II.4Отладка, тестирование и качество ПО

GRPO-Think-1.5B-8k — компактный верификатор кода от INSAIT Institute, дообученный методом GRPO на наборе INSAIT-Institute/Aletheia-Train. Модель основана на DeepSeek-R1-Distill-Qwen-1.5B и использует архитектуру Qwen2 с 1,5 млрд параметров; веса опубликованы в формате safetensors. При обучении применялись промежуточные рассуждения, отрицательные примеры и обучение на собственных ответах модели с бюджетом генерации рассуждений 8 тыс. токенов. Модель принимает условие задачи соревновательного программирования и несколько вариантов решения, после чего оценивает и ранжирует их, выделяя корректный вариант. Её можно использовать как оценщик или компонент функции вознаграждения при оптимизации моделей генерации кода, а также для автоматической проверки кандидатов и исследования методов обучения верификаторов. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на некоммерческих условиях, а производные материалы должны распространяться на тех же условиях. Карточка описывает узкую специализацию на проверке кода; результаты следует воспринимать как оценку кандидатов, а не замену исполнения и тестирования программ.

HaloGuard 1.0-0.8B — компактный классификатор входных запросов на безопасность, разработанный Astroware и дообученный на Qwen3.5-0.8B. Это генеративный классификатор без отдельной классификационной головы: он выдаёт вердикт safe/unsafe и категорию политики, а также оценки уверенности и вероятности по категориям. Модель предназначена для быстрой встроенной проверки каждого запроса перед передачей его языковой модели, агенту или приложению. В README описаны 46 политик и 2 940 подкатегорий, а также обучение на парных примерах, где меняется намерение при сохранении темы и лексики. Заявлена поддержка 46 языков; метаданные перечисляют языки, включающие русский. Модель распространяется в формате safetensors по лицензии Apache-2.0. Классификатор подходит для выявления опасных запросов, проверки пограничных формулировок, преобразованных или многоязычных промптов и маршрутизации запросов на блокировку, дополнительную проверку или ручную эскалацию. Он проверяет только входные промпты: не анализирует ответы модели, потоковую генерацию, вызовы инструментов или исполнение действий агента. README также сообщает о повышенной доле ложных срабатываний для некоторых индийских и юго-восточных языковых групп; порог unsafe следует калибровать под конкретное применение.

Nemotron 3.5 Content Safety — модель NVIDIA для модерации безопасности контента на входе и выходе языковых и визуально-языковых моделей. Она принимает текстовый запрос, необязательное изображение, необязательный ответ модели и пользовательскую политику безопасности, а затем выдаёт текстовые метки безопасности для запроса и ответа; в стандартном режиме может также указывать нарушенные категории, а в режиме пользовательской политики — краткое обоснование классификации. Это дообученная NVIDIA версия Gemma-3-4B-it: плотный декодерный трансформер примерно на 4 млрд параметров с визуальным энкодером SigLIP. Модель принимает изображения, масштабируемые до 896 × 896 пикселей, поддерживает контекст до 128 тыс. токенов и предназначена для английского, арабского, немецкого, испанского, французского, хинди, японского, тайского, нидерландского, итальянского, корейского и китайского языков. Веса обучались с LoRA и были объединены с базовой моделью; доступны в формате safetensors. Модель подходит для стандартной классификации безопасности и применения собственных или специализированных политик модерации. README указывает готовность к коммерческому использованию, однако для надёжного внедрения рекомендует проверку на данных конкретного сценария. Модель оптимизирована для GPU NVIDIA; лицензия указана как other, поэтому перед использованием следует проверить условия лицензии репозитория.

NimbusLM — языковая модель, представленная разработчиками NimbusLM как чат-ассистент. В README заявлены улучшения рассуждений, вывода, генерации и вызова функций, а также результаты на тестах по математике, программированию и общей логике. Для сложных вопросов модель может формировать длинную цепочку рассуждений; в README указано среднее значение 28 тысяч токенов на вопрос GPQA. Модель предназначена для диалогового использования через чат или API, решения задач на рассуждение и программирование, а также ответов с использованием загруженных файлов или результатов веб-поиска. Однако метаданные Hugging Face описывают репозиторий как RoBERTa-модель для извлечения признаков, а не как генеративную чат-модель; сведения README не согласуются с этой классификацией. В метаданных указан формат PyTorch и лицензия Apache-2.0. Размер модели, контекстное окно и языки не приведены.

Pollux-4B-Judge — русскоязычная генеративная модель для оценки ответов других языковых моделей. Её разработали как компонент проекта POLLUX, дообучив Qwen/Qwen3-4B; модель имеет декодерную архитектуру и около 3,7 млрд параметров. Она принимает текст задания, ответ, один критерий оценки и соответствующую шкалу, а также при наличии эталонный ответ, после чего генерирует численную оценку и текстовое обоснование. Контекст модели составляет до 40 960 токенов. Модель предназначена для автоматизированной оценки качества ответов на русскоязычные задачи, в том числе в исследовательских и прикладных контурах проверки LLM. В README приведены результаты сравнения с экспертными оценками по RMSE, macro F1 и корреляции Спирмена. Для надёжной работы нужно задавать критерий и шкалу явно и оценивать по одному критерию за запуск; одновременная оценка нескольких критериев и самостоятельный выбор критерия не входят в целевой сценарий. Лицензия — MIT.

Карточка модели ToxicityPrompts/PolyGuard-Ministral на Hugging Face совпадает с карточкой ToxicityPrompts/PolyGuard-Qwen-Smol, поэтому описание составлено по ней. ToxicityPrompts/PolyGuard-Qwen-Smol — компактная многоязычная модель для модерации безопасности ответов LLM, разработанная авторами PolyGuard. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров и контекстом до 32 768 токенов; репозиторий содержит веса в формате safetensors. В карточке заявлена поддержка 17 языков: арабского, чешского, китайского, нидерландского, английского, французского, немецкого, хинди, тайского, итальянского, японского, корейского, польского, португальского, русского, испанского и шведского. Модель предназначена для оценки безопасности пользовательских запросов и ответов LLM, включая выявление вредоносного или токсичного содержания и отказов в ответе. PolyGuard обучена на PolyGuardMix из 1,91 млн примеров и представлена вместе с набором PolyGuardPrompts для оценки защитных механизмов. По описанию авторов, в проведённых оценках она превзошла другие открытые и коммерческие классификаторы безопасности в среднем на 5,5%. Метаданные указывают задачу text-generation и возможности чата; поэтому её можно применять в текстовых сценариях модерации и защитных цепочках LLM. Лицензия — CC BY 4.0. Карточка не уточняет ограничения по применению и ошибки классификации; результаты модерации следует проверять с учётом языка и контекста, особенно в критичных сценариях.

Экспериментальная GGUF-модель talhasarac/Qwen3.8-Flash-Next-REAP128-86B-Unity-OpenCode-GGUF, созданная на основе Qwen3.8-Flash-Next команды Qwen с использованием GGUF-квантизации от Unsloth. Это не дообученная модель: из исходной MoE-архитектуры удалены наименее значимые эксперты с помощью метода REAP, основанного на активациях, для более удобного локального запуска на ограниченном по быстрой памяти оборудовании. Модель предназначена прежде всего для экспериментального локального инференса через llama.cpp, помощи в разработке на Unity и C#, навигации по репозиториям, ревью кода и OpenCode-подобного использования инструментов. В каждом из 48 MoE-слоёв сохранено 128 из 512 маршрутизируемых экспертов, при этом на токен выбираются 10 экспертов. После pruning модель содержит около 86,3 млрд сохранённых значений параметров, из них около 35 млрд приходятся на языковую модель, около 51 млрд — на разреженную n-граммную embedding-таблицу, а примерно 6 млрд параметров активируются на токен. Используется квантизация UD-IQ4_XS, размер файла — около 45,50 GiB. В README явно указан английский язык; калибровка также выполнялась только на английских данных. Это исследовательский производный вариант, а не полноценная замена исходной модели. Удаление экспертов приводит к необратимой потере возможностей, а качество общих знаний, фактической точности, многоязычности, рассуждений и работы вне задач Unity/C# может быть существенно хуже. Широкая оценка производительности и проверка безопасности не проводились; результаты ограниченных тестов являются предварительными. Модель распространяется по лицензии qwen-community-1.0, унаследованной от базовой модели Qwen; перед использованием или распространением необходимо изучить её условия и правила допустимого использования.

Self-Healing-LLM (Project RetroEdit) — экспериментальная адаптация Qwen/Qwen2.5-0.5B, дообученная для генерации кода с возможностью откатывать фрагменты и исправлять синтаксические ошибки в ходе генерации. Это плотная авторегрессионная модель Qwen2 с примерно 494 млн параметров, рассчитанная на контекст до 32 768 токенов и работающая через Transformers в формате safetensors. В README описан механизм проверки строк Python-кода и повторной генерации после отката динамического KV-кэша; обучение проводилось на синтетических траекториях исправления мутаций и diff-последовательностей. Модель предназначена для генерации и итеративного исправления кода, в частности для сохранения синтаксической корректности при построчном откате. В карточке указаны английский язык и код; конкретные оценки качества или поддержка языков программирования, кроме приведённого примера Python, не описаны. Лицензия — Apache-2.0.

ishaanranjan разработал эту компактную модель как полнопараметрическое дообучение HuggingFaceTB/SmolLM2-135M-Instruct для узкой подзадачи агентных систем разработки: восстановления повреждённого JSON-вызова инструмента в исходный объект по заданной схеме. Модель построена на плотной архитектуре семейства Llama, содержит 134,5 млн параметров и рассчитана на контекст до 8192 токенов; для работы используется библиотека Transformers. Модель предназначена для встраивания в проверяемый конвейер: он формирует специализированный запрос, проверяет строгий JSON, при необходимости один раз передаёт модели обратную связь о нарушении схемы, применяет детерминированные проверки и может использовать запасные правила. В эксперименте на тестовых примерах из HTTPX и Jinja2 успешность после одной попытки исправления схемы составила 91,6%, а успешность с первой попытки — 90,0%. Это специализированный чекпойнт, а не универсальный чат-бот или помощник по программированию. Он обучен на 2000 примерах для одной закрытой JSON-схемы, поэтому его широкие способности следовать инструкциям могут быть ограничены. Модель распространяется по лицензии Apache-2.0.

Модель billingsmoore/tibetan-asr-nict-tib1-wav2vec2-base разработана авторами исследования Дж. Муром, С. Ли и П. Лореном как часть набора чекпойнтов для оценки распознавания тибетской речи. Это wav2vec 2.0 Base с архитектурой Wav2Vec2ForCTC, полностью дообученная на корпусе NICT-Tib1; все параметры обновлялись, адаптеры и квантизация не использовались. Модель принимает аудио и преобразует речь в текстовую транскрипцию на тибетском языке.

xVerify-8B-I — языковая модель для автоматической проверки ответов на объективные вопросы с единственным правильным ответом. Она дообучена на базе Meta Llama 3.1 8B Instruct и представлена в работе «xVerify: Efficient Answer Verifier for Reasoning Model Evaluations». Модель извлекает итоговый ответ из длинного рассуждения и оценивает, эквивалентен ли он эталонному ответу. Модель предназначена для оценки решений математических задач, ответов на вопросы с выбором варианта, классификаций и коротких ответов. Она сопоставляет варианты ответа по смыслу, распознаёт эквивалентные математические записи, включая LaTeX, дроби и научную нотацию, а также учитывает семантическую эквивалентность формулировок. Поддерживает китайский и английский языки; README также отмечает совместимость с другими языками. Использует архитектуру Llama с 7,5 млрд параметров, принимает до 131 072 токенов контекста и работает через Transformers. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий без соблюдения её условий. Модель ориентирована на вопросы с одним объективно проверяемым ответом; её пригодность для открытых вопросов и иных задач оценки в карточке не заявлена.

NAMAA-Space/Ara-Prompt-Guard_V1 — классификатор, дообученный NAMAA-Space на базе meta-llama/Llama-Prompt-Guard-2-86M для выявления вредоносных запросов на арабском языке. Модель относит входной текст к безопасному или небезопасному классу и предназначена для проверки пользовательских запросов перед передачей их LLM. Её можно применять для обнаружения prompt injection и jailbreak, модерации запросов и как дополнительный защитный слой в арабоязычных интерфейсах и API на базе LLM. Модель построена на архитектуре DeBERTa-v2 для классификации последовательностей, содержит 306 млн параметров и поддерживает контекст до 512 токенов. В README описан датасет дообучения с 13 000 специально собранных арабских примеров и переведёнными примерами атак. Количественные результаты оценки не приведены, а утверждение о превосходстве над другими моделями не подтверждено метриками. Лицензия — Apache-2.0.

Brigand-Refusal-ModernBERT — англоязычный классификатор, разработанный Martin Bukowski для анализа ответов больших языковых моделей в контурах безопасности и выравнивания. Он одновременно предсказывает позицию ответа — выполнение запроса или отказ, семейство ответа из 19 типов, семейство паттерна рассуждения из 11 типов и тип документа. Два потока обработки используют общие веса ModernBERT-base: один анализирует пару «запрос — ответ», другой — «запрос — рассуждение»; все четыре группы предсказаний формируются за один проход модели. Модель предназначена для разметки поведения LLM, подготовки обучающих сигналов для reward-моделей и фильтрации ответов во время инференса. Она различает, например, общий, юридический и этический отказ, а также случаи частичного выполнения запроса перед отказом. В README описаны калибровка оценок семейств ответов и отдельная обработка блоков рассуждений. Модель дообучена на ModernBERT-base и опубликована в формате safetensors; лицензия — Apache-2.0. Основное назначение — англоязычные данные. Автор отмечает, что многоязычное покрытие минимально, а для некоторых многоязычных категорий валидационных примеров мало, поэтому такие предсказания следует считать ориентировочными. В предоставленной карточке не указаны размер модели и длина контекста.

DeepSeek Coder 6.7B Kexer — языковая модель для генерации и автодополнения программного кода, разработанная JetBrains на основе DeepSeek Coder 6.7B. Модель предназначена исключительно для code completion и специально дообучена под Kotlin, поэтому подходит для использования в качестве программного ассистента и инструмента автодополнения в IDE. Модель содержит около 6,7 млрд параметров и обучена на 15 тысячах синтетически сгенерированных упражнений по Kotlin из набора JetBrains/KExercises. Она поддерживает FIM-токены для заполнения пропусков в коде, включая сценарии с заданными префиксом и суффиксом. Для модели не заявлены prompt template и system prompt; рекомендуется использовать её в режиме продолжения кода. В тесте MultiPL-HumanEval (Kotlin) указано значение pass@1 55,28%. Доступная версия — квантованный формат GGUF, подготовленный bartowski на основе llama.cpp. Сильная сторона модели — специализация на генерации Kotlin-кода и интеграции в сценарии автодополнения, однако она не предназначена для универсального диалога или широкого спектра языков, а заявленные данные не содержат сведений о размере контекста, поддерживаемых модальностях и детальных ограничениях качества. Модель распространяется по лицензии Apache-2.0.

Maverick-Math-7B — плотная Mistral-модель на 7,1 млрд параметров, дообученная разработчиком feeltheAGI на математических и программных данных. Она предназначена для генерации ответов при решении математических задач, в том числе текстовых задач и задач на рассуждение; в карточке приведены результаты на GSM8K и MathQA. Модель поддерживает контекст до 32 768 токенов и распространяется в формате PyTorch. Модель можно использовать для получения решений и объяснений к математическим задачам, а также для задач, связанных с кодом. Доступные результаты бенчмарков дают ориентир по математическим задачам, но сами по себе не гарантируют точность ответов в практическом применении. Лицензия — Apache-2.0.

Sheltron Prompt Guard 68M — компактный классификатор последовательностей от Sheltron для обнаружения prompt injection и jailbreak. Модель построена на архитектуре ModernBERT, содержит около 68,1 млн параметров и дообучена на jhu-clsp/ettin-encoder-68m. Она принимает текст и выдаёт оценки наличия атаки, её канала (прямая, косвенная или смешанная), цели и техники атаки. Модель предназначена для локального, периферийного и агентного развертывания с низкой задержкой, где её оценки могут использоваться системами политик и подтверждения действий. В карточке приведены результаты внутренней и внешней оценки, но они не гарантируют качество на новых данных. Сигнал модели следует учитывать вместе с контролем разрешений на границе выполнения действий. Доступны веса Safetensors и варианты ONNX в FP32 и FP16; метаданные указывают контекст до 7 999 токенов. Основные языковые метки — английский и multilingual, однако конкретный перечень поддерживаемых языков в карточке не приведён. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Prompt Guard OSS Small — мультиязычный бинарный классификатор NeuralTrust для выявления jailbreak-попыток и прямых prompt injection в пользовательском тексте перед передачей запроса языковой модели. Он предназначен для первичной быстрой проверки в двухэтапной схеме: подозрительные запросы можно направлять более крупному детектору для уточнения. Модель основана на jhu-clsp/mmBERT-small: это энкодер ModernBERT с линейной головой классификации последовательностей, примерно 140,5 млн параметров. Она выдаёт метки benign и jailbreak; в README для токенизации рекомендовано ограничивать вход 512 токенами. Метаданные указывают нативный контекст 8192 токена, однако заявленный сценарий и приведённые результаты относятся к первым 512 токенам. Поддерживаются каталанский, немецкий, английский, испанский, французский, галисийский, итальянский, португальский и турецкий; качество на других языках не установлено. Модель ориентирована на высокий охват атак при первичной фильтрации, но качество зависит от распределения данных: на отдельных внешних наборах наблюдались заметные ложноположительные срабатывания. Она не предназначена для модерации токсичности, анализа инструкций внутри документов и результатов инструментов, оценки целых диалогов или использования как единственной границы безопасности. Лицензия — MIT.

Sentinel v2 — модель классификации текста, разработанная rogue-security и дообученная на базе Qwen/Qwen3-0.6B. Она предназначена для обнаружения prompt injection и jailbreak-атак во входных запросах к большим языковым моделям и может использоваться как фильтр перед передачей запросов чат-боту или как компонент системы модерации. По карточке, модель содержит около 596 млн параметров, работает с текстом, поддерживает контекст до 32K токенов и рассчитана прежде всего на английский язык. В опубликованной оценке средний F1 составил 0,957 на пяти бенчмарках; пример вывода содержит метку класса и оценку уверенности. Модель не предназначена для генерации текста или общего анализа тональности. Она может ошибочно классифицировать творческие и неоднозначные запросы; оценка на неанглоязычных данных не проводилась, поэтому заявленная применимость ограничена английским языком. Для сложных атак рекомендуется сочетать её с проверкой человеком или правилами. В README указана лицензия Elastic и возможность коммерческого использования; метаданные Hugging Face обозначают лицензию как other, поэтому перед внедрением следует проверить условия лицензии в репозитории.

Карточка модели dancinlab/Qwen3.8-27B-Uncensored на Hugging Face совпадает с карточкой orcarouter/Qwen3.8-27B-Uncensored, поэтому описание составлено по ней. Qwen3.8-27B-Uncensored — дообученная модель OrcaRouter на базе Qwen/Qwen3.8-27B с удалённым направлением отказа (abliteration). Это плотная мультимодальная модель на 27 млрд параметров с архитектурой Qwen3_5ForConditionalGeneration: 64 слоя, гибридное внимание Gated DeltaNet и полное внимание, визуальная башня и голова MTP. Репозиторий содержит веса BF16 без квантизации; доступны диалог, анализ изображений, OCR, рассуждения и вызов инструментов. Модель предназначена для исследований механизмов отказа и выравнивания, контролируемого red teaming и оценки устойчивости, а также как основа для дальнейшего дообучения и квантизации. В карточке указаны английский и китайский языки; базовая модель также описана как подходящая для анализа видео, но README отдельно подтверждает работу зрения и OCR. Автор приводит результаты тестов, близкие к базовой модели по нескольким показателям, однако показатели отказов на вредоносные запросы резко снижены. Защитные ограничения существенно удалены: модель может выдавать вредный, незаконный, предвзятый или оскорбительный контент. README не рекомендует развёртывание для конечных пользователей без собственных механизмов безопасности и модерации. Лицензия — Apache 2.0, унаследованная от базовой модели.

SingGuard-2b — мультимодальная модель-охранник для оценки безопасности текста, изображений и их сочетаний. Это дообученная модель Qwen3-VL-2B-Instruct от Qwen, опубликованная inclusionAI; она использует архитектуру Qwen3-VL и доступна в формате safetensors. Модель принимает правила безопасности как входной параметр policy, поэтому её можно настраивать под разные политики модерации без повторного обучения. Модель определяет, соответствует ли пользовательский запрос, ответ модели или мультимодальный материал активным правилам, и возвращает оценку safe/unsafe с категорией риска. Поддерживаются быстрый режим и режим с более подробным рассуждением; заявлена также оценка многоязычных запросов и ответов. Для работы с изображениями используется диалоговый интерфейс Transformers или vLLM. Лицензия — Apache-2.0. Карточка заявляет высокие результаты на ряде бенчмарков безопасности, но не приводит в доступном описании численных метрик. Выходы следует проверять: README отдельно предупреждает о некорректном формате или категории, отсутствующей в активной политике; возможности для видео отдельно для этой версии не подтверждены.

VibeThinker-3B — плотная языковая модель на 3,1 млрд параметров, разработанная WeiboAI как часть серии VibeThinker и дообученная на базе Qwen/Qwen2.5-Coder-3B. Она использует архитектуру Qwen2ForCausalLM, формат safetensors и библиотеку Transformers; заявленная длина контекста — до 131 072 токенов. Модель предназначена прежде всего для задач с проверяемыми ответами: решения математических задач, программирования в соревновательном стиле и STEM-рассуждений. Также она обучалась диалогу и следованию инструкциям. В карточке отмечены сильные результаты на бенчмарках по математике и программированию, но они не гарантируют аналогичного качества на произвольных запросах. Разработчики не рекомендуют использовать модель для вызова функций, оркестрации API и автономных программных агентов: такие сценарии не входили в обучение. Для широких запросов на общие знания и длинный хвост предметных тем авторы рекомендуют более крупные универсальные модели. Лицензия — MIT.

QuantFactory/CodeLlama-7B-KStack-clean-GGUF — квантизированная версия CodeLlama-7B-KStack-clean, созданная с использованием llama.cpp. Базовая модель CodeLlama-7B была дообучена JetBrains на 25 тысячах примеров из набора KStack-clean, содержащего преимущественно Kotlin-код, отобранный по образовательной ценности. Модель предназначена для генерации и дополнения программного кода, прежде всего на Kotlin, включая сценарии text generation и Fill-in-the-Middle с использованием специального формата PRE/SUF/MID. Размер модели составляет 7 млрд параметров; формат GGUF предназначен для использования с совместимыми инструментами, включая llama.cpp. В README не указаны точные параметры контекстного окна, поддерживаемые языки помимо Kotlin и конкретные варианты квантизации. На Kotlin HumanEval модель показала Pass@1 37,89%, превысив результат исходной CodeLlama-7B в 26,89%. При этом её ответы могут быть неточными или нежелательными, особенно при отклонении от Kotlin-ориентированного формата и задач, поэтому перед применением требуется тестирование под конкретный сценарий. Лицензия — Apache-2.0.

protectai/distilroberta-bias-onnx — модель классификации текста для обнаружения предвзятости и bias в англоязычных текстах. Она разработана как ONNX-конверсия модели valurank/distilroberta-bias; конвертацию выполнили с помощью библиотеки Hugging Face Optimum. Модель связана с проектом LLM Guard, предназначенным для проверки безопасности вывода языковых моделей. В основе лежит DistilRoBERTa — дистиллированная версия RoBERTa, оптимизированная для более быстрого выполнения при сохранении близкой точности. Модель работает с текстовой модальностью, относится к задачам sequence classification и обучалась на датасете valurank/wikirev-bias. Формат ONNX позволяет использовать её через ONNX Runtime и потенциально упрощает эффективное развёртывание, однако конкретные размер модели, длина контекста, показатели качества и поддерживаемые языки, кроме английского, в README не указаны. Модель подходит для автоматического скрининга текстов на наличие предвзятости, в том числе как компонент защитных конвейеров для LLM. Ограничения включают архивный статус проекта и отсутствие активной поддержки, а также отсутствие в README подробных данных о точности, порогах классификации и поведении на разных типах текстов. Лицензия в предоставленных материалах не указана.

Eurus-2-7B-PRIME — языковая модель PRIME-RL, построенная на базе Qwen2.5-Math-7B-Base и обученная командой PRIME-RL методом PRIME: онлайн-обучением с подкреплением, использующим неявные оценки процесса решения. Модель предназначена для генерации ответов с рассуждениями, особенно при решении математических задач и написании кода; авторы сообщают об улучшении результатов на ряде математических тестов относительно версии Eurus-2-7B-SFT. Это плотная причинная модель Qwen2 с 7,1 млрд параметров, работающая через Transformers и принимающая текстовые запросы. Заявленный контекст — 4096 токенов. Для задач по математике и программированию README предлагает специальные формулировки запросов; приведённые результаты относятся к указанным бенчмаркам и не гарантируют аналогичного качества на других задачах. Модель распространяется под лицензией Apache-2.0.

Fara1.5-4B — мультимодальный агент для управления веб-браузером, разработанный Microsoft Research AI Frontiers. Модель дообучена методом supervised fine-tuning от Qwen/Qwen3.5-4B и принимает текстовую историю действий вместе со скриншотами браузера, после чего выдаёт текстовые команды для инструментов: например, клики по координатам, ввод текста, прокрутку и переходы по URL. Она работает по изображению экрана, не используя DOM или дерево доступности, и рассчитана на контекст до 262 тысяч токенов. Модель предназначена для выполнения многошаговых веб-задач: заполнения форм, поиска информации, покупок, бронирования поездок и ресторанов, а также рабочих процессов в учётных записях. По карточке, Fara обучена останавливаться и запрашивать подтверждение перед вводом отсутствующих личных данных и необратимыми действиями — например, покупкой, отправкой сообщения или подачей заявки. Для запуска разработчик рекомендует использовать её с MagenticLite или Fara CLI и системным промптом и схемой инструментов, для которых она обучалась. Репозиторий распространяется по лицензии MIT. К сильным сторонам относятся визуальное управление без доступа к DOM, предсказание действий с привязкой к координатам и работа с длинной историей скриншотов. Карточка отмечает ограничения: модель может ошибаться при неоднозначном или вводящем в заблуждение интерфейсе, ошибки накапливаются в длинных последовательностях, а поведение между запусками варьируется. Качество хуже для материалов не на английском; также возможны галлюцинации о состоянии страницы и влияние prompt injection в её содержимом.

FerrisMind — дообученная Daemontatox в 2025 году языковая модель на архитектуре Qwen3 MoE, предназначенная для генерации кода на Rust. Она основана на Qwen/Qwen3-Coder-30B-A3B-Instruct и обучалась с помощью instruction tuning и GRPO, чтобы применять гибридный режим рассуждений при решении задач программирования. Репозиторий содержит веса Safetensors; размер модели в метаданных указан как 2,4 млрд параметров, нативная длина контекста — 262 144 токена. Модель помогает писать идиоматичный Rust-код, создавать каркасы проектов, ускорять прототипирование и предлагать оптимизации. Она рассчитана на практические задачи разработки и обучение Rust. По карточке, модель может выдавать код, который не компилируется в сложных случаях; она не предназначена для общей беседы и вредоносной генерации кода. Лицензия — Apache-2.0.

Ficus 0.1 Agent 12B — экспериментальная текстовая донастройка модели Gemma 4 12B IT, выпущенная исследовательской командой Aurora System. Она предназначена для ответов на вопросы по кибербезопасности, аудита исходного кода и веб-безопасности, разбора CVE, задач CTF и реверс-инжиниринга. Модель поддерживает русский и английский языки; её плотная архитектура Gemma4 Unified унаследована от мультимодальной базы, однако дообучение было только текстовым, а обработка изображений, аудио и видео не проверялась. Веса доступны в формате Safetensors, bf16, со слитыми LoRA-адаптерами; для инференса в README приведена конфигурация vLLM с ограничением контекста 8192 токенами. На приведённых в карточке тестах модель показала улучшение относительно базы на SecEval, а также на отдельных общих тестах с включённым thinking-режимом. При этом авторы сообщают о заметном снижении качества генерации кода и результатов на русских и китайских тестах. Карточка прямо предупреждает, что модель не готова к продакшену: она выдумывает вызовы и результаты инструментов, поэтому её нельзя подключать к инструментам, файловой системе или агенту с доступом к системе; на сложных длинных запросах thinking-режим может зацикливаться. Лицензия — Apache-2.0.

GPTFuzzer — модель классификации текста на основе RoBERTa, дообученная авторами репозитория для определения токсичности ответа. Она принимает текст и относит его к классам токсичности; модель рассчитана на автоматическую проверку ответов, например в фильтрах безопасности и при анализе текстовых данных. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForSequenceClassification и поддерживает контекст до 514 токенов. Она обучена на вручную размеченном наборе данных. Репозиторий распространяет веса в форматах PyTorch и Safetensors. Лицензия — MIT.

Grug 67B A2B Datakit SFT 262K — экспериментальный чекпойнт Grug MoE от open-athena, дообученный методом supervised fine-tuning на подборке данных для агентных сценариев и рассуждений. В набор вошли примеры кода OpenThoughts и SWE-ZERO, трассы Penfever, задачи NuminaMath, а также данные GLM для следования формату и компактизации. Это отдельный запуск SFT от релиза 11 сентября. Архитектура GrugMoeForCausalLM использует 256 маршрутизируемых экспертов с выбором четырёх экспертов на токен и одним общим экспертом. В метаданных указано 2,8 млрд параметров; README сообщает около 2 млрд активных параметров без эмбеддингов на токен и 67,1 млрд общих параметров. Модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Контекст настроен на 262 144 токена, однако качество на длинном контексте не проверено. Для работы нужен runtime с поддержкой Grug MoE; заявлена лицензия OpenMDW-1.1. Чекпойнт предназначен для экспериментов с агентными задачами, рассуждениями, кодом и следованием инструкциям. Автор предупреждает, что модель не прошла надлежащее тестирование и оценку: для этого чекпойнта нет установленного результата даже smoke-теста генерации или бенчмарков, а соответствие качества, безопасности и численной эквивалентности исходной модели не подтверждено. Совместимость с указанным форком vLLM и загрузка через стандартный Transformers также не проверены.

Meta Llama Guard 2 — модель-классификатор безопасности на 8 млрд параметров, разработанная Meta на основе Llama 3 и дообученная для выявления небезопасного содержимого. Она анализирует как запросы к языковым моделям, так и их ответы, генерируя текстовую метку «safe» или «unsafe» и, если содержимое небезопасно, указывая нарушенные категории. Вероятность первого токена можно использовать как оценку класса «unsafe» и применять порог для бинарной классификации. Модель предназначена для модерации входов и выходов LLM по 11 категориям рисков, включая насилие, преступления, сексуальный контент, вред детям, специализированные медицинские, финансовые и юридические советы, утечки приватных данных, нарушения интеллектуальной собственности, ненависть и самоповреждение. Поддерживает английский язык согласно карточке модели. Распространяется в формате Safetensors по лицензии Llama 3. Классификация может быть ограничена знаниями модели, охватом политик и мультиязычными возможностями; модель может поддаваться состязательным атакам и prompt injection. Она не охватывает категории выборов и клеветы и не предназначена для обычного диалогового использования.