II.2Создание и понимание программного кода

Карточка модели TIGER-Lab/MAmmoTH-13B на Hugging Face совпадает с карточкой TIGER-Lab/MAmmoTH-Coder-34B, поэтому описание составлено по ней. MAmmoTH-Coder-34B — языковая модель TIGER-Lab для решения математических задач, дообученная на наборе MathInstruct. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров, рассчитанная на генерацию текста; для запуска авторы рекомендуют библиотеку Transformers. Модель использует гибридные рассуждения: пошаговые объяснения (CoT) и программные решения (PoT), а контекст составляет 16 384 токена. Модель предназначена для решения широкого круга математических задач, в том числе в образовательных программах и системах персонального обучения. Она может формировать объяснение или представить ход решения как программу. Обучающий набор MathInstruct объединяет 13 наборов данных с математическими рассуждениями. В README отмечено, что качество зависит от сложности и формулировки задачи, а покрытие математических областей неполное. Карточка указывает лицензию MIT; авторы позиционируют модель для исследовательского использования.

nvidia/mit-b1 — энкодер SegFormer размера B1, выпущенный командой NVIDIA и представленный в статье SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers. Модель содержит иерархический Transformer-энкодер, предварительно обученный на ImageNet-1k; в репозитории доступны веса PyTorch и TensorFlow. Энкодер предназначен прежде всего для дообучения на задачах семантической сегментации. В карточке также приведён сценарий классификации изображений по 1000 классам ImageNet. Для готовой сегментации требуется добавить декодирующую голову и дообучить модель на целевом наборе данных. Лицензия указана как other, без уточнения условий в предоставленных данных.

MixtureOfPhi3 — экспериментальная MoE-модель для генерации текста и диалога, созданная автором paulilioaica с помощью mergekit и LazyMergekit-Phi3 на основе двух копий microsoft/Phi-3-mini-128k-instruct. Маршрутизация экспертов настроена в режиме cheap_embed по описаниям запросов; заявленные направления включают научные темы, логику, математику, творчество и искусство. При этом оба эксперта основаны на одной и той же модели, поэтому автор не ожидает выигрыша в производительности. Модель содержит 3,7 млрд параметров, использует архитектуру Phi-3 MoE и формат safetensors. Она предназначена прежде всего для экспериментов с объединением моделей и проверки маршрутизации запросов; контекст по метаданным составляет 4096 токенов. Лицензия — Apache-2.0. Базовая модель Microsoft описана как компактная англоязычная модель для диалога, генерации текста, программирования и рассуждений.

sxiong/MLR_executor_Qwen-1.5B — дообученная языковая модель-исполнитель для метода Multi-Level Reasoning (MLR), описанного в статье *Enhancing Language Model Reasoning with Structured Multi-Level Modeling*. Она построена на плотной авторегрессионной архитектуре Qwen2.5-1.5B и содержит 1,5 млрд параметров. Модель предназначена для подробного выполнения подцелей, сформулированных планировщиком в цикле «планирование — выполнение». В полном сценарии MLR планировщик предлагает структурированную абстрактную подцель, а исполнитель генерирует обусловленное ею рассуждение. Контекстное окно составляет 131 072 токена; модель принимает текст и генерирует текст. Для сквозного вывода нужны сопутствующий код MLR, специальные подсказки, парсер, правило остановки и управление чередованием планирования и выполнения. Карточка не описывает отдельные языки и прикладные области, поэтому модель следует считать средством общего назначения для структурированного рассуждения, а не специализированной доменной системой. Свободная генерация без интерфейса MLR не является предполагаемым способом использования. Указана лицензия

faisalsardi-dev/orderbuilder-v2-qwen3 — дообученная языковая модель на архитектуре Qwen3 для генерации текста в диалоговом формате. Она основана на unsloth/qwen3-8b-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Название репозитория указывает на сценарии построения заказов, однако карточка не описывает конкретные функции или качество в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также указана возможность интерфейса вызова инструментов. Модель распространяется под лицензией Apache-2.0.

Red Hat выпустила вспомогательную модель EAGLE-3 для ускорения генерации ответов моделью Qwen/Qwen3-235B-A22B-Instruct-2507 с помощью спекулятивного декодирования. Она предсказывает черновые токены, которые проверяет основная модель, и предназначена для запуска совместно с ней, например через vLLM и endpoint /chat/completions с шаблоном чата Qwen3. Архитектура модели — Eagle3Speculator; веса опубликованы в формате safetensors. Модель не является самостоятельной чат-моделью: для работы ей необходима указанная модель-верификатор. В README описано обучение на наборах Magpie-Align/Magpie-Llama-3.1-Pro-300K-Filtered и train_sft из HuggingFaceH4/ultrachat_200k. Лицензия — Apache-2.0. Карточка приводит конфигурации и результаты оценки, но не содержит численных итогов в доступном описании.

Occupying-Mars подготовила дообученную методом vanilla PPO модель Qwen3-4B-Instruct-2507 с плотной архитектурой Qwen3 для вызова инструментов в символическом бенчмарке. Модель содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. В README описаны формат вызова инструментов Qwen3/Hermes и результаты проверки на 72 отложенных задачах: итоговая награда составила 0,972 при жадной генерации. Модель предназначена для экспериментов и сценариев, где агент решает задачи через последовательные вызовы инструментов. Она показала высокую точность на указанном детерминированном бенчмарке и восстановилась после временного ухудшения политики во время обучения. В README отмечено, что жадное поведение стоит проверять на целевых задачах; для генерации рекомендуется температура выше нуля. Распространяется по лицензии Apache-2.0.

Qwen3.5-2B-CyberSec-GGUF — это GGUF-версия модели Qwen3.5-2B-CyberSec, разработанной reaperdoesntknow. Релиз предназначен для локального запуска через llama.cpp-совместимые среды. Исходная модель связана с датасетом Trendyol Cybersecurity Instruction Tuning Dataset, а в качестве зарегистрированной upstream-базы указана unsloth/Qwen3.5-2B. Модель ориентирована на качественную локальную оценку кибербезопасностных сценариев, эксперименты на CPU и потребительских GPU, а также сравнение вариантов BF16, Q8_0 и Q4_K_M. Доступны файлы размером примерно от 1,31 ГБ для Q4_K_M до 3,90 ГБ для BF16. Q4_K_M рекомендован как исходный вариант для локального запуска, а BF16 должен обеспечивать наиболее высокую точность среди представленных сборок. Формат GGUF поддерживается llama.cpp и совместимыми рантаймами. В конфигурации исходной модели присутствуют компоненты для работы с изображениями, а в репозитории есть файл мультимодального проектора BF16, однако документированного подтверждения мультимодального запуска нет. Поэтому поддержку изображений следует проверять отдельно с учётом проектора, формата промпта, версии рантайма и способа передачи изображения. Публичные результаты бенчмарков, регрессионных проверок и оценок безопасности отсутствуют; квантование может изменить качество и поведение относительно исходной модели, а генерируемые инструкции по безопасности могут быть ошибочными, небезопасными или иметь двойное назначение. Модель не следует использовать как авторитетный механизм управления безопасностью или принимать на её основе решения без проверки. Сгенерированные команды необходимо анализировать и выполнять только в изолированной среде. Релиз распространяется по лицензии Apache-2.0.

ResNet-34 — свёрточная модель классификации изображений, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, а также может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,8 млн параметров и требует около 3,7 GMACs. Размер изображения при обучении — 224 × 224 пикселя; для тестирования в карточке указан размер 288 × 288. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

kaytoo2022/t5_technical_qa_with_react_3 — дообученная модель Google Flan-T5 Base для генерации текста. По названию репозитория она предназначена для ответов на технические вопросы с использованием подхода ReAct, однако README не содержит подробностей о датасете, предполагаемом формате запросов или оценке качества. Модель построена на архитектуре T5 и содержит 123,8 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий включает веса в формате TensorFlow. Модель может применяться для экспериментов с генерацией ответов на технические вопросы. В README приведены значения train loss 1,1006 и validation loss 1,6608 после 19 эпох, но данных для интерпретации качества или оценки пригодности к практическому использованию нет. Лицензия — Apache-2.0.

test_efficientnet_evos.r160_in1k — очень компактная модель классификации изображений из библиотеки timm, обученная Россом Уайтменом на ImageNet-1k. Это тестовая версия семейства EfficientNet, предназначенная прежде всего для проверок и sanity checks; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 0,4 млн параметров и рассчитана на изображения размером 160 × 160 пикселей. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Из-за тестового назначения и малого размера модель не следует считать универсальным или высокоточным решением для практической классификации изображений; качество для этой конкретной модели в карточке не приведено.

tf_efficientnetv2_s.in1k — модель классификации изображений семейства EfficientNetV2, обученная авторами статьи на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Она также подходит как базовая сеть для извлечения признаковых карт и визуальных эмбеддингов. Модель содержит около 21,5 млн параметров и использует изображения размером 300 × 300 при обучении и 384 × 384 при тестировании. Репозиторий поддерживает загрузку через timm; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для распознавания объектов на изображениях и получения признаков для последующих задач компьютерного зрения. В карточке не приведены сведения о точности на конкретных метриках. Лицензия — Apache-2.0.

tf_mobilenetv3_large_minimal_100.in1k — модель классификации изображений семейства MobileNetV3, обученная авторами статьи Searching for MobileNetV3 на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Она доступна через библиотеку timm и предназначена для определения объектов на изображениях, а также может использоваться как компактная основа для извлечения признаков и построения эмбеддингов. Модель содержит около 3,9 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и имеет вычислительную сложность около 0,2 GMAC. Небольшой размер делает её подходящей для эффективной классификации изображений. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

UGround — модель визуального заземления элементов графического интерфейса, разработанная совместно OSU NLP Group и Orby AI. Это первоначальная версия на архитектуре LLaVA с языковой основой LLaMA; модель содержит 6,6 млрд параметров и принимает изображение экрана и текстовый запрос, чтобы определить расположение нужного элемента интерфейса. Она предназначена для поиска кнопок, значков и текстовых элементов на экранах мобильных устройств, настольных приложений и веб-страниц, в том числе как компонент GUI-агентов. Контекст составляет 4096 токенов. Авторы указывают, что более поздние версии UGround на Qwen2-VL показывают лучшие результаты и удобнее для обучения, инференса и развёртывания. Лицензия — Llama 2.

Это компактный визуальный энкодер timm на архитектуре Vision Transformer ViT-Small с патчами 16×16, представляющий семейство DINOv3. Модель содержит 21,6 млн параметров и была дистиллирована на датасете LVD-1689M из DINOv3 ViT-7B; для обработки изображений указано разрешение 256×256 пикселей. Энкодер преобразует изображения в признаки и эмбеддинги. Его можно использовать как визуальный backbone для извлечения признаков, классификации изображений и последующей адаптации к задачам компьютерного зрения, включая плотное предсказание и сегментацию. Карточка приводит сравнительные результаты DINOv3 на глобальных и плотных задачах, но не содержит результатов именно для этого чекпойнта по всем перечисленным бенчмаркам. Весовые файлы доступны в форматах PyTorch и safetensors; для работы модель рассчитана на библиотеку timm. README указывает лицензию DINOv3, а метаданные Hugging Face обозначают лицензию как other, поэтому перед использованием следует проверить условия лицензии DINOv3. Карточка также отмечает численные различия из-за представления RoPE-периодов и настроек QKV bias в реализации timm.

jondurbin/bagel-dpo-1.1b-v0.3 — экспериментальная разговорная модель, созданная jondurbin путём дообучения TinyLlama с помощью Bagel и DPO. Это плотная Llama-архитектура с примерно 1 млрд параметров, контекстом 2048 токенов и весами в формате safetensors. Модель предназначена для генерации текста в ответ на инструкции и диалоги; в обучении использовались данные для вопросов и ответов, рассуждений, математики, программирования, чтения, ролевых диалогов и других задач. Для промптов предусмотрены варианты форматирования Vicuna, Llama 2, Alpaca и ChatML-подобный формат; в конфигурации токенизатора задан шаблон чата Llama 2. В README автор предупреждает, что модель практически непригодна из-за слабой базовой TinyLlama, поэтому её следует считать экспериментальной, а не надёжным решением для прикладных задач. Лицензия — Apache-2.0.

BrtGPT-1-0719 — плотная языковая модель семейства GPT-2 от автора Bertug1911. По карточке, она обучена на том же наборе данных, что и BrtGPT-1-Pre, но на объёме данных в 2,1 раза больше; среди отмеченных улучшений — ответы на математические вопросы и генерация кода. Модель предназначена для генерации текста и диалогового использования, а также может применяться для простых задач с кодом и математикой. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст длиной 1024 токена. В README приведены результаты оценок на GPQA Diamond, MMLU и HLE, однако бенчмарки показывают ограниченные возможности по сравнению с современными моделями. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Автор также предупреждает, что модель может генерировать вредоносные и незаконные ответы.

CTFty-9b версии 2 — чат-модель для задач CTF и кибербезопасности, созданная JuicesAI полным дообучением XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B. Это плотная модель семейства Qwen 3.5 с 9 млрд параметров; в репозитории веса в формате safetensors, для работы указаны Transformers и AutoModelForImageTextToText. Модель обучена на 1651 примере: проверенных агентных прохождениях CTF с захваченными флагами, руководствах по пентесту, карточках техник MITRE ATT&CK и поведения вредоносных программ MBC. Модель предназначена для помощи в решении CTF-задач и анализа сценариев кибербезопасности, включая reverse engineering, эксплуатацию уязвимостей, форензику, веб-безопасность и криптографию. Обучение включало примеры агентных запусков, а формат общения совместим с ChatML. Контекст обучения ограничен длиной 8192 токена; README не сообщает лицензию и не приводит отдельной оценки качества. Основа является мультимодальной, однако конкретная поддержка изображений самой дообученной версии в карточке явно не описана.

Это предобученные на ImageNet веса EfficientNet-B1, опубликованные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель предназначена для классификации изображений и может служить энкодером при создании систем сегментации изображений. Репозиторий содержит веса в формате Safetensors. Карточка не сообщает размер модели, контекст или поддерживаемые языки. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензирования репозитория.

fbnetv3d.ra2in1k — модель классификации изображений семейства FBNet-v3, разработанная для библиотеки timm. Она обучена на ImageNet-1k с рецептом RandAugment RA2, оптимизатором RMSProp, усреднением весов EMA и ступенчатым расписанием скорости обучения. Модель содержит 10,3 млн параметров и требует около 0,5 GMACs; размер изображения при обучении — 224 × 224 пикселя, при тестировании — 256 × 256. Модель предназначена для классификации изображений по классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

rnagabh/gemma4-vision-encoder — извлечённый из мультимодальной Gemma 4 31B компании Google DeepMind энкодер изображений на основе ViT. Он преобразует изображения в последовательности визуальных признаков размерности 1152; в архитектуре используются 27 слоёв, 2D RoPE и обучаемые позиционные эмбеддинги. Модель предназначена для извлечения признаков и построения систем компьютерного зрения, например классификаторов на основе линейного классификатора поверх эмбеддингов. В README приведён результат 94% точности линейного классификатора на CIFAR-10. Энкодер принимает изображения после предобработки через Gemma4ImageProcessor, который выполняет изменение размера, разбиение на патчи, нормализацию и формирование позиционных ID. Модель поддерживает изображения с разными соотношениями сторон и выдаёт визуальные признаки; для разделения результатов пакетной обработки нужно учитывать число soft-токенов на изображение. Это извлечённая и дообученная часть google/gemma-4-31B-it, веса BF16 в формате safetensors. Лицензия — Apache 2.0.

GUI-Actor-3B-Qwen2.5-VL — мультимодальная модель Microsoft для визуального поиска элементов графического интерфейса по текстовому описанию. Она дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct и дополнена attention-based action head для GUI grounding: модель получает изображение интерфейса и текстовый запрос, а затем указывает целевой элемент. Архитектура относится к семейству Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для построения GUI-агентов, автоматизации взаимодействия с приложениями и локализации элементов на экране. В метаданных указаны библиотека Transformers и формат safetensors; лицензия — MIT. Карточка описывает GUI grounding и ссылается на исследовательскую работу, однако результаты приведены для других размеров моделей и не позволяют оценить качество именно версии 3B.

GUI-Actor-7B-Qwen2-VL — мультимодальная модель Microsoft для визуального поиска элементов графического интерфейса. Она основана на Qwen2-VL-7B-Instruct и дообучена для GUI grounding: по изображению экрана и текстовому запросу модель определяет нужный элемент интерфейса. В архитектуру добавлена голова действий на основе внимания; модель имеет 7,1 млрд параметров, принимает изображения и текст, выдаёт текстовый ответ и координатно-свободное указание на элемент. Контекст — до 32 768 токенов. Модель предназначена для визуальных GUI-агентов, которым нужно находить кнопки, поля и другие элементы на снимках экрана. В README приведены результаты сравнительной оценки на бенчмарках ScreenSpot-Pro, ScreenSpot и ScreenSpot-v2, но конкретные результаты самой модели в доступном фрагменте не указаны. Распространяется по лицензии MIT.

LayerSkip Llama 3.2 1B — языковая модель Meta, созданная на основе Meta Llama 3.2 1B с дополнительным непрерывным предобучением по рецепту LayerSkip. Она предназначена для генерации текста и ускорения авторегрессионного вывода с помощью self-speculative decoding: ранние слои предлагают продолжение, а оставшиеся слои проверяют его. В README описана экспериментальная реализация спекулятивного декодирования в Hugging Face Transformers и более оптимизированная реализация в кодовой базе LayerSkip, повторно использующая веса и KV-кэш ранних слоёв. Модель содержит около 1,23 млрд параметров согласно описанию базовой модели в каталоге, работает с текстом и ориентирована на английский язык по языковым метаданным. Репозиторий содержит веса PyTorch в формате safetensors. В README приведён тест на одной GPU A100, где self-speculative decoding показал более высокую скорость генерации, но авторы отмечают, что реализация через Transformers не оптимальна по памяти; интеграция с GPT-Fast и обучение указаны как незавершённые работы. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией Meta Llama 3.2.

lcnet_100.ra2_in1k — сверточная модель для классификации изображений из семейства LCNet, опубликованная в экосистеме timm. Она обучена на ImageNet-1k с рецептом RandAugment RA2, оптимизатором RMSProp с поведением TensorFlow 1.0, усреднением весов EMA и ступенчатым расписанием скорости обучения с разогревом. Модель содержит около 3 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность около 0,2 GMAC. Её можно использовать для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Компактный размер и низкие вычислительные затраты подходят для сценариев, где важна эффективность; обучение на ImageNet-1k ориентирует её на распознавание объектов из набора классов ImageNet. Репозиторий предоставляет веса PyTorch и safetensors, а для работы предназначена библиотека timm. Лицензия — Apache-2.0.

Ling-3.0-flash-base — базовая языковая модель семейства Ling-3.0, выпущенная разработчиками InclusionAI. Это предварительно обученный чекпойнт на 3,5 млрд параметров с архитектурой Bailing MoE и гибридным линейным вниманием KDA и Gated MLA; длина контекста составляет 262 144 токена. В модели задействованы 512 маршрутизируемых экспертов, из которых на каждый токен активируются восемь, а также один общий эксперт. Модель предназначена для продолжения предобучения, промежуточного обучения, дообучения под конкретные области и последующего обучения с предпочтениями или RL. Она также подходит для исследований длинного контекста и MoE-систем. Чекпойнт не прошёл постобучение, поэтому не рассчитан на прямое использование как чат-ассистент; перед прикладным применением нужны дополнительное выравнивание и проверка под целевую задачу. Модель опубликована под лицензией MIT.

Samarth Raina выпустил этот контрольный чекпойнт Llama 3 8B, дообученный следованием инструкциям на OpenHermes-2.5. Это плотная причинная языковая модель семейства Llama с 7,5 млрд параметров, контекстом 8192 токена и весами float16 в формате safetensors; для загрузки требуется transformers версии 5.0 или новее. Модель принимает текст и генерирует текст на английском языке. Чекпойнт предназначен для исследований безопасности ИИ: он служит исходной точкой и контрольной моделью для экспериментов по управлению активациями и сравнению поведения при следовании инструкциям. Это не защищённая модель безопасности и не модель для производственного применения. Веса дообучены относительно meta-llama/Meta-Llama-3-8B и объединены в самостоятельную модель без необходимости подключать адаптер. Лицензия — Llama 3. У модели нет дополнительного обучения безвредному поведению; она чаще может выполнять вредоносные запросы, чем парный чекпойнт DPO. Она наследует ограничения, предвзятость и границы знаний Llama 3 8B и данных OpenHermes-2.5; поведение на языках, кроме английского, в карточке не проверялось.

Карточка модели TIGER-Lab/MAmmoTH-70B на Hugging Face совпадает с карточкой TIGER-Lab/MAmmoTH-Coder-34B, поэтому описание составлено по ней. MAmmoTH-Coder-34B — языковая модель TIGER-Lab для решения математических задач, дообученная на наборе MathInstruct. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров, рассчитанная на генерацию текста; для запуска авторы рекомендуют библиотеку Transformers. Модель использует гибридные рассуждения: пошаговые объяснения (CoT) и программные решения (PoT), а контекст составляет 16 384 токена. Модель предназначена для решения широкого круга математических задач, в том числе в образовательных программах и системах персонального обучения. Она может формировать объяснение или представить ход решения как программу. Обучающий набор MathInstruct объединяет 13 наборов данных с математическими рассуждениями. В README отмечено, что качество зависит от сложности и формулировки задачи, а покрытие математических областей неполное. Карточка указывает лицензию MIT; авторы позиционируют модель для исследовательского использования.

Модель leoxs22/manga-panel-detector-yolo26n разработана как компактный детектор манги на базе Ultralytics YOLO26-nano, дообученный на Manga109-s. Она находит панели и текстовые области (текстовые пузыри) на страницах манги; предусмотрено применение на Android-устройствах через TFLite или LiteRT, а также инференс и дальнейшее обучение через PyTorch и Ultralytics. Модель содержит 2,57 млн параметров, принимает RGB-изображения размером 640×640 и возвращает координаты рамок, уверенность и класс обнаружений. В описании приведены результаты оценки на Manga109-s и скорость CPU около 100–180 мс; доступна INT8-версия TFLite размером 2,71 МБ. Обучение выполнено на Manga109-s, включающем 87 произведений манги, примерно 18 тысяч страниц и 32 тысячи аннотаций. Модель распространяется по AGPL-3.0. README указывает, что сетевой сервис с моделью должен предоставлять исходный код пользователям, а для закрытого или проприетарного продукта требуется Enterprise License Ultralytics. У датасета Manga109-s есть отдельные условия использования; их необходимо учитывать при публикации или распространении результатов.

MikroTik RouterOS v0.1 — языковая модель на базе Qwen2.5-Coder-7B-Instruct, дообученная автором карточки на подборке вопросов и ответов по официальной документации MikroTik. Она предназначена для ответов на вопросы по настройке и диагностике RouterOS: например, для подготовки CLI-команд и разбора типовых сетевых проблем. В репозитории есть объединённая GGUF-версия с квантизацией Q4_K_M размером около 4,4 ГБ и исходный LoRA-адаптер; заявлены 7 млрд параметров. Модель можно запускать локально через llama.cpp, Jan или Ollama. Карточка описывает англоязычные данные и рекомендуемый формат запросов; отдельное значение длины контекста не приводится. Лицензия — Apache-2.0. Модель сильнее базовой в тематических вопросах о firewall, IPsec, беспроводных интерфейсах, маршрутизации, DHCP, NAT, VLAN и очередях, а также в генерации синтаксиса RouterOS CLI. Она подходит для справочного поиска и создания черновиков конфигурации, но ответы требуют проверки: сложные сценарии с несколькими функциями сети, multi-WAN с routing marks и сложные деревья QoS даются слабее, а рекомендации по криптографии могут быть устаревшими. Проект независим и не связан с MikroTik.