II.4Отладка, тестирование и качество ПО

IndustrialCoder — открытая модель генерации кода InCoder-32B, представленная авторами работы «InCoder-32B: Code Foundation Model for Industrial Scenarios». Это плотный decoder-only Transformer семейства IQuestCoder с 31,6 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для генерации, дополнения и анализа кода, особенно в промышленных сценариях: проектировании микросхем на Verilog и SystemVerilog, оптимизации GPU-ядер на CUDA и Triton, встроенных системах на C/C++ и 3D-моделировании на CadQuery. Поддерживаются чатовый режим и интерфейс вызова инструментов; модель также умеет дополнять код внутри фрагмента с использованием Fill-in-the-Middle. Обучение включало предварительное обучение на коде, расширение контекста и дообучение на задачах с проверкой через инструментальные цепочки. В README сообщается о сильных результатах на общих и специализированных бенчмарках, однако качество зависит от задачи. Модель может использовать неизвестные или недоступные функции HAL/CMSIS, генерировать компилируемый, но логически неверный RTL и предлагать корректные, но неоптимальные GPU-ядра; сгенерированный промышленный код требует проверки специалистом и тестирования. Репозиторий распространяется по лицензии Apache-2.0.

braindao разработала дообученную модель на базе ajibawa-2023/Code-Llama-3-8B для генерации кода и ответов на вопросы о Solidity — языке смарт-контрактов Ethereum. Она предназначена для помощи при разработке, оптимизации и отладке смарт-контрактов, а также для обучения Solidity. Модель относится к семейству Llama, имеет плотную авторегрессионную архитектуру и содержит 7,5 млрд параметров. Она принимает текстовые запросы и генерирует текстовые ответы; заявленная длина контекста — 8192 токена. В метаданных указан английский язык карточки и лицензия other. README не приводит сведений о качестве на тестах или о конкретных ограничениях, поэтому сгенерированный код и технические ответы следует проверять перед использованием.

TheBlokeAI/JackFram-Llama-68M — компактная версия модели JackFram Llama 68M, подготовленная TheBlokeAI. В репозитории удалены файлы состояния обучения и веса преобразованы в формат safetensors; README указывает, что модель совместима с Llama 1 и содержит два слоя. Метаданные указывают 43,5 млн параметров и контекст 2048 токенов. Модель предназначена прежде всего для генерации текста и проверки процессов квантования и других операций с моделями. Это облегчённый технический чекпойнт, а не полноразмерная модель для широкого применения. Лицензия в метаданных обозначена как other, без уточнения условий.

jina-v2-code-ft2 — это 161-миллионная модель эмбеддингов кода, созданная дообучением jinaai/jina-embeddings-v2-base-code. Она предназначена для локализации изменений по описанию GitHub issue: преобразует issue и фрагменты кода в векторы для поиска фрагментов, которые нужно изменить. Архитектура — плотный энкодер JinaBert на базе BERT; модель поддерживает контекст до 8192 токенов. В README описано обучение на парах из CORE-Bench Level-2 с hard negatives и оценка на задачах issue-to-edit retrieval. Модель особенно рассчитана на длинные запросы в стиле issue и должна применяться в гибридном поиске вместе с лексическим ранжированием, например BM25. В оценке CORE-Bench Level-2 гибридный подход повысил NDCG@10, однако выигрыш не переносится на короткие запросы разработчиков. Результаты относятся к одному семейству бенчмарков и не подтверждают качество для общего поиска кода или других языков. Лицензия CC-BY-NC-SA-4.0 исключает коммерческое использование.

OpenCUA-7B — мультимодальная модель агента для управления компьютером, разработанная командой xlangai на основе Qwen2.5-VL-7B-Instruct. Она принимает текстовые инструкции и снимки экрана, анализирует интерфейс и выдаёт текстовые команды и действия, например координаты для нажатий. Модель предназначена для многошаговых сценариев работы с графическими интерфейсами в Ubuntu, Windows и macOS, включая распознавание элементов, привязку действий к экрану и планирование последовательности операций. Модель поддерживает контекст до 128 000 токенов и может учитывать до трёх снимков экрана из истории. В README описаны возможности рассуждения с самопроверкой и оценки на бенчмарках GUI и управления компьютером; приведённые высокие результаты OSWorld-Verified относятся к OpenCUA-72B и не являются результатом версии 7B. Для выполнения действий требуется агентная среда, которая передаёт снимки модели и исполняет её команды; координаты модели необходимо согласовать с применяемым smart resize в обработке Qwen2.5-VL. Репозиторий распространяется по лицензии MIT, разрешающей исследовательское, образовательное и коммерческое использование.

Ornith-1.5-9B-uncensored-GGUF-8bit — мультимодальная модель на 9 млрд параметров, опубликованная junafinity на основе Ornith-1.5-9B от ornith-ai. Это abliterated-сборка: из языковой части удалено направление, связанное с отказами, с помощью ZeroFuse. Модель поддерживает работу с текстом и изображениями; для обработки изображений в llama.cpp требуется отдельный файл mmproj-*.gguf. Языки и размер контекстного окна в README не указаны. Модель предназначена прежде всего для red teaming, исследований защитной кибербезопасности, оценки предельных возможностей базовой модели, тестирования фильтров, классификаторов, защиты от prompt injection и других защитных механизмов. Отсутствие части встроенных отказов облегчает автоматизированное тестирование и генерацию данных для систем модерации, однако отдельные отказы могут сохраняться, в том числе при многошаговом взаимодействии, системном управлении и обработке изображений. Распространяется в формате GGUF с 8-битной квантизацией Q8_0 для запуска через llama.cpp. Vision tower сохранён и, согласно README, функционально проверен; MTP-блок в исходной линии отсутствует, поэтому конвертация выполнена без него. Ограничения включают необходимость самостоятельного обеспечения модерации и риск небезопасных ответов: модель не следует публиковать как открытый endpoint без независимого защитного слоя. В README указана лицензия Apache-2.0.

qa-harness-rl-a — дообученная с подкреплением модель на базе Qwen3-4B, разработанная xuechengliu. Она предназначена для пересмотра исполняемого harness-кода фиксированного решателя вопросов и ответов по обратной связи от выполнения. Модель сохраняет архитектуру Qwen3-4B, токенизатор и шаблон чата; содержит около 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель можно применять в экспериментальных системах, где требуется итеративно корректировать исполняемую обвязку QA-решателя по результатам её запуска. Это текстовая диалоговая модель на базе Transformers; указана лицензия Apache-2.0. Карточка не уточняет поддерживаемые естественные языки или дополнительные ограничения качества и безопасности.

tencent/UI-Mate-9B — мультимодальная vision-language модель Tencent, представленная в формате GGUF и квантизированная bartowski с использованием llama.cpp. Модель содержит около 9 млрд параметров и предназначена для взаимодействия с графическим интерфейсом, включая сценарии computer-use agent, GUI-автоматизации и работы с настольными приложениями. В README также упоминается применение в задачах OSWorld и WindowsAgentArena, а среди связанных инструментов указан pyautogui. Модель принимает текст и изображения; для мультимодальной работы требуется дополнительный файл mmproj. Доступны варианты от BF16 до различных уровней квантизации, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Рекомендуемым компромиссом обозначен вариант Q4_K_M размером около 5,91 ГБ, а более высокое качество предлагают Q5 и Q6. Поддержка speculative decoding отсутствует, при этом использована imatrix-квантизация. Языки и размер контекстного окна в README не указаны. Сильная сторона модели — специализация на понимании визуального интерфейса и автоматизации действий в GUI при относительно компактном размере. Ограничения включают зависимость мультимодального режима от mmproj, возможное снижение качества на низких уровнях квантизации и отсутствие данных о языковой поддержке, контекстном окне и результатах измерения perplexity или KLD. Указанная лицензия — Apache-2.0.

akreal/tiny-random-BloomForCausalLM — компактная модель авторегрессионной генерации текста на архитектуре BloomForCausalLM, опубликованная пользователем akreal на Hugging Face. Она предназначена для продолжения и генерации текста через библиотеку Transformers и совместима с PyTorch. Модель содержит около 114,7 тыс. параметров и рассчитана на контекст длиной до 512 токенов. Её ключевое преимущество — крайне малый размер, благодаря которому она удобна для тестирования загрузки, инференса и интеграции конвейеров text-generation. Из-за миниатюрного размера и отсутствия содержательной карточки модели её нельзя рассматривать как полноценную универсальную языковую модель с гарантированным качеством генерации. Сведения о поддерживаемых естественных языках и лицензии в доступных источниках не установлены.

AceReason-Nemotron-14B — языковая модель NVIDIA для решения задач по математике и программированию. Модель построена на плотной архитектуре Qwen2 и содержит 14 млрд параметров; она принимает текст и генерирует текст. Контекстное окно составляет 131 072 токена. Модель обучена с помощью обучения с подкреплением на базе DeepSeek-R1-Distilled-Qwen-14B. Она предназначена для пошагового математического рассуждения, решения олимпиадных задач и генерации кода. В README сообщаются результаты на AIME 2024/2025 и LiveCodeBench; также доступны обучающие материалы и инструменты оценки. Для использования опубликованы веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели NVIDIA. README рекомендует передавать инструкции в пользовательском запросе и задавать модели просьбу рассуждать пошагово; результаты могут зависеть от промпта и параметров генерации.

fm-universe/deepseek-coder-7b-instruct-v1.5-fma — дообученная модель для задач формальной верификации, созданная на основе deepseek-ai/deepseek-coder-7b-instruct-v1.5. Она генерирует и дополняет формальные доказательства и модели, помогает разбирать требования и переводить код в спецификации для проверки. Модель обучена для работы с пятью языками формальной спецификации: Cog, Dafny, Lean4, ACSL и TLA. README перечисляет анализ требований, генерацию доказательств и моделей, генерацию фрагментов доказательств, завершение и заполнение пропусков в доказательствах, а также генерацию спецификаций ACSL по коду. Это плотная причинная языковая модель семейства Llama на 6,5 млрд параметров с контекстом 4096 токенов; поддерживает диалоговый интерфейс. Лицензия — MIT. Модель предназначена для помощи в формализации и верификации, однако результаты генерации следует проверять соответствующими верификаторами или проверщиками моделей. README не сообщает об успешности прохождения проверок или иных гарантиях качества.

DynaGuard-4B — модель-страж для проверки диалогов на соответствие пользовательским правилам, сформулированным на естественном языке. Её разработали исследователи Университета Мэриленда и Capital One. Это декодерный Transformer на базе Qwen3-4B с 3,7 млрд параметров и контекстом до 40 960 токенов; модель дообучена на DynaBench и наборах данных по безопасности, включая WildGuard, BeaverTails, ToxicChat и Aegis 2.0, сначала методом SFT, затем GRPO. Модель подходит для модерации ответов чат-ботов по правилам конкретного приложения: например, для предотвращения несанкционированных обещаний возврата средств или медицинских рекомендаций. Она может выдать краткую классификацию PASS/FAIL либо объяснить, почему правило нарушено, что позволяет использовать её для проверки диалогов и поддержки модерации с участием человека. Карточка сообщает о сильных результатах семейства DynaGuard на тестах безопасности, но приведённые числа относятся к DynaGuard-1.7B и DynaGuard-8B, а не непосредственно к версии 4B. Модель распространяется под лицензией Apache-2.0.

Карточка модели TitanPythons/Gemma-4-31B-JANG_4M-Uncensored на Hugging Face совпадает с карточкой YuviAzu/Gemma-4-31B-JANG_4M-Jailbreak, поэтому описание составлено по ней. YuviAzu/Gemma-4-31B-JANG_4M-Jailbreak — конверсия Gemma 4 31B Instruct от dealignai с удалёнными ограничениями на ответы и смешанной точностью. Модель построена на плотном трансформере Gemma 4 с гибридным скользящим и глобальным вниманием; карточка сообщает о 60 слоях и размере около 18 ГБ. Веса внимания и эмбеддинги сохранены в 8-битном представлении, остальные компоненты преимущественно сжаты до 4 бит. Для запуска указан MLX или совместимый движок с поддержкой Gemma 4; рекомендуются Apple Silicon и не менее 24 ГБ объединённой памяти. Модель предназначена для диалогов, написания кода и ответов на запросы, в том числе на темы, от которых обычные модели могут отказаться. В README приведены результаты собственных тестов: 93,7% соответствия запросам в HarmBench и снижение результата MMLU на 2 процентных пункта; это заявления автора карточки, а не независимая оценка. Лицензия — Gemma; модель ориентирована на исследование поведения моделей безопасности. Карточка также сообщает о сохранённом vision-энкодере, но не описывает проверенные сценарии работы с изображениями.

GRPO-Instruct-1.5B — языковая модель-верификатор кода, разработанная институтом INSAIT. Она дообучена методом GRPO с обучением RLVR на основе проверяемых наград, включая отрицательные примеры и on-policy обучение, но без промежуточных цепочек рассуждений: модель сразу выдаёт вердикт. Основа — Qwen/Qwen2.5-1.5B-Instruct; архитектура плотная Qwen2ForCausalLM, размер — 1,5 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель принимает условие задачи по программированию и несколько кандидатных решений, затем оценивает и ранжирует их. Её предполагается использовать как функцию вознаграждения при оптимизации моделей генерации кода, для автоматической оценки кода и в исследованиях верификаторов. Данные обучения включают задачи соревновательного программирования и решения на Python, C++ и Java; сами языки программирования не определяют язык общения модели. Модель выпущена по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных работ. Она предназначена для проверки и сравнения кандидатных решений в заданном формате; README отсылает к репозиторию проекта за точным шаблоном промпта.

Holo4-35B-A3B — мультимодальная модель типа vision-language для управления компьютером, разработанная H Company на базе Qwen3.6-35B-A3B. В связке с оболочкой hai-agents она принимает снимки экрана и результаты инструментов, а затем формирует запросы на щелчки, ввод текста, запуск кода и вызовы инструментов для выполнения задач в приложениях и веб-сервисах. Модель относится к семейству Qwen3.5 MoE и представлена в формате safetensors; в README также названы варианты BF16, FP8, NVFP4 и Q4 GGUF для семейства Holo4-35B-A3B. Метаданные указывают поддержку диалогов, интерфейса вызова инструментов и изображений. README приводит результаты на бенчмарках OSWorld 2.0 и AutomationBench, а также отмечает улучшение относительно базовой модели Qwen. Модель подходит для автоматизации пользовательских сценариев на рабочем столе и в браузере, где агенту нужно анализировать экран и взаимодействовать с приложениями. Лицензия — Apache-2.0. Результаты и качество отдельных сценариев зависят от среды исполнения и доступных агенту инструментов; карточка не приводит длину контекста или перечень поддерживаемых естественных языков.

html-accessibility-fixer — дообученная SnehaPriyaaMP версия модели T5-small для преобразования текста. По названию репозитория модель предназначена для исправления проблем доступности в HTML. Архитектура — T5ForConditionalGeneration, размер — 38,5 млн параметров, формат весов — safetensors; модель использует библиотеку Transformers и имеет контекст до 512 токенов. В карточке указана оценка Loss 2,7182 на тестовом наборе, однако набор данных и подробности оценки не описаны. Модель распространяется по лицензии Apache-2.0. README не содержит подробного описания возможностей или ограничений, поэтому качество исправлений и поддерживаемые виды проблем доступности по этим данным оценить нельзя.

Карточка модели janhq/Jan-v2-VL-med на Hugging Face совпадает с карточкой janhq/Jan-v2-VL-high, поэтому описание составлено по ней. Jan-v2-VL-high — мультимодальная модель с 8 млрд параметров, разработанная Jan и дообученная на базе Qwen/Qwen3-VL-8B-Thinking. Вариант high рассчитан на более глубокие рассуждения и предназначен для многошагового выполнения задач в браузерах и настольных приложениях: модель интерпретирует скриншоты, следует сложным инструкциям, сохраняет промежуточное состояние и восстанавливается после небольших ошибок. Вызовы инструментов позволяют использовать её в агентных сценариях управления интерфейсом. Модель сохраняет результаты базовой модели на стандартных текстовых и визуальных задачах и, согласно карточке, улучшает выполнение длинных цепочек действий на бенчмарке The Illusion of Diminishing Returns. Она принимает текст и изображения и выдаёт текст; в карточке указана английская локализация. Для использования доступны интеграция с Jan App и запуск через vLLM. Лицензия — Apache-2.0.

Llama-HalluES-detector — классификатор токенов на базе mmBERT, дообученный автором Federico6725 для выявления неподтверждённых контекстом фрагментов ответов на испанском языке в системах RAG. Модель получает пару «источник — ответ» и помечает токены ответа, которые не поддерживаются источником; класс 1 означает галлюцинацию. Это оценка соответствия предоставленному контексту, а не проверка истинности утверждений в целом. Модель основана на jhu-clsp/mmBERT-base, имеет около 306,9 млн параметров и контекст до 8192 токенов. Для решения на уровне всего ответа README использует порог вероятности 0,5: ответ помечается, если порог превышен хотя бы для одного токена. Модель предназначена для исследований достоверности ответов в испаноязычных RAG-системах и для первичного отбора ответов с последующей проверкой человеком. В тесте Hallu-ES она показала F1 0,819, но преимущество над лексическим базовым методом не было статистически значимым. Обобщение на генераторы, не представленные в обучающих данных, не измерялось; оценка ограничена энциклопедическими текстами и синтетическими бизнес-описаниями. Порог не настраивался по человеческой dev-разметке, поэтому модель не следует использовать как самостоятельный фактчекер или для решений с серьёзными последствиями. Лицензия карточки — Llama 3.1 Community License; README также указывает, что использование материалов Llama 3.1 регулируется этим соглашением.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-sv — модель на базе архитектуры ModernBERT для задачи token classification. По названию модели она связана с выявлением синтетических галлюцинаций в сценариях вопросов и ответов с использованием RAGTruth и предназначена для разметки отдельных токенов в тексте. Модель реализована в библиотеке Transformers и содержит около 140,5 млн параметров. Модель рассчитана на обработку последовательностей длиной до 8192 токенов и может использоваться как компонент систем контроля качества ответов, анализа галлюцинаций и оценки результатов retrieval-augmented generation. Сведения о разработчике, поддерживаемых естественных языках, лицензии, методике обучения и результатах оценки в доступных материалах не приведены. Практическая точность, устойчивость к различным доменам и применимость за пределами данных, связанных с RAGTruth, требуют отдельной проверки. README не содержит инструкций по использованию, описания ограничений или опубликованных метрик.

MobileLLM-R1.5-140M — компактная языковая модель Meta, дообученная методом on-policy дистилляции от facebook/MobileLLM-R1-140M-base. Это SFT-модель для решения математических и научных задач, а также задач программирования на Python и C++; разработчики отдельно отмечают, что она не предназначена для универсального общения. Модель содержит 140 млн параметров, использует текст на входе и выдаёт текст, поддерживает контекст до 32 тыс. токенов и словарь размером 128 тыс. токенов. Архитектура включает 15 слоёв, 9 attention heads и 3 KV heads. Дополнительная on-policy дистилляция применена как заключительный этап постобучения и, по данным авторов, улучшает результаты небольших моделей на сложных задачах рассуждения. Карточка приводит результаты семейства MobileLLM-R1.5, но конкретные численные показатели для версии 140M не выделяет. Модель опубликована под лицензией с обозначением «other»; условия лицензии следует проверить в карточке репозитория перед использованием.

Mythos-nano — независимая открытая модель проекта squ11z1, дообученная на базе WeiboAI/VibeThinker-3B. Это текстовая авторегрессионная модель для генерации текста, ориентированная прежде всего на рассуждения, математические задачи и программирование. Указан английский язык; модель также позиционируется для задач на знания и следование инструкциям. Модель содержит около 3 млрд параметров и относится к семейству Qwen2 согласно тегам репозитория. В README не указаны точная архитектура, размер контекста и данные обучения. По приведённым результатам она демонстрирует сильные показатели на соревновательной математике и задачах программирования, включая LeetCode, а также хорошие результаты на отдельных тестах следования инструкциям и знаний. Для сложных задач рекомендуется генерировать до 40960 токенов с температурой 0,6–1,0. Модель не обучалась на данных для tool calling и агентского программирования, поэтому не рекомендуется для вызова функций, оркестрации API и автономных coding-агентов. В README также указано снижение защитных ограничений: удалено направление отказа, поэтому модель может не отклонять запросы, которые обычно блокируются моделями с настройкой безопасности. Доступны форматы для Transformers и GGUF, включая варианты для llama.cpp и Ollama. Лицензия MIT.

nanoswe-192h-260812 — экспериментальная модель агента для разработки программного обеспечения, созданная командой nanoswe. Это плотная авторегрессионная модель nanochat с 5,67 млрд параметров, обученная с нуля на многоходовых траекториях SWE-агента без предварительного обучения на веб-текстах, дообучения по инструкциям и RL. Модель принимает текстовые сообщения и формирует текстовые ответы, включая команды оболочки и патчи; контекст — 32 768 токенов. В метаданных указаны библиотека vLLM и формат safetensors. Модель предназначена для решения задач SWE-bench Verified и работы в цикле программного агента: ей нужен совместимый каркас с интерфейсом инструментов в стиле bash, который передаёт наблюдения обратно как пользовательские сообщения. В оценке SWE-bench Verified модель получила 11,0% pass@1 при выборке K=10. Это исследовательский артефакт изучения масштабирования вычислений, а не универсальный помощник; лицензия MIT.

hirundo-io/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16-hardened — дообученная и объединённая с LoRA-адаптером версия NVIDIA Nemotron 3 Nano 30B, подготовленная для снижения уязвимости к prompt injection. Модель предназначена для диалоговой генерации текста; карточка указывает поддержку чата, а архитектура и языковые возможности унаследованы от базовой модели NVIDIA. Модель основана на nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16 и распространяется в формате safetensors для Transformers. Веса адаптера уже объединены с базовой моделью. Для загрузки включён пользовательский код базового чекпойнта, поэтому требуется trust_remote_code=True. Лицензия и отдельные результаты оценки устойчивости в предоставленных данных не указаны.

OmniParser — инструмент Microsoft для разбора снимков экрана пользовательского интерфейса. В состав репозитория входят дообученные модели YOLOv8 для обнаружения интерактивных элементов и BLIP-2 для описания значков; в метаданных карточки указана архитектура BLIP-2 и задача image-text-to-text. Модели обучались на данных об обнаружении значков и областей, доступных для нажатия, а также на описаниях функций значков. Модель преобразует снимки экранов компьютеров и телефонов из разных приложений в структурированный список элементов: координаты интерактивных областей и текстовые подписи с возможными функциями значков. Её можно применять как компонент LLM-агента, работающего с графическим интерфейсом. Выходные данные требуют проверки человеком; модель не предназначена для выявления вредоносного содержимого и может ошибочно приписывать людям на значках чувствительные характеристики. Разработчик не рекомендует использовать OmniParser в рабочих сценариях. Лицензия — MIT.

OS-Atlas-Pro-7B — мультимодальная модель для GUI-агентов, разработанная командой OS-Copilot и дообученная для генерации действий в графическом интерфейсе. На вход она принимает изображение экрана и текст с инструкцией, системным промптом и описанием доступных базовых или пользовательских действий; на выходе формирует рассуждение и следующий шаг агента. Модель предназначена для выполнения отдельных шагов взаимодействия с интерфейсами приложений и операционных систем: например, выбора элемента или выполнения действия по инструкции. Это плотная архитектура Qwen2-VL с 7,1 млрд параметров; используется библиотека Transformers, формат весов — safetensors. Нативная длина контекста — 32 768 токенов. Базовая модель — Qwen/Qwen2-VL-7B-Instruct. Модель ориентирована на GUI-задачи и, согласно карточке, показывает улучшенную обобщающую способность относительно описанных в статье вариантов OS-Atlas. Карточка не приводит конкретные сведения о поддерживаемых естественных языках. Лицензия — Apache-2.0.

JinnP/Qwen3-8B-Kernelbook-SFT-HF — дообученная методом supervised fine-tuning модель Qwen3-8B, разработанная для задач, связанных с ядрами операционных систем и системным программированием. Она предназначена для генерации и объяснения кода ядра, разбора системных ошибок, рекомендаций по оптимизации производительности и ответов на вопросы о концепциях операционных систем. Обучение проведено на отфильтрованном наборе KernelBook из 10 000 примеров; модель использует плотную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров по метаданным. Поддерживает генерацию текста, диалоговый режим и интерфейс вызова инструментов; доступна в формате safetensors для Transformers. Контекстное окно — 40 960 токенов. Базовая Qwen3-8B многоязычная, однако специализация и языки обучающей выборки указывают прежде всего на технические задачи на английском языке. Лицензия — Apache-2.0.

TinyLettuce (Ettin-17M) — компактная модель организации KRLabsOrg для выявления галлюцинаций в ответах с опорой на заданный контекст. Это энкодер Ettin на 17 млн параметров с головой классификации токенов; модель помечает токены как подтверждённые контекстом или галлюцинированные, а объединение токенов в фрагменты выполняется отдельно. Она принимает последовательность контекста, вопроса и ответа длиной до 4096 токенов и рассчитана на англоязычные данные. Модель дообучена на RAGTruth и синтетических span-размеченных примерах; заявленный объём обучения — около 20 тысяч примеров. Разработчики ориентируют её на быстрый запуск на CPU и недорогое доменное дообучение. На RAGTruth указана F1 68,52%, ниже показателей приведённых в README моделей LettuceDetect на базе ModernBERT. Репозиторий использует формат Safetensors, библиотеку Transformers и лицензию MIT.

TinyR1-32B-Preview — экспериментальная модель рассуждений, разработанная командой Qihoo 360 на основе DeepSeek-R1-Distill-Qwen-32B. Это плотная языковая модель семейства Qwen2 с 32 млрд параметров; она принимает текст и генерирует текст, а нативная длина контекста составляет 131 072 токена. Модель создана объединением трёх специализированных вариантов, дообученных на математике, программировании и науке, и предназначена для решения задач в этих областях. В README сообщается о высоких результатах на отдельных тестах по математике, программированию и научным вопросам. Модель доступна в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка характеризует её как preview-релиз и предупреждает, что она не предназначена для общего пользовательского применения. Возможны повторяющиеся циклы генерации при неподходящих настройках; авторы рекомендуют temperature 0.6 и top-p 0.95. Модель может выдавать чрезмерно длинные цепочки рассуждений, имеет ограничения в маркерах начала рассуждения и требует дополнительных мер безопасности; опубликованные оценки охватывают ограниченный набор тестов.

AutoGLM-Phone-9B-Multilingual — мультимодальная модель Zhipu AI для управления Android-смартфоном по запросам на естественном языке. Она дообучена на базе zai-org/GLM-4.1V-9B-Base и использует архитектуру GLM-4V с плотной моделью для обработки текста и изображений. В составе Phone Agent модель анализирует снимки экрана и помогает планировать последовательности действий в интерфейсе; фреймворк выполняет их через ADB. Модель предназначена для автоматизации мобильных сценариев, например поиска рекомендаций в приложении. В README упомянуты подтверждение чувствительных действий и передача управления человеку при входе или вводе кода подтверждения. Метаданные указывают китайский язык карточки, но название Multilingual само по себе не подтверждает список поддерживаемых языков. Модель распространяется по лицензии MIT; README позиционирует проект для исследований и обучения.

blink-mimo-9b — дообученная модель thegovind на базе XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, предназначенная для выбора действий по скриншотам и текстовому состоянию интерфейса. Это плотная мультимодальная модель семейства Qwen 3.5 с собственной визуальной частью; размер весов составляет 18,8 ГБ в bf16, языковая часть содержит около 8,95 млрд параметров, а всего — около 9,41 млрд. Модель оценивает предложенные варианты выбора за один проход и возвращает вероятности, не генерируя текст. Она принимает скриншоты при включённом режиме vision, а также текст или JSON-состояние с вопросами типа choice, yes/no и score. Основной сценарий — выбор следующего клика среди размеченных целей на экране; модель также подходит для оценки вариантов в компьютерных и браузерных агентах. В README приведены результаты внутренних и публичных наборов для разработки, но автор отдельно отмечает, что это не официальные бенчмарки и не показатель успешного выполнения задач. В эксперименте с обучением на скриншотах улучшилась работа на практиковавшихся приложениях, но снизилась осторожность при рискованных кликах; обучение скриншотам не опубликовано. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.