментами; сам репозиторий содержит веса текстового маршрутизатора, а не все модели этой системы. Для RouterBrain указано окно контекста 32 768 токенов; модель имеет 1,5 млрд параметров и распространяется под лицензией Apache-2.0. В карточке приведена оценка 60% точности RouterBrain на разнообразном тестовом наборе; заявленная более высокая эффективность относится к маршрутизации всей системы с дополнительными уровнями проверки и резервным маршрутизатором. Маршрутизатор может ошибаться при самостоятельном использовании. Генерация изображений и видео в приложении требует GPU с достаточным объёмом видеопамяти; RAG поддерживает только TXT, веб-поиск основан на разборе HTML DuckDuckGo, а выполнение кода ограничено пятью секундами.

DiTy/gemma-2-9b-it-russian-strict-function-calling-DPO — русскоязычная диалоговая модель на архитектуре Gemma 2 с 9 млрд параметров, разработанная DiTy. Это версия базовой модели DiTy/gemma-2-9b-it-russian-function-calling-GGUF, дополнительно оптимизированная методом DPO для строгого вызова функций. Она предназначена для ассистентов, которые выбирают и вызывают описанные функции и отказываются отвечать на вопросы, не связанные с ними. Обучение проводилось на русской версии набора DiTy/function-calling-trl с предпочтениями, размеченными людьми. Модель принимает текстовые сообщения и выдаёт текст, включая ответы в интерфейсе вызова функций. Размер контекста — 8192 токена. Доступны веса Safetensors и GGUF F16; для работы с GGUF можно загрузить один файл. Указанные библиотека Transformers и форматы позволяют использовать модель в соответствующих инструментах вывода. Модель подходит для русскоязычных диалоговых ассистентов с ограниченным набором функций, но может отказываться от обычных ответов вне этого набора. Лицензия — Apache-2.0.

Joakimpalm-Zen/gpt-oss-20b-keep30-MXFP4-GGUF — производная модель Xyntetik на основе openai/gpt-oss-20b, в которой в каждом MoE-слое оставлены 30 из 32 экспертов. Веса сохранённых экспертов оставлены в исходном формате MXFP4; модель опубликована в GGUF и предназначена для генерации текста и диалогов. Модель можно запускать через Xyntetik Runner на CPU, CUDA или Metal. Файл занимает около 11,5 ГБ, для запуска README рекомендует примерно 12 ГБ доступной памяти. Это экспериментальный артефакт для изучения структурного pruning: повторная проверка не подтвердила прохождение актуального порога точности относительно родительской модели, поэтому модель не следует считать её равноценной заменой. Лицензия — Apache-2.0.

GUI-Actor-2B-Qwen2-VL — мультимодальная модель Microsoft для визуального поиска элементов графического интерфейса по текстовому запросу. Она основана на Qwen2-VL-2B-Instruct и дообучена для GUI grounding; к визуально-языковой модели добавлена attention-based голова действий. Модель принимает изображение интерфейса и текстовое описание нужного элемента и предназначена для использования в GUI-агентах, которым требуется находить элементы на экране. Она построена на плотной архитектуре Qwen2-VL, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. В метаданных указан pipeline image-text-to-text; репозиторий использует формат safetensors. README сообщает о сравнительных оценках на бенчмарках ScreenSpot-Pro, ScreenSpot и ScreenSpot-v2, но в доступной части карточки нет результатов именно этой версии 2B. Модель предназначена для визуального grounding в интерфейсах, поэтому её возможности не следует считать универсальными для произвольного анализа изображений. Лицензия — MIT.

InfiGUI-G1-7B — мультимодальная модель InfiX-ai для привязки инструкций на естественном языке к элементам графического интерфейса. Она дообучена на Qwen/Qwen2.5-VL-7B-Instruct методом Adaptive Exploration Policy Optimization (AEPO), использующим генерацию нескольких вариантов ответа и адаптивное вознаграждение для улучшения семантического выбора и пространственной точности. Модель содержит 7,1 млрд параметров, построена на архитектуре Qwen2.5-VL и принимает изображения вместе с текстовыми инструкциями, формируя текстовый ответ с указанием целевого элемента или действия. Модель предназначена для GUI-агентов, которым нужно находить подходящие элементы интерфейса по смыслу инструкции, включая сложные случаи, где важно выбрать правильную функцию, а не только близкую по расположению область. README сообщает о высоких результатах на GUI-grounding бенчмарках, но доступный текст не приводит численных результатов. Контекст составляет до 128 000 токенов. Лицензия — Apache-2.0.

xlangai/Jedi-7B-1080p — модель, опубликованная авторами работы «Scaling Computer-Use Grounding via User Interface Decomposition and Synthesis». Это дообученная мультимодальная модель Qwen2.5-VL-7B-Instruct с архитектурой Qwen2_5_VLForConditionalGeneration и 7,1 млрд параметров. Модель принимает текст и изображения и предназначена для визуальных задач, связанных с интерфейсами и компьютерным управлением. Карточка связывает её с исследованием разложения и синтеза интерфейсов для привязки действий к элементам пользовательского интерфейса. Модель поддерживает контекст до 128 000 токенов и работает с английским языком. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Лицензия — Apache-2.0. Доступное описание не раскрывает конкретные метрики качества или подробные ограничения, поэтому пригодность для конкретных интерфейсов и сценариев управления следует оценивать отдельно.

KV-Ground-8B-BaseGuiOwl1.5-0315 — визуально-языковая модель на 8 млрд параметров, разработанная Kingsware и Vocaela AI для привязки текстовых инструкций к элементам графического интерфейса. Она принимает изображение экрана и инструкцию на естественном языке, а в ответ выдаёт текст с результатом привязки. Модель основана на архитектуре Qwen3-VL и дообучена на базе mPLUG/GUI-Owl-1.5-8B-Instruct с помощью SFT и RFT (GRPO), используя очищенные и синтетические данные для интерфейсов высокого разрешения. Модель предназначена для распознавания нужных элементов на скриншотах приложений и веб-страниц и может использоваться в системах компьютерного управления, GUI-агентах и автоматизации интерфейсов. В карточке указаны результаты на ScreenSpot-Pro, ScreenSpot-V2, OSWorld-G и UI-Vision; дополнительная стратегия увеличения фрагментов изображения повышает результат на ScreenSpot-Pro. Поддерживаются диалоговый режим и интерфейс вызова инструментов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

Это версия lightweight-OpenPose от сообщества LiteRT в формате TFLite, подготовленная для локального распознавания позы человека на устройствах. Модель основана на MobileNet и обучена для оценки 2D-позы на наборе COCO 2017 Keypoints; конверсия весов выполнена без дополнительного обучения. Репозиторий содержит варианты с весами FP16 и FP32, размером около 8,3 и 16,4 МБ соответственно. На вход подаётся RGB-изображение 256 × 256, на выходе — тепловые карты 18 ключевых точек тела и фон на сетке 32 × 32. Координаты точек и сборку скелета нужно вычислять в приложении. README описывает запуск через LiteRT GPU на Android и приводит результаты измерений на отдельных устройствах; фактическая скорость зависит от устройства и среды выполнения. Модель не идентифицирует людей. Лицензия репозитория — Apache-2.0.