II.4Отладка, тестирование и качество ПО

XMAiNframe-instruct-7b — диалоговая языковая модель Fsoft-AIC, предназначенная для работы с унаследованными мейнфрейм-системами и кодовыми базами COBOL. Она создана на основе DeepSeek-Coder 7B; карточка описывает семейство XMAiNframe с базовой и instruct-версиями, но сведений о конкретной процедуре дообучения этой версии не приводит. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 6,5 млрд параметров и работает с контекстом до 4096 токенов. Она принимает текст и генерирует текст, поддерживая диалоговый сценарий. Заявленные задачи семейства включают ответы на вопросы о мейнфреймах, вопросы с выбором ответа и суммаризацию кода COBOL. В README сообщается о результатах сравнительных оценок, однако подробности методики и воспроизводимости здесь не приведены. Лицензия модели — MIT. Карточка не описывает поддерживаемые естественные языки, поэтому языки не перечислены; COBOL относится к языкам программирования, а не к языкам общения.

ALIO-SQL-7B — дообученная Alio Leuchtmann модель Qwen2.5-Coder-7B-Instruct для преобразования вопросов на естественном языке в SQL-запросы. Она обучена на объединении наборов BIRD и Spider; обучающие ответы получены дистилляцией от Qwen2.5-Coder-32B и отфильтрованы по корректности. Модель предназначена для работы со схемой таблиц и дополнительными сведениями, чтобы составлять запросы к базам данных. Модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст; указанное окно контекста — 32 768 токенов. В карточке приведены результаты на BIRD: 57,52% точного совпадения на тестовой выборке и заявлено повышение результата на dev-наборе с 51,1% до 60%. Обучение ограничено английским языком и диалектом SQLite; для лучших результатов автор рекомендует генерацию без сэмплирования. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт языковой модели Qwen3-4B, дообученный командой agurung методом GRPO в OpenRLHF непосредственно от Qwen/Qwen3-4B-Instruct-2507, без промежуточного SFT. Он предназначен для генерации кода и решения задач программирования: обучение проводилось на задачах, которые базовая модель решала редко, а награда зависела от прохождения тестов сгенерированной программой. Чекпойнт сохранён на шаге 72; автор отмечает его как лучший в этом запуске по pass@8, но метрики оценки в журнале обучения отсутствуют. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит веса Safetensors и предназначен для загрузки через Transformers. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя. Это ранний исследовательский чекпойнт конкретного запуска, а не подтверждённая универсальная модель для программирования. Результаты ограничены описанным набором задач и схемой оценки; данные о качестве на других языках программирования и типах задач не приведены.

Экспериментальный чекпойнт языковой модели Qwen3-4B, разработанный автором репозитория agurung и полученный обучением с подкреплением OpenRLHF с алгоритмом GRPO на базе Qwen/Qwen3-4B-Instruct-2507. Модель предназначена прежде всего для генерации программ, решающих задачи с проверкой корректности по тестам. Обучение напрямую применялось к базовой модели без SFT-затравки; сигнал вознаграждения был бинарным: программа получает награду за прохождение тестов. Чекпойнт сохранён на шаге 64 и показал лучшие в данном экспериментальном запуске результаты pass@8. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит веса safetensors и рассчитан на загрузку через Transformers. Проверка проводилась на наборе задач по программированию cobalt-train; приведённые метрики относятся к конкретной отложенной выборке и настройке оценки, поэтому не гарантируют аналогичных результатов на других задачах. Лицензия в предоставленных данных не указана.

Fara1.5-27B — мультимодальный агент для управления веб-браузером, разработанный Microsoft Research AI Frontiers. Модель принимает скриншоты страницы и текстовую историю предыдущих действий, а затем выдаёт структурированные вызовы инструментов: например, щёлкнуть по координатам, ввести текст, прокрутить страницу или открыть URL. Она работает по изображению, без доступа к DOM и дереву доступности, и может выполнять многошаговые задачи — заполнять формы, искать сведения, собирать корзину покупок или планировать поездки. Это плотная мультимодальная decoder-only модель семейства Qwen3.5 с 27 млрд параметров, дообученная методом supervised fine-tuning на траекториях, созданных конвейером FaraGen1.5. Контекст составляет 262 тыс. токенов. Модель рассчитана прежде всего на английский язык; качество на других языках ниже. Для работы требуется специализированная оболочка MagenticLite или Fara CLI с поддержкой схемы инструментов computer_use. Рекомендуемое развертывание рассчитано на GPU с достаточной памятью для bf16, обычно с распределением модели как минимум на две GPU. Модель обучена останавливаться и запрашивать подтверждение перед вводом личных данных и выполнением необратимых действий, например покупок, отправки сообщений или подачи заявлений. Ограничения включают уязвимость к визуальной неоднозначности и внедрению инструкций через содержимое страниц, накопление ошибок в длинных цепочках действий, вариативность результатов и возможные ошибки в оценке состояния страницы. Лицензия — MIT.

HelpingAI-Lite — компактная языковая модель семейства Llama, разработанная автором репозитория OEvortex и предназначенная для генерации текста в диалогах и помощи с задачами программирования. Модель содержит 1 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 2048 токенов. Модель дообучена на наборах SlimPajama-627B, StarCoderData, UltraChat 200k и UltraFeedback Binarized. Она ориентирована на английский язык и может применяться для ответов в чате, объяснения кода и помощи при написании программ. Репозиторий предоставляет веса в формате safetensors; README также упоминает отдельную версию GGUF. Лицензия модели — MIT. Компактный размер и короткое контекстное окно ограничивают работу со сложными задачами и большими фрагментами кода; заявленная специализация не заменяет проверку сгенерированных ответов.

ImageShield-MMCF-2B — мультимодальный классификатор безопасности визуального контента от prithivMLmods, дообученный на базе Qwen/Qwen3.5-2B. Модель принимает изображения и предназначена для классификации их как безопасных или небезопасных, особенно для выявления чувственного контента NSFW и других потенциально чувствительных сцен. Модель формирует структурированный ответ JSON с подписью изображения, меткой классификации и объяснением. В обучении использовалось около 28 тысяч примеров guardrail-разметки; консервативная политика склоняет классификацию к небезопасной при неоднозначности. Архитектура — плотная Qwen3.5 для генерации текста по изображению; карточка указывает английский язык. Распространяется в формате Safetensors по лицензии Apache-2.0. Выпуск экспериментальный: возможны нестабильные ответы и артефакты рассуждений. Модель допускает как ложные срабатывания на безобидном контенте, так и пропуск небезопасных изображений; результат зависит от качества изображения, контекста и инструкции и не является окончательным юридическим или безопасностным заключением.

PlusMinus1/omniparser-icon-caption-mlx — версия модели Microsoft OmniParser-v2.0 для MLX, подготовленная для запуска на компьютерах Apple Silicon. Это дообученная на элементах пользовательских интерфейсов Florence-2, предназначенная для создания кратких текстовых описаний интерактивных значков на снимках экрана. Модель принимает изображение значка, вырезанное из скриншота, и генерирует текстовую подпись. Репозиторий содержит веса в формате MLX bfloat16, преобразованные из OmniParser-v2.0; для запуска используется mlx_vlm. В README также указана базовая модель Florence-2-base. По данным метаданных, архитектура — Florence2ForConditionalGeneration, а основная задача — image-text-to-text. Модель ориентирована на визуальные элементы интерфейсов; поддерживаемые естественные языки не заявлены. Модель распространяется по лицензии MIT. Для запуска на Transformers 5.x README описывает необходимость совместимого патча без PyTorch; отдельного заявления о гарантированной точности или ограничениях качества нет.

Экспериментальная инструкционная языковая модель для генерации программного кода, опубликованная пользователем 0xgr3y под идентификатором агента tall_tame_panther. Она основана на Qwen2.5-Coder-0.5B-Instruct и дообучается в распределённой среде Gensyn RL-Swarm с использованием GRPO (Group Relative Policy Optimization). Модель предназначена для решения задач программирования, генерации кода и диалогового взаимодействия с учётом шаблона чата Qwen2.5. Обучение ориентировано преимущественно на задачи из MBPP и CodeContests, с адаптивным взвешиванием данных и системой оценивания, учитывающей корректность, структуру, документацию и приблизительную алгоритмическую эффективность кода. Заявлены поддержка английского языка и Python, а также форматов GGUF с вариантами квантования F16, Q3_K_M, Q4_K_M, Q5_K_M и Q6_K. Модель совместима с llama.cpp и TGI, использует точность BF16 на этапе обучения; размер контекста в README не указан. К сильным сторонам относятся небольшой размер, возможность локального запуска и специализация на программировании. Ограничениями являются экспериментальный статус, малый размер 0,5 млрд параметров, отсутствие подробных независимых бенчмарков и постоянно меняющиеся веса: обучение заявлено как непрерывное, а обновления модели и GGUF-файлов выполняются автоматически. Условия использования обозначены лицензией MIT.

SimpleSD-4B-thinking — исследовательская языковая модель Apple, полученная дообучением Qwen3-4B-Thinking-2507 методом Simple Self-Distillation. Метод обучает модель на собственных сэмплированных ответах без учителя, функции вознаграждения, проверяющих моделей и обучения с подкреплением. Модель предназначена прежде всего для генерации кода, включая решение задач соревновательного программирования. Модель имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 262 144 токена. В тестах LiveCodeBench показаны улучшения относительно базовой Qwen3-4B-Thinking-2507, особенно на сложных задачах. Это исследовательский чекпойнт для воспроизводимости, не оптимизированный релиз Qwen. В README не приведены сведения о поддерживаемых естественных языках и конкретных ограничениях качества. Лицензия репозитория — apple-amlr.

laion/tt-x5_gradnorm-gn1p8 — дообученная методом обучения с подкреплением модель на основе Qwen/Qwen3-Coder-30B-A3B-Instruct. Её обучали с помощью RLOO и FSDP2 на агентных задачах terminal-bench из набора exp_rpt_multifile, используя оболочку terminus-2 Harbor; эта версия соответствует варианту эксперимента с max_grad_norm=1.8. Модель предназначена для генерации текста в агентных сценариях, в частности для решения задач в терминале. Архитектура — Qwen3 MoE; в метаданных указаны 2,6 млрд параметров, контекст до 262 144 токенов и формат safetensors. Карточка указывает английский язык. Лицензия в предоставленных данных не указана.

Webby Wahle 33B V1 — языковая модель, разработанная ibivibiv как дообучение DeepSeek Coder 33B с уклоном в веб-программирование. Она предназначена для генерации ответов и помощи в технических задачах, особенно связанных с веб-технологиями. Модель построена на плотной архитектуре Llama и содержит 33,1 млрд параметров. Она принимает текст, поддерживает диалоговый режим и имеет контекстное окно до 16 384 токенов. В карточке указана поддержка английского языка. Веса опубликованы в формате safetensors. Модель ориентирована на задачи веб-разработки, однако README не приводит результатов оценки качества или подробностей о конкретных фреймворках и языках программирования. Условия распространения указаны как MIT с включённой лицензией DeepSeek; при использовании необходимо учитывать обе лицензии.

Карточка модели GautamHirawat/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Карточка модели lucernequants/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Карточка модели luganoquants/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Карточка модели foranyone2026/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Granite-4.2-30B (MXFP4) — квантизированная версия языковой модели Granite-4.2-30B, разработанная командой Granite компании IBM. Это открытая text-generation модель для рассуждений, генерации и анализа кода, многошаговых задач, диалога, вызова инструментов и агентных рабочих процессов. Вариант MXFP4 предназначен для инференса с уменьшенными требованиями к памяти; он получен квантизацией исходной модели с помощью GPTQ, калиброванной на 2 тысячах примеров из SFT-датасета. Исходная модель представляет собой decoder-only dense Transformer с архитектурой GraniteForCausalLM, примерно 30 млрд параметров, 64 слоями, Grouped Query Attention с 32 attention heads и 8 KV heads, RoPE, SwiGLU, RMSNorm и раздельными входными и выходными embedding. Модель поддерживает текстовую модальность, встроенное рассуждение в режимах полного, отключённого и low-effort thinking, native tool calling и OpenAI-совместимые сценарии развёртывания. Нативный контекст составляет 128K токенов; заявлено расширение long-context до 512K. Тестировались English, German, Spanish, French, Japanese, Portuguese, Arabic, Czech, Italian, Korean, Dutch и Chinese. Сильные стороны модели — рассуждения, программирование, следование инструкциям, вызов инструментов, агентные задачи и работа с длинным контекстом. Ограничения включают возможное снижение качества на языках кроме English, а также риск неточных, предвзятых или небезопасных ответов; раскрываемое содержимое reasoning может быть промежуточным и не отражать окончательный вывод. Модель распространяется по лицензии Apache 2.0.

Esper 3.1 — дообученная Valiant Labs модель на базе Qwen3.6-27B, предназначенная для программирования, проектирования систем и DevOps. Она ориентирована на сложные задачи рассуждения, включая разработку и анализ кода, архитектуру приложений и инфраструктуры, MLOps и исследования в области ИИ. В карточке также заявлена поддержка работы с изображениями; основной практический акцент сделан на текстовом диалоге и генерации кода. Модель имеет плотную архитектуру Qwen3_5ForCausalLM, содержит 22,3 млрд параметров и поддерживает контекст до 262 144 токенов. Среди заявленных языков — английский; в тегах перечислены языки программирования, включая Python, TypeScript, JavaScript, Java, C++, C#, Rust и Go. Модель распространяется в формате safetensors под лицензией Apache-2.0. Esper 3.1 дообучена на наборах данных с задачами рассуждения, кодирования и DevOps, включая данные, созданные с помощью DeepSeek. Качество заявлено разработчиком, независимые оценки в карточке не приведены. Модель рассчитана на локальный запуск и серверное использование; фактические требования к ресурсам зависят от выбранной реализации и оборудования.

Muse Glimmer-30B — каузальная языковая модель примерно на 29,6 млрд параметров, разработанная Meta Superintelligence Lab и представленная в версии unsloth компанией Unsloth. Модель основана на плотном каузальном Transformer с выделенным энкодером восприятия и предназначена для локального запуска на пользовательском оборудовании без облачной инфраструктуры и сетевого доступа. Данная версия использует 4-битную квантизацию и базовую модель meta-models/Muse-Glimmer-30B. Модель ориентирована на автономные агентные сценарии: многошаговое рассуждение, выполнение задач от начала до конца, вызов инструментов, написание и отладку кода, работу в многоходовых диалогах и восстановление после ошибок инструментов. Она принимает текст и изображения, поэтому может анализировать скриншоты, графики и документы, а генерирует текст. Поддерживаются различные уровни усилий рассуждения, совместимость с агентскими оркестраторами и более 100 языков. Архитектура включает 52 слоя, скрытое измерение 6656, механизм GQA с 32 головами запросов и 2 KV-головами, SwiGLU, локально-глобальный шаблон внимания и контекст длиной от 131 072 токенов. Энкодер восприятия — ViT-G/14 примерно на 1,8 млрд параметров; на одно изображение допускается до 4096 визуальных токенов. Дата отсечения знаний — 4 января 2026 года. Сильные стороны модели — сочетание мультимодального понимания, инструментального использования, длительного планирования и восстановления после сбоев, а также возможность запуска на потребительском оборудовании. Квантизация позволяет разместить языковую часть менее чем в 20 ГБ и ориентироваться на конфигурации с 24 или 32 ГБ памяти, однако для полноценной работы также необходимы память под KV-кэш, энкодер восприятия и speculative decoding drafter. Версия распространяется по лицензии Apache 2.0.

Synthia-4-27B — мультимодальная диалоговая модель и персональный ИИ-ассистент, созданный Migtissera на основе Qwen/Qwen3.8-27B. Это плотная модель с 27 млрд параметров, дообученная на длинных агентных сессиях: обучение охватывало ответы ассистента и вызовы инструментов. Она рассчитана на продолжительные диалоги, работу с инструментами и многошаговые задачи — от планирования, исследований и творческой работы до программирования, отладки и анализа изображений. Поддерживает ввод изображений и видео, контекстное окно до 262 144 токенов и многошаговое предсказание токенов (MTP); дообучение проводилось на последовательностях длиной до 65 536 токенов. Для неё заявлены сохранение контекста и устойчивого стиля в длинных сессиях, а также переход между беседой и выполнением задач. Эти качества проверялись в агентной среде, но постоянную память между сессиями должен предоставлять хост-runtime. Опубликован объединённый чекпойнт BF16 в формате Safetensors для Transformers; лицензия — Apache-2.0.

TechxGenus/DeepSeek-Coder-V2-Lite-Instruct-AWQ — AWQ-квантизированная версия DeepSeek-Coder-V2-Lite-Instruct, разработанная командой DeepSeek AI. Это инструкционно настроенная языковая модель для работы с кодом, программирования, генерации и объяснения исходного кода, а также задач математического и общего рассуждения. Модель построена на архитектуре Mixture-of-Experts (MoE) семейства DeepSeekMoE и содержит 16 млрд параметров, из которых при обработке активируется около 2,4 млрд. Контекстное окно составляет 128 000 токенов. Семейство DeepSeek-Coder-V2 заявляет поддержку 338 языков программирования; модель предназначена прежде всего для текстовых и кодовых сценариев и не относится к мультимодальным моделям. Формат AWQ ориентирован на более эффективное размещение и выполнение модели по сравнению с полноразмерными весами, однако README не приводит конкретных требований к оборудованию или результатов именно для этой квантизированной версии. Сильными сторонами являются специализация на программировании, большой контекст, MoE-архитектура с относительно небольшим числом активных параметров и поддержка широкого набора языков программирования. Ограничения включают отсутствие в README подробных сведений о качестве AWQ-версии, аппаратных требованиях, точности квантизации и языках естественного общения. Для модели указана лицензия deepseek-license; условия следует проверять в прилагаемом LICENSE и соглашении на использование модели.

DeepSeek-V3.1-Terminus — языковая модель, разработанная командой DeepSeek-AI. Это обновлённая версия DeepSeek-V3.1, построенная на той же архитектуре, что и DeepSeek-V3, и основанная на DeepSeek-V3.1-Base. Обновление сохраняет исходные возможности модели, улучшает согласованность языка, снижая смешение китайского и английского текста и появление аномальных символов, а также повышает эффективность Code Agent и Search Agent. Модель предназначена для рассуждений без инструментов, генерации и анализа кода, работы поисковых агентов и агентских сценариев с использованием инструментов. По данным сравнительных тестов, улучшения особенно заметны в BrowseComp, SimpleQA, SWE Verified, SWE-bench Multilingual и Terminal-bench, хотя на отдельных задачах результаты немного ниже, чем у DeepSeek-V3.1. В README не указаны точный размер модели, число параметров, поддерживаемые языки, модальности и размер контекста. Для локального запуска предусмотрены материалы на базе репозитория DeepSeek-V3 и обновлённый пример инференса; отмечена известная проблема с форматом данных FP8 для параметров self_attn.o_proj, которую планируют исправить в будущих релизах. Модель и веса распространяются по лицензии MIT.

Dolphin 2.9.2 Qwen2 72B — диалоговая языковая модель, созданная Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations на основе Qwen2-72B. Модель с плотной архитектурой Qwen2 содержит 71,5 млрд параметров и предназначена для генерации текста в формате ChatML; базовая модель поддерживает контекст до 131 072 токенов, а дообучение проводилось на последовательностях длиной 8 000 токенов. Модель подходит для инструктивного диалога, написания и анализа кода, решения задач и работы с вызовами функций. В карточке также отмечены начальные агентные возможности. Модель описана разработчиками как uncensored и может с высокой готовностью выполнять запросы, в том числе небезопасные; перед использованием в сервисе рекомендуется добавить собственный слой выравнивания. Лицензия — Tongyi Qianwen; README разрешает коммерческое использование в соответствии с её условиями.

GLM-5.2 — флагманская языковая модель компании Z.ai для длительных задач и диалогового взаимодействия. Она предназначена для генерации текста, программирования и решения задач, требующих работы с большим объёмом контекста. Модель построена на архитектуре GLM MoE DSA и содержит 30,4 млрд параметров. Поддерживает контекст до 1 048 576 токенов; в README также отмечены гибкие уровни усилий для задач программирования, механизм IndexShare для снижения вычислений на длинном контексте и улучшение MTP для ускорения спекулятивного декодирования. Заявлены английский и китайский языки. Модель доступна в формате safetensors для Transformers и поддерживается рядом сред локального запуска, включая vLLM и SGLang. Лицензия — MIT. README приводит сравнительные результаты на бенчмарках, но они зависят от настроек и сценариев оценки.

GPT-5 Pro — модель OpenAI, предназначенная для решения сложных задач с упором на рассуждение, качество кода и следование инструкциям. Карточка описывает её как наиболее продвинутую модель OpenAI и отмечает улучшенный пользовательский опыт. Модель подходит для сложных запросов, требующих пошагового рассуждения, а также для задач программирования и выполнения подробных инструкций. Данных о размере, архитектуре, поддерживаемых языках, контексте, модальностях и лицензии в предоставленных источниках нет.

Карточка модели Stealth-org/MiMo-V2.5-Pro на Hugging Face совпадает с карточкой XiaomiMiMo/MiMo-V2.5-Pro, поэтому описание составлено по ней. MiMo-V2.5-Pro — открытая языковая модель Xiaomi на архитектуре Mixture-of-Experts (MoE), предназначенная для агентных сценариев, сложной разработки ПО и задач с длинными последовательностями действий. В README указаны 1,02 трлн параметров всего и 42 млрд активных параметров; метаданные каталога указывают 27,7 млрд параметров, поэтому размер в описании опирается на данные README. Модель использует чередование локального скользящего и глобального внимания и три модуля Multi-Token Prediction; заявленная длина контекста достигает 1 048 576 токенов. Модель рассчитана на диалог, генерацию кода, следование инструкциям и длительную работу с инструментами. Заявлены поддержка вызова инструментов и сохранение связности при траекториях с тысячами вызовов; доступны веса в формате FP8, а метаданные указывают библиотеку Transformers. В README описано обучение на 27 трлн токенов и последующая настройка с SFT, агентным RL и дистилляцией от нескольких учителей. Модель принимает текст и генерирует текст. В карточке указаны английский и китайский языки. Лицензия — MIT. Заявления о качестве в README основаны на приведённых авторами оценках; для развёртывания на контексте до миллиона токенов потребуются совместимые движок и вычислительные ресурсы.

Карточка модели LiveUK/GLM-5.2 на Hugging Face совпадает с карточкой zai-org/GLM-5.2, поэтому описание составлено по ней. GLM-5.2 — флагманская языковая модель компании Z.ai для длительных задач и диалогового взаимодействия. Она предназначена для генерации текста, программирования и решения задач, требующих работы с большим объёмом контекста. Модель построена на архитектуре GLM MoE DSA и содержит 30,4 млрд параметров. Поддерживает контекст до 1 048 576 токенов; в README также отмечены гибкие уровни усилий для задач программирования, механизм IndexShare для снижения вычислений на длинном контексте и улучшение MTP для ускорения спекулятивного декодирования. Заявлены английский и китайский языки. Модель доступна в формате safetensors для Transformers и поддерживается рядом сред локального запуска, включая vLLM и SGLang. Лицензия — MIT. README приводит сравнительные результаты на бенчмарках, но они зависят от настроек и сценариев оценки.

GLM-5.3-GGUF — квантизированная версия модели GLM-5.3, распространяемая Unsloth на основе базовой модели zai-org/GLM-5.3. Это текстовая генеративная модель для задач, требующих рассуждений, написания и анализа кода, длительных многоэтапных рабочих процессов, взаимодействия с инструментами и автоматизации. Заявлена поддержка английского и китайского языков. Модель использует архитектуру GLM-5.3; точный размер, число параметров, тип и уровни GGUF-квантизации, а также максимальная длина контекста в представленном README не указаны. Доступно управление бюджетом рассуждений через параметр reasoning_effort со значениями low, high и max; по умолчанию используется max. В описании особо отмечены улучшения в сложном программировании и задачах с длинным горизонтом по сравнению с GLM-5.2, а также высокие результаты в тестах на поиск уязвимостей и эксплуатацию. Сильные стороны модели — программирование, агентные сценарии, работа с терминалом, автоматизация и кибербезопасность; при этом приведённые результаты являются заявленными бенчмарками и не гарантируют аналогичное качество в каждом применении. Для чат-сценариев рекомендуется явно задавать clear_thinking=true. Модель распространяется по лицензии glm-5.3; условия этой лицензии в README не приведены.

Kirim-V2 — многоязычная языковая модель общего назначения от Kirim-ai для диалогов, рассуждений и генерации текста. README описывает трансформерную архитектуру со смесью экспертов и разреженной активацией: в версии указаны 26 млрд параметров, из которых около 18 млрд активны при выводе. Метаданные каталога указывают 19,5 млрд параметров; это расхождение не позволяет однозначно установить размер модели. Модель использует библиотеку Transformers, распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы, многошагового анализа, написания и отладки кода, подготовки документации и творческих текстов. README также заявляет интеграцию веб-поиска и вызова внешних инструментов; для веб-поиска нужна соответствующая настройка API. Заявлена поддержка английского, испанского, французского, немецкого, итальянского, португальского, китайского, японского, корейского и русского языков. Модель может выдавать правдоподобную, но неверную информацию; результат зависит от формулировки запроса и сложности задачи. Она не настроена специально для задач, критичных к безопасности, поэтому важные сведения следует проверять. Лицензия — Apache-2.0.

unsloth/Qwen3.6-27B — мультимодальная модель с открытыми весами, основанная на Qwen/Qwen3.6-27B и дообученная после предварительного обучения. Она предназначена для диалогов, программирования, агентных сценариев и работы с изображениями; модель поддерживает вызов инструментов и рассчитана на разработчиков, использующих Transformers и совместимые среды запуска. Архитектура — плотная причинная языковая модель с визуальным энкодером, 27 млрд параметров; контекст составляет 262 144 токена и может расширяться до 1 010 000 токенов. Модель принимает текст и изображения и генерирует текст. В карточке отмечены улучшения в работе с кодом, включая фронтенд-задачи и рассуждение по репозиториям, а также сохранение контекста рассуждений между сообщениями. README упоминает текстовый, графический и видеоввод, однако метаданные классифицируют модель только как image-text-to-text. Указанная лицензия — Apache-2.0.