II.2Создание и понимание программного кода

GRM-Gemma2-2B-sftreg — модель вознаграждения (reward model) из серии Generalizable Reward Model, разработанная авторами исследования Regularizing Hidden States Enables Learning Generalizable Reward Model for LLMs. Она дообучена на базе google/gemma-2-2b-it с использованием набора предпочтений weqweasdas/preference_dataset_mixture2_and_safe_pku. Модель оценивает ответы языковых моделей по предпочтениям и предназначена для обучения и оценки систем RLHF. Регуляризация скрытых состояний и дополнительная регуляризация генерацией текста призваны улучшать перенос оценок на задачи, отличающиеся от обучающих, и снижать переоптимизацию на предпочтениях, в том числе при зашумлённых данных. В README приведён результат 84,7 на бенчмарке reward model; для RewardBench авторы рекомендуют использовать неквантованные веса. Архитектура — плотная Gemma 2 с 2,7 млрд параметров и контекстом 8192 токена; репозиторий содержит веса safetensors. Модель предназначена для оценки качества ответов, ранжирования вариантов и использования как компонента пайплайна RLHF, а не как обычный чат-ассистент. Лицензия — MIT. Для корректной загрузки README требует использовать файл model.py из репозитория и проверять инициализацию v_head.

Grug 67B A2B Datakit SFT 262K — контрольная точка модели Grug MoE после дообучения с учителем (SFT), опубликованная в репозитории open-athena. Это языковая модель с архитектурой GrugMoeForCausalLM и 67,1 млрд параметров; в README указано около 2 млрд активных неэмбеддинговых параметров на токен. Она поддерживает чат с режимами рассуждения и без него, а шаблон чата предусматривает форматирование вызовов инструментов через XML. Модель предназначена для генерации текста в диалоге и экспериментального использования инструментов. Метаданные задают контекст до 262 144 токенов, однако README предупреждает, что качество на длинном контексте не проверялось. Чат и один цикл вызова инструмента прошли ограниченные дымовые проверки; исследовательские пробы также выявили преждевременное завершение, повторные вызовы и выдуманный текст результатов инструментов. Надёжных оценок качества, безопасности или пригодности к развёртыванию нет. Для запуска требуется среда с поддержкой Grug MoE: в README описан Marin vLLM fork на узле с восемью H100; загрузка через стандартный Transformers не проверена. Модель опубликована в формате safetensors и BF16 под лицензией OpenMDW-1.1.

Kimi-K3-0.40B — уменьшенная версия Kimi-K3 от Moonshot AI, подготовленная для тестирования и разработки. Модель содержит около 0,40 млрд параметров, из которых примерно 0,06 млрд активируются на токен; архитектура KimiK3ForConditionalGeneration сочетает линейное внимание KDA и полное многомерное внимание MLA, использует разреженную MoE-структуру в большинстве слоёв и включает уменьшенную башню обработки изображений. Число слоёв и размер скрытых представлений сокращены относительно исходной модели, а веса инициализированы заново и дополнительно дообучены на небольшом наборе повторяющихся текстов. Модель предназначена прежде всего для проверки и разработки, а не для надёжного применения: качество ограничено малым размером и игрушечными данными, а башня обработки изображений не обучена для визуальных задач. Для загрузки требуется пользовательский код llmcompressor.modeling.kimi_k3; стандартный AutoModelForCausalLM без него не подходит. Лицензия — MIT.

EryriLabs/LFM2.5-VL-3B-DragOn — дообученная Dwain Barnes (EryriLabs) модель LiquidAI/LFM2.5-VL-3B для привязки операций перетаскивания к элементам интерфейса. Она принимает скриншот и текстовую инструкцию, например переместить ползунок или выделить диапазон ячеек, и выдаёт начальную и конечную точки перетаскивания в нормализованных координатах. Модель использует архитектуру LFM2-VL, имеет 3 млрд параметров согласно названию базовой модели, поддерживает изображение и текст и распространяется в формате Safetensors. Модель рассчитана на использование как компонент GUI-агента для взаимодействия с экранными элементами. В публичной оценке DragOn на 998 заданиях автор сообщает точность 70,8% при допуске 5%; результаты различаются по типам действий: для ползунков — 96%, для выделения текста — 70,2%, для ячеек таблиц — 62,4%, для изменения размера элементов слайдов — 54,8%. Обучение выполнено методом LoRA на части датасета Hcompany/DragOn. Автор рекомендует придерживаться формата обучающего запроса и не рассматривает модель как универсального чат-ассистента. Качество на общем чате и визуальных вопросах не оценивалось, а перетаскивание с изменением размера или поворотом — слабая область. Лицензия в метаданных указана как other, без уточнения условий.

Это компактная черновая языковая модель FastDraft, разработанная Intel Labs для ускорения вывода Meta-Llama-3.1-8B-Instruct методом спекулятивного декодирования. Модель предварительно обучена и дообучена на синтетических данных, сгенерированных целевой моделью, чтобы предлагать черновые продолжения для проверки основной моделью. Репозиторий содержит вариант Llama-3.1-8B-Instruct-FastDraft-150M в формате OpenVINO IR с весами, сжатыми до INT8 методом NNCF. Архитектура — плотная LlamaForCausalLM; метаданные указывают 88,5 млн параметров и контекст до 8192 токенов. Предназначена для использования вместе с целевой Llama-3.1-8B-Instruct через OpenVINO GenAI; сама по себе не заменяет основную модель и не предназначена для самостоятельного диалога. Совместимость заявлена с OpenVINO 2024.5 и новее и Optimum Intel 1.20.0 и новее. В README не перечислены поддерживаемые естественные языки. Модель распространяется по Intel Research Use License Agreement; условия лицензии следует учитывать при внедрении.

Llama-3.1-Nemotron-70B-Reward-HF — разработанная NVIDIA модель вознаграждения на основе Llama 3.1, дообученной на диалогах с помощью сочетания Bradley–Terry и регрессионного моделирования вознаграждений SteerLM. Она оценивает качество последнего ответа ассистента в многоходовом англоязычном диалоге и возвращает одно числовое значение; модель предназначена для сравнения ответов на один и тот же запрос и для настройки языковых моделей с помощью RLHF, в частности REINFORCE. Модель имеет плотную трансформерную архитектуру LlamaForCausalLM и 69,5 млрд параметров. Контекст модели по метаданным — до 131 072 токенов, однако README указывает ограничение в 4 096 токенов для входного диалога. Веса представлены в формате safetensors для Hugging Face Transformers; для запуска README рекомендует как минимум две 80-ГБ GPU и 150 ГБ свободного места. Модель рассчитана на английский язык. Среди сильных сторон авторы отмечают высокие результаты на RewardBench, в том числе в категориях чата, безопасности и рассуждений. Оценки имеют смысл при сравнении ответов на один и тот же запрос: напрямую сопоставлять баллы для разных запросов нельзя. README также отмечает, что оценки могут немного отличаться от версии, использованной в NeMo-Aligner. Лицензия — Llama 3.1; применяются условия лицензии Meta Llama 3.1.

yujiepan/llama-3.3-tiny-random — компактная случайно инициализированная причинная языковая модель, созданная сообществом Hugging Face yujiepan для отладки и тестирования. Она использует конфигурацию, основанную на Meta Llama 3.3 70B Instruct, но существенно уменьшена до 2,1 млн параметров и предназначена для работы с библиотекой Transformers. Модель поддерживает генерацию текста и имеет заявленное родное контекстное окно длиной 131 072 токена. Архитектура включает два скрытых слоя, размер скрытого представления 16, два attention heads, один key-value head и размерность головы 8. Веса инициализированы случайно, поэтому модель не предназначена для качественного диалога, содержательной генерации или решения прикладных языковых задач. Основное применение — проверка загрузки моделей, конфигураций, токенизаторов и пайплайнов text-generation на CPU или в тестовой инфраструктуре при небольших требованиях к ресурсам. Лицензия в предоставленных данных не указана.

NVIDIA NeMo Mel Codec 22khz — модель нейронного аудиокодека от NVIDIA для сжатия мел-спектрограмм в квантованное представление и восстановления аудио. Она может использоваться как вокодер в системах синтеза речи и как предварительно обученный чекпойнт для инференса или дообучения в NeMo. Модель принимает монофоническую речь в WAV с частотой 22,05 кГц и восстанавливает аудио того же формата. Архитектура включает энкодер на остаточной сети, восемь кодовых книг с FSQ-квантованием и декодер HiFi-GAN. Частота кадров составляет 86,1 Гц, битрейт — 6,9 кбит/с. Обучение проводилось на 28,7 тыс. часов речевых данных на 105 языках. Кодек рассчитан прежде всего на полночастотную речь 22,05 кГц. Качество может снижаться для речи с меньшей полосой, в том числе для аудио 16 кГц, повышенного до 22,05 кГц; модель не обучалась и не оценивалась на неречевых звуках. Лицензия в метаданных указана как other.

MESIE-MultiAudio-v1-alpha — компактная модель класса MultiAudioTransformer, опубликованная ItsNotAI LABS. Это клиентская реализация для запуска классификации аудио в браузере и мобильных приложениях: веса доступны в ONNX, PyTorch и Safetensors, а README описывает исполнение через ONNX Runtime и WebAssembly. В метаданных указано около 917,5 тыс. параметров; README приводит 797 584 обучаемых параметра и буфер позиционного кодирования размером 640 000 элементов. Модель предназначена для офлайн-классификации аудио на устройстве, в том числе в приложениях на React, Next.js и React Native. Лицензия — Apache-2.0. Версия обозначена как alpha; README заявляет задержку инференса 1,384 мс, однако не приводит набор классов, обучающие данные или методику измерения, поэтому пригодность для конкретной предметной области по карточке оценить нельзя.

yujiepan/meta-llama-3.1-tiny-random — небольшая каузальная языковая модель для генерации текста, созданная для отладки и тестирования. Она случайно инициализирована на основе конфигурации Meta-Llama-3.1-70B-Instruct и предназначена не для получения осмысленных ответов, а для проверки загрузки, инференса и совместимости инструментов экосистемы Transformers. Модель имеет около 1 млн параметров, архитектуру семейства Llama с двумя скрытыми слоями, размером скрытого представления 8, промежуточным размером 16, двумя attention heads и одним key-value head. Заявленная нативная длина контекста составляет 131072 токена. Для работы используется библиотека Transformers и формат Safetensors. Основное преимущество модели — крайне малый размер, удобный для быстрых локальных тестов и отладки без загрузки полноразмерной модели. Из-за случайной инициализации она не обладает обученными языковыми знаниями и не подходит для генерации качественного текста, диалогов, решения прикладных задач или оценки возможностей Llama. Лицензия в предоставленных данных не указана.

Edgerunners/meta-llama-3-8b-instruct-hf-ortho-baukit-10fail-1000total — экспериментальная производная модели Llama 3 8B Instruct, созданная wassname с обновлённой реализацией Baukit по мотивам исследовательской статьи. Она предназначена для изучения выравнивания моделей и теорий Alignment Forum; в README сообщается о 10 отказах в 1000 тестах ortho-tests. Модель представляет собой плотную авторегрессионную языковую модель LlamaForCausalLM с 7,5 млрд параметров и контекстом 8192 токена. Она принимает текст и генерирует текст в диалоговом сценарии. Данных о поддерживаемых естественных языках в карточке нет. Модель распространяется по лицензии CC BY-NC 4.0. Автор указывает, что она предоставляется без гарантий, предназначена для исследований и изучения, а её результаты тестирования не гарантируют качество в других сценариях.

mikky-64m — компактная языковая модель на 63,9 млн параметров, обученная HUANG JUNZHE 黄俊哲 на базе кодовой основы и формата данных проекта MiniMind. Это экспериментальный чекпойнт для локального запуска, изучения обучения небольших моделей, конвертации форматов и экспериментов с выравниванием ответов. Обучение включало предварительное обучение, SFT, identity SFT с LoRA и DPO; GRPO использовался только для проб, а PPO не вошёл в итоговый чекпойнт. Модель использует плотную архитектуру Qwen3ForCausalLM с RMSNorm, SwiGLU, grouped-query attention, RoPE и нормализацией q/k. Она принимает текст и выдаёт текст, поддерживает английский и китайский языки, а длина контекста составляет 2048 токенов. Для загрузки доступны веса Safetensors и экспорт GGUF в BF16 без квантизации, а также исходный файл состояния MiniMind. Лицензия — Apache-2.0. Малый размер делает модель удобной для локальных экспериментов и изучения конвейера обучения и конвертации. Из-за ограниченной ёмкости у неё слабее рассуждения, математические способности, фактическая память и защитное поведение; её не следует применять в медицинских, юридических, финансовых и других критически важных сценариях.

DS-Archive/Misc-Models — это набор случайных квантованных версий различных языковых моделей, опубликованный пользователем для собственного использования. Репозиторий не представляет собой одну самостоятельную модель: в нём перечислены варианты на базе airoboros-lmoe-13b-2.1, Huginn-13b-FP16, MythoMax-L2-13b, нескольких моделей семейства Doctor-Shotgun, а также mythospice-70b и mythospice-limarp-70b. Модели предназначены для генерации текста и, судя по метаданным, ориентированы на английский язык. Точные архитектуры, размеры контекста, поддерживаемые форматы квантования, характеристики качества и сценарии применения зависят от конкретной базовой модели и в данном README не указаны. Также отсутствует информация о лицензии и условиях распространения. Для корректной оценки каждого варианта необходимо обращаться к карточке соответствующей базовой модели; README не содержит достаточных сведений, чтобы описать преимущества и ограничения набора более подробно.

Репозиторий содержит веса модели mit_b3, предварительно обученной на ImageNet и предназначенной для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель относится к семейству Mix Transformer (MiT) и применяется как визуальная основа для задач классификации изображений и сегментации в составе соответствующих моделей библиотеки. Карточка указывает формат весов safetensors и лицензию other. Сведения о размере модели, поддерживаемых языках и конкретных ограничениях качества не приведены.

Muse-Glimmer-30B-DFlash2 — дообученная модель-черновик DFlash 2 для ускорения генерации моделью meta-models/Muse-Glimmer-30B. Это не самостоятельная языковая модель: она работает в сервере спекулятивного декодирования, например SGLang, предлагает блоки токенов, а целевая модель проверяет их. Модель использует блочную диффузию: за один проход предсказывает блок токенов, сохраняет несколько кандидатов на каждой позиции и выбирает согласованный путь. По README, декодирование сохраняет результат целевой модели: при жадном поиске вывод совпадает с её выводом, а при сэмплировании сохраняется её распределение. В метаданных указаны архитектура Qwen3, 3,9 млрд параметров, контекст 131 072 токена и формат Safetensors. README приводит результаты ускорения на GSM8K, MATH-500 и HumanEval, измеренные на NVIDIA H200 с SGLang. Модель предназначена для ускорения вывода целевой Muse-Glimmer-30B в совместимой серверной конфигурации, а не для непосредственного ответа на запросы. Для работы требуется целевая модель и поддерживающий DFlash 2 сервер; заявленные показатели производительности привязаны к указанному оборудованию и настройкам оценки. Лицензия — Apache-2.0.

SergiioB опубликовал реконструкцию черновой модели Nemotron-3.5-Lightning DFlash для запуска через vLLM на Intel XPU. Это не самостоятельная чат-модель: её используют как draft-модель спекулятивного декодирования вместе с целевой моделью GPTQ INT4 G64-sym. По карточке это архитектура Qwen3 с классом DFlashDraftModel; в репозитории указаны 741,7 млн параметров, формат safetensors и контекст до 1 048 576 токенов. Веса реконструированы из NVFP4 в BF16, чтобы совместимый образ vLLM XPU мог загрузить официальный DFlash-спекулятор. Автор описывает копирование BF16-тензоров и деквантизацию NVFP4-тензоров MLP и fc. На Intel Arc Pro B70 с целевой GPTQ-моделью приведены замеры скорости генерации и принятия спекулятивных токенов; результаты относятся к конфигурации и условиям тестирования из карточки. Лицензия указана как other, поэтому перед использованием следует проверить условия исходной модели и репозитория.

FreeFlow-L · sintel — модель для оценки плотного оптического потока между двумя RGB-изображениями одинакового размера. В README указано 230 721 029 параметров; архитектура относится к семейству flow, тип dense, библиотека — PyTorch, веса доступны в формате safetensors. Модель принимает пару изображений в тензоре формы [B,2,3,H,W] со значениями от 0 до 255 и оценивает перемещение пикселей между кадрами. Модель дообучена на основе a-yakovenko/optical-flow-FreeFlow-L-TaTSKH-HQ и предназначена для сценариев, где нужно анализировать движение в паре изображений, например в видеопоследовательностях или исследовательских экспериментах с оптическим потоком. Карточка не приводит контекстное окно или сведения о специализированных доменах. Лицензия — CC BY-NC-SA 4.0, поэтому коммерческое использование ограничено её условиями.

PhoneBuddy-0.8B — компактная мультимодальная модель семейства Qwen3.5 VL, опубликованная для исследований телефонных агентов. Это чекпойнт обучения с подкреплением Real+Mock с архитектурой Qwen3_5ForConditionalGeneration и обработчиком Qwen3VLProcessor; модель принимает текст и изображения и формирует текстовые ответы, включая вызовы инструментов в формате XML, заданном шаблоном чата репозитория. Модель предназначена для экспериментов с телефонными агентами, мультимодальным использованием инструментов и визуальным рассуждением о действиях. Небольшой размер рассчитан на более дешёвые эксперименты и сравнения. Для загрузки требуется среда, поддерживающая классы Qwen3.5 VL и используемый бэкенд токенизатора; совместимость со стандартной установкой Transformers зависит от её версии. Условия лицензии в доступных данных не приведены.

Карточка модели Diginsa/Plant-Disease-Detection-Project на Hugging Face совпадает с карточкой google/mobilenet_v2_1.0_224, поэтому описание составлено по ней. MobileNet V2 — сверточная модель классификации изображений, разработанная авторами статьи MobileNetV2 и предварительно обученная на ImageNet-1k. Версия 1.0_224 использует множитель глубины 1,0 и рассчитана на входные изображения размером 224 × 224 пикселя; архитектура включает инвертированные остаточные блоки и линейные узкие места. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Компактность, низкая задержка и низкое энергопотребление делают её подходящей для мобильных устройств и других систем с ограниченными ресурсами. MobileNet также можно использовать как основу для дообучения на задачах обнаружения объектов, построения эмбеддингов и сегментации. Репозиторий содержит веса PyTorch и Safetensors. В карточке указана лицензия other, поэтому точные условия использования следует проверять в файлах лицензии репозитория. Модель обучалась на ImageNet-1k и рассчитана на изображения с разрешением 224 × 224; её классификация ограничена набором из 1000 классов ImageNet.

POLAR-1.8B — модель вознаграждения, разработанная командой InternLM. Она оценивает траектории ответов языковой модели относительно предоставленного эталонного ответа: на вход подаются запрос, эталонная траектория и кандидат, а результатом служит оценка согласованности кандидата с эталоном. Модель предназначена для оценки и ранжирования ответов, а также для подачи сигналов вознаграждения при дообучении с подкреплением (RFT). Модель основана на InternLM2.5-1.8B и дообучена на общих данных предпочтений; число параметров — 1,7 млрд, контекст — до 32 768 токенов. Архитектура — плотная InternLM2 с классом InternLM2ForRewardModel. В карточке указаны английский и китайский языки. Для работы с оцениванием требуются запрос, эталон и кандидат, поэтому простого текста кандидата без эталонной траектории недостаточно для описанного сценария. POLAR использует сравнение относительно эталона, а не только абсолютные предпочтения; разработчики заявляют о переносе оценок на новые сценарии и снижении reward hacking. Для инференса и дообучения предлагаются Transformers и инструменты lmdeploy, sglang, vLLM и xtuner. Лицензия — Apache-2.0.

Это модель обучения с подкреплением PPO для среды ML-Agents-SnowballTarget. Она обучена с помощью Unity ML-Agents в рамках пятого раздела курса Hugging Face Deep Reinforcement Learning Course; обучение выполнено за 200 000 шагов, средняя награда составила 25,75. Модель предназначена для агента, взаимодействующего со средой SnowballTarget. В репозитории представлены веса в формате ONNX. Данные не уточняют устройство наблюдений и действий агента, поэтому конкретный способ управления средой здесь не описан. Лицензия в предоставленных сведениях не указана.

oopere/pruned40-gemma-2-2b — разреженная структурно пруненная версия языковой модели Gemma 2 от Pere Martra. В MLP-слоях удалено 40% нейронов; число параметров сокращено примерно с 2,2 млрд до 1,95 млрд. Модель использует архитектуру Gemma2ForCausalLM и рассчитана на генерацию текста. Контекст — до 8192 токенов; язык унаследован от базовой модели Google Gemma 2 2B. Эта версия предназначена прежде всего для последующего дообучения под конкретные задачи, а не для непосредственного применения. В описанных испытаниях она сохраняет умеренные результаты на бинарной классификации BoolQ, но хуже справляется с рассуждениями и пониманием длинных зависимостей. В частности, perplexity на LAMBADA-OpenAI выросла с 3,71 до 29,68. Для инференса в FP16 указано около 3,9 ГБ памяти параметров и около 4,9 ГБ общей runtime-памяти; фактический расход зависит от длины последовательности, размера батча и среды. Модель распространяется по лицензии Gemma. Для её базовой модели Google устанавливает условия Gemma; перед использованием следует свериться с применимыми условиями лицензии.

Pythia-410M-deduped — англоязычная авторегрессионная языковая модель EleutherAI из серии Pythia Scaling Suite. Это трансформер GPT-NeoX с 24 слоями, размером около 454,2 млн параметров и контекстом 2048 токенов; модель обучена на дедуплицированной версии набора The Pile. Серия создана для контролируемых научных экспериментов над поведением, возможностями и ограничениями языковых моделей, особенно для исследований интерпретируемости. Модель предсказывает следующий токен и может использоваться для продолжения английского текста и как основа для дальнейшего дообучения. Она не настроена на следование инструкциям или диалоговое применение; авторы не рекомендуют её для непосредственного развертывания и взаимодействия с пользователями. Выводы могут содержать фактические ошибки, оскорбительные формулировки и предвзятость, поэтому их следует проверять. Лицензия — Apache 2.0.

Pythia-6.9B — авторегрессионная языковая модель на базе Transformer, разработанная EleutherAI как часть набора Pythia для контролируемых научных исследований поведения, возможностей и ограничений больших языковых моделей. Вариант 6.9B содержит около 8,8 млрд параметров, использует архитектуру GPT-NeoX и обучен на англоязычном корпусе The Pile. Доступны многочисленные промежуточные контрольные точки, позволяющие изучать изменения модели в ходе обучения. Модель предназначена прежде всего для экспериментов по интерпретируемости и сравнительного анализа языковых моделей; она продолжает текст по входному тексту и поддерживает контекст до 2048 токенов. Pythia не проходила инструкционную настройку для диалоговых или прикладных сценариев, поэтому не рассчитана на прямое взаимодействие с пользователями и может выдавать неточный, оскорбительный или предвзятый текст. Лицензия Apache 2.0 разрешает дообучение и адаптацию при соблюдении её условий.

Карточка модели HYU-NLP-EVAL/qwen3-1.7b-rar-science-static-r0-step-000 на Hugging Face совпадает с карточкой HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-000, поэтому описание составлено по ней. Это экспериментальный контрольный чекпойнт модели Qwen3-1.7B, созданный группой HYU-NLP-EVAL на основе Qwen/Qwen3-1.7B. Его обучали методом GRPO с фиксированной начальной рубрикой вознаграждения для эксперимента по изучению насыщения вознаграждения и устаревания статических рубрик; данный вариант относится к домену медицины и шагу 0. Репозиторий содержит веса BF16 в формате safetensors, конфигурацию, токенизатор и шаблон чата; модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов. Чекпойнт предназначен для исследовательского анализа оптимизации языковой политики и сопоставления контрольных точек, а также поддерживает генерацию текста и диалоговый режим. Он не является медицинским устройством и не предназначен для постановки диагноза или замены профессиональной медицинской консультации. Лицензия — Apache-2.0.

Это компактная текстовая модель Qwen3.5-0.8B, дообученная командой nvsh для выбора подходящей команды из фиксированного списка операций оболочки nvsh. Она оценивает варианты по вероятностям следующих токенов с однобуквенными метками; отдельная логика калибровки и порогов решает, предложить операцию, объяснить запрос или передать его более крупной модели. Аргументы команд формируются детерминированно средствами nvsh, сама модель их не генерирует и не является универсальным чат-ботом или инструментальным агентом. Модель содержит 581,4 млн параметров, использует плотную архитектуру Qwen3_5ForCausalLM, формат safetensors и контекст до 262 144 токенов. Она предназначена для англоязычных запросов в контексте устройств NVIDIA Jetson и DGX Spark и ограничена таблицей операций nvsh. В описанных испытаниях не было ошибочных предложений изменяющих состояние операций, однако на отложенной выборке модель иногда предлагала похожую операцию только для чтения вместо передачи запроса на эскалацию; точность предложений на отложенной выборке также была ниже. Для неё требуется Apache-2.0; в карточке отмечено, что эксплуатационный стек nvsh пока не загружает этот скорер.

Qwen3.8-27B-DFlash2-memra — блоковая diffusion-модель чернового предсказания для ускорения генерации с помощью speculative decoding в serving engine tiyuvta. Она создаёт блоки предполагаемых токенов для целевой модели Qwen3.8-27B, которая проверяет каждый токен; сама по себе модель не предназначена для диалога или самостоятельной генерации. В README указано, что веса побайтно совпадают с z-lab/Qwen3.8-27B-DFlash2 и распространяются по лицензии Apache-2.0; репозиторий добавляет конфигурацию обслуживания. Метаданные указывают архитектуру DFlash2DraftModel семейства Qwen3, 2,9 млрд параметров, формат safetensors и контекст 262 144 токена. Модель предназначена для ускорения обслуживания текстовой генерации, в том числе чатов и агентных сценариев, при проверке предсказанных блоков целевой моделью. README приводит измерения для RTX PRO 6000 Blackwell и настройки tiyuvta, включая выигрыш пропускной способности в отдельных режимах и повторное использование кэша между ходами диалога. Точность спекулятивного маршрута описана как побайтно совпадающая с обычной жадной генерацией; в то же время скорость и принятие черновых токенов зависят от нагрузки и конфигурации. Для работы необходимы целевая модель и совместимый serving engine; это не автономная модель-ассистент.

Это дообученный черновой спекулятор DSpark от catplusplus для ускорения генерации текста целевыми моделями Qwen3.8-27B при спекулятивном декодировании. Он предназначен для совместного использования с целевой моделью и средой инференса, поддерживающей DSpark; README приводит пример запуска через SGLang. Заявлены контекст до 262 144 токенов и архитектура DSparkDraftModel семейства Qwen3. В README указаны черновые параметры BF16 и средняя длина принятой последовательности около 3,4 токена на шаг проверки в описанной оценке. Модель специализируется на предложении черновых токенов, которые целевая модель проверяет, поэтому сама по себе не является обычной самостоятельной чат-моделью. Карточка сообщает, что абляция и квантизация исходной модели снизили точность MTP, а настройка была направлена на её восстановление. Для запуска требуются совместимые версии SGLang и целевая модель; лицензия обозначена как other, поэтому условия использования следует уточнять по карточке репозитория.

Это вспомогательная модель EAGLE3, разработанная Thoughtworks для ускорения генерации Qwen/Qwen3-8B. Она обучена методом EAGLE3 на Google Cloud TPU с использованием SpecJAX и предназначена для спекулятивного декодирования: модель предлагает несколько следующих токенов, а целевая Qwen3-8B проверяет их параллельно. В README заявлен типичный прирост пропускной способности в 2–3 раза без изменения качества итогового вывода; фактический результат зависит от оборудования, запросов и версии среды выполнения. Модель представляет собой однослойную трансформерную черновую голову, принимающую скрытые состояния целевой модели. В карточке указано 815,3 млн параметров; архитектура обозначена как LlamaForCausalLM, формат весов — safetensors. Поддерживается запуск с SGLang на GPU и TPU через sglang-jax; режимы thinking и no_think Qwen3 совместимы с этой головой. Лицензия — Apache-2.0. Это не самостоятельная модель для обычной генерации: для работы ей нужна целевая Qwen/Qwen3-8B и совместимая среда спекулятивного декодирования. Черновая голова обучена преимущественно на англоязычных инструкциях, поэтому на других языках и узкоспециализированных запросах её эффективность может снижаться. Приведённые показатели принятия токенов получены на обычных чат-запросах без thinking и могут отличаться на других запросах.

Это модель извлечения признаков изображений на базе визуального энкодера Qwen-Drive-1.0-4B, преобразованного для библиотеки timm. Она предназначена для получения пространственных признаков и токенов изображений, которые можно использовать в системах компьютерного зрения и мультимодальных конвейерах. Модель содержит энкодер Qwen ViT со spatial merger и проекцией признаков на ширину исходной языковой модели, но не включает веса языковой модели или обученную классификационную голову. Чекпойнт содержит 332,7 млн параметров; ширина backbone — 1024, ширина проекции — 2560, исходный размер изображения — 768 × 768. Поддерживаются изображения разных пропорций; входные размеры должны делиться на 16, а для вариантов с объединением 2 × 2 — на 32. Реализация рассчитана на изображения: временные веса исходного Conv3d объединены в Conv2d. Используются абсолютные позиционные эмбеддинги с интерполяцией и осевой 2D RoPE. Лицензия — Apache 2.0.