II.6Документация и сопровождение разработки

TinyLettuce-ettin-68m-en — англоязычная модель KRLabsOrg для выявления галлюцинаций в ответах с опорой на заданный контекст. Она построена на энкодере Ettin на 68,1 млн параметров с головой классификации токенов и помечает токены как подтверждённые или галлюцинированные; объединение помеченных фрагментов в span выполняется отдельно. Модель принимает контекст, вопрос и ответ в последовательности до 4 096 токенов по README; метаданные указывают нативный контекст до 7 999 токенов. Модель предназначена для обнаружения неподтверждённых фрагментов в системах retrieval-augmented generation, а также для дальнейшей адаптации на небольших доменных выборках. README сообщает F1 74,97% на RAGTruth и позиционирует модель как компактную для CPU-инференса. Это результат на конкретном бенчмарке, а не гарантия качества на других данных. Модель дообучена от jhu-clsp/ettin-encoder-68m; лицензия — MIT.

Это 8-битная квантизованная версия XLM-RoBERTa-large-xnli-anli от heykorshun, подготовленная для MLX Swift на macOS. Базовая модель vicgalle/xlm-roberta-large-xnli-anli предназначена для многоязычной классификации текстов методом NLI и zero-shot: она сопоставляет текст с заданными категориями или проверяет, противоречит ли новое утверждение старому либо подтверждает его. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает контекст до 514 токенов. В README приведён сценарий применения в приложении Stilltone для локальной классификации заметок встреч; автор сообщает о побайтно идентичных результатах с исходными весами fp32 на использованных тестовых наборах. 8-битные веса занимают около 0,63 ГБ вместо примерно 2,2 ГБ для fp32. Это файлы MLX Swift, а не checkpoint для Transformers или sentence-transformers; для загрузки требуется совместимая реализация MLX Swift и соответствующая схема квантования. Лицензия — MIT.

ALBERT Large v2 — англоязычная предварительно обученная модель семейства ALBERT, представленная авторами ALBERT и опубликованная на Hugging Face. Она обучена на BookCorpus и англоязычной Википедии с помощью маскированного языкового моделирования и предсказания порядка сегментов текста. Модель предназначена для заполнения пропусков в тексте и получения представлений для последующей настройки на задачи классификации последовательностей и токенов, а также ответа на вопросы. Архитектура — Transformer с 24 повторно используемыми слоями, 1024-мерным скрытым представлением и 16 головами внимания. Слои разделяют веса, что уменьшает объём параметров и памяти; в метаданных указано 433,4 млн параметров. Максимальная длина контекста — 512 токенов. Модель без учёта регистра и обрабатывает английский текст. Она не предназначена для свободной генерации текста: для этого в README рекомендуются авторегрессионные модели. Предсказания могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

Apodex-1.0-mini — дообученная модель apodex для глубокого исследования с проверкой доказательств. Она создана на базе Qwen3.5-35B-A3B и предназначена для диалогов, многошагового поиска и ответов с использованием инструментов. Модель обучали в три этапа: SFT, agentic DPO и обучение с подкреплением на длинных агентных сценариях. Она поддерживает вызов функций и ориентирована на английский и китайский языки. Модель рассчитана на задачи, где важно собирать и проверять сведения перед формированием ответа. В составе Apodex-1.0-H она используется с командой специализированных агентов и глобальным проверяющим, однако этот режим требует внешней агентной инфраструктуры и не является свойством одиночного чекпойнта. В репозитории указаны веса Safetensors, библиотека Transformers и лицензия Apache-2.0. Карточка описывает характеристики семейства Apodex в целом, поэтому отдельные подробности реализации и качества варианта mini могут отличаться.

MMG/bert-base-spanish-wwm-cased-finetuned-squad2-es — испаноязычная модель на архитектуре BERT, дообученная на наборе данных squad_es для ответов на вопросы по заданному тексту. Она принимает вопрос и контекст и извлекает из контекста ответ; подходит, например, для поиска фактов в испаноязычных документах. Модель содержит 137,1 млн параметров, использует регистрозависимую версию испанского BERT с whole-word masking и поддерживает контекст до 512 токенов. На оценочной выборке указаны exact match 62,53 и F1 69,33. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

google/bert_uncased_L-10_H-128_A-2 — компактная англоязычная модель BERT от Google из набора BERT Miniatures, описанного в работе «Well-Read Students Learn Better». В этой конфигурации 10 слоёв, скрытый размер 128 и 2 attention-головы; модель содержит около 6,5 млн параметров и принимает последовательности длиной до 512 токенов. Доступны реализации PyTorch и Flax. Модель предназначена для задач понимания английского текста и может дообучаться для конкретных задач так же, как исходные модели BERT. Компактный размер подходит для сред с ограниченными вычислительными ресурсами; авторы отмечают, что особенно эффективно использовать её в дистилляции, перенося на неё метки, подготовленные более крупной и точной моделью. В README приведены результаты оценки семейства на GLUE, но отдельная строка для данной конфигурации в предоставленном тексте отсутствует. Модель является предобученным чекпойнтом компактной архитектуры BERT; её не следует считать готовой универсальной чат-моделью. Лицензия — Apache-2.0. Для использования следует учитывать англоязычную специализацию и меньшую ёмкость по сравнению с крупными BERT-моделями.

Bharat-Tiny-LLM-fused — текстовая авторегрессионная модель с архитектурой Qwen2, созданная eulogik путём объединения LoRA-адаптера с весами Qwen/Qwen2.5-1.5B. Модель содержит 1,5 млрд параметров, распространяется в формате PyTorch float16 и рассчитана на генерацию диалогового текста на хинди, хинглиш и английском языках. Для неё заявлено контекстное окно до 131 072 токенов. Модель предназначена для запуска через Transformers на CPU или CUDA, дальнейшего дообучения и создания собственных квантованных сборок. В карточке отмечено, что для генерации нужны низкая температура около 0,3, repetition penalty не ниже 1,25 и запрет повторения n-грамм размером 3: при высокой температуре базовая модель может выдавать искажённые токены вне целевого письма. Лицензия — Apache-2.0.

Shuu12121 разработала эту модель SentenceTransformer, дообученную на BigCloneBench для поиска семантически похожих фрагментов кода и обнаружения клонов. Она основана на ModernBERT и преобразует код в плотные векторы размерностью 768; для сравнения векторов используется косинусное сходство, а представление строится с помощью CLS-пулинга. Модель рассчитана на сравнение пар фрагментов кода, поиск дубликатов и группировку похожего кода. Максимальная длина последовательности составляет 2048 токенов. В README приведены результаты на тестовой выборке BigCloneBench: accuracy 0,9902 и F1 0,9637; эти показатели относятся к указанному набору данных и не гарантируют аналогичное качество на другом коде. Модель распространяется по лицензии Apache-2.0.

DeepSWE-Preview — открытый агент для задач программной инженерии от agentica-org, дообученный методом обучения с подкреплением на базе Qwen3-32B с включённым режимом рассуждений. Модель предназначена для работы с кодовыми базами: она может исследовать файлы, искать фрагменты кода, предлагать и редактировать изменения, а также использовать инструменты командной строки и отправлять готовое решение. Для этих сценариев README описывает инструменты R2E-Gym: поиск, редактор файлов, выполнение Bash-команд и завершение задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 29,7 млрд параметров и нативный контекст 40 960 токенов по метаданным; в рекомендациях README для запуска указано не менее 32–64 тыс. токенов. Обучение на 4,5 тыс. задач из поднабора R2E-Gym использовало только RL, без SFT. В README заявлены результаты 59% на SWE-Bench-Verified для гибридного Best@16 и 42,2% Pass@1 в описанной оценке; это результаты конкретного агентного окружения, а не гарантия качества на произвольных задачах. Модель ориентирована на кодовые задачи, карточка указывает английский язык и лицензию MIT. Для эффективной работы рекомендуются системный промпт и инструменты R2E-Gym.

dpo5k5 — дообученная модель на 1,3 млрд параметров на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и предназначена для генерации и продолжения кода; базовая модель также поддерживает автодополнение и заполнение пропусков в коде. Контекст модели — до 16 384 токенов. Модель опубликована в формате safetensors, лицензия указана как other. README не содержит подробностей об оценке качества и ограничениях; возможности и качество модели для конкретных задач следует проверять отдельно.

EmbeddingGemma 300M Q8_0 GGUF — квантованная модель для создания эмбеддингов, основанная на google/embeddinggemma-300m. Репозиторий поддерживается Ente и представляет собой побитовую копию одного GGUF-артефакта, опубликованного ggml-org; Ente не изменяла, не переквантизировала и не перепаковывала файл. Модель предназначена для задач получения векторных представлений текста, в частности для локального поиска и retrieval-сценариев на устройствах. Она используется функцией on-device retrieval в Ensu и сохраняет совместимость с опубликованными Ensu knowledge packs. Из известных характеристик: размер базовой модели — 300M параметров, формат — GGUF, тип квантования — Q8_0, назначение — feature extraction и embeddings. Данные о поддерживаемых языках, длине контекста, точной архитектуре и модальностях в README не указаны. К сильным сторонам относятся локальное выполнение, формат GGUF и совместимость с экосистемой Ensu. Ограничения связаны с квантованием и узкой специализацией на получении эмбеддингов; конкретные показатели качества и требования к ресурсам не приведены. Модель распространяется на условиях Gemma Terms of Use и связанной с ними Gemma Prohibited Use Policy.

GambronAI-Persian-Cybersecurity-r1 — разговорная языковая модель на архитектуре Qwen2, дообученная для задач кибербезопасности. Разработчик позиционирует её для анализа эксплойтов, тестирования на проникновение, обратной разработки, анализа вредоносных программ и поиска уязвимостей; модель также предназначена для подготовки технических отчётов и генерации кода. По карточке она работает на персидском (фарси) и английском языках, имеет 7,1 млрд параметров и контекст до 32 768 токенов. Модель принимает текст и генерирует текст в формате чата. В репозитории опубликованы веса safetensors; указана лицензия Apache-2.0. Карточка заявляет неограниченную генерацию технических инструкций, поэтому результаты, особенно для анализа уязвимостей и эксплойтов, требуют проверки и контроля при использовании.

Metin разработал Gemma-2-2B-TR-Knowledge-Graph — дообученную с помощью LoRA диалоговую модель Google Gemma 2 с 2,7 млрд параметров. Она предназначена для извлечения из текста структурированных графов знаний, которые можно использовать для наполнения графовых баз данных и последующего поиска и визуализации связей. Для дообучения использовали 30 тысяч синтетически сгенерированных примеров. Модель принимает текст и генерирует текстовое представление графа знаний; базовая архитектура — Gemma2ForCausalLM, максимальный контекст — 8192 токена. Карточка демонстрирует пример на турецком языке, а метаданные указывают турецкий как язык модели. Модель может выдавать неверные или бессмысленные результаты, поэтому извлечённые сущности и связи следует проверять перед использованием. Лицензия — Gemma; применяйте модель на условиях этой лицензии.

GLM-5.3-MLX-5bit — это сборка модели GLM-5.3 от zai-org, адаптированная PipeNetwork для MLX на компьютерах с Apple Silicon. Модель предназначена для генерации текста и локального инференса через mlx-lm. Это архитектура mixture-of-experts glm_moe_dsa с 744 млрд параметров, 256 экспертами и выбором 8 экспертов на токен. Используется MLA со sparse attention в стиле DeepSeek-V3.2. Веса квантизированы до 5 бит с размером группы 64; архитектура сохранена, но слой multi-token prediction не включён. Языки и максимальная длина контекста в README не указаны. Сильная сторона сборки — возможность запуска крупной MoE-модели в экосистеме MLX при снижении требований к памяти по сравнению с исходной точностью, а также близкое соответствие эталонной реализации на тестовой конфигурации. Для работы требуется специальный файл runtime glm_moe_dsa, поставляемый вместе с моделью, и параметр trust-remote-code. Практическое ограничение — модель требует около 768 ГБ оперативной памяти и запуска на двух машинах. Для запросов длиннее 2048 токенов 57 из 78 индексаторов используют случайно инициализированные проекции, что может ухудшать качество sparse attention. Качество 5-битной версии ниже исходной BF16: в приведённых тестах её свободно распространяющаяся ошибка выше, чем у 6- и 8-битных вариантов. Указана лицензия GLM-5.3 от исходной модели; порт MLX опубликован PipeNetwork.

InternVL3-1B-GGUF — мультимодальная модель для понимания и генерации текста по изображениям, разработанная командой OpenGVLab и представленная в формате GGUF командой Unsloth. Она основана на OpenGVLab/InternVL3-1B и использует данные MMPR-v1.2 для дообучения или адаптации. Модель предназначена для задач image-to-text, включая анализ изображений, визуальное восприятие и рассуждение, а также потенциально для работы с инструментами, GUI-агентами, промышленными изображениями и 3D-восприятием. Архитектура построена по схеме ViT-MLP-LLM: визуальная часть InternViT-300M-448px-V2_5 соединена через MLP-проектор с языковой частью Qwen2.5-0.5B. Общий размер семейства для этой конфигурации — 1B параметров. Заявлена поддержка multilingual-сценариев, однако конкретный перечень языков и размер контекстного окна в карточке не указаны. К сильным сторонам относятся сочетание визуального и языкового понимания, компактный размер и возможность использования GGUF для локального запуска при подходящей инфраструктуре. Ограничения включают меньшую ёмкость по сравнению с крупными вариантами InternVL3, а также отсутствие в карточке подробных данных о требованиях к памяти, производительности, точности на бенчмарках и совместимости конкретных рантаймов. В карточке указана лицензия Apache-2.0; дополнительно приведена ссылка на лицензию Qwen.

LFM2.5-2.6B Terminal SFT — полно-параметрически дообученная модель LiquidAI LFM2.5-2.6B, опубликованная jacepark12. Она предназначена для диалоговых задач терминального агента: обучена на 139 841 беседе о работе с терминалом без задач программирования, подготовленных из набора NVIDIA Nemotron Terminal Corpus. Модель использует плотную архитектуру LFM2 с причинной языковой моделью Lfm2ForCausalLM, содержит 2,6 млрд параметров и поддерживает контекст до 131 072 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; модель принимает текстовые запросы и генерирует текстовые ответы. Карточка указывает английский язык.

onnx-community/LFM2.5-VL-450M-ONNX — ONNX-версия мультимодальной модели LFM2.5-VL-450M, разработанной Liquid AI и основанной на языковом backbone LFM2.5-350M. Модель предназначена для обработки изображений и текста, включая описание изображений, общее визуально-языковое понимание, обнаружение объектов и предсказание ограничивающих рамок. Также поддерживает function calling для текстового ввода. Архитектура включает языковую модель LFM2.5-350M и vision encoder SigLIP2 NaFlex размером 86M параметров. Контекст составляет 32 768 токенов, словарь содержит 65 536 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Модель обрабатывает изображения с исходным разрешением до 512×512 пикселей без увеличения, сохраняет нестандартные соотношения сторон и может разбивать крупные изображения на тайлы 512×512 с дополнительным thumbnail-представлением. К сильным сторонам относятся улучшенное следование инструкциям, мультиязычное визуальное понимание, поддержка обнаружения объектов и возможность регулировать число визуальных токенов и тайлов для компромисса между качеством и скоростью. Модель ориентирована на запуск на периферийных устройствах и может использоваться локально через transformers.js и WebGPU. Она хуже подходит для задач, требующих глубоких фоновых знаний, а также для точного OCR и мелкодетального распознавания текста. В README указана лицензия lfm1.0; репозиторий также помечен как использующий лицензию other.

lift — модель Datalab для извлечения структурированных данных из PDF-документов и изображений. Она принимает документ и заданную пользователем JSON-схему, а затем формирует соответствующий ей JSON с помощью декодирования, ограниченного схемой. Модель основана на плотной архитектуре Qwen3.5 и содержит 9 млрд параметров; поддерживает обработку многостраничных документов за один проход. Модель предназначена для извлечения полей из документов, включая значения, распределённые между страницами, и может использоваться локально через Hugging Face Transformers или vLLM. В описанном Datalab тесте на 225 документах точность отдельных полей составила 90,2%; результат и задержка зависят от документа и оборудования. Веса распространяются по модифицированной лицензии OpenRAIL-M: разрешены исследования, личное использование и использование стартапами с финансированием или выручкой менее 5 млн долларов; конкурентное использование API запрещено. Для более широкого коммерческого применения требуется отдельное лицензирование.

Это версия Llama 3.2 11B Vision Instruct, подготовленная Unsloth для дообучения и использования через библиотеку Transformers. В основе лежит мультимодальная авторегрессионная модель Meta с архитектурой mllama и плотной сетью на 11 млрд параметров; она принимает текст и изображения и генерирует текст в диалоговом режиме. Модель подходит для диалога по изображениям, ответов на вопросы о визуальном содержимом и описания изображений. Карточка Unsloth ориентирована на дообучение: она содержит ноутбук для Llama 3.2 Vision и описывает ускорение обучения и снижение расхода памяти. Метаданные указывают английский язык; в карточке базовой модели перечислены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель распространяется по лицензии Llama 3.2 Community License, условия которой следует соблюдать при применении. Это статический чекпойнт; качество ответов может зависеть от изображения и формулировки запроса.

Meltemi-7B-v1 — базовая языковая модель, разработанная Институтом обработки языка и речи (ILSP) Центра исследований и инноваций Athena. Она основана на Mistral-7B и продолжает его предобучение на греческом, английском и параллельном греко-английском корпусах общим объёмом около 40 млрд токенов; токенизатор расширен греческими токенами. Модель имеет плотную архитектуру MistralForCausalLM, 7,2 млрд параметров и контекстное окно до 32 768 токенов по метаданным Hugging Face; в README указана длина 8 192 токена. Модель предназначена для генерации текста и языковых задач на греческом и английском языках, включая ответы на вопросы, понимание текста и рассуждения. По оценкам разработчиков, дообучение повысило средний результат на греческих тестах на 14,9% относительно Mistral-7B. Модель не проходила выравнивание с человеческими предпочтениями и может генерировать вводящий в заблуждение, вредный или токсичный текст. Распространяется по лицензии Apache-2.0.

NangWeiLun/MiMo-VL-7B-RL-2508-bnb-4bit-fp4 — это 4-битная квантованная версия мультимодальной модели MiMo-VL-7B-RL-2508, разработанной XiaomiMiMo. Модель предназначена для задач преобразования изображений и текста в текст и рассчитана на использование через библиотеку Transformers. Модель имеет размер 7B параметров и использует квантование BitsAndBytes с точностью fp4. Для вычислений применяется bfloat16, двойное квантование отключено, а веса сохранены в формате safetensors. Квантирование снижает потребление памяти и позволяет запускать модель на пользовательских GPU с объёмом видеопамяти до 12 ГБ, однако может привести к небольшому снижению качества генерации по сравнению с исходной моделью. README не содержит информации о поддерживаемых языках, размере контекста и подробностях архитектуры. Указанная лицензия — MIT.

mitre-bert-base-cased — модель классификации последовательностей на архитектуре BERT, дообученная автором репозитория на наборе данных, обозначенном как None. Она предназначена для классификации текста. Модель содержит 136,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors. В карточке приведены результаты оценки: accuracy 0,6994 и loss 1,0145. Назначение классов, состав обучающих данных и подробные ограничения не описаны. Модель основана на google-bert/bert-base-cased и лицензирована по Apache-2.0.

Madaray/moderncamembert-msmarcofr-ranknetloss — кросс-энкодер на базе ModernBERT, обученный с библиотекой Sentence Transformers. Он оценивает пары «запрос — документ» одним числовым баллом и предназначен для переупорядочивания результатов поиска и семантического поиска. Модель содержит 135,5 млн параметров, поддерживает последовательности до 8192 токенов и распространяется в формате safetensors. В карточке приведены примеры французских запросов и документов; название модели и обучающие примеры указывают на французскую направленность. Обучение проводилось на 502 939 примерах с использованием RankNetLoss. Оценки модели можно применять для ранжирования кандидатов по релевантности; отдельные оценки не следует трактовать как вероятности без дополнительной калибровки. Лицензия в предоставленных данных не указана.

multitalker-parakeet-streaming-0.6b-v1-gguf — конверсия модели NVIDIA multitalker-parakeet-streaming-0.6b-v1 в формат GGUF для библиотеки transcribe.cpp. Это англоязычная модель автоматического распознавания речи, предназначенная для офлайн-транскрибации и потоковой обработки аудио с сохранением состояния между фрагментами. Модель подходит для субтитров, расшифровки встреч, голосовых интерфейсов и других сценариев преобразования речи в текст. В основе лежит cache-aware streaming FastConformer с 0,6 млрд параметров и декодером RNN-T; поддерживаются пунктуация, капитализация и токеновые временные метки. Модель работает на английском языке, поддерживает четыре варианта latency lookahead и не поддерживает перевод или автоматическое определение языка. Обычные GGUF-файлы предназначены для режима одного говорящего. Варианты из каталога bundle дополнительно содержат потоковый Sortformer для диаризации и могут формировать размеченную по говорящим транскрипцию максимум для четырёх перекрывающихся говорящих. Сильными сторонами являются потоковая работа, офлайн-использование, кэширование контекста, поддержка диаризации и близкие показатели качества у разных уровней квантизации: заявленный WER на LibriSpeech test-clean составляет около 2,18–2,20%. Ограничения — поддержка только английского языка, отсутствие перевода и language detection, а также необходимость учитывать требования к ресурсам: размер файлов варьируется примерно от 617 МБ для Q4_K_M до 2,96 ГБ для F32. Модель распространяется по NVIDIA Open Model License; указана лицензия other с названием nvidia-open-model-license.

facebook/muppet-roberta-large — англоязычная модель RoBERTa large от Facebook, дообученная по подходу MUPPET на нескольких задачах до тонкой настройки для целевых сценариев. Это плотная трансформерная модель с примерно 454,1 млн параметров, обученная предсказывать замаскированные токены; она принимает текст и предназначена прежде всего для заполнения пропусков и тонкой настройки для задач классификации последовательностей, разметки токенов и ответов на вопросы. Контекст модели составляет 514 токенов. README сообщает об улучшении результатов относительно RoBERTa-base на ряде задач GLUE и QA, особенно на небольших наборах данных. При этом данный чекпойнт не содержит классификационных и MRC-голов, использованных при предварительной настройке, поэтому результаты на некоторых наборах могут быть ниже опубликованных в статье. Модель не предназначена для генерации текста. Лицензия — MIT.

MyAwesomeModel — модель из репозитория xcc12ds21313/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста и работы с языковыми задачами. В README заявлены улучшенные способности к рассуждению и выводу, обработка математических, программных и логических задач, ответы на вопросы, классификация, анализ тональности, суммирование, перевод, диалоговая генерация и вызов функций. Разработчик в предоставленных материалах не назван. Модель распространяется через библиотеку Transformers и использует PyTorch; в метаданных указана архитектурная принадлежность к BERT и задача feature extraction. README также содержит результаты внутренних сравнений и рекомендации по системному промпту и температуре, однако сведения о размере модели, длине контекста, поддерживаемых языках и точной конфигурации не приведены. Лицензия — MIT. Заявленные сильные стороны включают работу со сложными рассуждениями, генерацией текста, сниженный уровень галлюцинаций и поддержку function calling. При этом описание не предоставляет подтверждённых сведений о датасетах, методике обучения, воспроизводимости бенчмарков или фактической совместимости заявленных генеративных возможностей с указанным pipeline-тегом feature-extraction.

Nemotron-3-Nano-Omni-30B-Abliterated-MM-bf16 — мультимодальная модель Matt Macosko на базе NVIDIA Nemotron-3-Nano-Omni-30B, подготовленная для запуска на Apple Silicon через MLX. Это сборка с directional ablation: автор удалил направление отказа из языковой части, оставив визуальную и аудиочасти без изменений. В README заявлены полноточные веса объёмом около 62 ГБ; тензоры совпадают с базовой моделью по именам и включают языковые, визуальные, звуковые и проекционные компоненты. Модель принимает текст и изображения и работает с аудио: она описывает изображения и транскрибирует речь. Основной сценарий по метаданным — image-text-to-text; для запуска README рекомендует mlx-vlm версии 0.6.12 или новее с поддержкой Omni. Базовая модель — mlx-community/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-bf16. Автор сообщает о проверке удаления отказов на тестовом наборе из шести примеров. Это не доказывает надёжность поведения на более широком наборе запросов. README прямо предупреждает, что защитное выравнивание удалено. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

OneSQL-v0.2-Qwen-3B — дообученная языковая модель от onekq-ai для генерации SQL-запросов по описанию схемы базы данных и запросу на естественном языке. Она основана на unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit и использует архитектуру Qwen2 с плотной моделью Qwen2ForCausalLM; число параметров — 3,1 млрд, контекст — до 32 768 токенов. Для работы в промпте сначала задают схему базы данных в формате CREATE TABLE, затем запрос на естественном языке с префиксом --, а в конце оставляют SELECT, после которого модель продолжает запрос. Репозиторий содержит полные веса версии OneSQL-v0.1-Qwen-3B. Модель представлена как text-generation и поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Лицензия в доступных данных не указана.

Ozygram Neural 7B v2 — специализированная текстовая модель для программирования, разработанная Ozygram Research & Autonomous Engineering Team на базе Qwen2.5-7B-Instruct. Это дообученная модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она предназначена для локального анализа ошибок и подготовки исправлений кода: README описывает поиск причин ошибок, оценку изменений в AST и выдачу действий в формате JSON для интеграции с IDE и локальными агентами. Заявлены контекст до 32 768 токенов и поддержка английского и испанского языков; доступны веса Safetensors и квантованный GGUF Q4_K_M. Модель подходит для генерации кода и предложений по исправлению ошибок, однако README сообщает главным образом о собственных тестах разработчика и не приводит независимой оценки качества. Указанная в README точность токенов и результаты бенчмарков не подтверждают качество на широком наборе проектов. Лицензия — Apache-2.0.

amd/Qwen3.5-9B-w4a16-asym-torchao-v0.17.0 — квантизированная версия модели Qwen3.5-9B, созданная компанией Advanced Micro Devices (AMD) с использованием TorchAO. Модель предназначена для генерации текста и запуска задач условной генерации на CPU AMD EPYC, прежде всего в Linux-средах с использованием vLLM и оптимизаций ZenDNN. Модель использует архитектуру Qwen3_5ForConditionalGeneration, принимает и возвращает текст, поддерживает английский язык. Это 9-миллиардная модель с 4-битной асимметричной квантизацией только весов W4A16: веса линейных слоёв квантизированы в Int4 с размером группы 128, а lm_head и embed_tokens исключены. Такой формат снижает требования к памяти и ориентирован на эффективный CPU-инференс, однако README не содержит результатов тестов качества или производительности. Для работы требуются PyTorch 2.11.0, TorchAO 0.17.0, ZenTorch 2.11.0.1, ZenDNN 6.0.0 и vLLM 0.20.2; для оптимальной производительности рекомендуется настроить OpenMP. Модель не предназначена для GPU и может некорректно загружаться с другими версиями зависимостей. Используемый путь W4A16-Asym специфичен для ZenDNN и недоступен в стандартном PyTorch. Распространяется по лицензии Apache-2.0, как и исходная модель.