II.4Отладка, тестирование и качество ПО

Это экспериментальная производная модель на базе Gemma 4 12B Coder Fable5 Composer 2.5, опубликованная независимым автором llmfan46. Модель предназначена прежде всего для генерации кода на Python: README описывает дообучение на проверяемых примерах, где решения проходили тесты, и акцент на рассуждении перед выдачей кода. Метаданные указывают архитектуру Gemma4UnifiedForConditionalGeneration, поддержку чата и кода, формат safetensors и задачу text-generation. Репозиторий представляет uncensored/heretic-вариант исходной модели, полученный через abliteration: в приведённом тесте отказов число отказов снизилось со 100 из 100 у исходной модели до 9 из 100. MMLU в карточке показал 75,15% для этой версии против 75,72% у исходной; это результаты автора, а не независимая оценка. README также описывает запуск малых квантованных вариантов из отдельного репозитория GGUF, но текущий репозиторий содержит safetensors. Лицензия — Apache 2.0. Язык модели в метаданных не указан; карточка ориентирует её на код, а не на конкретный естественный язык.

LocoOperator-4B — плотная языковая модель LocoreMind примерно на 4 млрд параметров, дообученная методом дистилляции на трассах работы Qwen3-Coder-Next. Она основана на Qwen/Qwen3-4B-Instruct-2507 и предназначена для многошагового исследования кодовых баз в цикле агента, похожем на Claude Code: чтения файлов, поиска по коду и навигации по структуре проекта. Модель генерирует текст и структурированные JSON-вызовы инструментов Read, Grep, Glob, Bash, Write, Edit и Task. В README сообщается о 100% корректности JSON-вызовов и согласованности по наличию вызова инструмента на тестовой выборке из 65 диалогов; контекстная длина по метаданным — до 262 144 токенов. Указаны поддержка чата и кода, а также лицензия MIT. Для локального запуска автор описывает квантованный формат GGUF с llama.cpp, но в метаданных репозитория указан формат safetensors. Согласно README, модель иногда выбирает другой инструмент, чем эталон, реже инициирует параллельные вызовы и может предпочитать Bash чтению файлов. Оценка проведена на небольшой выборке, поэтому заявленные показатели не гарантируют аналогичное качество на других проектах и сценариях.

Mano-CUA-2.0-4B — визуально-языковая модель агента для управления графическим интерфейсом, разработанная в рамках открытой серии Mano компанией Mininglamp. Она дообучена на базе Qwen/Qwen3-VL-4B и предназначена для автономного выполнения сложных операций в настольных приложениях: навигации по интерфейсу, переноса данных между источниками, прохождения многоэтапных бизнес-процессов и подготовки структурированных отчетов. Модель принимает текстовые инструкции и изображения экрана, а действия описывает структурированным XML, включая координаты элементов интерфейса. В основе — плотная архитектура Qwen3-VL с генерацией текста и визуальным пониманием. README описывает цикл рассуждения «think-act-verify» и обучение в три этапа: SFT, offline RL и online RL. Представленная версия — fp16; для нее заявлены сценарии GPU-инференса и повторной квантизации. В README также упомянуты оптимизации для периферийных устройств и требования macOS с Apple Silicon M1 или новее и Python 3.12 или новее. Модель ориентирована на применение в автоматизации интерфейсов, где нет API для взаимодействия с приложениями. Качество выполнения зависит от визуальной интерпретации экрана и корректности действий агента; README не приводит количественных оценок качества. Лицензия — Apache-2.0.

MiMo-7B-Base — базовая языковая модель Xiaomi, обученная с нуля для развития способностей к рассуждению. Это плотная авторегрессионная модель с архитектурой MiMoForCausalLM и 7 млрд параметров; для обучения использовано около 25 трлн токенов, а дополнительная цель Multiple-Token Prediction поддерживает ускоренное декодирование. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и интерфейс диалога и вызова инструментов. Модель предназначена прежде всего для дальнейшего дообучения и постобучения, а также для экспериментов с задачами математического и программного рассуждения. README описывает потенциал базовой модели в этих областях и результаты отдельных производных моделей MiMo, но не следует считать их результатами этого чекпойнта. В карточке не приведены конкретные языковые покрытия и подробные ограничения качества. Лицензия — MIT.

Nautilus — небольшая языковая модель Loke-60000 для составления команд по запросам на естественном языке. Она предназначена для помощи с терминалом в Linux и macOS, а также с PowerShell в Windows. Модель формирует один ответ за ход: команду для выполнения задачи, `ANSWER:` если задача завершена или требуется объяснение, либо `UNCLEAR:` если запрос неоднозначен или предположение может быть опасным. После передачи вывода команды может предложить следующий шаг. В метаданных указаны архитектура Qwen3.5 Text, класс Qwen3_5ForCausalLM, 581,4 млн параметров и контекст 262 144 токена; карточка округляет размер до 0,8 млрд параметров. Репозиторий содержит веса safetensors, а варианты GGUF доступны в отдельном репозитории. Модель рассчитана на английский язык и имеет интерфейс чата, но не является универсальным собеседником: она не выполняет команды, не предназначена для написания произвольного текста и может ошибаться в редких флагах. Лицензия — Apache-2.0.

M4-ai NeuralReyna-Mini-1.8B-v0.3 — разговорная языковая модель на архитектуре Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Автор дообучил aloobun/Reyna-Mini-1.8B-v0.2 методом DPO на датасете argilla/OpenHermes2.5-dpo-binarized-alpha; в карточке также указан датасет Locutusque/Hercules-v3.0. Модель обучена на формате диалогов ChatML. Она предназначена для генерации ответов в диалоге и заявлена как способная помогать с программированием, математикой, естественными науками, ролевыми сценариями и вызовом функций. В README приведены результаты нескольких тестов, но полная оценка и подробные результаты не представлены. Модель принимает текст и генерирует текст. Распространяется по лицензии Apache-2.0. Практическое качество заявленных возможностей по карточке нельзя оценить полностью: автор сообщает, что подробная оценка ещё не опубликована.

jefftherover/pii-layout-synth-distil-v1 — дообученная модель для классификации токенов на базе архитектуры ModernBERT. По названию репозитория она предназначена для обнаружения персональных данных в синтетических документах с учётом их структуры, однако карточка не описывает метки, обучающие данные или сценарии применения. Модель содержит 93,8 млн параметров, принимает контекст до 8192 токенов и сохранена в формате safetensors; используется библиотека Transformers. В README приведены метрики оценки: F1 0,9930, точность 0,9987, precision 0,9911 и recall 0,9949. Классификация токенов подходит для разметки фрагментов текста, например для последующего выделения сущностей. Высокие заявленные метрики относятся только к описанному в карточке набору оценки и не гарантируют качество на других данных. Лицензия в предоставленных сведениях отсутствует.

Qwable-v2 — это открытая модель весов для агентного программирования, созданная автором lordx64 на базе Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled. Это дообученная модель семейства Qwen с архитектурой MoE и 35 млрд параметров, из которых активны около 3 млрд. Она принимает текстовые запросы и генерирует текст; интерфейс вызова инструментов позволяет агентному сценарию работать с файлами и оболочкой. Для задач программирования модель может выдавать вызовы инструментов Read, Edit и Bash в XML-формате с полями, совместимыми с Claude Code. Для надёжной работы этого формата нужен агентный системный промпт и реестр инструментов; без них модель может отвечать обычным текстом или использовать другой формат вызова. Контекст обучения увеличен до 8192 токенов. Карточка указывает английский язык, формат весов Safetensors и лицензию AGPL-3.0. Модель также предназначена для рассуждений, математики, STEM-задач и общих вопросов благодаря унаследованной базе с дистилляцией рассуждений Claude Opus 4.7. Однако формальная оценка Qwable-v2 ещё не опубликована, а проверка улучшения на SWE-bench Lite и сохранения качества рассуждений ожидает завершения. Обучающие данные для агентного поведения происходят из узкого набора трассировок Claude Code, поэтому результаты на задачах вне этой области могут быть нестабильны. Для интеграции XML-вызовов инструментов в vLLM требуется парсер-обёртка.

Карточка модели Qybera/qybera2.5-personality на Hugging Face совпадает с карточкой Qybera/qybera2.6-0, поэтому описание составлено по ней. Qybera — диалоговая языковая модель Stackpulse Cloud, обученная в Кении на базе Qwen/Qwen2.5-0.5B-Instruct. Это компактный decoder-only Transformer с архитектурой Qwen2 и 494 млн параметров; модель принимает текст и генерирует ответы в формате беседы. Она рассчитана на помощь с программированием, обучением, планированием и решением повседневных задач, общаясь в доброжелательном, поддерживающем тоне с лёгкими кенийскими разговорными выражениями. Основной язык — английский; карточка также указывает контекст длиной до 32 768 токенов. Модель подходит для учебного помощника по программированию, интеграции в инструменты разработчика и дружелюбных ботов для сообществ Восточной Африки. Лицензия — Apache 2.0. Как компактная модель примерно на 500 млн параметров, она может ошибаться в фактах и коде и уступать более крупным моделям в сложных многошаговых рассуждениях; результаты следует проверять. Кенийский сленг используется умеренно, а модель не предназначена для профессиональных медицинских, юридических или финансовых советов.

Scarlett-Llama-3-8B — разговорная языковая модель, дообученная ajibawa-2023 на базе Llama 3 8B от Meta. Она обучена на более чем 10 000 наборах диалогов по философии, советам, шуткам и программированию, а также предназначена для продолжительных бесед в формате ChatML. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Карточка указывает английский язык и возможность генерировать код. Модель подходит для диалогового помощника, обсуждения философских вопросов, выдачи советов, шуток и помощи с кодом. Разработчик отмечает, что модель не предназначена для ролевых сценариев со взрослым или сексуальным содержанием. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

SmartBERT-v2 — модель на базе RoBERTa/CodeBERT, разработанная web3se для семантического анализа функций смарт-контрактов. Она продолжает предобучение microsoft/codebert-base-mlm на корпусе примерно из 16 тысяч смарт-контрактов, преимущественно на Solidity, с помощью задачи восстановления замаскированных токенов. Модель предназначена прежде всего для получения векторных представлений кода, которые можно использовать для определения назначения контрактов, поиска похожего кода, классификации контрактов и анализа уязвимостей. Модель содержит 151,8 млн параметров, работает с текстовым представлением кода и имеет контекст до 514 токенов. Она адаптирована к предметной области смарт-контрактов, а README сообщает, что при обучении исключили около 4 тысяч контрактов из оценочного набора SmartIntent V2. Для последующего применения в README рекомендуется SmartBERT V3. Репозиторий предоставляет веса PyTorch; лицензия — MIT. Для прикладных задач классификации и выявления уязвимостей модель потребуется использовать в соответствующем downstream-пайплайне.

VibeThinker-3B LiteRT-LM — это конвертированная версия модели WeiboAI/VibeThinker-3B, разработанная на базе Qwen2.5-Coder-3B. Репозиторий Tdamre содержит артефакты для локального инференса на устройствах с использованием LiteRT-LM. Модель представляет собой плотную reasoning-модель примерно на 3 млрд параметров, ориентированную на генерацию текста и решение задач, требующих рассуждений, включая программирование и математические запросы. Доступны варианты с кэшем контекста на 2048, 4096, 32768 и 65536 токенов, что позволяет выбирать баланс между потреблением ресурсов и поддержкой длинных запросов. Артефакты используют динамическую квантизацию dynamic_wi8_afp32 и рассчитаны на CPU или GPU; в состав входят токенизатор, метаданные LLM, квантизированные TFLite-модели для prefill/decode и внешний embedder. Указанная модальность — текстовая; сведения о поддерживаемых языках в README отсутствуют. Сильные стороны модели — компактный размер, локальная работа без обязательного обращения к облачным сервисам, варианты для короткого и длинного контекста и совместимость с LiteRT-LM, включая мобильные сценарии. Ограничения связаны с отсутствием готовых Qualcomm SM8750 NPU AOT-артефактов и MediaPipe .task-бандлов, а также с тем, что характеристики качества, скорости и потребления памяти не приведены. Модель и конвертированные артефакты распространяются по лицензии MIT.

zeta-GGUF — это квантованная в формате GGUF версия модели zeta, разработанная командой Zed Industries и подготовленная для сообщества LM Studio. Квантование выполнено bartowski на основе llama.cpp, релиз b4688. Исходная модель — zed-industries/zeta, обученная на датасете zed-industries/zeta. Модель дообучена на базе Qwen2.5 Coder и ориентирована на задачи программирования. Её ключевой сценарий — edit prediction в редакторе Zed: предсказание и генерация изменений в исходном коде во время работы разработчика. Также она может применяться для других задач текстовой генерации, связанных с написанием и редактированием кода. В README не указаны размер модели, точная архитектура, поддерживаемые языки программирования и естественные языки, длина контекста или конкретные параметры квантования, поэтому эти характеристики нельзя определить по имеющимся данным. Сильной стороной модели является специализация на коде и интеграционных сценариях Zed, а возможные ограничения включают зависимость качества от выбранного варианта GGUF и отсутствие подробных сведений о производительности. Для модели указана лицензия Apache-2.0.

AdaGuard-8B — модель Yunhao-Feng для проверки пользовательских запросов и действий ИИ-агентов по заданным пользователем правилам. Она формирует объяснение, указывает идентификаторы нарушенных правил в заданном порядке или возвращает NR, если нарушений нет; вердикт не является калиброванной вероятностью риска. Модель построена на Qwen3Guard-Gen-8B с архитектурой Qwen3ForCausalLM и дообучена методом supervised fine-tuning на AdaptiveSafety с последующим SafePO. В чекпойнте 7,6 млрд параметров, контекст составляет 32 768 токенов. Для оценки передаются текстовые правила и события, включая запросы, действия агента и результаты инструментов; на выходе модель выдаёт текстовый анализ и метки вердикта. Пример запуска использует Transformers, CUDA и BF16. AdaGuard позволяет задавать от 1 до 100 правил без фиксированной таксономии рисков и связывать нарушения с локальными идентификаторами правил. В README приведены ранее полученные результаты на AdaptiveSafety и DynaBench; выпуск чекпойнта не сопровождался новым прогоном этих тестов. Длинноконтекстная производительность за пределами описанных условий оценки не установлена. Некорректный или неполный формат ответа следует считать недействительным вердиктом. Лицензия — Apache-2.0.

Atem-Wisdom-1.5B-i1-GGUF — набор квантизированных GGUF-файлов базовой модели EphAsad/Atem-Wisdom-1.5B, подготовленный и опубликованный mradermacher. Модель относится к семейству Qwen2 и предназначена для генерации текста с акцентом на рассуждения, включая математические, программные и другие задачи, требующие пошагового анализа. В обучении использовались наборы данных OpenThoughts-114k-math, Kimi-K2.5-Reasoning-1M-Cleaned, CodeX-2M-Thinking, medical-o1-reasoning-SFT, MiniMax_M2.7_Distilled_5k и OpenCodeReasoning, а также применялись LoRA и дистилляция. Указанный язык — английский. Это компактная текстовая модель с размером 1,5 млрд параметров, поставляемая в различных вариантах квантизации для llama.cpp и совместимых инструментов. Доступны варианты от IQ1 и Q2 до Q6, размер файлов составляет примерно от 0,5 до 1,4 ГБ. В README рекомендуется i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S отмечен как оптимальный баланс размера, скорости и качества; низкобитные варианты экономят память, но могут заметно уступать по качеству. Мультимодальность и размер контекстного окна не указаны. Модель лицензирована по Apache-2.0. Описанные файлы являются квантизированными версиями, поэтому фактическое качество зависит от выбранного варианта; некоторые варианты прямо обозначены как имеющие низкое качество. Данные о результатах бенчмарков, безопасности и ограничениях применения в README отсутствуют.

Bobcat Flash 1.1 — быстрая версия семейства Bobcat, разработанная Foxl AI как модель типизированных решений на базе дообученной Gemma 4 26B A4B IT. Она принимает текстовое состояние или JSON и вопросы с заданным приложением набором допустимых ответов, после чего оценивает вероятности вариантов. Модель не генерирует текст: приложение формирует закрытый JSON-ответ на основе результатов классификации. Репозиторий содержит веса Safetensors; в карточке указана лицензия Apache-2.0. Модель предназначена для быстрых повторяющихся проверок с ограниченным набором ответов: маршрутизации запросов, классификации, проверки цитат и предварительного анализа вызовов инструментов. README приводит показатели производительности на одном RTX PRO 6000 Blackwell и результаты оценки на примерах рабочих процессов TypeSafe; это данные автора, а не гарантия для иных условий эксплуатации. Среди ограничений — более низкая точность при выборе фрагментов для поиска и классификации, ухудшение на длинных состояниях и нестабильность ответов с близкими оценками между запусками. Для недостаточно подтверждённых случаев полезно включать вариант «не указано»; длинные запросы и ответы с низкой уверенностью автор рекомендует направлять более крупной Bobcat 1.1. Модель не предназначена для генерации текста, открытых вопросов или единоличного принятия критически важных юридических решений.

Это набор GGUF-квантизаций модели braindao/iq-code-evmind-v2-llama3-code-8b-instruct, подготовленный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста, прежде всего для задач, связанных с программным кодом, в формате instruct-взаимодействия. Базовая модель построена на архитектуре Llama 3 и имеет около 8 миллиардов параметров. В репозитории представлены варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 3 до 8 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью работы и потенциальным качеством генерации. Поддерживаются только текстовые входы и выходы; сведения о языках, размере контекста, результатах тестирования и конкретных языках программирования в README не приведены. Сильной стороной модели является возможность локального запуска через совместимые с GGUF инструменты при выборе подходящего уровня квантизации. Ограничения включают возможные потери качества из-за квантизации и отсутствие подтверждённых данных о производительности, мультиязычности и применимости к конкретным сценариям. Лицензия модели в README не указана.

Это исследовательский чекпойнт Qwen3-4B, созданный командой agurung методом обучения с подкреплением OpenRLHF GRPO на базе Qwen/Qwen3-4B-Instruct-2507. Обучение проводилось непосредственно от базовой модели, без отдельного этапа SFT; в карточке указано, что сохранён шаг 8 и это лучший на данный момент чекпойнт запуска по pass@8. Модель предназначена для генерации кода и решения задач программирования. Её обучали на задачах, которые исходная модель решала редко, с бинарной наградой за прохождение тестов программы и штрафами за усечение длинных ответов. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. Карточка не приводит итоговые метрики этого чекпойнта, поэтому преимущество по pass@8 отражает сравнение внутри данного запуска, а не подтверждённое общее качество. Доступные сведения не называют лицензию модели.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом обучения с подкреплением OpenRLHF GRPO. Модель предназначена для генерации кода и решения задач программирования: обучение проводилось на задачах, которые исходная модель решала редко, а награда зависела от прохождения тестов сгенерированной программой. Чекпойнт сохранён на восьмом шаге обучения; в описанном запуске он показал pass@8 0,5818 на отложенной выборке при восьми генерациях на задачу. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Она принимает текст и генерирует текст, включая код; базовая модель поддерживает контекст до 262 144 токенов. В README не указаны лицензия и конкретный набор поддерживаемых естественных языков, поэтому условия использования и языковые возможности сверх сведений о базовой модели определить нельзя.

Экспериментальный чекпойнт языковой модели Qwen3-4B, дообученный командой agurung методом обучения с подкреплением OpenRLHF GRPO. Обучение применялось непосредственно к Qwen/Qwen3-4B-Instruct-2507 без предварительного SFT для этого запуска; сохранённый чекпойнт соответствует шагу 4 и в этом эксперименте показал лучший результат по pass@8. Модель предназначена для генерации кода и решения задач программирования. Обучение и проверка проводились на задачах cobalt-train, которые базовая модель решала не более чем в 2 из 64 попыток; сигналом вознаграждения служила проверка корректности кода тестами. Чекпойнт построен на плотной архитектуре Qwen3ForCausalLM, содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. В карточке не приведены численные метрики качества на контрольной выборке, поэтому результат pass@8 характеризует только сравнение чекпойнтов данного запуска. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

QuantFactory/Codepy-Deepthink-3B-GGUF — квантизированная версия Codepy-Deepthink-3B, созданная QuantFactory с использованием llama.cpp. Исходная модель дообучена на базе meta-llama/Llama-3.2-3B-Instruct и предназначена для генерации текста с акцентом на рассуждения, логическую структуру и решение задач. Модель ориентирована на сценарии, требующие пошаговых решений, логического анализа и генерации кода, а также может применяться в образовании и творческом письме. В README заявлена поддержка текстовой генерации на английском языке. Указан размер базовой модели около 3B параметров; сведения о точном формате квантизации, длине контекста, конкретных вариантах GGUF, производительности и системных требованиях отсутствуют. К сильным сторонам относятся компактный размер по сравнению с более крупными моделями, специализация на рассуждениях и программировании, а также совместимость с llama.cpp и Ollama. Ограничения включают неизвестные характеристики квантизации и отсутствие представленных объективных оценок качества; заявленные возможности следует проверять на собственных задачах. Лицензия указана как CreativeML OpenRAIL-M.

CRIA v1.3 — языковая модель на базе Llama 2, созданная автором davzoku для чат-платформы и быстрого прототипирования приложений с открытыми LLM. Модель дообучена методом QLoRA на наборе mlabonne/CodeLlama-2-20k, а затем объединена с базовой моделью. В репозитории представлены веса PyTorch и Safetensors; указанный размер — 6,6 млрд параметров, контекст — до 4096 токенов. Модель предназначена для диалоговой генерации текста и задач, связанных с кодом, в составе чат-приложений. README указывает на дообучение Llama 2 Chat, но карточка не приводит результаты оценки качества или подробные сведения о поддерживаемых языках; метаданные отмечают английский. Лицензия — Llama 2 Community License.

Многоязычная модель Manuel Romero для обнаружения опечаток в тексте. Она основана на distilbert-base-multilingual-cased и дообучена на GitHub Typo Corpus с разметкой в стиле NER: модель классифицирует токены, отмечая ошибочные фрагменты. Подходит для автоматической проверки текста и поиска опечаток в пользовательском вводе, например в сообщениях и кодовых комментариях. В README указаны результаты на тестовом наборе: F1 93,51, точность 96,08 и полнота 91,06. Модель использует архитектуру DistilBERT для классификации токенов, принимает текст и имеет контекст до 512 токенов. Карточка сообщает об обучении на корпусе для 15 языков; среди языков, перечисленных в метаданных, есть английский, китайский, японский, русский, французский, немецкий, португальский, испанский, корейский и хинди. Лицензия в предоставленных данных не указана.

Модель laion/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning_num-train-epochs_8-0_Qwen3-32B — дообученная командой laion плотная языковая модель семейства Qwen3 на базе Qwen/Qwen3-32B. Она содержит 29,7 млрд параметров, работает с текстом и поддерживает диалоговый сценарий. Для неё указаны контекст до 40 960 токенов и формат весов safetensors. Модель предназначена для генерации текста, в частности ответов в стиле Stack Exchange и Stack Overflow, связанных с техническими вопросами и задачами в песочницах. README называет обучающий набор open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning, но не приводит результатов оценки или подробностей об ограничениях. Указана лицензия other; конкретные условия использования следует проверять в карточке модели и у базовой модели.

MLX-версия K2-Horizon-0.9B от сообщества mlx-community, преобразованная из IFM/K2-Horizon-0.9B в формат bf16 без квантизации. Это плотная авторегрессионная модель-декодер с 924,5 млн параметров, предназначенная для генерации текста в диалоговом режиме. Метаданные каталога относят базовую модель к компактным моделям для рассуждений, математики, программирования и STEM; карточка описывает преобразование весов в MLX для запуска на Apple silicon. Метаданные указывают контекст 8192 токена, тогда как README базовой модели сообщает о контексте до 131 072 токенов с YaRN RoPE scaling. README сообщает о проверке соответствия реализации PyTorch на реальных весах и о тестовом запуске на MLX. Для работы требуется mlx-lm и код архитектуры из репозитория; в некоторых версиях mlx-lm нужен флаг trust_remote_code. Лицензия — Apache-2.0.

Это языковая модель на архитектуре Mistral, созданная сообществом с помощью слияния SLERP двух моделей: beowolx/CodeNinja-1.0-OpenChat-7B и yanolja/EEVE-Korean-Instruct-10.8B-v1.0. Модель содержит 7,1 млрд параметров, работает с библиотекой Transformers и имеет контекст до 8192 токенов. Модель предназначена для генерации текста в диалоговом формате. В слиянии объединены возможности модели для задач программирования и корейской модели, обученной следованию инструкциям; точные сравнительные результаты и гарантии качества в карточке не приводятся. Модель принимает и выдаёт текст. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели Unbabel/M-Prometheus-7B на Hugging Face совпадает с карточкой Unbabel/M-Prometheus-14B, поэтому описание составлено по ней. M-Prometheus-14B — языковая модель-судья из семейства M-Prometheus, разработанная Unbabel для оценки ответов и текстов на разных языках. Она обучена на 480 тысячах примеров прямой оценки качества и парного сравнения с развёрнутой обратной связью и предназначена для использования в сценариях оценки LLM-выводов. Модель представляет собой плотную causal language model архитектуры Qwen2 с 14 млрд параметров, дообученную на базе Qwen/Qwen2.5-14B-Instruct. Она принимает текстовые запросы и генерирует текстовые оценки и пояснения; максимальный контекст составляет 32 768 токенов. По README, её можно вызывать в том же стиле, что и Prometheus-2. Модель ориентирована на мультиязычную оценку, однако конкретный перечень поддерживаемых языков и результаты сравнительных тестов в предоставленных материалах не приведены. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

Это экспериментальная полноразмерная слитая модель Qwen3.5-9B от автора LSW142857, подготовленная для генерации текста и решения задач по программированию. В основе — экспертно дообученный чекпойнт из jiaxingx/privilege-code-opsd-ckpts; затем модель обучали методом OPSD на задачах, где ошибался ученик, с адаптивным режимом Medium. Артефакт содержит объединённые обновления LoRA и модуль MTP, поэтому отдельный адаптер для запуска не нужен. Модель проверяют на подмножестве из 100 задач SWE-Gym. README не приводит итоговую метрику качества: оценивание ещё продолжается, и результаты нельзя трактовать как оценку на SWE-bench Verified. Для обучения указан контекст 131072 токена; параметры текущего оценочного запуска допускают до 262144 токенов, но это не подтверждает изменение нативного контекста модели. Модель предназначена для генерации ответов и кода в диалоговом формате. Репозиторий опубликован публично с разрешения владельца, однако конкретная лицензия в предоставленных данных не названа.

Ornith-1.0-9B-ASHQ1-GGUF — квантованная версия модели Ornith-1.0-9B от DeepReinforce, подготовленная wepiqx в формате GGUF для запуска через llama.cpp и совместимые приложения. Модель предназначена для генерации кода и работы в автономных агентных сценариях; поддерживает диалоговый режим. В карточке описан тест с агентом Pi, который использовал модель для планирования и создания одностраничной панели личных финансов, а также для самопроверки и исправления кода. В основе лежит архитектура Qwen3.5-9B: 32 слоя, GQA и SSM, заявленный контекст — 262 тыс. токенов. Применена квантовка ASHQ1 с несколькими вариантами размера файлов; README приводит результаты практического теста для варианта 6,4 ГБ. Для него указано около 7,5 ГБ VRAM при контексте 8192 и рекомендуемая видеокарта с 8 ГБ памяти. Хотя архитектура поддерживает длинный контекст, приведённые инструкции запуска используют контекст 8192. Репозиторий лицензирован по Apache-2.0; README сообщает, что исходная модель распространяется по MIT. Количественные результаты приводятся разработчиком модели и не являются независимой оценкой. Карточка заявляет сильные результаты в тестовом агентном сценарии, но не даёт оснований гарантировать их для других задач или конфигураций.

Prompt Injection Guard base — многоязычный классификатор текста от Horizon Labs для обнаружения прямых попыток prompt injection и jailbreak, а также инструкций, внедрённых в письма, веб-страницы, документы, фрагменты RAG и ответы инструментов AI-агента. Модель дообучена на основе jhu-clsp/mmBERT-base; архитектура — ModernBERT для классификации последовательностей, размер — около 307 млн параметров, контекст — до 8192 токенов. Выдаёт метку SAFE или INJECTION и оценку уверенности. Доступны веса Safetensors и ONNX, а также запуск через Transformers.js; для длинных документов README рекомендует скользящее окно. Модель рассчитана на предварительную проверку пользовательских сообщений и недоверенного текста перед передачей его агенту. В обучении использовались реалистичные документы с внедрёнными инструкциями и чистые примеры; заявлена поддержка 30 языков, при этом английский представлен шире остальных. К сильным сторонам авторы относят распознавание инструкций, направленных на изменение поведения AI, и низкую долю ложных срабатываний на некоторых наборах безобидных текстов. Apache-2.0 разрешает открытое использование. Классификатор оценивает текст в отрыве от контекста и не гарантирует обнаружение атак: адаптивные или нетипичные атаки могут пройти незамеченными. Он может помечать безобидные ролевые запросы как jailbreak и пропускать отдельные внедрённые вопросы, особенно в документах. Основная часть обучающих данных синтетическая; английский покрыт лучше других языков, а языки вне заявленного набора не проверены.