II.6Документация и сопровождение разработки

CodeQwen1.5-7B — специализированная языковая модель для программирования, разработанная командой Qwen как версия семейства Qwen1.5. Это декодерный трансформер Qwen2 с 6,9 млрд параметров, предварительно обученный на большом массиве кода объёмом 3 трлн токенов. Модель поддерживает контекст до 65 536 токенов и эффективное внимание Group Query Attention. Модель предназначена для генерации и дополнения кода, понимания длинных фрагментов программ и дообучения под задачи программирования. В карточке отмечены сценарии исправления ошибок и преобразования текста в SQL, а также поддержка 92 языков программирования. Базовую версию не рекомендуют использовать как чат-модель; при генерации важно настроить условия остановки. Репозиторий содержит веса в формате safetensors. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует сверять с лицензией, приложенной к модели.

ConGen-BERT-Tiny — компактная модель семейства BERT, опубликованная пользователем kornwtp. Она преобразует предложения в плотные векторы размерностью 128 и предназначена для оценки семантического сходства и семантического поиска. Модель содержит 4,4 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска предложений и документов по смыслу, сравнения текстовых фрагментов и построения систем на основе эмбеддингов. В README упомянута оценка на Sentence Embeddings Benchmark для задачи Semantic Textual Similarity. Лицензия — Apache-2.0.

QuantFactory/DeepSeek-Coder-V2-Lite-Base-GGUF — квантизированная версия базовой модели DeepSeek-Coder-V2-Lite-Base, разработанной DeepSeek-AI и преобразованной QuantFactory с использованием llama.cpp. Модель предназначена прежде всего для генерации и автодополнения кода, вставки фрагментов кода, решения задач программирования и математического рассуждения. Это базовая модель, а не специализированная instruct-версия для диалогов. Модель построена на архитектуре Mixture-of-Experts (MoE) семейства DeepSeekMoE и содержит 16 млрд общих параметров, из которых при обработке активируется около 2,4 млрд. Она поддерживает контекст длиной до 128 тысяч токенов и 338 языков программирования. Квантизация в формате GGUF должна снижать требования к памяти по сравнению с исходной версией, однако конкретный тип квантизации и системные требования в предоставленных данных не указаны. Сильные стороны модели — специализация на коде, поддержка большого числа языков программирования и длинного контекста; ограничения включают отсутствие подробностей о конкретном варианте квантизации, качестве на отдельных языках и поведении в обычных диалоговых сценариях. Модель распространяется по лицензии deepseek-license; в карточке также указано обозначение лицензии other и ссылка на файл LICENSE. Условия использования следует уточнять по тексту этой лицензии.

E5-small-v2 — англоязычная модель для получения векторных представлений текста, основанная на архитектуре BERT и обученная методом контрастного предварительного обучения со слабой супервизией. В карточке указаны 12 слоёв и размерность эмбеддинга 384; репозиторий содержит веса PyTorch и рассчитан на использование с библиотекой Sentence Transformers. Модель подходит для преобразования запросов и текстовых фрагментов в эмбеддинги для поиска и сравнения сходства, в том числе в задачах ранжирования пассажей. Она работает только с английскими текстами; вход длиннее 512 токенов обрезается. Лицензия — MIT.

Это компактная текстовая модель Sentence Transformers, созданная дообучением энкодера jhu-clsp/ettin-encoder-17m командой или автором репозитория much1na. Она кодирует предложения и абзацы в плотные векторы размерностью 256 и предназначена для поиска и сопоставления текстов по косинусному сходству. Архитектура состоит из ModernBERT и слоя среднего pooling; модель содержит 16,8 млн параметров и принимает последовательности длиной до 7999 токенов по метаданным (в README указан предел 8192). Обучение проводилось на msmarco-embed-dense_on с EmbedDistillLoss. Модель подходит для семантического поиска, извлечения релевантных документов и построения текстовых эмбеддингов. Базовый энкодер ориентирован на английский язык, а README описывает англоязычные примеры; подтверждений поддержки других языков нет. Лицензия в предоставленных данных не указана.

GLiClass Small v1.0 Init — компактная модель классификации последовательностей семейства GLiClass, разработанная Knowledgator. Она выполняет классификацию текста по заданным категориям в режиме zero-shot без дополнительного дообучения на прикладных наборах данных. Модель предназначена для тематической классификации и анализа тональности, а также может использоваться для ранжирования документов в RAG-конвейерах. Модель обучена на синтетических данных MoritzLaurer/synthetic_zeroshot_mixtral_v0.1. В README для варианта small указано 144 млн параметров; заявлено, что классификация выполняется за один проход и требует меньше вычислений, чем cross-encoder. Репозиторий содержит веса в форматах Safetensors и ONNX. Карточка указывает английский язык и лицензию Apache-2.0, допускающую коммерческое использование. В приведённых zero-shot тестах на IMDB, AG_NEWS и Emotions вариант small показал F1 0,8650, 0,6805 и 0,4664 соответственно.

hku-nlp/instructor-base — универсальная модель эмбеддингов на архитектуре T5, разработанная командой HKU NLP. Она преобразует текстовые фрагменты, включая заголовки, предложения и документы, в векторы фиксированной длины без дополнительного обучения. Инструкции на входе позволяют настраивать представления под предметную область, например науку или финансы, и под задачу, например классификацию или информационный поиск. Модель предназначена для построения текстовых эмбеддингов и вычисления сходства между предложениями или группами текстов. Она имеет 123,8 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. Доступна в формате PyTorch и по лицензии Apache-2.0. Карточка описывает простой сценарий использования через библиотеку sentence-transformers; специализированные результаты зависят от инструкций, заданных при формировании эмбеддингов.

JackOD-9B-Coder-MTP-GGUF — текстовая модель для генерации кода, разработанная ManniX-ITA. Это GGUF-квантизации модели JackOD-9B-Coder, созданной как объединение нескольких моделей на общей базе Qwen/Qwen3.5-9B: DeltaCoder-9B, Qwopus3.5-9B-coder и Ornith-1.5-9B. Модель ориентирована на многошаговую агентную разработку, продолжение задач между несколькими ходами диалога и работу с инструментами до завершения задачи. Поддерживает английский язык и предназначена прежде всего для программирования, рассуждений и сценариев tool-calling. Модель имеет архитектуру Qwen3.5, около 9,65 млрд параметров, формат GGUF и MTP-компонент, унаследованный от базовой модели. Доступны многочисленные варианты квантизации, включая F16, Q8_0, Q6_K, Q5_K_M, Q4_K_M и более компактные IQ- и K-варианты; квантизации K и IQ откалиброваны с помощью imatrix. Несмотря на наличие унаследованных метаданных vision, модель не содержит vision tower и является текстовой. В предоставленных оценках она показывает сильные результаты на задачах генерации кода, включая LiveCodeBench v6, однако сведения о производительности в агентном harness основаны на небольшом числе запусков и не являются полноценной статистикой. Модель распространяется по лицензии Apache-2.0.

Карточка модели kirikir13/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

danfeg/LaBSE_Finetuned-FR-1000 — дообученная модель Sentence-Transformers на основе LaBSE для получения плотных векторных представлений предложений и абзацев. Она рассчитана на задачи семантического поиска, сравнения сходства предложений и кластеризации текстов. Обучение использовало CosineSimilarityLoss. Модель построена на архитектуре BERT, содержит около 498,1 млн параметров, формирует эмбеддинги размерности 768 и принимает последовательности длиной до 512 токенов. Репозиторий предоставляет веса PyTorch и Safetensors. Суффикс FR-1000 указывает на французскую специализацию, однако доступные сведения не раскрывают состав обучающих данных или конкретные языковые ограничения. Лицензия в предоставленных данных не указана.

Laguna XS 2.1 — текстовая модель семейства Laguna от Poolside, предназначенная прежде всего для агентного программирования и длительных задач разработки ПО. Это архитектура Mixture-of-Experts с 33 млрд параметров в общей сложности и примерно 3 млрд активируемых на токен; в репозитории Hugging Face указано 2,6 млрд параметров. Модель состоит из 40 слоёв, использует смесь скользящего и глобального внимания, поддерживает контекст до 262 144 токенов и интерфейс вызова инструментов. Модель подходит для работы с кодом, выполнения терминальных задач и взаимодействия с инструментами в агентных сценариях. README сообщает об улучшении результатов относительно Laguna XS.2 на SWE-bench Multilingual и терминальных задачах, однако бенчмарки не гарантируют аналогичного качества на конкретных проектах. Модель принимает и выдаёт текст; карточка не указывает поддерживаемые естественные языки. Веса доступны под лицензией OpenMDW-1.1, которую разработчик описывает как разрешающую коммерческое и некоммерческое использование и модификацию. Для применения следует учитывать условия лицензии и политики допустимого использования Poolside. Для локального запуска заявлена поддержка Transformers, vLLM, SGLang, Llama.cpp, Ollama и других перечисленных в карточке средств.

BAAI/LLARA-passage — текстовая модель семейства LLaMA, разработанная BAAI для создания эмбеддингов и оценки сходства предложений и текстовых фрагментов. Проект описывает подходы EBAE (Embedding-Based Auto-Encoding) и EBAR (Embedding-Based Auto-Regression); репозиторий passage предназначен для работы с пассажами текста. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Она подходит для поиска и сопоставления текстов по смыслу, а также извлечения признаковых представлений. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. По имеющимся сведениям, модель работает с текстом; заявленные поддерживаемые задачи также включают генерацию текста. README отсылает за подробностями к статье и репозиторию проекта, поэтому конкретные языки обучения и ограничения качества не описаны.

ModernBERT-embed-large-unsupervised — англоязычная модель LightOn AI для построения эмбеддингов текста. Это плотный двунаправленный энкодер ModernBERT-large с 394,7 млн параметров и контекстом до 8192 токенов, дообученный Contrastors в течение одной эпохи на 235 млн слабонаблюдаемых контрастивных пар из набора Nomic Embed. Модель предназначена для поиска и сравнения текстов; в README приведены результаты на задачах классификации, кластеризации, поиска, переранжирования и семантического сходства. Репозиторий содержит веса в формате Safetensors и поддерживает извлечение признаков и оценку сходства предложений. Модель рассчитана прежде всего на английский язык. Для использования эмбеддингов в поисковых системах или других приложениях обычно требуется отдельная система индексации и поиска. Лицензия — Apache-2.0.

Это модель Sentence Transformers на архитектуре MPNet, дообученная mertcobanov на наборе AllNLI Turkish triplets на базе microsoft/mpnet-base. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения текстов по косинусному сходству; длина входа — до 512 токенов. Модель подходит для поиска семантически близких фраз и документов, оценки сходства предложений, поиска перефразировок, кластеризации и подготовки признаков для классификации текста. Обучающие примеры содержали турецкие предложения, однако в README поле языка указано как en, а метаданные карточки также содержат тег en; поэтому поддержка турецкого подтверждается обучающим набором, но заявленный основной язык неоднозначен. Модель содержит 136,7 млн параметров, использует MPNet с усреднением токенных представлений и опубликована в формате safetensors. Лицензия — Apache-2.0. Оценка на турецких AllNLI dev/test по cosine accuracy составила 0,7423 и 0,7503 соответственно; эти результаты относятся к указанным наборам и не гарантируют качество на других данных.

Nex-N2.5-mini — разговорная модель семейства Nex-N2.5, разработанного Nex-AGI. Она предназначена для агентных задач с длительным планированием, включая управление компьютером и браузером, программирование и проверку программ, а также мультимодальное понимание визуальной среды. Модель может использовать визуальную обратную связь для проверки результатов действий и корректировки дальнейших шагов. По карточке семейство Nex-N2.5-mini опирается на мультимодальную основу Nex-N2; метаданные указывают архитектурное семейство Qwen3.5 MoE и класс Qwen3_5MoeForConditionalGeneration. Поддерживаются чат и вызов функций. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Карточка не сообщает размер именно mini-версии и длину контекста.

NextCoder-14B — языковая модель для редактирования и генерации кода, разработанная Microsoft на базе Qwen2.5-Coder-14B-Instruct. Модель дообучена методом SeleKT и предназначена для внесения разнообразных изменений в код, анализа запросов разработчика и диалоговой помощи при работе с программами. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM, размером около 14 млрд параметров и контекстом до 32 768 токенов. Она поддерживает чат и интерфейс вызова инструментов; опубликованные веса представлены в формате safetensors. В карточке указана поддержка английского языка. Модель ориентирована на задачи редактирования кода и сохраняет возможности базовой инструкционной модели для генерации и анализа кода. Она может быть восприимчива к вредоносным запросам и генерировать опасный код; результаты следует проверять и выполнять в изолированной среде. Лицензия — MIT.

cahya/NusaBert-v1.2-sts — модель Sentence Transformers, дообученная разработчиком на базе cahya/NusaBert-v1.2 на наборе STSB. Она использует трансформер ModernBERT с mean pooling и кодирует предложения и абзацы в плотные векторы размерностью 768; сходство оценивается косинусной мерой. Модель предназначена прежде всего для оценки семантического сходства текстов, а также для семантического поиска, поиска перефразирований, кластеризации и классификации текста. Модель принимает текст на английском языке и поддерживает последовательности длиной до 8192 токенов. В README приведены результаты на STS-B: Spearman correlation 0,815 на dev и 0,7533 на test. Для прикладных сценариев качество может зависеть от домена и языка; подтверждена настройка на англоязычном STSB. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

O2-27B-Preview — предварительная модель с 27 млрд параметров, разработанная Ant International на базе Qwen3.5-27B. Это плотная модель семейства Qwen3.5, предназначенная для агентного рассуждения, работы с инструментами, разработки программного обеспечения и автоматизации офисных процессов. Модель обучали на взаимодействиях, собранных в исполняемых средах реальных рабочих процессов: она выполняла действия, получала результаты проверок и могла исправлять ошибки. Для постобучения применялся метод Runtime OPSD — дистилляция последовательностей на состояниях, посещённых самой моделью. По отчёту разработчика, модель улучшила результаты базовой Qwen3.5-27B в десяти из одиннадцати опубликованных тестов, однако результаты предварительные и не сопровождаются оценкой разброса между запусками или контролем вычислительных затрат. На SWE-bench Verified отмечено снижение результата относительно базовой модели. Проверки зависят от полноты спецификаций и могут пропускать ошибки или поощрять обходные решения; качество также зависит от инструментов и среды выполнения. Модель следует применять с изоляцией инструментов и независимой проверкой результатов. Лицензия — Apache-2.0.

Occamy-35B — модель с открытыми весами, разработанная командой Occamy AI. Она дообучена на базе Qwen3.6-35B-A3B и предназначена для агентных сценариев: принятия решений на длинном горизонте, координации нескольких инструментов, многошаговых бизнес-процессов, Claw-style рабочих процессов, агентного программирования и задач электронной коммерции. Модель относится к семейству text-generation и ориентирована на английский язык. Заявлены поддержка tool use, coding и long-context; для развёртывания рекомендуется контекст до 262 144 токенов, а в тестах SWE-bench Pro использовался контекст 200K. В README не указаны точные сведения о внутренней архитектуре, числе активных параметров, количестве параметров всего и перечне поддерживаемых модальностей, поэтому модель следует рассматривать как текстовую. Ключевая особенность — методика Data RSI (Data Recursive Self-Improvement), при которой результаты выполнения динамически сформированных задач используются для последующей адаптации данных. По представленным оценкам, Occamy-35B особенно сильна в агентных задачах, многоходовом использовании инструментов и программировании, хотя в отдельных бенчмарках уступает более крупным моделям. Для промышленного использования рекомендуются SGLang или vLLM с OpenAI-совместимым API. Лицензия в README не указана.

Карточка модели hotchpotch/open-provence-reranker-large-v1 на Hugging Face совпадает с карточкой hotchpotch/open-provence-reranker-xsmall-v1, поэтому описание составлено по ней. OpenProvence reranker xsmall v1 — компактная двуязычная модель переранжирования и отбора предложений для подготовки контекста в системах поиска и RAG. Модель разработана hotchpotch и содержит 30 млн параметров; архитектура — OpenProvence для классификации последовательностей, веса представлены в формате safetensors. Модель принимает вопрос и текстовый контекст, оценивает релевантность предложений и удаляет фрагменты, не относящиеся к запросу. Она предназначена для ускорения поиска нужной информации и сокращения контекста перед передачей его генеративной модели. Поддерживаются английский и японский языки; согласно карточке, xsmall рассчитана на низкую задержку и может работать на CPU. В опубликованных оценках модель сокращала объём контекста, сохраняя ответы на контрольных примерах, но результаты зависят от языка, порога отсечения и набора данных. Модель опубликована под лицензией MIT.

OpenThinkerAgent-32B-SFT-10K — языковая модель семейства Qwen3, разработанная в рамках проекта OpenThoughts-Agent. Это плотная модель с 29,7 млрд параметров, дообученная полным fine-tuning от Qwen/Qwen3-32B на 10 тысячах примеров с траекториями работы агента. Модель предназначена для диалога и генерации кода, а также для выполнения многошаговых задач в агентной среде, включая работу с терминалом и программную инженерию. В карточке приведены результаты оценки в harness terminus-2 на SWE-Bench-Verified-100, OpenThoughts-TBLite и Terminal-Bench 2.0; в этих проверках модель превзошла исходную Qwen3-32B. В метаданных указан контекст 40 960 токенов и формат весов safetensors. Модель принимает и генерирует текст; поддерживаемые языки, кроме кода, отдельно не обозначены. Лицензия — Apache-2.0.

Ornith-1.5-35B-A3B-FP8 — языковая модель для генерации текста, разработанная командой Ornith AI. Это средняя по размеру модель семейства Ornith-1.5, ориентированная прежде всего на программирование, работу через терминал и агентские сценарии, где модель должна планировать действия, использовать инструменты и решать многошаговые задачи разработки. Модель создана на основе подхода непрерывного самоулучшения: она совместно оптимизирует генерацию задач, построение scaffold-структур и последовательности решений с помощью reinforcement learning, а не полагается только на фиксированный набор задач и вручную разработанные процедуры оценки. Модель использует архитектуру mixture-of-experts: всего содержит около 35 млрд параметров, но активирует примерно 3 млрд параметров на токен. Вариант FP8 предназначен для более эффективного хранения и выполнения инференса. В README указана текстовая модальность и задача text generation; сведения о поддерживаемых языках и размере контекста не приведены. Среди заявленных сильных сторон — результаты в программировании и агентской разработке: на SWE-bench Verified модель получила 79 баллов, а на Terminal-Bench 2.1 — 67,8 балла в конфигурации Terminus-2 и 68,5 в конфигурации Claude Code. Ограничения, не отражённые в карточке, включают отсутствие подробных данных о качестве на общих языковых задачах, языковом покрытии, безопасности и практических требованиях к оборудованию. Модель распространяется по лицензии MIT. Заявленные показатели приведены авторами README и могут зависеть от используемого окружения, инструментов и методики оценки.

Ornith-1.5-35B-A3B — языковая модель для генерации текста, разработанная командой Ornith AI. Она относится к семейству Ornith-1.5 и создана с применением подхода непрерывного самоулучшения: модель самостоятельно генерирует новые учебные задачи, выявляет эффективные стратегии их решения и совершенствуется посредством reinforcement learning. В основе Ornith-1.0, на которой развивалась эта линейка, использовались Qwen3.5 и Gemma4 с дополнительным продолжением предобучения, mid-training и post-training. Модель предназначена прежде всего для программирования и агентных сценариев, включая работу в терминале, решение задач из репозиториев и автоматизацию многошаговых операций. Это mixture-of-experts-модель с общим размером около 35 млрд параметров, из которых для обработки каждого токена активируется примерно 3 млрд. В карточке не указаны поддерживаемые языки, размер контекста и мультимодальные возможности; по заявленному pipeline_tag это text-generation-модель. К сильным сторонам относятся результаты на coding- и agentic-бенчмарках: заявлены оценки 67,8 и 68,5 на Terminal-Bench 2.1 в конфигурациях Terminus-2 и Claude Code, а также 79 на SWE-bench Verified. По данным разработчика, модель превосходит сопоставимую Qwen3.6-35B-A3B и ряд плотных моделей в агентном программировании. Ограничения, требования к оборудованию и особенности инференса в README не описаны. Модель распространяется по лицензии MIT.

Phi-4-reasoning-plus — открытая языковая модель Microsoft Research для генерации ответов с развернутыми рассуждениями. Эта производная от microsoft/Phi-4-reasoning-plus модель содержит 14,1 млрд параметров и использует плотный декодерный Transformer семейства Phi-3. Она принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена прежде всего для англоязычных задач, где важны рассуждения и логика: решения задач по математике и науке, программирование, планирование и следование инструкциям. Её можно использовать как основу для генеративных функций в условиях ограниченных вычислительных ресурсов. Дообучение включало supervised fine-tuning на цепочках рассуждений и обучение с подкреплением; модель в среднем генерирует примерно на 50% больше токенов, что может повышать задержку. Карточка предупреждает, что модель проверялась прежде всего для математических рассуждений и не оценивалась специально для всех вариантов применения. Ответы требуют проверки, особенно в высокорисковых сценариях. Репозиторий распространяется по лицензии MIT.

Phind-Codefuse-34B — языковая модель для генерации кода, полученная слиянием Phind/Phind-CodeLlama-34B-v2 и codefuse-ai/CodeFuse-CodeLlama-34B методом task_arithmetic с помощью LazyMergekit. Модель построена на архитектуре Llama и содержит 33,5 млрд параметров; для генерации доступен контекст до 16 384 токенов. Модель предназначена для генерации кода и решения задач программирования в сценариях работы с текстовыми запросами. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Данные карточки не уточняют поддерживаемые языки программирования и сравнительное качество модели.

Querit-Reranker — мультиязычная модель ранжирования текстов, разработанная командой Querit. Она предназначена для оценки релевантности и переупорядочивания текстовых результатов, например при поиске и подготовке контекста для RAG-систем. Модель создана на основе собственной базовой MoE-модели Querit и дополнительно обучена для задач ранжирования на открытых и проприетарных данных. В карточке указана архитектура из 24 слоёв и 16 голов внимания, контекст до 128 тысяч токенов. Метаданные каталога указывают семейство DeepSeek V3, плотную архитектуру и 459,1 млн параметров; карточка README приводит для модели другой показатель общего числа параметров — 4,92 млрд с активными 0,43 млрд. Поддерживаются китайский, английский, испанский, французский, немецкий, русский, корейский и японский языки. Модель принимает текст и выдаёт оценки ранжирования. Распространяется по лицензии Apache-2.0.

Qwen3.6-27B-A3B-CoderX — текстовая MoE-модель для генерации кода и работы с инструментами, созданная ManniX-ITA на основе Qwen/Qwen3.6-35B-A3B. Это чекпойнт с BF16-весами: из 256 экспертов каждого слоя оставлены 184, при этом активируются 8 экспертов на токен; заявлено около 27 млрд параметров и около 3 млрд активных. Контекст составляет 262 144 токена. Веса сохранённых экспертов совпадают с базовой моделью; дообучение и дистилляция не проводились. В чекпойнт включён блок MTP для спекулятивного декодирования, но нет визуальной башни, поэтому эта версия принимает только текст. Модель предназначена прежде всего для написания и дополнения кода, решения задач программирования и вызова инструментов в диалоге. В README приведены результаты отдельных тестов на код и использование инструментов, но полный набор оценок не запускался; заявленные результаты зависят от конфигурации и тестовой среды. Авторы отмечают ошибки в сценариях безопасности и работы с недоверенным выводом инструментов, поэтому такие применения требуют осторожной проверки. Лицензия — Apache-2.0.

Crucible Labs выпустила сжатую версию Qwen3.6-35B-A3B для локальной генерации кода и работы с инструментами. Модель основана на архитектуре mixture-of-experts: методом REAP удалено 48% маршрутизируемых экспертов, после чего веса квантизированы в GGUF по схеме Q3K-mixed с использованием importance matrix. Артефакт содержит 19,17 млрд параметров и занимает 9,4 ГБ; для запуска предназначен llama.cpp. В отличие от базовой модели, в этой версии нет визуального энкодера.

Capicua25x/Qwen3.8-27B-MXFP4-Quark-RDNA4 — квантованная версия мультимодальной модели Qwen3.8-27B, подготовленная Capicua25x на базе модели Qwen/Qwen3.8-27B. Модель предназначена для задач image-text-to-text, включая обработку изображений и текста, диалоговые сценарии, рассуждения и агентские приложения с вызовами инструментов. Для работы ориентирована на видеокарты AMD архитектуры RDNA4, в частности Radeon AI PRO R9700 и RX 9070 XT, с использованием ROCm, AMD Quark и специализированной сборки vLLM. Квантование MXFP4 применяется к проекциям MLP и экспертным проекциям: упаковано около 22,7 млрд параметров, тогда как attention, нормализации, эмбеддинги, lm_head, маршрутизаторы и весь визуальный тракт сохраняются в формате bf16. Общий объём логических параметров составляет примерно 27,8 млрд, архитектура базовой модели не изменена. Заявлена поддержка контекста до 262 144 токенов, speculative decoding и параллельной обработки запросов. Режим рассуждений включается через параметр chat_template_kwargs с enable_thinking; параметр reasoning_effort для этой конфигурации не используется. Сильные стороны модели — существенное снижение требований к памяти по сравнению с полноразмерной моделью, сохранение точности критически важных компонентов в bf16, поддержка мультимодальности и оптимизация для concurrent serving на RDNA4. Ограничения связаны с узкой аппаратно-программной специализацией: для штатного запуска требуются совместимые AMD GPU, ROCm и рекомендованный порт vLLM; приведённые показатели производительности зависят от конфигурации, числа пользователей и режима декодирования. Языки и точные характеристики базовой модели в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

noctrex/Qwen3-Coder-Next-MXFP4_MOE-GGUF — квантованная версия языковой модели Qwen3-Coder-Next, подготовленная автором noctrex в формате GGUF. Веса MoE-тензоров представлены в MXFP4, остальные тензоры сохранены в BF16 или F16; автор рекомендует вариант BF16 как более качественный, а F16 — как альтернативу, которая на некоторых архитектурах может работать быстрее. Модель предназначена для генерации текста в диалоговом формате и унаследовала специализацию Qwen3-Coder-Next на генерации кода и задачах кодирующих агентов. В карточке указаны рекомендуемые параметры генерации: temperature=1.0, top_p=0.95 и top_k=40. Лицензия и ограничения по использованию в предоставленных данных не описаны.