II.2Создание и понимание программного кода

Карточка модели mergekit-community/mergekit-slerp-ojqhjfr на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-rxkhjnf, поэтому описание составлено по ней. Это слитая методом SLERP языковая модель на архитектуре Llama с 7,5 млрд параметров, созданная сообществом mergekit из NousResearch/Meta-Llama-3-8B-Instruct и cognitivecomputations/dolphin-2.8-mistral-7b-v02. Модель предназначена для генерации текста и диалогов; конфигурация использует кривую смешивания весов по слоям и формат bfloat16. Модель принимает текстовые запросы и генерирует текст, в том числе ответы в чате. В карточке указано контекстное окно 8192 токена; исходная Meta Llama 3 рассчитана прежде всего на английский язык. Репозиторий использует библиотеку Transformers и содержит веса Safetensors. Лицензия в доступных данных не указана.

Это слитая методом SLERP языковая модель на архитектуре Llama с 7,5 млрд параметров, созданная сообществом mergekit из NousResearch/Meta-Llama-3-8B-Instruct и cognitivecomputations/dolphin-2.8-mistral-7b-v02. Модель предназначена для генерации текста и диалогов; конфигурация использует кривую смешивания весов по слоям и формат bfloat16. Модель принимает текстовые запросы и генерирует текст, в том числе ответы в чате. В карточке указано контекстное окно 8192 токена; исходная Meta Llama 3 рассчитана прежде всего на английский язык. Репозиторий использует библиотеку Transformers и содержит веса Safetensors. Лицензия в доступных данных не указана.

MFANN-llama3.1-Abliterated-SLERP — диалоговая языковая модель, созданная netcat420 слиянием SLERP двух моделей: netcat420/MFANNv0.21.11 и mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated. Она построена на архитектуре LlamaForCausalLM и содержит около 7,5 млрд параметров; модель предназначена для генерации текста и ответов в чате. Для неё заявлено контекстное окно до 131 072 токенов. Слияние объединяет базовую модель MFANN с Meta-Llama 3.1 8B Instruct Abliterated. Модель работает с текстом и может применяться для диалогов, свободной генерации и ответов на запросы. Карточка не сообщает о специализированной предметной области или поддерживаемых естественных языках. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

CorticalStack выпустила mistral-7b-dolphin-sft — модель для генерации текста на базе Mistral с 7,1 млрд параметров. Это SFT-дообучение модели unsloth/mistral-7b-bnb-4bit на датасете cognitivecomputations/dolphin; в README также указаны параметры LoRA: r=256, alpha=128 и dropout=0. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. Модель подходит для диалоговой генерации и других сценариев, где требуется продолжать или создавать текст; конкретный набор навыков и языковой охват датасета в карточке не раскрыты. Данных о специализированных областях применения и известных ограничениях качества нет.

alvarobartt/mistral-7b-orpo-airoboros-pref-10k — дообученная модель alvarobartt на базе Mistral-7B-v0.1 от Mistral AI. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, предназначенная для генерации текста и диалогового общения. Для дообучения использован набор предпочтений alvarobartt/airoboros2.2-pref-10k с методом ORPO; модель рассчитана на контекст до 32 768 токенов и опубликована в формате Safetensors. Модель подойдёт для создания чат-ботов и генерации ответов на текстовые запросы. В README приведены метрики оценки на тестовом наборе, однако подробное описание оценки и целевых сценариев отсутствует. Языки, на которых модель специально обучалась или оптимизирована, не установлены по предоставленным данным. Модель распространяется по лицензии Apache-2.0.

ewqr2130/mistral-inst-v02-dpo — разговорная языковая модель на базе архитектуры Mistral, дообученная методом Direct Preference Optimization (DPO) на основе Mistral inst-v02. По карточке это версия с 7,1 млрд параметров и контекстом до 32 768 токенов; она предназначена для генерации текста и диалогов. Репозиторий содержит веса в формате Safetensors и поддерживает работу через Transformers. Модель подходит для диалоговых помощников и генерации ответов на текстовые запросы. README сообщает о DPO-дообучении в течение 6000 эпох, но не приводит датасет, настройки обучения или результаты оценки, поэтому качество и характер улучшения предпочтений по карточке определить нельзя. Лицензия — MIT.

Mixtral-6x7B-Instruct-v0.1-bfloat16-Trimmed024567 — экспериментальная производная модели семейства Mixtral, созданная автором репозитория DrNicefellow из mistralai/Mixtral-8x7B-Instruct-v0.1. При обрезке из каждого слоя оставлены эксперты с индексами 0, 2, 4, 5, 6 и 7; веса опубликованы в формате bfloat16 в safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Метаданные указывают архитектуру MixtralForCausalLM типа MoE и контекст до 32 768 токенов. Карточка предупреждает, что модель находится на стадии тестирования и её работоспособность не подтверждена. Лицензия — Apache-2.0.

zelk12 создал объединённую методом SLERP языковую модель Gemma 2 с 9 млрд параметров на основе zelk12/MT-Max-Merge_02012025163610-MUG-gemma-2-9B и zelk12/MT-Max-Merge_02012025163610-BI-gemma-2-9B. Модель предназначена для генерации текста и диалогового общения; она использует архитектуру Gemma2ForCausalLM, работает с контекстом до 8192 токенов и распространяется в формате safetensors для библиотеки Transformers. Модель подходит для ответов в чате и генерации текста по запросу. Данные не позволяют установить её языковое покрытие, специализацию или сравнительное качество. Лицензия в предоставленных источниках не указана.

NekoMind1.5-Base — предварительно обученная базовая языковая модель серии NekoMind от разработчиков репозитория nekocyrene. Это авторегрессионный Transformer-декодер с архитектурой Mixture-of-Experts: 1,35 млрд параметров всего, около 300 млн активируются на токен. В модели 18 слоёв, 32 эксперта с маршрутизацией top-4, GQA, RoPE, SwiGLU и RMSNorm; контекст — до 32 768 токенов. Модель предназначена для генерации текста и служит базой для дальнейшей адаптации под диалоговые и другие языковые задачи. Репозиторий предоставляет веса в формате Safetensors; для загрузки требуется Transformers и включение trust_remote_code=True, поскольку код архитектуры ещё не вошёл в основную библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. README указывает 1,35 млрд параметров, тогда как метаданные каталога содержат 259,3 млн, поэтому фактический размер по источникам расходится.

MaziyarPanahi/NeuralsirkrishnaShadow_YamshadowExperiment28 — слитая текстовая модель, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/YamshadowExperiment28-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Данных о специализированных областях применения и языках в карточке нет.

Open_Neural_Monarch_Maidv0.1 — языковая модель для генерации текста и диалогов, созданная объединением предварительно обученных моделей с помощью mergekit. В состав вошли Intel/neural-chat-7b-v3-1, NeverSleep/Noromaid-7B-0.4-DPO, teknium/OpenHermes-2.5-Mistral-7B и mlabonne/Monarch-7B; базой для слияния указана mistralai/Mistral-7B-v0.1. Использован метод DARE TIES. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Предназначена для генерации текста и ведения диалога. В README приведены результаты нескольких тестов Open LLM Leaderboard, включая среднюю оценку 69,28. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Сведения о поддерживаемых естественных языках в предоставленных источниках отсутствуют.

GenTrendGPT/OS-Test-Mark-GEN-I — текстовая чат-модель, созданная методом слияния mergekit из Qwen/Qwen1.5-4B-Chat и stabilityai/stablelm-2-1_6b. В репозитории указана архитектура Qwen2 с плотной авторегрессионной моделью Qwen2ForCausalLM; размер составляет 4,5 млрд параметров, веса представлены в safetensors, а для работы используется библиотека Transformers. Модель предназначена для генерации текста и ведения диалога. Контекст составляет до 32 768 токенов. Модель принимает текст и генерирует текст; метаданные отмечают поддержку чата. В карточке описан passthrough-метод слияния, при котором выбраны слои обеих исходных моделей. Лицензия и конкретные ограничения применения в предоставленных данных не описаны.

Prismatic-12b-v0.1-Experimental-1115 — текстовая языковая модель, созданная LyraNovaHeart как разовое слияние предобученных моделей с помощью mergekit и метода TIES. В качестве основы использована mistralai/Mistral-Nemo-Base-2407; в слияние также вошли inflatebot/MN-12B-Mag-Mell-R1 и nbeerbower/Mistral-Nemo-Prism-12B-v5. Модель имеет плотную архитектуру MistralForCausalLM и содержит 12,1 млрд параметров. Модель предназначена для генерации текста и диалогового общения в формате ChatML или Mistral Tekken. Автор отмечает исправление формата ChatML: добавлен EOS-токен, отсутствовавший ранее. Контекстное окно составляет 1 024 000 токенов по метаданным. Модель опубликована в формате safetensors и распространяется по лицензии Apache 2.0. Это экспериментальная разовая сборка, которую автор предлагает попробовать; README не приводит сравнительных оценок качества или подробных результатов тестирования. Поэтому пригодность для конкретных задач и качество ответов следует проверять самостоятельно.

Pulpie Orange Large — модель feyninc для извлечения основного содержимого веб-страниц из HTML. Это энкодер на 2,1 млрд параметров с архитектурой EuroBERT, дообученный для классификации блоков HTML как содержательных или служебных. Модель анализирует страницу за один проход и помогает удалить навигацию, рекламу, боковые панели и футеры, сохраняя основной текст; результат можно восстановить в HTML или преобразовать в Markdown с помощью пакета pulpie. Модель рассчитана на очистку веб-страниц и подготовку текстовых корпусов, в том числе для последующего поиска и RAG. В README приведён результат 0,873 ROUGE-5 F1 на англоязычной части WebMainBench; обучение проводилось на 14 959 страницах Common Crawl с разметкой блоков. Контекст составляет до 8192 токенов. Модель описана как наиболее точная в семействе Pulpie и используется как учитель для дистилляции меньших вариантов. Лицензия — Apache-2.0. Модель ориентирована на английские веб-страницы; качество и производительность на других языках и типах HTML в предоставленных данных не охарактеризованы. Размер модели повышает требования к ресурсам по сравнению с меньшими вариантами семейства.

Laurie/Qwen2.5-1.5B-O1 — дообученная Laurie модель Qwen2.5 с 1,5 млрд параметров для генерации ответов с отдельным этапом рассуждения. Она принимает текстовые диалоги и обучена формировать сначала рассуждение, затем ответ ассистента; README описывает добавление специального токена для обозначения блока reasoning и изменение обучающей разметки. Модель рассчитана на диалоговые сценарии, вопросы и задачи, где полезен структурированный ход рассуждения. Архитектура — плотная авторегрессионная Qwen2 (`Qwen2ForCausalLM`), формат весов — Safetensors, базовая модель поддерживает контекст до 131 072 токенов. В метаданных указаны английский и китайский языки. Модель распространяется по лицензии Apache-2.0. README описывает пример использования с ограничением истории в 32 000 токенов; явных сравнительных оценок качества нет.

Qwen3-1.7B-cpt-tesi_all — дообученная модель на базе Qwen/Qwen3-1.7B, опубликованная пользователем ferrazzipietro. Это плотная авторегрессионная языковая модель на 1,7 млрд параметров для генерации текста и диалогов; в каталоге указана поддержка чата. Она принимает текст и генерирует текст, использует библиотеку Transformers и формат весов safetensors. Базовая модель поддерживает несколько языков и рассчитана на генерацию, рассуждения, код и выполнение инструкций, однако сведения о датасете и специализации этого дообучения отсутствуют, поэтому приписывать ему отдельные навыки нельзя. Длина контекста составляет 40 960 токенов. Модель распространяется по лицензии Apache-2.0.

violetxi разработала Qwen3.5-9B Harvey v4 Notes-Conditioned — полноразмерный чекпойнт Qwen3.5-9B, дообученный для агентных сценариев Harvey с использованием заметок и траекторий, обусловленных заметками. Обучение сочетало 70% размеченных токенов заметок и 30% токенов ответов ассистента из таких траекторий; опубликованная версия checkpoint-612 завершает два эпоха и 612 обновлений оптимизатора. Модель использует плотную архитектуру Qwen3.5 с 9 млрд параметров, сохранена в safetensors и загружается через Transformers. Метаданные указывают на диалоговые возможности и интерфейс вызова инструментов; в README описан протокол работы с файлами через glob, grep и read. Базовая модель мультимодальна, однако карточка описывает обучение и оценку текстовых агентных задач, поэтому заявленная задача — генерация текста. В исторической оценке доля попыток, прошедших все критерии, составила 3,30% при лимите в 5 ходов и 6,20% при 20 ходах; это результаты конкретного протокола, без нового бенчмарка для публикации. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B-nopin-2p00bit-r44 — экспериментальный чекпойнт, созданный на базе Qwen/Qwen3.6-35B-A3B. В архитектуре Qwen3.5 MoE общим объёмом 35 млрд параметров задействуются маршрутизируемые эксперты; их средняя точность хранения составляет 2 бита, остальные веса сохранены в BF16. Тензоры весов представлены в BF16 после деквантизации; для загрузки заявлена совместимость со стандартными Transformers и vLLM. Модель предназначена для генерации текста и диалогов. Метаданные также отмечают интерфейс вызова инструментов и мультимодальную основу Qwen, поддерживающую анализ изображений, однако карточка этого чекпойнта заявляет только задачу text-generation и не описывает отдельно его мультимодальное поведение. README называет его внутренним исследовательским чекпойнтом r44. Лицензия наследуется от базовой модели Qwen/Qwen3.6-35B-A3B.

Samantha-Qwen-2-7B-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Samantha-Qwen-2-7B, основанной на Qwen/Qwen2-7B. Оригинальная модель разработана macadeliccc, а квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Для обучения или дообучения использовались наборы macadeliccc/opus_samantha, cognitivecomputations/ultrachat-uncensored, teknium/OpenHermes-2.5 и Sao10K/Claude-3-Opus-Instruct-15K. Модель предназначена для диалоговой генерации текста и запуска локальных чат-сценариев через llama.cpp или совместимые инструменты. README указывает размер базовой модели в 7B параметров и формат prompt с ролями system, user и assistant, однако сведения о поддерживаемых языках, модальностях и размере контекстного окна не приведены. Доступно множество вариантов квантизации от Q8_1 до IQ2_XS с размером файлов примерно от 2,46 до 9,12 ГБ. Старшие варианты обеспечивают более высокое качество при повышенных требованиях к памяти, а младшие экономят ресурсы, но заметно теряют в качестве; рекомендованными названы, в частности, Q6_K, Q5_K_M и Q4_K_M. Ограничения включают зависимость качества и требований к памяти от выбранной квантизации, а также отсутствие в README подробных результатов оценки. Лицензия модели указана как Apache-2.0.

Это объединённая модель для генерации текста, опубликованная пользователем yuhengtu и созданная с помощью mergekit. В карточке указано, что веса получены линейным слиянием нескольких чекпойнтов одной серии, включая версии на шагах обучения 0, 1000, 2000, 3000 и 4000; в качестве базового при слиянии использовался чекпойнт global_step4000. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на контекст до 16 384 токенов. Она предназначена для генерации текста в диалоговом режиме. Карточка не описывает конкретные языки или специализированные области применения, поэтому модель следует рассматривать как универсальную языковую модель. Возможные ограничения качества, кроме общих для генеративных языковых моделей, в карточке не раскрыты. Лицензия в предоставленных данных не указана.

Silero VAD v6 — экспорт модели обнаружения речевой активности Silero, подготовленный loom-ai-org для запуска в loom.cpp. Это модель архитектуры STFT + CNN + LSTM примерно с 300 тысячами параметров; веса соответствуют Silero VAD v6.2.3 для аудио 16 кГц и не изменены. Репозиторий упаковывает модель в формат GGUF; метаданные указывают библиотеку loom-py-rt и лицензию MIT. Модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятность наличия речи для каждого кадра длительностью 32 мс. Она подходит для определения участков речи в аудиозаписях и предварительной обработки аудио перед распознаванием речи. Модель языконезависимая; README сообщает, что обучающие корпуса охватывают более 6000 языков. Выход представляет собой вероятности по кадрам, а не готовые временные метки речи: выбор порога и постобработку, включая обработку границ сегментов и отбрасывание коротких фрагментов, нужно выполнять отдельно. Экспортированная версия работает только с монофоническим аудио 16 кГц; вариант для 8 кГц не включён. По README, экспорт сохраняет вычисления исходной модели с небольшим расхождением вероятностей из-за округления с плавающей точкой.

Skyfall-39B-v1-GGUF — набор GGUF-квантизаций текстовой генеративной модели Skyfall-39B-v1, разработанной TheDrummer и опубликованной в формате GGUF пользователем bartowski. Квантизация выполнена с помощью llama.cpp версии b4327 и метода imatrix; модель предназначена для локального запуска в совместимых средствах, включая LM Studio, с использованием шаблона запросов <s> [INST] {prompt} [/INST]. Модель рассчитана на задачи генерации текста. Доступны варианты от F16 размером 78,04 ГБ до сильно сжатых IQ2 и Q2 размером примерно 10,44–14,64 ГБ, а также промежуточные варианты Q3–Q8. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, но требуют больше оперативной или видеопамяти; наиболее сбалансированным вариантом в README назван Q4_K_M, а Q5 и Q6 также рекомендованы для повышенного качества. Низкоразрядные варианты экономят память, но могут заметно уступать по качеству. Из README не указаны точная архитектура исходной модели, поддерживаемые языки, размер контекстного окна, мультимодальные возможности и лицензия. Поэтому модель следует рассматривать как текстовую 39B-модель для локального inference, а совместимость, требования к памяти и допустимые сценарии коммерческого использования необходимо уточнять по документации исходной Skyfall-39B-v1.

Strangemerges_32Experiment26-7B — автоматическое слияние моделей, созданное Maxime Labonne на основе Mistral-7B-v0.1, Gille/StrangeMerges_32-7B-slerp и yam-peleg/Experiment26-7B методом model_stock. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста; длина контекста составляет до 32 768 токенов. Модель может использоваться для генерации продолжений, черновиков и ответов на текстовые запросы. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. README не приводит оценок качества или специальных ограничений на тематику применения.

SUS-Chat-72B — диалоговая модель с инструкционной настройкой, опубликованная командой SUSTech. Она основана на плотной архитектуре Llama и предназначена для генерации текста в ответ на запросы и инструкции. Модель содержит 71 млрд параметров, использует формат PyTorch и имеет контекст длиной до 7168 токенов. Модель можно применять для чат-ботов, ответов на вопросы и генерации текста по инструкциям. Карточка README помечена как «not currently in use» и не содержит сведений о языковом охвате, данных обучения, оценках качества или ограничениях в использовании. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

Teleut-7b-GGUF — набор GGUF-квантизаций языковой модели Teleut-7b, разработанной allura-org и подготовленной пользователем bartowski. Модель предназначена для генерации текста и может запускаться через llama.cpp и совместимые приложения, включая LM Studio. В README также указан датасет allenai/tulu-3-sft-mixture, использованный для исходной модели или связанного обучения. Модель имеет размер 7 миллиардов параметров и представлена в форматах от F16 до различных вариантов Q2–Q8 и IQ-квантизации. Размер файлов варьируется примерно от 2,78 до 15,24 ГБ, что позволяет выбирать между качеством и требованиями к памяти. Для работы рекомендуется использовать специальный шаблон сообщений с маркерами system, user и assistant. Некоторые варианты оптимизированы для ARM или AVX, при этом отдельные ARM-форматы не предназначены для Mac или GPU. Сильной стороной набора является широкий выбор квантизаций: варианты Q5–Q6 позиционируются как высококачественные, а Q4_K_M — как сбалансированный вариант для большинства сценариев. Более компактные форматы подходят для систем с ограниченным объёмом оперативной памяти, но обеспечивают более низкое качество. Архитектура, поддерживаемые языки и размер контекста в README не указаны. Распространение заявлено по лицензии Apache-2.0.

Tess-v2.5-Gemma-2-27B-alpha-GGUF — квантизированная версия текстовой генеративной модели Tess-v2.5-Gemma-2-27B-alpha, разработанной migtissera и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и запуска через llama.cpp; README не уточняет её специализацию, поддерживаемые языки и конкретные прикладные сценарии. В основе лежит архитектура Gemma 2 с размером 27B параметров. Доступны варианты квантизации от Q2_K до Q8_0, включая экспериментальные сборки с весами эмбеддингов и выходного слоя в формате f16. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, но требуют больше памяти: размер файлов варьируется примерно от 10,44 до 30,04 ГБ. Модель работает в режиме text-generation, поддерживает указанный в README шаблон диалога и не поддерживает system prompt. Длина контекста и набор модальностей не указаны; по представленным данным модель является текстовой. Сильной стороной являются варианты Q5–Q8 с заявленным высоким или очень высоким качеством, а также возможность выбрать более компактные сборки для систем с ограниченным объёмом RAM. Низкобитные варианты экономят память, но дают более низкое качество; часть сборок обозначена как экспериментальная. Для использования требуется совместимый рантайм, например llama.cpp, и объём памяти, соответствующий выбранному файлу. Лицензия указана как Gemma.

TheDrummer_Cydonia-24B-v4.3-GGUF — это набор квантованных файлов модели Cydonia-24B-v4.3, разработанной TheDrummer и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Для общения указан шаблон промпта с системной инструкцией и пользовательским запросом в формате [SYSTEM_PROMPT] и [INST]. Доступны версии от BF16 до низкобитных квантований Q8_0, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 9,91 до 47,15 ГБ; вариант Q4_K_M обозначен как типичный выбор для большинства сценариев, а Q6_K и Q6_K_L — как варианты очень высокого качества. Квантование выполнено с использованием llama.cpp и метода imatrix на калибровочных наборах данных. README не содержит сведений об архитектуре исходной модели, поддерживаемых языках, размере контекста, мультимодальности или лицензии, поэтому эти характеристики нельзя подтвердить.

bartowski/TheDrummer_Snowpiercer-15B-v4-GGUF — это набор GGUF-квантизаций языковой модели Snowpiercer-15B-v4, разработанной TheDrummer. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В набор входят варианты от BF16 до низкобитных Q2/Q3/Q4/Q5/Q6/Q8, поэтому можно выбирать между качеством ответа, размером файла и требованиями к оперативной памяти. Полная версия BF16 занимает около 30 ГБ, а рекомендуемые варианты Q4–Q6 — примерно от 9 до 13 ГБ. Для модели указан шаблон диалога с ролями system, user и assistant. Архитектура, поддерживаемые языки, размер контекста и модальности в README не указаны; по назначению это текстовая авторегрессионная модель. Сильная сторона набора — широкий выбор квантизаций для локального инференса, включая варианты, оптимизированные для различных ограничений памяти и некоторых CPU-платформ. Более сильное сжатие уменьшает требования к ресурсам, но может снижать качество генерации. Лицензия в предоставленном README не указана, поэтому условия использования необходимо уточнить на странице исходной модели и репозитория.

wAI-org выпустила контрольную точку tmax-9b-production-dppo — текстовую Qwen3.5-модель с плотной архитектурой Qwen3_5ForCausalLM и 7,2 млрд параметров. Это контрольная точка исследования TMax RL на шаге оптимизатора 1000, относящаяся к ветви production DPPO; веса опубликованы в формате safetensors и доступны для инференса через Transformers. Модель предназначена для генерации текста в диалоговом режиме. Контекстное окно составляет 262 144 токена. Контрольная точка получена дообучением hamishivi/Qwen3.5-9B. В README сказано, что опубликованные кривые вознаграждения основаны на обучающих прогонах, а не на отложенной оценке, поэтому они не подтверждают качество на новых данных. Лицензия — Apache-2.0.

Tool-Star-Qwen-3B — дообученная модель на базе Qwen2.5-3B-Instruct, разработанная авторами фреймворка Tool-Star. Она предназначена для пошагового рассуждения с самостоятельным вызовом нескольких внешних инструментов и обменом результатами между ними. Модель использует архитектуру Qwen2, содержит 3,1 млрд параметров и принимает текст; контекст — до 32 768 токенов. Карточка указывает поддержку английского языка, интерфейс вызова инструментов и оценку по точности. Модель подходит для диалоговых сценариев, где нужно разбить задачу на шаги, обратиться к доступным инструментам и использовать их ответы при дальнейшем рассуждении. Обучение включало начальную тонкую настройку и обучение с подкреплением для улучшения многоинструментального взаимодействия. Веса опубликованы в формате Safetensors; лицензия — MIT.