II.4Отладка, тестирование и качество ПО

OpenR1-Distill-7B — языковая модель с 7,1 млрд параметров, разработанная командой Open-R1 на основе Qwen2.5-Math-7B с расширенной частотой RoPE. Модель дообучена методом supervised fine-tuning на Mixture-of-Thoughts — наборе из 350 тысяч проверенных цепочек рассуждений, дистиллированных из DeepSeek-R1. Архитектура — плотная Qwen2, модель для генерации текста с поддержкой диалогового режима и контекстом до 32 768 токенов. Модель предназначена для пошаговых рассуждений на английском языке в задачах математики, программирования и науки, а также для исследований вычислений на этапе вывода и обучения с проверяемыми вознаграждениями. В опубликованных оценках указаны результаты на AIME 2024, MATH-500, GPQA Diamond и LiveCodeBench; сравнение зависит от протокола выборки ответов. Модель распространяется под лицензией Apache 2.0. Она ориентирована прежде всего на английский язык, а результаты в бенчмарках не гарантируют точность на произвольных запросах; для задач, требующих достоверных ответов, выводы следует проверять.

Ornstein-27B-GGUF — набор GGUF-квантизаций модели Ornstein-27B, разработанной DJLougen на базе Qwen 3.5 27B. Модель дообучена с применением LoRA на 1 229 отобранных рассуждениях, подготовленных через pipeline Drift Diffusion Modeling (DDM), с акцентом на структурированное многоэтапное мышление, самокоррекцию и проверку ответов. Модель использует блоки <think>...</think> для расширенного рассуждения. Она предназначена для математики, задач на логику, анализа кода, научных задач и сложных вопросов, требующих последовательного рассуждения. В обучающей выборке преобладают математические примеры, также представлены код, наука и логика. Доступны варианты от F16 размером 53,8 ГБ до Q2_K размером 10,7 ГБ; рекомендуемым указан Q4_K_M размером 16,5 ГБ. Модель рассчитана на контекст до 8192 токенов и запуск через llama.cpp, Ollama или LM Studio. Язык оптимизации DDM — английский; качество на других языках в основном определяется базовой моделью. Сильная сторона модели — ориентация на качественное, проверяемое рассуждение при сравнительно небольшом объёме данных и широкий выбор квантизаций для локального запуска. Ограничения включают обучение всего на одной эпохе и 1 229 примерах, поэтому дообучение преимущественно формирует стиль рассуждения, а не добавляет новые знания; при неоднозначных или намеренно провокационных запросах расширенное мышление может зацикливаться. Модель распространяется по лицензии Apache-2.0.

Qiskit/Qwen2.5-Coder-14B-Qiskit — специализированная языковая модель, разработанная для работы с кодом на Qiskit и основанная на Qwen2.5-Coder-14B-Instruct. Модель дообучена для генерации, анализа и исправления кода с учётом API и синтаксиса Qiskit 2.0; её можно применять в кодовых агентах. Она также сохраняет возможности работы с математикой и общими задачами. Разработчики описывают её как причинную трансформерную модель с 14,7 млрд параметров и контекстом до 131 072 токенов; метаданные каталога указывают контекст 32 768 токенов. Модель рассчитана на диалоговую работу с текстом и кодом. Она совместима с библиотекой Transformers, а веса опубликованы в формате Safetensors. Репозиторий использует лицензию Apache-2.0. В README указано, что модель не проходила выравнивание безопасности; сгенерированный код может содержать ошибки или нежелательные результаты, поэтому его следует проверять перед использованием. Также отмечен риск дословного воспроизведения фрагментов обучающих данных.

Qwen2.5-Coder-1.5B-Instruct-heretic — декензурированная версия Qwen2.5-Coder-1.5B-Instruct, опубликованная saidutta69 и созданная RACER IS OP с использованием Heretic 1.4.0. Модель ориентирована на генерацию и анализ кода, локальные coding agents, copilot-сценарии и прямые ответы на программные запросы. Базовая модель разработана командой Qwen; в карточке указана поддержка английского языка. Модель содержит 1,5 млрд параметров и поставляется в формате GGUF, включая варианты от F16 до Q2_K, что позволяет запускать её на CPU, Apple Silicon и видеокартах с небольшим объёмом VRAM. Она совместима с llama.cpp, Ollama, LM Studio, Jan, Transformers, vLLM и SGLang. Декензурирование выполнено направленным изменением весов в проекциях attention и MLP без дообучения, поэтому заявляется сохранение большей части исходных знаний и следования инструкциям. Размер контекста в README не указан. Ключевая особенность — подавление отказов: в приведённом сравнении модель отказала в 5 из 100 тестовых запросов против 95 из 100 у исходной версии. Это может быть полезно для локальной разработки и экспериментов, но одновременно означает отсутствие встроенной фильтрации безопасности и повышенный риск нежелательной генерации. Модель сохраняет фактические ограничения и предвзятость базовой версии, а небольшой размер может ограничивать качество сложных задач. Лицензия — Apache-2.0.

Qwen3-VL-8B-Thinking-UI-MOPD-Student — мультимодальная модель-агент для управления графическим интерфейсом, разработанная в проекте UI-MOPD. Это дообученная на базе Qwen/Qwen3-VL-8B-Thinking плотная модель Qwen3-VL с визуальным вводом и текстовым диалоговым интерфейсом. Она обучалась методом дистилляции с несколькими учителями и подкреплением: отдельные учителя для настольной и мобильной платформ передавали модели навыки с учётом типа платформы. Модель предназначена для выполнения задач в интерфейсах компьютеров и мобильных устройств: навигации по сайтам и приложениям, управления настройками и работы с файлами. В README приведены результаты на тестах OSWorld и MobileWorld, а также проверках визуального понимания и привязки к элементам интерфейса. Метаданные указывают поддержку английского и китайского языков и лицензию Apache-2.0. Результаты зависят от среды и протокола оценки; приведённые показатели не гарантируют успешного выполнения произвольных задач.

S4 — дообученный DeBERTa-v3 cross-encoder для выявления галлюцинаций в ответах систем RAG. Разработан в рамках магистерской работы о выявлении галлюцинаций с помощью внешней проверки; модель классифицирует пару «ответ [SEP] контекст» по двум классам и выдаёт вероятность того, что ответ содержит утверждения, не подтверждённые контекстом или противоречащие ему. Использует архитектуру DeBERTa с классификационной головой, содержит 211,6 млн параметров по метаданным и принимает последовательности длиной до 512 токенов. Модель предназначена для исследовательской оценки ответов RAG на данных, близких к RAGTruth, воспроизведения результатов работы и адаптации к смежным наборам данных. В тесте RAGTruth автор сообщает F1 0,7024; качество заметно зависит от предметной области, набора данных, схемы разметки и порога классификации. Модель не устанавливает истинность фактов за пределами переданного контекста и не предназначена для самостоятельного производственного применения без проверки и калибровки на целевом домене. Обучена на RAGTruth; основной язык — английский. Распространяется по лицензии Apache-2.0.

AgentDoG-FG-Qwen2.5-7B — дообученная языковая модель из проекта AgentDoG, созданная на базе Qwen/Qwen2.5-7B-Instruct. Она оценивает безопасность полных траекторий автономных агентов, включающих действия и наблюдения на нескольких шагах, и диагностирует причины риска. Модель может классифицировать траекторию как безопасную или небезопасную, а для небезопасной — определять источник риска, тип сбоя и возможный реальный вред. Модель имеет плотную архитектуру Qwen2 и 7,1 млрд параметров, принимает текст и выдаёт текстовые классификационные метки. Она предназначена для оценки и мониторинга системных агентов с инструментами, анализа тестовых траекторий и использования в качестве защитного модуля. В README заявлены оценки на наборах R-Judge, ASSE-Safety и ATBench, однако приведённые результаты относятся к проекту AgentDoG в целом, а не обязательно к этому конкретному чекпойнту. Лицензия — Apache-2.0.

AppGen Qwen3 policy SFT — arm R — это полноценно дообученный чекпойнт Qwen/Qwen3-VL-8B-Instruct, подготовленный на пользовательских синтетических данных AppGen. Модель предназначена для интерпретации интерфейсов приложений и выдачи действий по строгой политике «одно действие за ответ» с учётом семантической истории до десяти шагов. Модель принимает текст и изображения, а её визуальный энкодер и aligner были заморожены при обучении. Для оценки авторы указывают использовать системный промпт из репозитория, включать явное рассуждение и передавать нормализованные целочисленные координаты в диапазоне 0–999. Чекпойнт не обучался на перечисленных в README наборах для оценки интерфейсных агентов. Лицензия — Apache 2.0.

BetterWright Encoder 350M — это дообученный полноразмерный энкодер LiquidAI/LFM2.5-Encoder-350M для оценки релевантности узлов дерева доступности в браузерных сценариях. Он принимает описание задачи вместе с поддеревом доступности и выдаёт релевантность фрагментов и отдельных узлов, а также сигнал уверенности для безопасного отката к исходному снимку страницы. Модель содержит 444,6 млн параметров, использует архитектуру LFM2 и поддерживает контекст до 128 000 токенов; веса опубликованы в формате safetensors. Модель предназначена для сокращения контекста браузерного агента с сохранением элементов, важных для целевых действий и подтверждающих данных. Обучение проводилось на структурных примерах с разделением данных по доменам. В отчёте на отложенных доменах указаны 99,584% полноты целевых элементов и подтверждений, но в живом навигационном прогоне модель сохранила и позволила нажать 6 из 9 текущих целей. Это модель релевантности, а не автономный браузерный агент; автор рекомендует использовать детерминированные правила сохранения важных узлов и откат к полному дереву при низкой уверенности, ошибках, тайм-аутах или недостаточном контексте. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Elron/bleurt-base-512 — версия BLEURT в формате PyTorch, опубликованная Elron на основе оригинальной модели BLEURT от Google Research. Это BERT-модель для классификации последовательностей с 136,7 млн параметров и контекстом до 512 токенов; её используют как обучаемую метрику для оценки качества текстов, созданных генеративными системами, сравнивая результат с эталонным текстом. Модель подходит для автоматической оценки генерации текста в экспериментах, тестировании и сравнении языковых моделей. README показывает загрузку через Transformers как AutoModelForSequenceClassification. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

DynaGuard-1.7B — языковая модель-охранник, разработанная исследователями Университета Мэриленда и Capital One для проверки текста на соответствие политикам, заданным на естественном языке. Она предназначена для модерации диалогов и ответов чат-ботов по правилам конкретного приложения, например для предотвращения несанкционированных возвратов или медицинских рекомендаций. Модель основана на Qwen3-1.7B и представляет собой плотный decoder-only Transformer с 1,7 млрд параметров. Она принимает текст с политикой и диалогом и генерирует текстовый результат: краткую классификацию PASS/FAIL либо классификацию с объяснением. Поддерживает английский язык; максимальная длина контекста — 40 960 токенов. Модель дообучена на DynaBench и наборах данных для оценки безопасности с помощью SFT и GRPO. Карточка сообщает о сильных результатах на DynaBench и традиционных тестах безопасности, однако приведённые оценки относятся к тестовым наборам и не гарантируют качество для любой пользовательской политики. Модель распространяется под лицензией Apache-2.0.

FrugalScore — компактная модель для оценки качества генерации естественного языка, разработанная как недорогая замена вычислительно затратной метрике BERTScore. Этот чекпойнт использует BERT-tiny в роли студента, обученного воспроизводить оценки BERT-Base с помощью BERTScore. Модель предназначена для автоматической оценки и сравнения сгенерированных текстов, например при проверке результатов систем генерации или переводов. Модель построена на архитектуре BERT и содержит 4,4 млн параметров. Она принимает текст, имеет контекстное окно до 512 токенов и распространяется в формате PyTorch. README не сообщает поддерживаемые естественные языки и лицензию, поэтому их нельзя уточнить по доступным данным.

Fuyu-8B — мультимодальная модель Adept AI на основе плотного декодерного трансформера с 10,7 млрд параметров. Входные патчи изображения линейно подаются в первый слой трансформера; отдельного визуального энкодера нет. Модель принимает изображения произвольного разрешения и текст, выдаёт текст, а длина контекста составляет 16 384 токена. Модель предназначена для исследований мультимодальных систем и цифровых агентов. Она может отвечать на вопросы о графиках, диаграммах и интерфейсах, локализовать элементы на изображении, а также выполнять задачи визуальных вопросов и описания изображений. Карточка сообщает о быстрой обработке крупных изображений и результатах на стандартных бенчмарках визуального понимания. Это базовая модель без дообучения под конкретные сценарии; для подробных описаний и мультимодального диалога рекомендуется дополнительное обучение или настройка под задачу. Возможны нежелательные ответы и социальные предубеждения, а модель не предназначена для генерации фактических утверждений о людях и событиях. Лицензия — CC BY-NC 4.0, для коммерческого использования она не предназначена.

OS-Software/Gemma 4 12B IT QAT Q4_0 Unquantized Heretic JA v2 — экспериментальная производная модели Google Gemma 4 12B IT. Репозиторий описывает Gemma 4 как мультимодальную модель Google DeepMind для работы с текстом, изображениями, видео и аудио; эта версия дообучена на базе google/gemma-4-12B-it и помечена как uncensored/abliterated. Указаны гибридное внимание с локальными окнами и глобальными слоями, рассуждение, вызов инструментов, генерация и исправление кода, а также мультиязычная поддержка. Для семейства 12B заявлено контекстное окно до 256K токенов и поддержка распознавания речи и перевода аудио в текст; метаданные указывают Transformers, safetensors и лицензию Apache-2.0. Карточка позиционирует модель для исследований и экспериментов, включая исследования безопасности, выравнивания и red teaming, и просит не развёртывать её в публичных сервисах или пользовательских приложениях. Возможны предвзятые, неточные или устаревшие ответы, трудности со сложными инструкциями и языковыми нюансами; для этой версии отдельные измерения качества не приведены.

Granite Core Library — набор LoRA-адаптеров, разработанный IBM для расширения возможностей базовых моделей IBM Granite в задачах объяснимости, калибровки уверенности и проверки ограничений. Адаптеры предназначены для моделей granite-4.0-micro, granite-4.1-3b, granite-4.1-8b и granite-4.1-30b; исходные модели поддерживают генерацию текста на английском языке. В набор входят три специализации. Context Attribution определяет, какие предложения из контекста, документов и предыдущих реплик диалога повлияли на каждое предложение ответа, и ранжирует их по важности. Requirement Check проверяет, соответствует ли ответ ассистента заданным пользователем требованиям, возвращая бинарную оценку yes/no; поддерживаются проверки формата, содержания, структуры и качества. Uncertainty вычисляет калиброванный процент уверенности в ответе: для оценок X% примерно X% ответов должны быть правильными. Это не самостоятельная базовая модель, а набор PEFT/LoRA-адаптеров, рекомендуемый к использованию через фреймворк Mellea. README не указывает размер контекста, мультимодальность или результаты тестирования, поэтому эти характеристики неизвестны. Артефакты адаптеров подписаны для проверки целостности и происхождения. Лицензия — Apache-2.0.

MiMo-V2.6-Flash-RL Abliterated — производная модель на основе XiaomiMiMo/MiMo-V2.6-Flash-RL с изменёнными проекциями выходов внимания в декодере, предназначенными для ослабления или удаления отказов. Она рассчитана на генерацию диалоговых ответов, в том числе для red teaming, исследований безопасности и оценки поведения модели без исходных защитных отказов. Архитектура и файлы в основном совпадают с базовой моделью: FP8 attention, эксперты MXFP4, черновая голова DFlash и MTP; в метаданных формат указан как safetensors. README приводит результат проверки отказов 27 успешных обходов из 32, поэтому модель не устраняет все отказы. Модель принимает текст и генерирует текст; заявленные языки — английский и китайский. README указывает, что изменения затронули только выходные проекции внимания, а DFlash, аудио- и визуальный энкодеры, эмбеддинги и другие перечисленные компоненты оставлены базовыми. Это не свидетельствует о поддержке аудио- или визуального ввода в данном чекпойнте. Лицензия — MIT, унаследованная от базовой модели; в карточке также указаны ограниченный доступ и условия ответственного использования, включая запреты на ряд видов вредоносного и незаконного применения.

tinyopsec/minicpm5-2b-distilled-reasoning-GGUF — это квантизированная GGUF-версия модели jigs97022/minicpm5-2b-distilled-reasoning, разработанная на базе openbmb/MiniCPM5-2B. Модель создана для генерации текста и решения задач с рассуждением; она дистиллирована из Qwen3.8-Max, GLM-5.2 и Kimi K3 с использованием QLoRA на 10 000 отфильтрованных примеров по математике, программированию, логическим головоломкам и структурированному решению задач. Модель содержит около 2 млрд параметров, поддерживает английский и китайский языки и имеет максимальный контекст 4096 токенов. Доступны варианты с точностью от 16 до 2 бит и размером примерно от 5,0 до 0,8 ГБ; рекомендуемым указан вариант Q5_K_M, а Q4_K_M требует около 2 ГБ VRAM. Модель предназначена для локального запуска через llama.cpp, llama-cpp-python, LM Studio или Ollama и подходит для компактных приложений, где важны низкое потребление памяти и пошаговое решение задач. Сильными сторонами являются небольшой размер, несколько уровней квантизации и специализация на математическом, программном и логическом рассуждении. Ограничения включают ухудшение качества за пределами контекста в 4K токенов, возможную слабость на нестандартных случаях из-за обучения на подмножестве из 10 000 примеров, поддержку только английского и китайского языков и ориентировочную границу знаний около 2024 года. Модель распространяется по лицензии Apache-2.0.

Ornith-1.5-9B-OBLITERATED — модифицированная версия модели Ornith-1.5-9B, разработанной DeepReinforce. Модель подготовлена проектом OBLITERATUS и создана с применением abliteration — хирургического удаления направлений, связанных с отказами модели. Она предназначена для генерации текста, программирования, рассуждений, агентских задач, исследований выравнивания и red teaming, где требуется менее фильтруемое поведение. Заявлена поддержка английского языка. Модель построена на гибридной архитектуре Qwen3.5 с Gated DeltaNet и полноразмерными механизмами внимания и содержит около 9 млрд параметров. Доступны веса bf16 и варианты GGUF от Q2_K до Q8_0; также указан vision encoder, однако возможности мультимодального применения в описании подробно не раскрыты. Поддерживается режим рассуждений, но для общего использования рекомендуется отключать его. Для запуска доступны Transformers и llama.cpp, рекомендуемый размер контекста в примере llama.cpp — 8192 токена. Сильной стороной является существенно сниженная склонность к отказам: в приведённых тестах модель показала высокую готовность отвечать на ограниченные запросы, сохранив результаты в генерации кода и агентских сценариях. Ограничения включают снижение MMLU примерно на 4 процентных пункта относительно базовой модели, частично ухудшенную поддержку function calling, возможные дополнительные отказы в низкобитных квантизациях и риск галлюцинаций в сложных химических и синтетических задачах. Удаление защитных механизмов повышает риски небезопасного использования, поэтому результаты требуют независимой проверки. Лицензия — MIT.

PC-Agent-E — мультимодальная модель, дообученная автором henryhe0123 на базе Qwen/Qwen2.5-VL-72B-Instruct на датасете PC-Agent-E. Модель представлена в работе «Efficient Agent Training for Computer Use» и предназначена для сценариев взаимодействия с компьютером, где нужно анализировать визуальный интерфейс и формировать текстовый ответ. Модель построена на архитектуре Qwen2.5-VL, содержит 71,5 млрд параметров и поддерживает контекст до 128 000 токенов. Она принимает текст и изображения и выдаёт текст; доступна в формате safetensors для Transformers. Лицензия — MIT.

rombodawg/test_dataset_Codellama-3-8B — экспериментальная версия Llama 3 8B Instruct, дообученная автором rombodawg на наборе Replete-AI/code-test-dataset для генерации кода. В основе лежит unsloth/llama-3-8b-Instruct; README сообщает, что обучение выполнялось с Unsloth, QLoRA и GaLore, а результат был сохранён в объединённом формате 16-bit. В метаданных указаны плотная архитектура LlamaForCausalLM, около 7,5 млрд параметров, контекст до 8192 токенов и поддержка чата. Модель предназначена для генерации текста и кода по запросу, в том числе в диалоговом формате. Карточка описывает её как тестовый результат обучения на небольшом наборе данных, поэтому качество и надёжность для широкого применения не подтверждены. Репозиторий распространяется по лицензии Apache-2.0.

laion/tt-x0_verifier-shaped-20-30B — экспериментальная версия модели TaskTrove X0, созданная LAION на основе Qwen/Qwen3-Coder-30B-A3B-Instruct. Модель прошла 20 шагов агентного обучения с подкреплением terminus-2 на задачах работы с несколькими файлами и проверки решений через pytest; при обучении применялось формирование награды pass_ratio, которое учитывает частичный прогресс. Это разговорная MoE-модель для генерации текста и решения задач программирования в агентных сценариях. Базовая модель поддерживает контекст до 262 144 токенов. В README приводится результат pass@k 0,347 при повторной оценке без shaping против 0,310 у бинарного варианта; эти цифры относятся к конкретному эксперименту. Карточка описывает абляцию с горизонтом в 20 шагов, поэтому модель следует считать экспериментальным чекпойнтом, а не зрелым универсальным решением. Дерево обучающих трасс недоступно. Лицензия в предоставленных данных не указана.

UI-TARS-7B-DPO-GGUF — мультимодальная модель для взаимодействия с графическими интерфейсами, разработанная на основе UI-TARS-7B-DPO от Bytedance Research. Это дообученная версия reasoning-модели Qwen VL, созданная для GUI-агентов с человекоподобным восприятием, рассуждением и выполнением действий. Модель предназначена для сценариев автоматизации интерфейсов, где требуется анализ визуального содержимого и формирование действий на его основе. Модель содержит около 7 миллиардов параметров и распространяется в формате GGUF. Квантизацию выполнил bartowski на базе llama.cpp версии b4514. В карточке указана поддержка мультимодального режима image-text-to-text и английского языка. Размер контекста, конкретные поддерживаемые варианты входных изображений и характеристики отдельных уровней квантизации не указаны, поэтому их следует уточнять для конкретного файла модели. К сильным сторонам относятся сочетание визуального анализа, рассуждений и ориентации на управление GUI, а также возможность локального запуска благодаря формату GGUF. Ограничениями являются потенциальная потеря качества из-за квантизации и отсутствие в предоставленных данных подробных оценок точности, требований к оборудованию и результатов тестирования. Лицензия модели указана как Apache-2.0.

UTMOS v2 — перенос официальной модели оценки качества речи `fusion_stage3`, fold 0, в формат для использования с PyTorch, torchaudio и Transformers. Репозиторий `prj-beatrice` адаптировал модель для загрузки через `AutoModel` и вычисления оценки по аудиоволновой форме; модель принимает аудио и возвращает числовой score. Она предназначена для автоматической оценки воспринимаемого качества синтезированной или записанной речи, в том числе при сравнении аудиосистем и анализе речевых данных. Доступны обработка батчей с длинами аудио и настройка калибровки по домену данных; по умолчанию используется `sarulab`, а удаление тихих участков можно отключить. Модель относится к семейству UTMOS v2 и использует архитектуру dense. Порт может давать результаты, отличающиеся от официальной реализации из-за другого генератора случайных чисел при выборе аудиофрагментов и mixup. Лицензия указана как `other`, без дополнительных условий в предоставленных данных.

acuvity/14.0.1-ms-marco-MiniLM-L6-v2 — англоязычный cross-encoder на базе cross-encoder/ms-marco-MiniLM-L6-v2, дообученный для выявления несоответствия действий ИИ-агента поставленной задаче. Модель классифицирует пару «задача — действие» как согласованную или несогласованную; в README указана бинарная классификация, а метаданные относят модель к text-classification и sentence-similarity. Архитектура — BERT с классификационной головой BertForSequenceClassification; размер по метаданным — 25,9 млн параметров, контекст — до 512 токенов. Модель построена на cross-encoder/ms-marco-MiniLM-L6-v2 и обучена с учителем на наборе acuvity/tool-use-alignment. README приводит высокие значения F1, AUPR и precision на тестах, но без полного описания протокола и данных эти результаты нельзя считать гарантией качества в новых сценариях. Модель предназначена для проверки соответствия действий агента его задаче и может использоваться как компонент защитного контроля или фильтрации. Для оценки применимости к конкретным агентам потребуется проверка на собственных примерах. Лицензия в предоставленных сведениях не указана.

Aria-UI — модель семейства Aria, разработанная для понимания инструкций по управлению графическим интерфейсом и привязки инструкций к элементам на экране. Она дообучена на наборе Aria-UI_Data на базе rhymes-ai/Aria-Base-8K и предназначена для GUI-агентов, которые преобразуют текстовые инструкции и изображения интерфейса в ответы, помогающие выполнить задачу. Модель принимает текст и изображения, в том числе чередующиеся текстово-визуальные данные и историю взаимодействия. В README указана архитектура Mixture-of-Experts с 3,9 млрд активируемых параметров на токен, поддержка изображений разных размеров и пропорций и сверхвысокого разрешения. Для базовой модели заявлен контекст до 8K токенов. Авторы сообщают о результатах на AndroidWorld и OSWorld, включая 44,8% успешных задач на AndroidWorld и 15,2% на OSWorld в декабре 2024 года. Модель ориентирована на сценарии управления GUI и требует совместимого мультимодального инференса. Доступна по лицензии Apache-2.0.

AutoGLM-Phone-9B — мультимодальная модель Zhipu AI для управления смартфоном в составе фреймворка Phone Agent. Она анализирует снимки экрана и текстовые запросы, чтобы понимать интерфейс и поддерживать выполнение заданных пользователем задач на мобильном устройстве. Система использует ADB для управления Android-устройством, планирует последовательности действий и может передавать человеку сценарии входа или ввода кода подтверждения; чувствительные действия требуют подтверждения. Модель дообучена на базе zai-org/GLM-4.1V-9B-Base, использует архитектуру GLM-4V и распространяется в формате Safetensors для Transformers. В карточке указаны китайский язык и задача image-text-to-text; базовая модель поддерживает китайский и английский. Лицензия — MIT. Проект предназначен для исследований и обучения; практическое использование зависит от фреймворка Phone Agent и доступа к Android-устройству через ADB.

BetterWright-4b — полноразмерная дообученная модель на базе XHToken/Spark-X2.5-4B, созданная для управления браузером через BetterWright и Playwright. Разработчики обучали её на проверенных выполнением траекториях работы агента с реальными сайтами; модель использует архитектуру Spark-X2.5 с чередованием скользящего и полного внимания и содержит 3,8 млрд параметров. Модель предназначена для выполнения многошаговых задач в браузере: перехода по страницам, извлечения сведений и заполнения форм в тестовых сценариях. Она работает с инструментами браузера и выдаёт текстовые ответы и вызовы инструментов. Нативный контекст — до 1 048 576 токенов, рекомендуемое окно обслуживания — 262 144 токена. Для работы с браузером модель рассчитана на шаблон чата Spark-X2.5 и совместимый инструментальный интерфейс BetterWright. В небольшом тесте на 40 задачах модель чаще выдавала ответы, обоснованные наблюдениями браузера, чем базовая модель, однако строгий процент успешного выполнения остался низким, а многие задачи завершились по тайм-ауту. Модель видит текстовые снимки доступности, DOM и JSON-результаты, но не скриншоты; обучение не охватывало аутентифицированные сценарии с реальными учётными данными. Лицензия — Apache-2.0.

distil-qwen3-1.7b-posthog-prioritizer — специализированная модель Distil Labs, обученная на платформе Distil Labs для ранжирования сгруппированных продуктовых находок в аналитическом процессе PostHog. Она принимает пакет записей о проблемах и пробелах в продукте с оценкой серьёзности, числом повторений, заголовком и свидетельствами, а затем возвращает строгий JSON с ранжированием и объяснением для каждого пункта. Модель построена на Qwen3-1.7B с архитектурой Qwen3ForCausalLM; число параметров — 1,7 млрд, контекст — до 40 960 токенов. Доступны веса Safetensors и GGUF F16; лицензия — Apache-2.0. Модель предназначена для приоритизации продуктовых выводов по влиянию, частоте и трудоёмкости в составе инструментария distil-posthog-traffic-analyser. Её узкая специализация и структурированный JSON-ответ подходят для автоматизированного этапа анализа, где каждому входному идентификатору должно соответствовать ровно одно место в ранжированном списке. Это текстовая модель генерации; README не уточняет поддерживаемые естественные языки и не приводит оценок качества или подробностей обучения.

GLM-5.3-Flash-0.1B-A0.1B — тестовая уменьшенная версия модели GLM-5.3-Flash, подготовленная inference-optimization для разработки и проверки инструментов. Модель использует архитектуру glm5_next с классом Glm5NextForConditionalGeneration; в чекпойнте около 84 млн параметров и сохранена структура исходной архитектуры, включая текстовую часть и башню зрения. Контрольная точка хранится в формате safetensors с точностью bf16. Модель предназначена для тестирования и разработки средств квантования, обслуживания моделей и CI. Её обучали на небольшом текстовом наборе; башня зрения осталась со случайными весами. По заявлению автора, модель не обладает практическими языковыми или визуальными возможностями и не подходит для прикладных задач. Лицензия — MIT.

Mungert/Holo-3.1-4B-GGUF — квантизированная GGUF-версия модели Holo3.1-4B, разработанной H Company для визуально-языковых агентов, выполняющих действия на компьютере. Модель предназначена для автоматизации веб-интерфейсов, настольных и мобильных приложений, навигации по пользовательским интерфейсам, UI-grounding, мобильной автоматизации и бизнес-сценариев с использованием агентских фреймворков. Holo3.1 поддерживает нативный function calling, что упрощает интеграцию с такими системами. Модель относится к классу Vision-Language Models и работает с текстом и изображениями. Указанный язык — английский. Версия основана на семействе Qwen 3.5, а размер варианта составляет 4B параметров. Контекстное окно в предоставленных данных не указано. GGUF-файл подготовлен с использованием llama.cpp; при квантизации отдельные важные слои переводятся на более высокую точность, что должно улучшать качество на низких битностях, особенно для MoE-моделей, но увеличивает размер файла. Ключевые преимущества модели — возможность локального запуска, сниженные требования к вычислительным ресурсам по сравнению с более крупными версиями семейства и ориентация на задачи computer use. Ограничения включают отсутствие сведений о точных форматах квантизации данного файла, контекстном окне и количественных результатах бенчмарков, а также заявленную поддержку только английского языка. Модель распространяется по лицензии Apache 2.0.