II.6Документация и сопровождение разработки

Qwen3.8-Next-Flash-ROCmFPX-MUTANT-RAZERFAST-GGUF — это квантизированная GGUF-сборка модели Qwen/Qwen3.8-Flash-Next, опубликованная hstolte. Она предназначена для генерации текста и локального запуска на системах AMD Strix Halo, включая Ryzen AI MAX+ 395 с Radeon 8060S. Модель использует специальные форматы квантования ROCmFPX и рассчитана на работу с ROCm и совместимым модифицированным runtime. Сборка содержит около 125 млрд параметров, из которых активно используется около 6 млрд, а также таблицу n-граммных embedding размером 51 млрд значений и совместимую 4-миллиардную MTP draft head для speculative decoding. Основной файл занимает около 90,1 ГБ, дополнительный MTP-файл — около 2,75 ГБ. Применяются 4-битные и 3-битные форматы с оптимизациями RZ5, UE4M4 и RZ-S3, которые, согласно приведённым калибровочным измерениям, снижают ошибку реконструкции относительно стандартных вариантов при той же разрядности. Главное преимущество модели — оптимизация под AMD Strix Halo, эффективное использование общей памяти или подгрузка крупной PLE-таблицы с NVMe и улучшенная точность квантования по сравнению с базовыми ROCmFP4 и ROCmFP3. Ограничение заключается в том, что это не стандартный GGUF: обычный llama.cpp такие файлы не загружает, требуется специальная ветка runtime ROCmFPX с соответствующими изменениями. Языки, размер контекстного окна и результаты прикладных тестов в README не указаны. Лицензия обозначена как qwen-community-1.0; применяется файл LICENSE из репозитория.

HA-Siala/RefactoringPy-full-v0.1 — дообученная модель семейства Mistral для анализа Python-кода: она выявляет недостатки кода и предлагает его рефакторинг. Это плотная авторегрессионная языковая модель с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст с кодом и выдаёт текст с предложенной переработанной версией. Карточка не раскрывает базовую модель, обучающие данные и метрики качества. Для безопасного использования следует проверять предложения модели: они могут содержать ошибки или менять поведение программы. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Shitao/RetroMAE_MSMARCO_finetune — BERT-подобная модель семейства RetroMAE, разработанная Shitao Xiao и соавторами для задач нейронного информационного поиска. Она представляет собой дообученную на коллекции MS MARCO passage версию RetroMAE_MSMARCO и предназначена для построения retrieval-ориентированных языковых представлений и плотного поиска.

sentence-transformers/roberta-base-nli-stsb-mean-tokens — модель sentence-transformers, обученная командой Sentence Transformers на базе RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 151,8 млн параметров, принимает текст и формирует эмбеддинги; максимальная длина контекста — 514 токенов. Доступны веса в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. В карточке она помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новую модель для векторного поиска и сравнения предложений.

markusiko/rubert-base-punctuation — русскоязычная модель Марка Столярова для восстановления пунктуации. Она основана на ruBert-base и дообучена для предсказания знака после каждого слова в предложении. Архитектура — BERT для классификации токенов, размер — 205,5 млн параметров, контекст — до 512 токенов. Модель предназначена для восстановления знаков вопроса, восклицания, точки, запятой, двоеточия и многоточия в русском тексте. При обучении использовано более 20 тысяч абзацев из русской литературы. Для работы текст следует подавать без пунктуации; модель не исправляет регистр букв. Репозиторий распространяется по лицензии MIT.

QuantFactory/Skywork-Critic-Llama-3.1-8B-GGUF — квантизированная версия модели Skywork-Critic-Llama3.1-8B, подготовленная QuantFactory с использованием llama.cpp. Исходную модель разработала команда SkyworkAI Alignment Team на базе Meta Llama-3.1-8B-Instruct. Модель предназначена прежде всего для попарной оценки предпочтений: она сравнивает два ответа или других входных объекта и определяет, какой из них качественнее или лучше соответствует заданным требованиям. Возможные сценарии применения включают оценку и улучшение данных, тестирование ответов языковых моделей и построение reward-моделей. Также модель обучалась на задачах критики и общих диалогах, поэтому сохраняет возможности conversational-взаимодействия. Ключевая архитектурная основа — Llama 3.1 8B-Instruct; модель относится к классу text-generation и работает с текстовыми данными. В обучении использовались открытые датасеты предпочтений и критики, внутренние человеческие аннотации, синтетические примеры и данные для диалогов. В README не указаны поддерживаемые языки, размер контекстного окна и конкретный формат или уровень квантизации, поэтому эти характеристики нельзя определить. К ограничениям относятся зависимость качества оценок от формата запроса и исходных данных, а также возможные потери качества, связанные с квантизацией. Лицензия обозначена как other; подробные условия использования в карточке не приведены.

unclemusclez/SmolLM-135M-Instruct-DEVINator-v0.1 — дообученная модель на базе HuggingFaceTB/SmolLM-135M-Instruct, подготовленная с помощью AutoTrain для задачи Sentence Transformers. Она предназначена для получения текстовых эмбеддингов и сравнения сходства предложений; метаданные также отмечают поддержку генерации текста и диалога. Модель имеет плотную архитектуру семейства LlamaForCausalLM, содержит 134,5 млн параметров и рассчитана на контекст до 2048 токенов. Доступны форматы safetensors и GGUF. В качестве данных для обучения указан набор skratos115/opendevin_DataDevinator. Карточка не приводит метрик валидации, поэтому качество сходства предложений по ней оценить нельзя. Базовая модель описана как компактная англоязычная модель для диалогов, инструкций и генерации текста; отдельная поддержка других языков не подтверждена. Лицензия в предоставленных данных не указана.

Umbral-v0.4-3 — слитая языковая модель семейства Llama 3, созданная сообществом mergekit-community с помощью task arithmetic. В объединении использованы grimjim/Llama-3-Oasis-v1-OAS-8B, Casual-Autopsy/SOVL-MopeyMule-8B и Casual-Autopsy/MopeyMule-Blackroot-8B; базой с наибольшим весом при слиянии стала Llama-3-Oasis-v1-OAS-8B. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. Контекст — до 8192 токенов. Она предназначена для диалогов, ролевых сценариев и историй; язык и специальные прикладные области в доступных сведениях не определены. Модель опубликована в формате safetensors и распространяется по лицензии, указанной в карточке Hugging Face. Карточка описывает процесс слияния, но не сообщает о специальных ограничениях качества или использования.

Yi-9B-Coder — языковая модель для генерации кода, созданная дообучением Yi-9B командой TechxGenus. Модель содержит 8,6 млрд параметров, использует плотную архитектуру семейства Llama и доступна в формате safetensors для Transformers. Контекст составляет 4096 токенов. Модель обучали на дополнительных 0,5 млрд токенов, связанных с программированием, в течение трёх эпох. Она принимает текстовые инструкции в формате Alpaca без системного промпта и генерирует текст, прежде всего код. В README приведён результат 69,5 pass@1 на HumanEval-Python. Подходит для генерации кода по инструкциям и решения задач программирования. По заявлению авторов, модель может ошибаться и выдавать вводящую в заблуждение информацию, слабо справляется с задачами вне программирования и прошла ограниченное тестирование. Лицензия — Apache-2.0.

ABEJA-Qwen2.5-32b-Japanese-v0.1 — 32-миллиардная плотная языковая модель на архитектуре Qwen2, разработанная командой ABEJA на базе Qwen/Qwen2.5-32B-Instruct. Модель прошла продолженное предварительное обучение с упором на японский язык; для усиления следования инструкциям применён ChatVector — разностный вектор между Qwen2.5-32B-Instruct и Qwen2.5-32B. Дополнительное постобучение не проводилось. Модель предназначена для генерации текста и диалогов на японском языке. Она принимает текст и выдаёт текст, работает через Transformers, поддерживает контекст до 32 768 токенов и имеет интерфейс для вызова инструментов. Поставляется в формате safetensors. Лицензия — Apache-2.0. Карточка не содержит конкретных результатов оценки качества; модель не проходила этап постобучения, поэтому качество следования инструкциям может отличаться от полноценно постобученных чат-моделей.

AfriqueQwen3.5-4B-50Langs — базовая предобученная причинная языковая модель из семейства AfriqueLLM, разработанная McGill-NLP на основе Qwen/Qwen3.5-4B-Base. Модель адаптирована продолжением предобучения примерно на 35,5 млрд токенов для работы с 50 африканскими языками; эта версия расширяет охват предыдущего варианта AfriqueQwen3.5-4B-ExtendedCM данными ещё примерно на 1,5 млрд токенов. Размер модели — 4 млрд параметров, длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия на африканских языках, а также сохраняет возможности на английском, французском, португальском и арабском. В обучающие данные включены тексты на африканских языках, код, математика и синтетические материалы из нескольких предметных областей. Модель можно использовать как основу для приложений и дальнейшей адаптации; доступны веса в формате Safetensors, библиотека Transformers, для развёртывания README рекомендует vLLM или SGLang. Оценки в README показывают неодинаковые результаты по языкам и бенчмаркам, поэтому качество для конкретного языка и задачи следует проверять отдельно. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

google/bert_uncased_L-2_H-256_A-4 — компактная англоязычная модель BERT от Google, входящая в набор BERT Miniatures, описанный в работе «Well-Read Students Learn Better: On the Importance of Pre-training Compact Models». Она использует 2 слоя, скрытый размер 256 и 4 attention-головы; содержит около 9,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель обучена без учета регистра с маскированием WordPiece-токенов и доступна в форматах PyTorch и Flax. Модель предназначена для задач понимания английского текста в условиях ограниченных вычислительных ресурсов и может дообучаться для конкретных задач так же, как исходные модели BERT. Авторы отмечают, что особенно эффективным может быть её применение в дистилляции знаний от более крупной и точной модели. В README приведены результаты набора BERT Miniatures на GLUE, однако отдельные показатели именно этой конфигурации не указаны. Модель выпущена под лицензией Apache-2.0. Она компактнее крупных вариантов BERT, но это также означает меньшую ёмкость; для высокой точности может потребоваться дообучение или дистилляция. Поддерживается английский язык.

OsaurusAI подготовила Bonsai-27b-1bit-JANG — квантованную версию мультимодальной плотной модели Bonsai-27B-unpacked на архитектуре Qwen3.5 с 27 млрд параметров. Модель принимает текст и изображения и предназначена для диалогов и генерации текстовых ответов по визуальному содержимому; в комплект входят обработчики изображений и видео, а шаблон чата поддерживает режим рассуждений и интерфейс вызова инструментов. Текстовые матрицы хранятся в формате JANG affine с 1-битными кодами и размером группы 128. Линейные слои зрения используют 4-битное affine-хранение, а нормы, состояния и некоторые другие тензоры сохраняются в float16. Для запуска требуется сборка vMLX с поддержкой дискретного JANG-affine и смешанной точности для зрения; обычный mlx_lm эти форматы не поддерживает. Проверка README описывает запуск на Apple M5 Max с 128 ГБ объединённой памяти. Лицензия — Apache-2.0.

Bonsai-27b-Ternary-JANG — преобразованная модель JANGQ-AI на основе prism-ml/Ternary-Bonsai-27B-unpacked. Это плотная мультимодальная модель Qwen3.5 с архитектурой условной генерации и 27 млрд параметров, предназначенная для диалога и обработки изображений; карточка также содержит видеообработчик и шаблон чата с поддержкой инструментов. Текстовые матрицы хранятся в тернарном аффинном формате JANG с 2-битными слотами и размером группы 128, а 83 линейных слоя зрения — в 4-битном формате; часть тензоров оставлена в float16. Модель рассчитана на запуск в vMLX, включая сценарии визуальных вопросов и ответов, многошагового диалога и вызова инструментов. В README приведены результаты проверок текстового ответа и удержания контекста в многоходовом диалоге. Для работы нужна сборка vMLX с поддержкой дискретного JANG-affine хранения и смешанной точности для зрения; стандартный mlx_lm этот формат не поддерживает. Лицензия — Apache-2.0.

michaelfeil/codegen2-7B-gptj — конвертированная версия CodeGen2-7B, подготовленная для использования с FauxPilot. Веса CodeGen2 представлены как GPT-J; метаданные указывают архитектуру GPT-J с causal language modeling. Конверсия выполнена 22 мая 2023 года из Salesforce/codegen2-7B. Модель содержит 7 млрд параметров, работает с контекстом до 2048 токенов и распространяется в форматах PyTorch и Safetensors. Модель предназначена прежде всего для генерации программ по текстовым инструкциям и комментариям, продолжения кода и заполнения пропусков внутри кода. В обучающих данных представлены C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Лучше всего она подходит для синтеза кода по англоязычным запросам; лицензия Apache-2.0.

Salesforce CodeGen-Multi 6B — авторегрессионная плотная языковая модель для синтеза программного кода. Чекпойнт содержит 6 млрд обучаемых параметров и относится к семейству CodeGen; в метаданных указана архитектура CodeGenForCausalLM. Модель принимает текстовые подсказки на естественном языке или незавершённый код и генерирует продолжение. Она предназначена прежде всего для генерации исполняемого кода по комментариям на английском языке и дополнения фрагментов программ. Модель первоначально основана на CodeGen-NL 6B, затем дополнительно предобучена на наборе BigQuery из 119,2 млрд токенов кода из репозиториев GitHub. Данные охватывают C, C++, Go, Java, JavaScript и Python. Нативный контекст составляет 2048 токенов. В README упомянуты оценки на HumanEval и MTPB, но результаты здесь не приведены. Лицензия — BSD-3-Clause. Разработчик рекомендует оценивать точность и безопасность перед внедрением; выпуск предназначен для исследований и поддержки академической работы.

Moritz Laurer разработал DeBERTa-v3-small-mnli-fever-docnli-ling-2c — англоязычную модель классификации текстовых пар для задач вывода по естественному языку (NLI). Она дообучена на 1 279 665 парах «гипотеза — посылка» из восьми наборов данных, включая MultiNLI, Fever-NLI, LingNLI и DocNLI. Базовая архитектура — DeBERTa-v3-small от Microsoft; модель содержит 155 млн параметров и принимает последовательности длиной до 512 токенов. Модель предсказывает один из двух классов: entailment («следует из текста») или not-entailment («не следует из текста»). Обучение на DocNLI, содержащем длинные документы, нацелено на рассуждения с учётом удалённых фрагментов текста. В README приведены результаты оценки на тестовых выборках MultiNLI, ANLI и Fever-NLI; качество на ANLI заметно ниже, чем на MultiNLI. Модель рассчитана прежде всего на английский язык. Распространяется в форматах PyTorch и Safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

Это дообученная модель классификации текста на основе DeepSeek-R1-Distill-Qwen-1.5B, опубликованная пользователем botanical1058. Она построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров. Модель предназначена для отнесения текста к классам; карточка не уточняет набор классов и предметную область. В README приведены результаты оценки: accuracy 0,8721, precision 0,8752, recall 0,8721 и F1 0,8726. Контекст модели — до 131 072 токенов. Она работает с текстом и сохранена в формате safetensors; библиотека для работы — Transformers. Лицензия — MIT.

Это конверсия DeepSeek-V4-Flash-0731 в формат GGUF, подготовленная axiomofmind на основе axiomofmind/DeepSeek-V4-Flash-0731-NVFP4. В README указана независимая калибровка исходных весов deepseek-ai/DeepSeek-V4-Flash-0731; репозиторий содержит основную модель и дополнительную модель-предсказатель DSpark для спекулятивного декодирования. Модель предназначена для генерации текста в среде llama.cpp. Основные маршрутизируемые экспертные тензоры представлены в NVFP4, тензоры внимания и общих экспертов — в Q8_0, а эмбеддинги и выходная голова — в BF16. Для запуска этой конверсии требуется специальный патч к llama.cpp; README рекомендует не менее 208 ГиБ суммарной видеопамяти для основной модели и полностью размещённого на GPU DSpark. Репозиторий распространяется по лицензии MIT.

DeepSeek-V4-Flash-Vision-Uncensored-GGUF — это GGUF-конверсия модели orcarouter/DeepSeek-V4-Flash-Vision-Uncensored, подготовленная OrcaRouter на основе DeepSeek-V4-Flash-Vision-Exp от DeepSeek. Модель предназначена для локального текстового вывода, исследований интерпретируемости и механизмов отказа, AI safety, red teaming и оценки устойчивости моделей. Версия существенно лишена исходного safety alignment методом abliteration и может выполнять запросы, от которых оригинальная модель отказалась. Это разреженная Mixture-of-Experts-модель примерно на 305B параметров с около 18B активных параметров, конфигурацией 256 экспертов и выбором top-6. Она использует DeepSeek sparse attention, 4-wide Manifold-Constrained Hyper-Connections и контекст до 1M токенов. Модель поддерживает английский и китайский языки. В данном выпуске сохранена текстовая модальность: компоненты vision удалены, поэтому обработка изображений недоступна. Спекулятивная DSpark/MTP-голова также не включена. Ключевое преимущество — сохранение исходных FP4-кодов маршрутизируемых матриц в формате MXFP4 без дополнительного переквантизирования, что позволяет использовать веса через llama.cpp. Для запуска требуется свежая сборка llama.cpp с поддержкой архитектуры deepseek4; старые версии и runtime с зафиксированной более ранней версией могут не загрузить модель. Из-за удаления защитных механизмов модель не предназначена для неконтролируемого продакшен-развёртывания: необходимы собственные фильтры безопасности и модерация, а ответственность за применение и результаты несёт пользователь. Лицензия — MIT.

BlueOrangeDigital разработала эту модель на основе DistilBERT и дообучила её классифицировать пары соседних предложений из английской Википедии: относятся ли они к разным разделам статьи. Её предназначение — находить границы между тематическими фрагментами и разбивать документы на связные части. Модель принимает текстовую пару в формате «правый контекст [SEP] левый контекст» и выдаёт класс классификации. Контекст ограничен 512 токенами; для каждого из двух фрагментов отводится до 255 токенов, а более длинные предложения обрезаются. Обучение проводилось на парах предложений из 40 тысяч статей Википедии; на валидации указаны accuracy 0,85 и F1 0,85. Модель подходит для сегментации англоязычных документов, похожих по структуре на статьи Википедии. Качество на других жанрах и языках не подтверждено, а ограничение контекста может влиять на обработку длинных предложений. Лицензия — Apache-2.0.

FabGemma-12B — дообученная модель naazimsnh02 на базе Google Gemma 4 12B Instruct. Это плотная трансформерная модель для генерации текста, настроенная на многошаговое планирование задач, агентное программирование и отладку. Для обучения применялся supervised fine-tuning на трассах работы кодовых агентов; LoRA-адаптация затронула около 2,15% параметров и была объединена с основными весами. Репозиторий содержит веса safetensors, модель работает через Transformers и сохраняет контекстное окно базовой модели до 256 тысяч токенов. Модель предназначена для помощи в разработке: анализа ошибок, планирования действий при работе с кодом и использования инструментов в агентных сценариях. Карточка сообщает о тестировании на 100 отложенных трассах, но эти результаты не гарантируют качество в других задачах. По данным README, дообучение ориентировано преимущественно на английские сценарии; возможности обработки изображений и аудио не адаптировались, а общефактические ответы могут быть слабее ответов по инженерным задачам. Выводы с кодом следует проверять перед запуском. Модель обозначена разработчиком как экспериментальная. Лицензия указана как Gemma; перед использованием следует учитывать её условия и проверить применимость условий лицензии датасета AGPL-3.0 к конкретному сценарию.

Карточка модели nypswift/gemma-4-12b-coder-fable5-composer2.5-mlx на Hugging Face совпадает с карточкой mlx-community/gemma-4-12b-coder-fable5-composer2.5, поэтому описание составлено по ней. Это неквантованная версия модели Gemma-4-12B-Coder, преобразованная сообществом mlx-community в формат MLX для локального запуска на компьютерах Apple Silicon с библиотекой mlx-lm. Модель основана на дообученной yuxinlu1/gemma-4-12B-coder-fable5-composer2.5-v1; архитектура — плотная Gemma 4 Unified с 12 млрд параметров. Модель предназначена для диалоговой генерации кода и решения задач программирования. Карточка базовой модели указывает на алгоритмические задачи на Python и генерацию кода, проверенного тестами. Добавленный Jinja-шаблон чата помогает форматировать диалоги для инференса через mlx-lm. Версия в этом репозитории не квантована и ориентирована на локальный инференс на Apple Silicon. Лицензия — Apache-2.0. Доступные сведения не описывают длину контекста, поддержку конкретных языков программирования помимо Python в назначении базовой модели, а также количественные результаты оценки качества.

GLM-5.3-Flash-UD-Q4_K_XL-layers — пакет слоёв модели GLM-5.3-Flash для распределённого инференса в Mesh LLM. Пакет подготовлен на основе unsloth/GLM-5.3-Flash-GGUF: исходный GGUF разделён на артефакты по слоям, чтобы запускать модель на нескольких машинах, объединяя их память и вычислительные ресурсы. Вариант пакета — UD-Q4_K_XL; репозиторий содержит файлы в формате GGUF и предназначен для локального запуска. Модель рассчитана на диалоговую генерацию текста, приватный локальный инференс и обслуживание запросов через совместимый с OpenAI API Mesh LLM. Разбиение по машинам подходит для случаев, когда полный GGUF не помещается на одном узле. В метаданных указаны библиотека mesh-llm и лицензия MIT. Подробности об архитектуре исходной модели, контекстном окне и языках следует сверять с карточкой исходной модели.

InternVL2_5-8B-MPO-hf — мультимодальная модель для диалога по изображениям и тексту, выпущенная OpenGVLab как версия InternVL2.5-MPO в формате Transformers. Она сочетает визуальный энкодер InternViT-300M-448px-V2_5 с языковой частью internlm2_5-7b-chat; серия использует Mixed Preference Optimization. Модель подходит для описания изображений, визуальных вопросов и ответов, распознавания текста на изображениях и других задач понимания изображений с ответом на естественном языке. В карточке указаны мультиязычная поддержка и лицензия MIT. Доступные метаданные подтверждают архитектуру InternVL и поддержку чата и зрения; конкретная длина контекста не установлена использованными источниками.

InternVL3-1B-hf — мультимодальная модель OpenGVLab, представленная как реализация InternVL3 для библиотеки Transformers. Это плотная модель класса InternVLForConditionalGeneration, дообученная на основе OpenGVLab/InternVL3-1B-Instruct; репозиторий содержит веса в формате safetensors. Модель принимает текст вместе с изображениями и видео, а также поддерживает текстовую генерацию без изображений. Модель предназначена для диалогов с визуальным контентом: описания изображений и видео, визуального восприятия и рассуждений, а также сценариев с несколькими изображениями и чередованием текстовых и визуальных входов. README также отмечает возможности семейства InternVL3 для работы с инструментами, GUI-агентами, промышленным анализом изображений и 3D-восприятием, но не утверждает, что все эти сценарии отдельно проверены для версии 1B. Реализация поддерживает Transformers, пакетный вывод и варианты внимания eager, SDPA и FA2. Карточка указывает мультиязычность, но конкретные языки и размер модели не приведены. Лицензия обозначена как other; перед использованием следует проверить условия лицензии исходного репозитория модели. Характеристики качества и ограничения конкретного чекпойнта 1B в предоставленной карточке подробно не описаны.

InverseCoder-DS-6.7B — языковая модель для генерации кода, созданная командой авторов InverseCoder и дообученная на базе deepseek-ai/deepseek-coder-6.7b-base методом instruction tuning с использованием данных, сгенерированных самой моделью по подходу Inverse-Instruct. Это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM и 6,6 млрд параметров. Модель предназначена для генерации кода по инструкциям и диалоговых сценариев программирования. В обучении использованы наборы InverseCoder-DS-6.7B-Evol-Instruct-90K и Magicoder-Evol-Instruct-110K. Максимальная длина контекста — 16 384 токена; репозиторий содержит веса Safetensors для Transformers. Карточка демонстрирует запуск через text-generation и приводит arXiv-работу об InverseCoder. Лицензия указана как other, поэтому условия использования следует уточнять в репозитории. Карточка не сообщает сравнительные оценки качества; как и другие кодовые LLM, модель может генерировать ошибочный или небезопасный код.

ITER-Qwen3-Embedding-0.6B — плотная модель для поиска документов в системах агентного deep research, разработанная IELab Group и дообученная на Qwen/Qwen3-Embedding-0.6B. Она формирует запросное представление с учётом основного вопроса, предварительного рассуждения агента, текущего подзапроса и истории ранее выполненных подзапросов, чтобы находить релевантные документы с новой информацией. Модель содержит 507,6 млн параметров, использует архитектуру Qwen3 и принимает текст; эмбеддинги получаются последним токеном и нормализуются по L2. Контекстная длина по метаданным — 32 768 токенов; в рекомендованном формате README задаёт максимум 8 192 токена для запроса и 512 для документа. Модель предназначена для dense retrieval в агентных сценариях поиска и глубокого исследования, включая итеративное уточнение поиска с учётом уже посещённых документов. В README приведены результаты сквозной оценки с несколькими агентными моделями на InfoSeek-Eval и BrowseComp-Plus. Для воспроизведения указанного ранжирования README рекомендует обслуживать модель в bfloat16: float16 может заметно изменить результаты. Языки явно не перечислены в карточке; базовая модель описана метаданными как многоязычная. Лицензия — Apache-2.0.

Jan-v2-VL-med-gguf — мультимодальная vision-language модель примерно на 8 млрд параметров, разработанная Jan. Модель предназначена для многошаговых задач в реальных программных средах, включая браузеры и настольные приложения. Она ориентирована на агентную автоматизацию и управление интерфейсами с опорой на скриншоты и вызовы инструментов, когда план или необходимые знания заданы заранее, а результат зависит от стабильного выполнения длинной последовательности действий. Модель объединяет языковое рассуждение и визуальное восприятие, поддерживает текстовые и визуальные входы и заявлена для английского языка. Вариант med обеспечивает баланс между качеством и задержкой среди вариантов Jan-v2-VL-low, med и high. Модель разработана для поддержания промежуточного состояния, выполнения инструкций с минимальным отклонением и восстановления после небольших ошибок. README не указывает точный размер контекста и специфические ограничения по поддерживаемым форматам изображений. По заявлению разработчиков, Jan-v2-VL не уступает базовой Qwen-3-VL-8B-Thinking на стандартных текстовых и визуальных задачах и превосходит её на некоторых оценках, обеспечивая более сильное выполнение длинных цепочек действий. Для локального запуска предусмотрена интеграция с Jan App, а также поддержка llama.cpp и vLLM; GGUF-вариант рассчитан на использование с llama.cpp. Модель распространяется по лицензии Apache 2.0.

dalatexcoder/LFM2.5-230M-heretic-v1 — производная модель семейства LFM2.5 от Liquid AI, созданная abliteration дообученной модели LiquidAI/LFM2.5-230M-Base. Это компактная текстовая модель с архитектурой LFM2 dense и 221,2 млн параметров, рассчитанная на запуск на устройствах с ограниченными ресурсами. Метаданные указывают контекст до 128 000 токенов; README базовой модели описывает контекст в 32 768 токенов, поэтому фактический предел для этой версии требует проверки. Модель предназначена для генерации диалогового текста, извлечения данных и лёгких агентных сценариев с вызовом инструментов. Abliteration заметно снижает частоту отказов по сравнению с исходной моделью в приведённом тесте, но не устраняет их полностью. Базовая карточка указывает поддержку английского, арабского, китайского, французского, немецкого, японского, корейского, испанского, португальского и итальянского языков; данных о специальной русскоязычной настройке нет. README не рекомендует модель для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия обозначена как other, конкретные условия в предоставленных данных не описаны.