II.4Отладка, тестирование и качество ПО

Muszka Guard 0.1B v1.0 — разработанный в рамках инициативы muszkaowocowa.pl польскоязычный классификатор безопасности для проверки текстовых запросов и ответов перед передачей генеративной модели или показом пользователю. Модель дообучена на базе speakleash/Bielik-Guard-0.1B-v1.1; в README указана архитектура RoBERTa Base, а метаданные каталога сообщают 151,6 млн параметров и контекст до 514 токенов. README приводит оценку около 124 млн параметров, поэтому размер в источниках расходится. Классификатор выдаёт независимые оценки по шести категориям: преступная деятельность, jailbreak и prompt injection, вульгарность, язык ненависти, самоповреждение и сексуальный контент. Он предназначен для польских LLM-приложений и может работать как входной или выходной фильтр. Для CPU-развёртывания доступны веса SafeTensors и оптимизированный ONNX; автор README сообщает о задержке порядка 18–22 мс и потреблении около 420 МБ памяти на указанном оборудовании. README описывает аудит коротких токенов и примеры обнаружения угроз, однако приведённые результаты не заменяют независимой оценки качества на целевых данных. Модель ориентирована на польский язык, а заявленные категории и показатели не гарантируют выявление всех вредоносных запросов. Лицензия Apache-2.0 разрешает коммерческое и исследовательское использование.

PeppX/Ornith-1.0-9B-Uncensored — модифицированная версия Ornith 1.0 9B от DeepReinforce AI, подготовленная командой Lethflow. Это плотная причинно-языковая модель семейства Qwen 3.5 с 7,2 млрд параметров; веса доступны в формате bf16 Safetensors. В README указано окно контекста 262 144 токена согласно метаданным и описан способ удаления направления отказа с помощью ортогонализации весов и оптимизации Abliterix TPE без переобучения модели. Модель предназначена для генерации текста в диалоге, написания кода и агентных сценариев. Карточка заявляет отсутствие отказов и близкое к исходной модели поведение на безвредных запросах, но приведённые результаты основаны на ограниченной внутренней оценке и не гарантируют качество или безопасность в других сценариях. Указан английский язык. Лицензия — MIT. Поскольку защитные механизмы отказа намеренно удалены, модель может выдавать опасный, незаконный или оскорбительный контент; карточка не рекомендует её для производственного использования.

pollux-judge-32b — русскоязычная генеративная модель на 32 млрд параметров, разработанная для автоматической оценки ответов других языковых моделей. Она принимает исходную инструкцию, ответ, один критерий оценки и соответствующую шкалу, а также эталонный ответ при наличии; в результате выдаёт численную оценку и текстовое обоснование. Модель создана в рамках проекта POLLUX и дообучена на базе t-tech/T-pro-it-1.0; архитектура — плотная decoder-only Qwen2, формат весов — Safetensors, контекст — до 32 768 токенов. Основной сценарий — оценка текстового ответа по одному заранее заданному критерию за запуск. Модель оптимизирована для русскоязычных задач и критериев из таксономий набора POLLUX. Одновременная оценка по нескольким критериям и самостоятельный выбор критериев не соответствуют её назначению и могут давать непредсказуемые результаты. В README также отмечено, что ответы могут содержать ошибки или смещения и требуют проверки. Лицензия — MIT.

NYTK разработала модель для оценки качества перевода с английского на венгерский. Это дообученная на корпусе HuQ модель XLM-RoBERTa base с архитектурой XLMRobertaForSequenceClassification и примерно 305,2 млн параметров. Она принимает пару предложений в формате «исходное предложение на английском \ перевод на венгерском» и выдаёт оценку качества; задача представлена как регрессия, хотя в Hugging Face модель помечена для классификации текста. Максимальная длина последовательности в README — 256 токенов, а нативный контекст в метаданных — 514 токенов. На корпусе HuQ модель показала корреляцию 0,7948, MAE 0,6451 и RMSE 0,8898 в 10-кратной перекрёстной проверке. Лицензия — MIT. Модель предназначена для оценки пар английских и венгерских предложений; результаты вне этой языковой пары и корпуса HuQ не описаны.

Qwen-2.5-7B-FoVer-PRM-2026 — модель оценки промежуточных шагов рассуждения (Process Reward Model), разработанная авторами проекта FoVer. Она основана на Qwen/Qwen2.5-7B-Instruct и дообучена на данных, созданных с помощью формальной верификации в рамках исследования «Efficient PRM Training Data Synthesis via Formal Verification». Модель предназначена для оценки цепочек рассуждений и выявления ошибок на отдельных шагах, в том числе в математике, логике, естественном выводе и задачах BBH. Модель имеет плотную архитектуру Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указаны английский язык, формат safetensors и лицензия Apache-2.0. Авторы сообщают об экспериментах на 12 бенчмарках и обобщении на задачи, отличающиеся от формальных задач, использованных для создания обучающих данных. Для воспроизведения экспериментов описана среда с четырьмя GPU NVIDIA A100 80 ГБ; требования конкретного применения зависят от оборудования и настроек.

RVN-Qwen3.8-Flash-Next-Abliterated-Uncensored — текстовая диалоговая модель на базе Qwen3.8-Flash-Next, выпущенная 0bserverx. Это дообученная версия с изменённым поведением отказов: автор сообщает о 2 строгих отказах на 100 запросов в своём тесте, а также о прямом выполнении 65 и содержательных перенаправлениях 32 запросов из 100. Модель использует архитектуру MoE и содержит 5,1 млрд параметров; нативный контекст — 262 144 токена. Модель предназначена для диалога, контролируемых исследований поведения отказов и следования инструкциям, red-team-тестирования и проверки устойчивости к чувствительным или состязательным запросам. README приводит ограниченные результаты оценки на нескольких тестах и отдельные замеры производительности и perplexity для GGUF Q6_K; они не доказывают сохранение возможностей в целом и зависят от тестовой конфигурации. Выпуск рассчитан только на текст: в репозитории нет визуального проектора и черновой головы NextN/MTP. Для запуска требуется совместимая свежая версия Transformers, vLLM или llama.cpp с поддержкой архитектуры Qwen4Exp. Лицензия указана как other; точные условия README не раскрывает. Автор ограничивает заявленное назначение законным исследованием и контролируемой оценкой, а результаты теста отказов не гарантируют поведения на других запросах.

SenseShift-large — англоязычная модель для управляемого редактирования текста, разработанная на базе answerdotai/ModernBERT-large. Она переписывает выбранное предложение в отрывке или добавляет новое, ориентируясь на целевую тональность от −1,0 до +1,0 с шагом 0,1, и учитывает текст до и после изменяемого места. Модель построена на двунаправленном энкодере ModernBERT-large с архитектурой ModernBertForMaskedLM и содержит около 394,7 млн параметров. Для генерации маскирует слова в целевом предложении и восстанавливает их с помощью поиска по лучам; контекст модели — 8192 токена. Подходит для изменения эмоциональной окраски прозы, отзывов и описаний, а также для создания размеченных вариантов текста и проверки устойчивости классификаторов. Лицензия — Apache-2.0. Модель обучалась на коротких детских историях с оценками тональности VADER и переносится на другую английскую прозу, но отрицательная тональность представлена в обучающих данных слабее положительной. Крайние значения −1,0 и +1,0 практически не обучались; для более надёжного управления README рекомендует диапазон от −0,9 до +0,9 и проверку фактически достигнутой тональности. Генерация выполняется неавторегрессионным заполнением масок, поэтому может отличаться от обычной генерации текста слева направо.

microsoft/tapex-large-finetuned-tabfact — модель Microsoft на архитектуре BART, дообученная на наборе TabFact для проверки утверждений по таблицам. Она принимает таблицу и текстовое утверждение и определяет, подтверждается ли оно данными таблицы; это подходит для проверки фактов и ответов на вопросы о табличных данных. Модель содержит 252,8 млн параметров, работает с текстовым представлением таблиц и имеет контекст до 1024 токенов. В карточке указан английский язык и лицензия MIT. Ограничение: модель ориентирована на табличную проверку утверждений, поэтому её не следует считать универсальной моделью для свободного диалога или работы с произвольными документами.

ToolCUA-8B — мультимодальный агент для управления компьютером через графический интерфейс, разработанный авторами проекта ToolCUA. Модель основана на Qwen/Qwen3-VL-8B-Instruct и дообучена для выбора между действиями в GUI, вызовами инструментов и возвратом к GUI-взаимодействию. Она принимает текст и изображения интерфейса и формирует текстовые ответы со структурированными вызовами инструментов для выполнения задач на рабочем столе. Модель предназначена для автоматизации последовательностей действий в настольных приложениях и выполнения задач в средах компьютерного управления. В оценке на выполнимых задачах OSWorld-MCP показала точность 46,85%, долю вызовов инструментов 24,32% и в среднем 14,93 шага на задачу. Для развёртывания авторы рекомендуют vLLM версии 0.12.0 или выше и включение trust-remote-code. Репозиторий содержит веса safetensors; лицензия — MIT.

protectai/unbiased-toxic-roberta-onnx — модель для классификации токсичности текстов, представляющая собой конверсию unitary/unbiased-toxic-roberta в формат ONNX с использованием библиотеки Hugging Face Optimum. Исходную модель разработала Laura Hanu из Unitary. Проект protectai/llm-guard архивирован и больше не поддерживается. Модель предназначена для анализа комментариев и выявления токсичного, агрессивного, оскорбительного или угрожающего содержания, в том числе в сценариях фильтрации пользовательского контента и защиты LLM-приложений. Она обучалась на данных трёх соревнований Jigsaw: Toxic Comment Classification, Jigsaw Unintended Bias in Toxicity Classification и Multilingual Toxic Comment Classification. Поддерживается английский язык; README не содержит сведений о размере модели, длине контекста, точной архитектуре базовой RoBERTa или фактической поддержке многоязычного режима. В зависимости от задачи доступны метки toxic, severe_toxic, obscene, threat, insult, identity_hate или identity_attack, sexual_explicit, а также дополнительные идентичности, упоминаемые в комментариях. Модель предоставляет категории от «Very Toxic» до «Not Toxic» и может запускаться через Optimum, ONNX Runtime и Transformers. Важное ограничение — результаты Hugging Face-модели могут отличаться от результатов библиотеки Detoxify. Лицензия Apache-2.0.

cyberagent/ca-reward-3b-ja — CyberAgent разработала эту японскую модель вознаграждения для оценки предпочтительности ответа на инструкцию. Она классифицирует ответы и количественно оценивает, насколько они предпочтительны; её можно использовать для сравнения вариантов ответа и оценки диалоговых моделей. Модель основана на SB Intuitions Sarashina 2.2 3B Instruct и дообучена полным обновлением параметров на 601 348 примерах с псевдометками предпочтений, созданными с помощью LLM-as-a-judge. Архитектура — плотная Llama для классификации последовательностей; число параметров — 3,1 млрд, контекст — до 8192 токенов. README описывает оценку на японских примерах HelpSteer3 и llm-jp-chatbot-arena; на этих наборах точность составила 0,7032 и 0,5366 соответственно. Модель выпущена в 2025 году под лицензией Apache-2.0. Часть обучающих ответов взята из набора cyberagent/calm2-7b-chat-dpo-experimental с лицензией CC-BY-4.0.

Это исследовательский чекпойнт языковой модели Qwen3-4B, дообученный командой автора с помощью обучения с подкреплением OpenRLHF и алгоритма GRPO. Обучение проводилось непосредственно от Qwen/Qwen3-4B-Instruct-2507 без отдельного SFT-этапа; в метаданных указано 3,7 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации программ, в частности для решения задач из набора cobalt-train, где награда зависела от прохождения тестов сгенерированным кодом. Этот чекпойнт выбран как лучший по метрике pass@8 в рамках конкретного эксперимента. Он сохранён на шаге 26; для обучения использовались восемь вариантов ответа на задачу, максимум 4096 новых токенов и два эпизода. Оценочные метрики чекпойнта в журнале обучения отсутствуют, поэтому результат нельзя считать подтверждением качества на произвольных задачах программирования. Репозиторий содержит веса Safetensors; для загрузки предлагается Transformers. Лицензия в предоставленных данных не указана.

neulab/codebert-cpp — модель на базе RoBERTa, созданная для заполнения пропусков в исходном коде C++. Она основана на microsoft/codebert-base-mlm и дообучена в течение 1 000 000 шагов с размером пакета 32 на корпусе C++ из набора codeparrot/github-code-clean. Модель предназначена прежде всего для использования в CodeBERTScore, а также может применяться в других задачах работы с кодом. Модель содержит 151,8 млн параметров, принимает текстовую последовательность длиной до 514 токенов и предсказывает замаскированные токены. Она подходит для оценки сходства фрагментов кода и других сценариев, где требуется языковое моделирование кода. Лицензия в предоставленных сведениях не указана.

neulab/codebert-java — модель семейства RoBERTa, разработанная на основе microsoft/codebert-base-mlm и дообученная на исходном коде Java из набора codeparrot/github-code-clean. Обучение продолжалось 1 000 000 шагов с размером пакета 32 для задачи восстановления замаскированных токенов. Модель предназначена для использования в CodeBERTScore и может применяться для заполнения пропусков в Java-коде и других задач анализа кода, где полезны представления, обученные на Java. Число параметров — 151,8 млн, длина контекста — 514 токенов; формат репозитория — PyTorch. Карточка не сообщает отдельную лицензию и не описывает сравнительные преимущества или ограничения качества модели.

neulab/codebert-javascript — модель семейства CodeBERT, разработанная на основе microsoft/codebert-base-mlm и дообученная на JavaScript-коде из набора codeparrot/github-code-clean. Она использует архитектуру RoBERTa с задачей masked language modeling и содержит около 151,8 млн параметров; длина контекста — 514 токенов. Модель предназначена для CodeBERTScore и может применяться для заполнения пропусков в JavaScript-коде и других задач, использующих представления кода. Это не генеративная модель для написания программ в диалоге: её основная задача — предсказывать замаскированные токены. В карточке не указаны условия лицензии.

CodeScaler-4B — модель вознаграждения для оценки решений задач программирования, разработанная LARK-Lab. Она обучена дообучением Skywork/Skywork-Reward-V2-Qwen3-4B на наборе предпочтений LARK-Lab/CodeScalerPair-51K и предназначена для масштабирования обучения с подкреплением и оценки решений во время генерации кода без запуска программ. Архитектура — плотная Qwen3 с классификационной головой; модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель извлекает код с учётом синтаксиса и использует формирование оценки, сохраняющее валидность кода, чтобы устойчиво оценивать и сравнивать варианты. Её можно применять для ранжирования решений, отбора кандидатов и подачи сигнала вознаграждения при обучении генераторов кода. Карточка приводит результаты RM-Bench, но таблица в README неполная, поэтому по ней нельзя восстановить полный сравнительный результат. Лицензия — MIT. Язык карточки и тегов — английский.

CyberTech Neural Shield DeBERTa — модель классификации последовательностей, разработанная как второй уровень шлюза безопасности CyberTech Neural Shield. Она дообучена на базе microsoft/deberta-v3-base; в метаданных архитектура указана как DeBERTa-v2, размер модели — 211,6 млн параметров. Модель анализирует входные запросы и относит их к классам Benign или Attack. Модель предназначена для фильтрации запросов перед генерацией ответа LLM в корпоративных сценариях. Она выявляет косвенные prompt injection-атаки, jailbreak-попытки, подмену инструкций, повышение привилегий и атаки социальной инженерии. Поддерживаемые по карточке языки — турецкий, английский и немецкий; максимальный контекст — 512 токенов. Весовые файлы представлены в формате safetensors. Лицензия — MIT. Модель ориентирована на роль компонента защитного контура, а её классификация сама по себе не гарантирует обнаружение всех вредоносных запросов.

DhvaniGuard v0 — модель классификации текста от speedsharma, дообученная на базе google/muril-base-cased. Она помечает текст одной реплики транскрипта голосового агента как SAFE или INJECTION, чтобы выявлять попытки prompt injection и jailbreak в индийских языках и код-смешанной речи, включая хинглиш, романизированные формы индийских языков и деванагари. Модель построена на архитектуре BERT, содержит 264,8 млн параметров и принимает последовательности длиной до 512 токенов. README описывает обучение классификационной головы на синтетических примерах атак и обычных обращений клиентов банков и телеком-компаний; лицензия — MIT. Модель рассчитана на фильтрацию транскриптов для голосовых агентов и заявляет поддержку 15 индийских языков и речевых стилей. В README приведены результаты на авторских тестах и оценка задержки около 30 мс на CPU при max_length 64. Это ранняя специализированная модель: синтетическое обучение не гарантирует устойчивости к шуму распознавания речи, опечаткам, акцентам и новым формулировкам атак; автор не считает её готовой к эксплуатации в production.

DPO-Think-7B — языковая модель-верификатор кода, разработанная проектом Aletheia-Bench. Она дообучена методом DPO на наборах пар предпочтительных и отклонённых ответов с рассуждениями, используя DeepSeek-R1-Distill-Qwen-7B как базовую модель. Архитектура — плотная Qwen2, размер — 7,1 млрд параметров; модель работает с текстом и имеет контекст до 131 072 токенов. Модель предназначена для проверки и ранжирования нескольких вариантов решения задачи программирования. Её можно использовать как оценщик кода в контурах оптимизации генеративных моделей, например RLHF/RLAIF, а также для автоматизированного сравнения решений и исследований методов обучения верификаторов. По карточке, DPO-Think использует офлайн-оптимизацию предпочтений без выборки на текущей политике. Модель ориентирована на задачи соревновательного программирования; в обучающих данных представлены решения на Python, C++ и Java. Лицензия CC-BY-NC-SA-4.0 требует атрибуции, распространения производных материалов на тех же условиях и запрещает коммерческое использование. Карточка не приводит количественных результатов качества именно этой версии; ответы модели следует проверять на целевых задачах.

Карточка модели RedHatAI/granite-guardian-hap-125m на Hugging Face совпадает с карточкой ibm-granite/granite-guardian-hap-125m, поэтому описание составлено по ней. Модель IBM Research — компактный бинарный классификатор токсичности на базе RoBERTa с 12 слоями и примерно 151,8 млн параметров. Она анализирует текст на английском языке и выдаёт оценку наличия токсичного содержания, включая язык ненависти, оскорбления и ненормативную лексику. Модель предназначена для использования в качестве защитного фильтра при работе с большими языковыми моделями и для проверки текстовых фрагментов. Контекст составляет до 514 токенов. Модель распространяется по лицензии Apache 2.0. В README заявлено превосходство по средней производительности над другими моделями на восьми распространённых бенчмарках токсичности. Возможны ложноположительные и ложноотрицательные срабатывания, особенно на текстах, отличающихся от обучающих данных; классификатор может упускать нюансы смысла и наследовать смещения, характерные для обнаружения токсичности и языка ненависти.

prismdata разработала компактную корейскоязычную модель классификации на базе BERT для одновременного обнаружения разжигания ненависти и промпт-инъекций. Она предназначена для проверки пользовательских запросов и ответов LLM, а также для автоматической модерации комментариев и другого контента. Модель использует архитектуру BertForSequenceClassification с 12,4 млн параметров и классифицирует текст по 11 классам, включая SAFE и категории дискриминационных высказываний. Контекст ограничен 256 токенами. Обучение проводилось на 202 313 примерах с использованием KoSBi-v2, K-MHaS и BEEP. В README указаны метрики тестовой выборки: accuracy 0,9252, macro precision 0,7033 и macro recall 0,6839. Модель оптимизирована для корейского языка, поэтому на других языках качество может быть ниже; новые виды промпт-инъекций могут требовать дополнительного обучения. Распространяется по лицензии GPL-3.0.

HazardAuditor — генеративная модель-охранник для аудита полных траекторий компьютерных агентов: она анализирует запрос, промежуточные рассуждения, вызовы инструментов, их аргументы, наблюдения среды и итоговые ответы, а затем выдаёт обоснование по свидетельствам и вердикт safe или unsafe. Модель разработана на базе Qwen3Guard-Gen-8B и дообучена с применением GuardPO; архитектура — плотная Qwen3ForCausalLM, размер — около 7,6 млрд параметров, контекст — до 32 768 токенов. Для воспроизводимого аудита требуется официальный протокол формирования промпта и декодирования; обычный вызов text-generation сам по себе его не реализует. Модель предназначена для офлайн-проверки журналов выполнения компьютерных агентов, оценки безопасности агентных систем и исследовательской работы с защитными моделями траекторий. Карточка приводит результаты на нескольких тестах безопасности, но они не гарантируют качество на других протоколах и распределениях. Возможны ложные срабатывания и пропуски; усечение длинного ввода может удалить поздние свидетельства, а объяснения модели не гарантируют точного описания причин решения. Она не заменяет контроль доступа, изоляцию, детерминированные проверки или человеческую проверку и не должна быть единственным механизмом авторизации. Лицензия — Apache-2.0.

laya-browser — модель Convai Innovations, дообученная как голова принятия решений для браузерного агента browser-use/jev-ultrafast. Она принимает состояние страницы и вопросы о доступных действиях, затем за один проход выбирает операцию — например, щелчок, ввод текста, выбор пункта, прокрутку или завершение — и целевой элемент. Модель не генерирует текст; отдельная языковая модель может подготовить текст для ввода в поля. Модель основана на mmBERT-base размером 322 млн параметров и использует двунаправленный энкодер. По данным карточки, её обучали на траекториях веб-задач и оценивали на сайтах, не встречавшихся в источниках обучения. В тестах на многошаговых задачах с незнакомыми сайтами успешность составила около 20–26%; на двух других наборах результаты различались. На RTX 4070 Ti SUPER решение занимает 22–27 мс при полной частоте GPU, но после простоя задержка может вырасти до 75–270 мс. Модель предназначена для локального управления браузером и совместима с интерфейсом `/v1/systemone` jev-ultrafast. Ограничения включают частое преждевременное завершение задачи на странице результатов, сложности с целями, расположенными далеко внизу страницы, блокировки headless-браузеров и недоступность полей пароля в jev. Репозиторий распространяется по лицензии Apache-2.0.

Llama-3.2-3B-wildguard-ko-2410 — корейская модель-классификатор для выявления вредоносных запросов и ответов, разработанная Хигю Кимом. Она дообучена на базе Bllossom/llama-3.2-Korean-Bllossom-3B и предназначена для проверки запросов перед обработкой, оценки ответов на вредоносность и определения отказа от выполнения запроса. Модель содержит 3,2 млрд параметров, использует архитектуру Llama и рассчитана на генерацию текста; заявленный контекст — до 131 072 токенов. В README приведены результаты на переведённых на корейский язык наборах Wildjailbreak и Wildguardmix: F1 80,116 для Wildjailbreak, 87,381 для классификации запросов и 84,653 для оценки вредоносности ответов. Для оценки отказов указан F1 60,126, поэтому качество этой функции может быть ниже. Карточка не описывает отдельные меры предосторожности при использовании классификаций. Лицензия — Llama 3.2.

Llama Guard 3 Vision — модель Meta на базе Llama 3.2 Vision с 11 млрд параметров, дообученная для классификации безопасности мультимодальных запросов и текстовых ответов. Она принимает текст и изображение в составе запроса и выдаёт текстовую метку «безопасно» или «небезопасно», а для небезопасного содержимого указывает нарушенные категории из таксономии MLCommons, включающей 13 типов рисков. Модель предназначена для проверки входов и ответов в системах на базе LLM, в том числе запросов с изображениями. Она рассчитана прежде всего на английский язык и поддерживает одно изображение на запрос. Это не универсальный классификатор безопасности изображений или текстовый фильтр: оценка может зависеть от размера изображения, предобучающих данных и устойчивости к состязательным атакам. Для отдельных категорий, требующих актуальных фактов, например выборов, авторы рекомендуют более сложные системы. Модель распространяется по лицензии Llama 3.2.

OpenJev — модель принятия решений с открытыми весами от Stonehavenstudio на архитектуре Qwen3.5. Она принимает описание задачи и варианты ответа в запросе и возвращает выбор, вероятность для каждого варианта либо оценку. Модель рассчитана на классификацию без заранее заданных меток, маршрутизацию обращений, модерацию, оценку ответов и выбор действий браузерного агента. README также описывает работу с DOM, JSON и снимками экрана; заявлена поддержка до 52 вариантов за один вопрос. В тестах авторов OpenJev показала точность 84,0% на наборе текстовых решений из 10 000 вопросов и улучшила результаты базовой модели на ряде проверок браузерных действий и многоязычной классификации. В README приведены показатели задержки на одном H100, включая около 80 мс для коротких текстовых решений. Модель опубликована в формате safetensors под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Результаты тестов и скорости являются данными авторов; воспроизводимость зависит от условий запуска и задач.

Qwen3.8-27B Abliteratex — плотная текстовая модель для генерации и диалогов, созданная Wangzhang Wu на основе Qwen/Qwen3.8-27B. Это дообученная версия с объединёнными в веса параметрами LoRA: десять раундов само-дистилляции были направлены на существенное снижение отказов при ответах на запросы. Модель содержит 22,3 млрд параметров, работает через Transformers, использует формат safetensors и поддерживает контекст до 262 144 токенов. Модель предназначена прежде всего для исследований безопасности, red teaming, оценки устойчивости и изучения механизмов отказа языковых моделей. На отложенном наборе вредоносных запросов судья отметил отказы в 19 случаях из 100; на доброкачественных запросах KL-расхождение с базовой моделью составило 0,0069 ната на токен. Обычное поведение и мультиязычные возможности унаследованы от базовой модели, однако README не приводит список языков. Снижение отказов означает, что модель охотнее отвечает на опасные и вредоносные запросы. Результаты оценки не гарантируют такое же поведение на запросах вне тестового распределения; фактическая точность и качество рассуждений отдельно не подтверждены. Лицензия — Apache-2.0.

OS-Software/Qwen3.8-27B-MTP-heretic-ja — производная от Qwen/Qwen3.8-27B модель, прошедшая abliteration: в ней существенно ослаблено исходное выравнивание безопасности. В карточке указано, что тестирование отказов проводилось на японских наборах данных; суффикс ja указывает на японскую направленность этой версии, хотя отдельные сведения о языковой поддержке не приведены. Базовая Qwen3.8-27B описана как плотная причинная языковая модель с энкодером изображений, способная работать с текстом, изображениями и видео. Она рассчитана на диалоги, анализ визуальных материалов, программирование, исследования и многошаговые агентные задачи. Размер составляет 27 млрд параметров, нативная длина контекста — 262 144 токена с возможностью расширения до 1 млн. Архитектурные сведения и характеристики контекста относятся к базовой модели. Ослабленное выравнивание повышает вероятность вредных, неточных, предвзятых и оскорбительных ответов. Разработчик предназначает эту версию для исследований безопасности, изучения выравнивания и red teaming, а не для публичных пользовательских сервисов. Лицензия — Apache-2.0.

Code Search-Hit Ranker — плотная языковая модель Qwen2.5-1.5B, разработанная для выбора места определения символа среди результатов поиска по коду. Это полно-параметрическая модель с supervised fine-tuning на базе Qwen/Qwen2.5-1.5B-Instruct, обученная на примерах из Python-репозиториев с метками, полученными детерминированными правилами. Модель принимает текстовый запрос с результатами поиска и выдаёт структурированный ответ в формате JSON по заданной схеме. Модель предназначена для узкой подзадачи агентной навигации по коду и рассчитана на запуск внутри проверяющей обвязки, которая формирует запрос, проверяет схему и применяет резервные правила. На тестовых репозиториях HTTPX и Jinja2 заявлены 98% успешных ответов после одной попытки; оценка проводилась максимум на 250 примерах. Контекстная длина базовой модели по метаданным — 32768 токенов, обучение этой версии использовало последовательности длиной до 2048 токенов. Это не универсальный помощник по программированию: карточка предупреждает, что специализация на закрытой JSON-схеме может ослабить широкие способности следовать инструкциям. В выводе эксперимента указано, что для этой подзадачи достаточно обычных правил. Модель распространяется по лицензии Apache-2.0.

SRIQ — дообученная модель sriq-ai на базе XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, предназначенная для решения математических и программных задач с кратким рассуждением на упрощённом китайском языке и ответом на языке запроса. Это мультимодальная модель семейства Qwen 3.5 с архитектурой Qwen3_5ForConditionalGeneration; она принимает текст и изображения. Веса bf16, около 9,41 млрд параметров плюс голова MTP на 0,24 млрд параметров; LoRA-адаптер объединён с базовой моделью. Сохранена башня обработки изображений. Модель обучалась на выборке sriq-ai/sriq-sft-v1.6; лицензия — Apache-2.0. Модель обучена проверять промежуточное решение и исправлять некоторые заложенные в обучающих примерах ошибки. Рассуждение остаётся на китайском независимо от языка вопроса, тогда как итоговый ответ даётся на языке пользователя. Для этой версии не опубликованы результаты бенчмарков, поэтому качество и надёжность на конкретных задачах не установлены. Обучение охватило примерно 1 600 из 9 988 примеров; поведение инструментов после дообучения не проверено.