II.4Отладка, тестирование и качество ПО

AfriGuardInst-AfriqueQwen3.5-4B — диалоговая модель генерации текста, разработанная на базе McGill-NLP/AfriqueQwen3.5-4B. Её полностью дообучили на наборе israel/AfriGuard-inst, содержащем примеры с системными инструкциями по безопасности и пользовательскими запросами; обучение проводилось в формате SFT с шаблоном диалога базовой модели и вычислением потерь только на ответе. Модель предназначена для диалогов, в которых нужно учитывать инструкции по безопасности, в том числе на африканских языках. В метаданных перечислены английский, амхарский, хауса, игбо, оромо, шона, суахили, тви, волоф, йоруба и зулу. Базовая модель — плотная архитектура Qwen3.5 с 4 млрд параметров; веса представлены в формате Safetensors и рассчитаны на использование с Transformers. Лицензия — CC BY 4.0. Это контрольный запуск дообучения на одном GPU в течение одной эпохи. README не приводит количественных оценок качества или подробностей о границах защитного поведения, поэтому пригодность для конкретных политик безопасности следует проверять отдельно.

distil-qwen3-1.7b-posthog-prioritizer — компактная специализированная языковая модель на 1,7 млрд параметров, обученная Distil Labs на платформе Distil Labs на базе Qwen/Qwen3-1.7B. Она предназначена для ранжирования набора дедуплицированных продуктовых находок по влиянию, частоте и трудозатратам с выдачей строгого JSON и объяснения для каждого пункта. Модель входит в набор инструментов distil-posthog-traffic-analyser. Это плотная авторегрессионная модель семейства Qwen3 с интерфейсом диалога и контекстом до 40 960 токенов. Принимает текстовые описания находок и генерирует структурированный текстовый ответ; в карточке заявлен английский язык. Доступны веса safetensors и GGUF F16. Практическое применение ориентировано на приоритизацию продуктовых багов и пробелов по сигналам severity, occurrences, title и evidence. Ответ требует постобработки или проверки на соответствие JSON-контракту, поскольку карточка не сообщает о гарантиях корректности ранжирования. Лицензия — Apache-2.0.

EvoCUA-32B-20260105-GGUF — это квантизированная GGUF-версия модели EvoCUA-32B-20260105 от Meituan, основанной на архитектуре Qwen3-VL. Репозиторий подготовлен doldolggi и предназначен для запуска через llama.cpp и совместимые инструменты, включая системы computer use и GUI-агенты, работающие со скриншотами и координатами кликов. Модель сочетает обработку текста и изображений и ориентирована на понимание интерфейсов, выбор действий и точное позиционирование кликов. Доступны варианты Q6_K, UD-Q5_K_XL, Q5_K_M, UD-Q4_K_XL и Q4_K_M; размер файлов составляет примерно 18,4–25,0 GiB, а отдельный vision-проектор F16 занимает 1,11 GiB и не квантизирован. Для UD-Q5_K_XL заявлены 16 из 16 попаданий в целевую область и наиболее точное воспроизведение поведения BF16 в проведённом тесте. Сильной стороной репозитория является проверка квантизации именно на регрессии координат кликов, а не только по метрикам языкового моделирования. Однако результаты ограничены 16 синтетическими одношаговыми тестами с англоязычным интерфейсом; полноценный end-to-end benchmark OSWorld не проводился, поэтому данные не характеризуют общий успех автоматизации компьютера. Для варианта Q6_K заявлено ограничение: он не помещается на одной 32-гигабайтной видеокарте при контексте 32K и использует оперативную память хоста. Модель распространяется по лицензии Apache-2.0.

GELab-Zero-4B-preview — мультимодальная модель агента графического интерфейса из проекта GELab-Zero, разработанного StepFun. Она основана на Qwen/Qwen3-VL-4B-Instruct и дообучена для понимания экранов и выполнения действий в приложениях. Модель принимает визуальные данные и текстовые инструкции, анализирует элементы интерфейса и формирует ответы, помогающие выбирать действия — нажатие, ввод текста, прокрутку или ожидание. Модель предназначена для локального запуска на потребительском оборудовании и многошаговой работы с приложениями из областей еды, транспорта, покупок и социальных сетей. Заявлена работа с незнакомыми приложениями без специальной адаптации. Архитектура — плотная Qwen3-VL с 4 млрд параметров; карточка описывает возможности для работы с интерфейсами на английском и китайском языках. Репозиторий содержит веса в формате safetensors, используется библиотека Transformers. Лицензия — Apache-2.0. Это предварительная версия модели. README не приводит измерений качества и не описывает точный формат возвращаемых действий, поэтому совместимость с конкретной агентной инфраструктурой следует проверять отдельно.

GLM-5.3-Flash-Uncensored-2.51bpw-h6-exl3 — квантизированная версия модели GLM-5.3-Flash-Uncensored-FP8, разработанная MikeRoz на основе чекпойнта OrcaRouter, который, в свою очередь, основан на GLM-5.3-Flash от Z.ai. Модель предназначена для генерации текста, исследовательских задач, интерпретируемости, изучения механизмов отказа, red teaming, оценки устойчивости и контролируемых экспериментов. Из-за существенного удаления защитного выравнивания она может выполнять вредоносные, неэтичные и незаконные запросы, поэтому не предназначена для непосредственного использования конечными пользователями без собственных механизмов безопасности и модерации. Модель использует архитектуру Mixture-of-Experts: 320 млрд параметров всего и около 18 млрд активных, 45 трансформерных слоёв и дополнительный MTP-блок. Архитектура сочетает гибридное внимание — 34 слоя gated-linear KDA и 11 слоёв разреженного полноформатного внимания с top-2048 indexer, применяет MLA, 288 маршрутизируемых экспертов с выбором top-8 и одного общего эксперта, а также 4-wide Manifold-Constrained Hyper-Connections. Поддерживаются текст, изображения и видео, языки English и Chinese, контекст до 1 млн токенов и speculative decoding через MTP. Данная сборка использует формат exllamav3 с целевой точностью 2,5 бит на параметр и фактической 2.51 bpw; размер файла составляет около 98,123 GiB. Квантизация уменьшает требования к хранению по сравнению с исходным FP8-чекпойнтом, но модель всё равно требует значительных вычислительных ресурсов. Сильной стороной является сохранение структуры и совместимости исходного чекпойнта при существенном снижении точности хранения, однако низкая битность может ухудшать качество и стабильность генерации. Модель распространяется по лицензии MIT; ответственность за безопасность, законность использования и фильтрацию результатов возлагается на пользователя.

LettucePrevent — англоязычная модель Леона Беккарда для обнаружения галлюцинаций в ответах RAG по мере их генерации. Это дообученный Ettin decoder с 68,1 млн параметров и головой классификации токенов на два класса: подтверждённый и галлюцинированный токен. Модель предназначена для вызова на каждом шаге генерации хост-модели; оценки вероятности можно использовать, чтобы штрафовать неподтверждённые токены до их выборки. Указанная в README максимальная длина последовательности — 4096 токенов, а порог уверенности для начала работы — 0,8. Метаданные каталога указывают нативный контекст 7999 токенов. Модель обучена на англоязычной части RAGTruth и принимает контекст, запрос и ответ в заданной последовательности; классификация применяется к токенам ответа. В описанной оценке качество предотвращения зависело от хост-модели: заметное снижение галлюцинаций показано для Llama-2-7B, тогда как результаты для Qwen2.5-14B и Mistral-7B были близки к исходным. Модель рассчитана на применение в RAG-конвейерах как сигнал для корректировки генерации, а не как самостоятельный детектор готового текста. Лицензия — MIT.

Llama-3-OffsetBias-8B — диалоговая модель-судья, разработанная NC Research на основе Meta Llama 3 8B Instruct. Её дообучили выбирать лучший из двух ответов на заданную инструкцию: на вход подают инструкцию и варианты Output (a) и Output (b), а модель предсказывает предпочтительный вариант. Модель предназначена для попарной оценки ответов и сравнения качества генераций в экспериментах и системах оценки языковых моделей. В обучении использованы UltraFeedback, HelpSteer, Anthropic HH-RLHF, PKU-SafeRLHF и NCSOFT/offsetbias; работа посвящена снижению распространённых смещений в оценщиках. Архитектура — плотная LlamaForCausalLM, около 7,5 млрд параметров, контекст — 8192 токена. Основной язык — английский. Для работы следует использовать предусмотренный авторами формат запроса; при других форматах модель может выдавать неожиданный текст. Опубликованные результаты включают метрики LLMBar и EvalBiasBench. Лицензия — Meta Llama 3 Community License Agreement.

MagicAssessor-7B — мультимодальная модель зрения и языка, разработанная для детальной оценки дефектов изображений, созданных системами преобразования текста в изображение. Она входит в состав фреймворка MagicMirror для систематической оценки воспринимаемого качества и выявления анатомических и структурных ошибок. Модель представлена в исследовательской работе MagicMirror: A Large-Scale Dataset and Benchmark for Fine-Grained Artifacts Assessment in Text-to-Image Generation. Это дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct модель семейства Qwen2.5-VL с 7,1 млрд параметров. Она принимает изображения и текст и выдаёт текстовую оценку; максимальный контекст — 128 000 токенов. Репозиторий использует Transformers и формат safetensors. Лицензия — MIT.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-pt — текстовая модель из пространства EuroEval, опубликованная для задач классификации токенов. По метаданным она использует библиотеку Transformers, относится к семейству ModernBERT и содержит около 140,5 млн параметров; максимальный контекст составляет 8192 токена. README не содержит сведений о конкретном разработчике, лицензии, языках и процедуре обучения. По названию модель связана с многоязычным вопросно-ответным контекстом по материалам Wikipedia, синтетическими галлюцинациями и набором RAGTruth, однако README не описывает точную схему разметки, формат входов и выходов, метрики или результаты оценки. Основное подтверждённое назначение по карточке Hugging Face — token classification, поэтому модель может использоваться как компонент анализа последовательности токенов в NLP-конвейерах. Условия лицензирования в доступных данных не указаны.

PTTREP/asynchow-original-code — языковая модель Qwen2, разработанная путём дообучения Qwen/Qwen2.5-1.5B-Instruct на датасете asynchow_python_fixed. Это компактная плотная авторегрессионная модель на 1,5 млрд параметров для генерации текста и диалоговых сценариев; она принимает текст и выдаёт текст. Контекстное окно составляет 32 768 токенов. Модель может подойти для генерации кода и ответов на вопросы по Python, однако README не описывает её целевое поведение, результаты оценки или ограничения, поэтому качество в этих сценариях не подтверждено. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и условиями базовой модели.

BAAR1-150M — компактная мультиязычная языковая модель, представленная разработчиком aixk. Она предназначена для генерации текста с низкой задержкой в условиях ограниченных вычислительных ресурсов, включая периферийные устройства и облачные GPU. В карточке указаны 11 языков: корейский, английский, японский, китайский, испанский, португальский, немецкий, русский, хинди, вьетнамский и тайский. Это базовый предварительно обученный чекпойнт для генерации текста. Разработчик описывает его как экспериментальную демонстрационную сборку для проверки задержки и мультиязычного вывода; размер 150M отражён в названии модели. Качество может включать фактические ошибки и незавершённые фразы. Для специализированных задач, фактологической точности и структурированного диалога README рекомендует дообучение или RAG. Лицензия в метаданных обозначена как other; конкретные условия следует уточнить у разработчика.

BiniGPT-0.1B-FM — англоязычная авторегрессионная языковая модель на архитектуре GPT-2, опубликованная Абхишеком Кумаром (KumarXAI). Это дообученная версия openai-community/gpt2, представленная как первый эксперимент автора с размещением модели и основа для будущей серии. Модель использует Transformer-декодер и генерирует продолжение текста по входному промпту; контекст составляет 1024 токена. Модель предназначена для проверки производительности инференса, валидации локальных конвейеров и экспериментов с few-shot промптами, задающими стиль продолжения. Это базовая модель без RLHF и настройки на инструкции, поэтому она не рассчитана на диалоговые ответы. В README отмечены склонность к фактическим ошибкам, предвзятым формулировкам и повторам; данные обучения и результаты оценки не описаны. Распространяется по лицензии MIT.

Gemma-4-31B-it-abliterated-heretic-AWQ-W4A16 — мультимодальная производная модель, опубликованная alonsoko на базе trohrbaugh/gemma-4-31b-it-heretic-ara, которая, в свою очередь, основана на Google Gemma 4 31B Instruct. Модель принимает текст и изображения, а генерирует текст; она предназначена для исследований, экспериментов и тестирования в задачах рассуждения, программирования, анализа изображений и диалогового взаимодействия. Базовая архитектура — плотная модель размером 31 млрд параметров с поддержкой режима рассуждений, function calling и контекстом до 256K токенов. Языки в карточке не указаны. Модель подвергнута abliteration с использованием Heretic ARA: встроенные защитные ограничения намеренно удалены, поэтому она может генерировать вредный, оскорбительный или иной нежелательный контент и не рекомендуется для производственных или пользовательских систем. Применена AWQ-квантизация W4A16 с group size 128: линейные слои языковой части используют 4-битные веса и 16-битные активации, а мультимодальные компоненты и LM head сохранены в полной точности. Размер весов составляет около 19 ГБ; для стандартной работы рекомендуется GPU с 24 ГБ VRAM, а для длинного контекста и пакетной обработки — 48 ГБ и более. Поддерживается запуск через vLLM с образом для Gemma 4, однако качество на длинном контексте после квантизации отдельно не проверялось. Лицензия — Apache-2.0; ответственность за безопасное и законное использование возлагается на пользователя.

JEV-27B-VL — мультимодальная модель на основе плотной архитектуры Qwen3.8-27B, опубликованная AutoTrust и дообученная на корпусе решений JEV. Она сочетает обученную на тексте систему принятия решений с базовой моделью Qwen для рассуждений; принимает текст и изображения, а ответы формирует в текстовом виде. В README описаны применение для ранжирования рекомендаций и поисковой выдачи, оценки ответов и траекторий агентов, а также решения вопросов о пространстве и действиях по изображениям. Для подачи изображений в System 1 обучение не включало визуальные данные, поэтому такой режим работает без специального обучения и требует осторожной оценки калибровки. Модель ориентирована на диалоговое использование и интерфейс решений с вероятностями; в README приведены результаты тестов ERQA и рекомендации коротких видео. Для запуска автор предлагает vLLM и одну видеокарту с 80 ГБ памяти или больше. Репозиторий содержит веса safetensors, библиотека — Transformers. Лицензия Apache-2.0.

Null-Guard разработал эту текстовую чат-модель на основе LiquidAI/LFM2.5-230M: её поведение и стиль сформированы дистилляцией ответов Gemini 3.8 Flash, после чего из весов удалили направление, связанное с отказами. Модель содержит около 221,2 млн параметров, использует гибридную архитектуру LFM2 и поддерживает контекст до 128 000 токенов. Она принимает текст и генерирует текст; в карточке указаны английский и китайский языки. Модель предназначена для локального и периферийного запуска, творческого письма, ролевых диалогов и экспериментов с дистилляцией и механизмами отказа. Дистилляция влияет на знания и стиль ответов, но возможности ограничены компактным размером модели. Ослабление защитных отказов повышает риск оскорбительных, неверных или вредоносных ответов; для публичных продуктов необходим отдельный защитный слой. Для запуска нужна версия Transformers с поддержкой LFM2.5. Указана лицензия other; README сообщает, что базовая модель распространяется по лицензии Liquid AI с отдельными условиями для крупных компаний, а использование результатов Gemini должно соответствовать дополнительным условиям Google.

Qwen3-VL-32B-Thinking-Desktop-Teacher — разработанная проектом UI-MOPD мультимодальная модель для взаимодействия с графическим интерфейсом настольных компьютеров. Это дообученная на траекториях взаимодействия из настольной части набора Uni-GUI модель Qwen/Qwen3-VL-32B-Thinking; архитектура Qwen3-VL плотная, модель загружается через Transformers и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для роли платформенного учителя в конвейере дистилляции UI-MOPD, а также для самостоятельного выполнения задач на компьютере: навигации в браузере, управления файлами и приложениями. В README сообщается результат 46,3% успешных задач в OSWorld против 41,0% у базовой модели. Модель принимает изображения и текстовые инструкции, а её целевые действия для интерфейса представлены текстом. Карточка не сообщает длину контекста или подробные ограничения эксплуатации.

Это экспериментальный чекпойнт модели для выполнения задач Terminal-Bench в терминальной среде. Его разработали в рамках запуска обучения с подкреплением SkyRL на базе laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink — модели Qwen3-8B, дообученной для задач SWE. Чекпойнт global_step_15 выбрали по скользящей оценке вознаграждения; обучение планировалось на 80 шагов, но было отменено после ухудшения результатов после шага 65. Модель имеет архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 40 960 токенов. Она принимает текст и генерирует текст, предназначена для диалогового взаимодействия и решения задач в терминале. README описывает обучение на датасете DCAgent/exp_rpt_e2egit-large методом RLOO-n; данные не подтверждают, что чекпойнт прошёл независимую оценку или готов к производственному применению. Лицензия — Apache-2.0.

DeepSeek-V4-Pro-0.5B-A0.37B — уменьшенная тестовая версия DeepSeek-V4-Pro, опубликованная inference-optimization. Это причинная языковая модель архитектуры DeepSeek V4 с 251,9 млн параметров по метаданным; README указывает 0,487 млрд параметров, из которых активируется около 0,37 млрд. В конфигурации оставлено 8 слоёв вместо 61, а также сохранены оба типа внимания и MLP, HyperConnection и слой MTP. Чекпойнт в формате safetensors предназначен для загрузки через Transformers. Модель создавалась для тестирования и разработки, включая проверку совместимости архитектуры и структуры чекпойнта. README сообщает о дообучении на copypasta-датасете, но не описывает языковой охват или пригодность для прикладных задач; контекстное окно по метаданным составляет 1 048 576 токенов. Лицензия — MIT. Это уменьшенный экспериментальный чекпойнт, поэтому результаты тестирования на copypasta не подтверждают качество для обычных пользовательских задач. README и метаданные расходятся в числе параметров; для описания размера использовано значение метаданных каталога.

Flames-scorer — модель для оценки ценностного соответствия больших языковых моделей на китайском бенчмарке FLAMES. Её разработали Shanghai AI Lab и Fudan NLP Group. Бенчмарк содержит состязательные примеры для проверки того, насколько ответы LLM соответствуют заданным ценностным критериям. В основе лежит InternLM-chat-7b: поверх него добавлены отдельные классификаторы для разных измерений оценки, обученные совместно в многозадачном режиме. Модель принимает текст на китайском языке и классифицирует его; карточка указывает архитектуру InternLMForSequenceClassification, размер 6,9 млрд параметров и контекст до 2048 токенов. Для практического использования README предлагает запускать оценивание через infer.py. Модель предназначена для оценки ответов в рамках FLAMES и не подтверждена как универсальный классификатор ценностей для других языков или сценариев. Лицензия в предоставленных данных не указана.

GetSoloTech/Gemma3-Code-Reasoning-4B — дообученная с помощью LoRA модель на основе Google Gemma 3 4B IT, созданная GetSoloTech для задач соревновательного программирования и рассуждений о коде. Она принимает текстовые условия задач и генерирует программные решения с пошаговыми рассуждениями; обучение проводилось на наборе Code-Reasoning с задачами на Python из TACO, APPS, CodeContests и Codeforces. Модель имеет архитектуру Gemma 3, содержит около 4 млрд параметров и использует контекст до 4096 токенов. Модель ориентирована на разбор ограничений задачи, написание решений и учёт граничных случаев. Карточка описывает ожидаемые преимущества, но не приводит независимых результатов оценки, поэтому качество на конкретных задачах может различаться. Репозиторий содержит веса в формате safetensors; лицензия модели в предоставленных данных не указана.

iCoder-27B — модель на 27 млрд параметров от i-Coder для промышленного программирования. Она основана на Qwen/Qwen3.6-27B и дообучена в несколько этапов: с применением supervised fine-tuning, само-дистилляции и обучения с подкреплением на проверяемых наградах, где результат оценивается компиляцией и запуском сгенерированного кода. Модель предназначена прежде всего для проектирования RTL на Verilog и оптимизации GPU-ядер на Triton. В README приведены результаты на RTL- и kernel-бенчмарках, включая RTLLM, VerilogEval, TritonBench-G и KernelBench; заявленные показатели относятся к оценкам в указанном тестовом контуре и не гарантируют результат на произвольном проекте. Репозиторий использует архитектуру Qwen3_5ForConditionalGeneration и формат safetensors; метаданные также отмечают возможности чата и работы с кодом. Лицензия — Apache-2.0. README не сообщает длину контекста и перечень естественных языков; модель ориентирована на код, поэтому языки программирования не перечисляются как естественные языки.

LFM2.5-8B-A1B-Uncensored — мультиязычная диалоговая модель Sahil Chachra на архитектуре Liquid AI LFM2 MoE. Она получена двухэтапным изменением LiquidAI/LFM2.5-8B-A1B: abliteration ослабляет механизм отказов, затем модель дообучается с помощью LoRA на примерах прямых ответов. В метаданных указано 1,6 млрд параметров и контекст до 128 000 токенов; README описывает гибридную архитектуру Conv, GQA и MoE и приводит 8,3 млрд общих и 1,5 млрд активных параметров. Модель предназначена для исследований безопасности ИИ, red teaming, тестирования jailbreak-сценариев и изучения поведения отказов. README сообщает о нулевом уровне отказов на 100 вредоносных запросах в AdvBench и отсутствии отказов на 40 безвредных запросах. Это результаты указанных авторами тестов, а не гарантия поведения на других запросах. Доступны веса в формате safetensors; лицензия обозначена как other. Модель не добавляет новых знаний, а узкий набор данных LoRA может повлиять на задачи вне обучающего распределения. Она рассчитана на генерацию ответов без обычных ограничений безопасности, поэтому предназначена для контролируемых исследований и red teaming, а не для производственного применения.

Это конвертированная в Core ML версия диалоговой модели Meta Llama 2 7B Chat, подготовленная авторами репозитория enterprise-explorers. Модель предназначена для генерации текста в формате диалога и может использоваться для оценки и тестирования на платформах, поддерживающих Core ML. Веса преобразованы в формате float16, а длина последовательности фиксирована на 64 токенах. Модель основана на архитектуре LlamaForCausalLM; исходная модель — meta-llama/Llama-2-7b-chat-hf. Условия лицензии и допустимого использования наследуются от оригинальной модели Meta Llama 2; README направляет к её карточке за подробностями.

Модель EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-nl опубликована в пространстве EuroEval и предназначена для задач token classification на базе библиотеки Transformers. По идентификатору модели она связана с многоязычными вопросно-ответными данными, синтетическими галлюцинациями и набором RAGTruth, однако README не содержит подробного описания назначения, разработчиков или процесса обучения. Модель содержит около 140,5 млн параметров и поддерживает контекст до 8192 токенов. В метаданных указаны архитектурные признаки ModernBERT и формат safetensors. Её можно использовать как основу для разметки отдельных токенов в текстах, в том числе при исследовании галлюцинаций в системах вопросно-ответного поиска и RAG, если соответствующие метки и схема предсказаний известны из внешнего проекта. README не сообщает результаты оценки, точные языки, лицензию, ограничения применения или инструкции по загрузке. Поэтому перед использованием необходимо проверить конфигурацию меток, совместимость с конкретными данными и условия распространения модели.

Qwen3-4B Feedback Evaluator — модель, дообученная на базе Qwen/Qwen3-4B-Base с архитектурой Qwen3ForCausalLM и примерно 3,7 млрд параметров. Она принимает исходный код Lean 4 без разметки и генерирует его копию с предсказанными комментариями компилятора, содержащими сообщения об ошибках, предупреждениях и информационные сообщения. Наличие маркера ошибки в сгенерированных комментариях можно использовать для получения бинарной оценки предполагаемой корректности программы. Модель предназначена для предварительной оценки Lean-программ и поддержки анализа формальных доказательств. Контекст составляет 32 768 токенов; репозиторий содержит веса Safetensors для Transformers. Предсказанный вывод не заменяет запуск Lean: для подтверждения корректности программу необходимо проверить компилятором. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

Qwen3.8-27B-Leimroth3 — мультимодальная плотная модель на 27 млрд параметров, созданная Скоттом Леймротом на основе Qwen/Qwen3.8-27B. Это дообученная версия с изменённым направлением отказа: при lambda 1.5 компонент не просто удалён, а инвертирован в языковых слоях. Модель рассчитана на диалоговую генерацию текста и исследование механизмов отказа, выравнивания и red teaming; сохранённые компоненты зрения позволяют обрабатывать изображения и видео, хотя README не приводит отдельных проверок этих возможностей. В README описан BF16-мультимодальный чекпойнт в формате safetensors и приведён проверенный рецепт запуска через SGLang с явно заданным уровнем рассуждений medium. Также сообщается о сравнительном тестировании способности следовать инструкциям и работать с инструментами. Модель выпущена по лицензии Apache-2.0. Изменение снижает частоту отказов и инвертирует часть поведения отказа, поэтому ответы могут быть небезопасными. Автор предназначает модель для исследований и red teaming и рекомендует не внедрять её для пользователей без собственной защитной прослойки. Приведённые результаты ограничены описанными тестами и конфигурацией запуска.

Это преобразованная для библиотеки Transformers версия многокодового речевого токенизатора Qwen3-TTS с частотой кодирования 12 Гц. Репозиторий подготовлен для интеграционных тестов во время проверки поддержки модели в Transformers; автор конверсии — shahvandit. Тензоры исходной модели сохранены без изменений, а преобразование затрагивает ключи весов, объединение проекций предсказателя кодов и конфигурацию. Веса хранятся в формате Safetensors с точностью float32. Токенизатор предназначен для кодирования речи в компактные дискретные токены и обратного декодирования в аудио, как часть речевых систем Qwen3-TTS. Для загрузки используется класс Qwen3TTSTokenizerMultiCodebookModel из Transformers. Лицензия — Apache-2.0. Поскольку этот чекпойнт создан для интеграционных тестов, его статус как готового к практическому применению релиза ограничен; карточка не описывает отдельное дообучение тензоров.

SRIQ-Spark-V1.4 — языковая модель от SRIQ, дообученная методом supervised fine-tuning на базе XHToken/Spark-X2.5-4B; LoRA-адаптер объединён с весами модели. Модель предназначена для диалоговой генерации текста с акцентом на рассуждения: ответ сопровождается сжатой цепочкой рассуждений на упрощённом китайском языке и завершающим шагом проверки результата по исходным условиям. Модель содержит 3,8 млрд параметров, использует плотную архитектуру Spark2_5 и поддерживает контекст до 1 048 576 токенов. Она обучалась на наборе из 825 примеров, но обучение охватило около 0,29 эпохи; бенчмарки не проводились, поэтому качество и улучшение точности не подтверждены. Лицензия — Apache-2.0. Для загрузки требуется trust_remote_code=True и Transformers 5.x; в репозитории включена исправленная версия кода модели. README рекомендует запускать её на одной GPU: распределение по нескольким GPU через device_map="auto" не работает. Указана совместимость с 4-битной загрузкой через bitsandbytes, но vLLM не поддерживает эту архитектуру без специального плагина.

UI-TARS-2B-SFT-GGUF — это набор квантизированных GGUF-версий мультимодальной модели UI-TARS-2B-SFT, разработанной ByteDance Research и подготовленной квантизацией пользователем bartowski. Модель ориентирована на обработку изображений и текста, в частности на задачи, связанные с графическими интерфейсами. В README указана поддержка английского языка и pipeline image-text-to-text. Модель имеет размер 2B параметров; доступны варианты от F32 и F16 до различных квантизаций Q8, Q6, Q5, Q4, Q3 и Q2, объёмом примерно от 0,70 до 7,11 ГБ. Квантизация выполнена с использованием llama.cpp и метода imatrix. Более качественные варианты Q6_K_L, Q6_K, Q5 и Q4 рекомендуются для большинства сценариев, а варианты с низким битрейтом подходят для устройств с ограниченным объёмом оперативной памяти, но снижают качество. Для запуска предлагается LM Studio, а формат запросов использует специальные маркеры system, user и assistant. Модель подходит для локального мультимодального вывода и анализа визуального содержимого интерфейсов, однако README не содержит подробностей об архитектуре, размере контекстного окна, точном наборе поддерживаемых GUI-сценариев, результатах тестирования или ограничениях исходной модели. Распространение указано под лицензией Apache-2.0.

WT-MM/vit-base-blur — дообученная модель Vision Transformer (ViT) для бинарной классификации изображений на размытые и чистые. Она основана на google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. Модель предназначена для выявления изображений, полученных на недостаточном или незавершённом числе проходов LDM при генерации изображений. Для обучения использовалось около тысячи чистых и размытых изображений, созданных с помощью SD2.1 на 30 и 10 шагах соответственно. В README сообщается точность 1,0 и loss 0,0008 на оценочной выборке; размер и состав этой выборки не приводятся. Модель принимает изображения и выдаёт класс «размытое» или «чистое». Распространяется по лицензии Apache-2.0.