II.6Документация и сопровождение разработки

Это разговорная модель генерации текста семейства GPT-OSS 20B, подготовленная для FHNW командой, указанной в репозитории fhnw. Модель дообучена методом Direct Preference Optimization (DPO) с использованием Unsloth QLoRA, чтобы выравнивать ответы по предпочтениям. Репозиторий содержит варианты GGUF и Safetensors; в карточке также указаны MXFP4 и 8-битная версия. Модель предназначена для генерации ответов в диалоге и экспериментов с генеративным ИИ в обучении и прикладных проектах FHNW. Метаданные указывают английский язык, интерфейс чата и интерфейс вызова инструментов. Лицензия — Apache-2.0. Модель не предназначена для решений с высокими рисками или критически важных систем.

AnuLM-Hindi-QA-400M — компактная причинная языковая модель toonist, дообученная на базе toonist/AnuLM-Base-400M для ответов на вопросы в справочном стиле. Она генерирует одно- или двухфразовые определения на хинди и английском, а также объясняет функции Python по их именам или вопросам о них. Модель использует архитектуру AnuLM с 20 слоями, механизмом GQA и 24 маршрутизируемыми экспертами MoE; всего 397,7 млн параметров, из них 173,5 млн активны на токен. Контекст — 512 токенов. Модель подходит для кратких справочных ответов по известным темам и простых пояснений кода. Она обучена на парах вопрос–ответ, составленных из вводных абзацев Википедии на хинди и английском и docstring-фрагментов Python. Это не диалоговый помощник: модель не обучалась на беседах, может выдумывать сведения, а качество быстро снижается на редких темах. Для загрузки через Transformers требуется trust_remote_code=True; README рекомендует загрузку в float32, поскольку округление смещения маршрутизатора до 16-битной точности приводит к повторяющимся токенам. Лицензия — CC BY-SA 4.0.

DeltaP2S-Qwen2.5-14B-DeltaP2S-Code-S13 — объединённый чекпойнт Qwen2.5, созданный экспериментальным пакетом Delta-P2S с учётом архитектуры Qwen. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 14 млрд параметров и рассчитана на контекст до 131 072 токенов. Репозиторий предоставляет веса в формате Safetensors для Transformers. Модель предназначена для генерации текста в диалоговом режиме. Суффикс Code в названии указывает на кодовую направленность чекпойнта, однако README не описывает конкретные задачи, обучение или проверенные возможности в программировании. Лицензия в предоставленных данных не указана.

DMind-1-mini — языковая модель на 14 млрд параметров, разработанная DMindAI для задач экосистемы Web3. Она создана на основе Qwen3-14B с применением дистилляции знаний от DMind-1 и модели общего назначения, а также обучения на специализированных инструкциях и примерах вопросов и ответов. Модель использует архитектуру Qwen3 с плотной причинно-языковой сетью и поддерживает контекст длиной до 40 960 токенов. Модель предназначена для диалогов и генерации текста о блокчейне, DeFi, смарт-контрактах и других темах Web3: она отвечает на вопросы, помогает готовить документацию и обучающие материалы, анализировать предоставленные данные и формулировать предложения по стратегиям и рискам. Заявлены английский и китайский языки. Модель доступна в формате Safetensors для Transformers; лицензия — MIT.

Apollo Raines представил экспериментальный вариант Meta Llama 3.1 8B Instruct, изменённый инструментом jBlaze с помощью representation engineering. По заявлению автора, дополнительного обучения не проводилось: в весах подавлено поведение отказа, усилена ориентация на правдивые ответы и сокращена многословность. Модель предназначена для диалоговой генерации текста и ответов на инструкции; в примерах также показаны ответы на вопросы и генерация кода. Архитектура — плотная LlamaForCausalLM, около 7,5 млрд параметров, контекст — до 131 072 токенов. Указаны английский язык, формат safetensors и точность bf16. Автор отмечает, что выпущенная версия ослаблена и служит демонстрацией возможностей jBlaze. Известная проблема — склонность к соглашательству. Подавление отказов также означает, что модель может отвечать на опасные запросы. Лицензия — Llama 3.1 Community License.

Llama-3.2-Mavrick.Spark-1B — компактная диалоговая модель от 11-47 / WithinUsAI, дообученная методом SFT на базе meta-llama/Llama-3.2-1B-Instruct. Модель содержит около 1,2 млрд параметров, использует архитектуру Llama 3.2 и распространяется в формате Safetensors с весами FP16; заявленная длина контекста — 128 тыс. токенов. Модель предназначена для локального запуска на телефонах, ноутбуках и периферийных устройствах, а также для диалогов, кратких ответов и задач, где полезны стиль Spark и примеры многошаговых рассуждений Maverick. Для обучения использованы 10 тыс. дистиллированных диалогов и инструкций на английском языке, включая примеры использования инструментов. Это community-дистилляция, не связанная с Meta; лицензия — Llama 3.2 Community License.

LYRA — компактная разговорная языковая модель, опубликованная Мухаммадом Таки. В метаданных указана архитектура Qwen2 с причинной языковой моделью Qwen2ForCausalLM, размер — 463,9 млн параметров, библиотека — Transformers, формат весов — safetensors. Модель поддерживает генерацию текста и чат; заявленная длина контекста — 32 768 токенов. Автор позиционирует LYRA для многошаговых диалогов, логических рассуждений и генерации кода, в том числе на JavaScript и Python. README заявляет поддержку структурированных диалогов в стиле ChatML и быстрый инференс, однако не приводит результатов оценивания, подтверждающих качество или производительность. В метаданных указан английский язык. Модель распространяется по лицензии Apache 2.0. Практические ограничения: заявленные возможности рассуждения и генерации кода не подкреплены результатами тестирования; пример интеграции в README содержит ошибки в обработке результата генерации и не демонстрирует надёжный готовый сервис.

openlm-3b-202407-grpo-obqa-v3 — разговорная языковая модель на архитектуре OpenLM, дообученная с помощью TRL. По карточке модель предназначена для генерации ответов в диалоге; название указывает на обучение методом GRPO для сценария open-book question answering, то есть ответов на вопросы с опорой на предоставленные сведения. Модель содержит 2,7 млрд параметров, принимает текст и генерирует текст, её контекст составляет 2048 токенов. Модель можно использовать для прототипирования диалоговых систем и ответов на вопросы по переданному контексту. В карточке базовая модель указана как None, поэтому определить её идентификатор по доступным данным нельзя. Репозиторий содержит веса Safetensors; лицензия в предоставленных данных не указана.

OTel-Embedding-0.6B — текстовая модель эмбеддингов для поиска в документах телекоммуникационной отрасли, выпущенная в рамках открытой инициативы OTel по созданию справочных ИИ-ресурсов для отрасли. Это плотная архитектура Qwen3 примерно с 507,6 млн параметров, полученная полнопараметрическим дообучением Qwen/Qwen3-Embedding-0.6B на данных OTel-Embedding. Модель принимает текст и формирует векторные представления для семантического поиска и извлечения релевантных фрагментов из стандартов, RFC, спецификаций, технических статей и других отраслевых документов. Модель предназначена для этапа извлечения в телекоммуникационном RAG-конвейере, в том числе с последующим реранжированием результатов и передачей контекста языковой модели. Для выборки OTel-Embedding автор сообщает NDCG@10 90,5% ± 0,4 против 79,7% у базовой модели; это результат на отложенной части того же набора данных, а не независимого внешнего теста. Контекст составляет 32 768 токенов. Карточка указывает поддержку только английского языка. Лицензия — Apache-2.0; также необходимо соблюдать условия лицензии или использования базовой модели.

mosama/Qwen2.5-1.5B-Instruct-CoT-Reflection — компактная языковая модель на архитектуре Qwen2, дообученная автором mosama на основе unsloth/Qwen2.5-1.5B-Instruct. Модель содержит 1,5 млрд параметров, принимает текст и генерирует текст; контекст — до 32 768 токенов. Она обучена формировать пошаговые ответы с рассуждениями и рефлексией, подходит для диалогов и следования инструкциям на английском языке. Модель может использоваться для генерации ответов с пояснением хода решения и для экспериментов с Chain of Thought. Для лучших ответов автор рекомендует применять шаблон запроса из примера в README. Модель распространяется по лицензии Apache-2.0. Данных о качестве на независимых тестах в карточке нет.

Shankarblr/Qwen2.5-1.5B-TechWriter-Instruct — специализированная текстовая модель, созданная дообучением Qwen/Qwen2.5-1.5B-Instruct методом QLoRA с последующим объединением адаптера с базовыми весами. Модель предназначена для англоязычных технических материалов о полупроводниковых компонентах и межсоединениях для центров обработки данных: продуктовых описаний, списков характеристик, заметок по применению и разделов руководств CLI для адаптеров и коммутаторов. Модель содержит 1,5 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Она также подходит для извлечения характеристик и кратких ответов на вопросы по предоставленному фрагменту, а также для подготовки внутренних черновиков в заданном стиле. По README, датасет включал извлечённые материалы производителей и синтетические документы; оценка проводилась по предсказанию следующего токена, а не по фактической точности сведений. Модель может придумывать артикулы, названия серий, характеристики и CLI-флаги, поэтому результаты требуют проверки по первоисточникам и не должны использоваться как авторитетные спецификации или публиковаться без редакторской проверки. Она рассчитана на английский язык и узкую техническую область, а не на общий диалог. Лицензия — Apache-2.0.

Qwen3-4B-Dolci-Think-SFT-7B — разговорная языковая модель, созданная полным supervised fine-tuning модели Qwen/Qwen3-4B командой sagisch на 600 тысячах примеров из allenai/Dolci-Think-SFT-7B. Это плотная авторегрессионная модель семейства Qwen3 с примерно 3,7 млрд параметров; она генерирует ответы и рассуждения, помещая рассуждения в блоки `...`. Контекст составляет 40 960 токенов. Модель предназначена для диалогов и генерации ответов с пошаговыми рассуждениями. Обучение проведено за одну эпоху на одном наборе данных без preference tuning и RL; стандартные бенчмарки рассуждений не приведены, поэтому превосходство над базовой моделью не подтверждено. Для генерации рекомендованы настройки Qwen3 thinking mode: temperature 0.6, top-p 0.95 и top-k 20; жадное декодирование может приводить к повторениям. Модель распространяется под лицензией Apache-2.0. В README указано, что специального safety tuning при дообучении не проводилось; модель наследует ограничения Qwen3-4B и возможные смещения данных Dolci-Think.

SmolLM-1.7B-Instruct — компактная языковая модель HuggingFaceTB с 1,7 млрд параметров, созданная дообучением SmolLM-1.7B. Это плотная авторегрессионная модель семейства Llama, рассчитанная на генерацию текста и диалоговое взаимодействие. Карточка описывает версию v0.2, дообученную на наборах разговоров, инструкций и программирования; также доступна предыдущая версия v0.1. Модель предназначена для локальных приложений и ответов на стандартные запросы, творческого письма, общих вопросов и базового программирования на Python. Контекст составляет 2048 токенов. Модель ориентирована на английский язык; веса доступны в форматах Safetensors и ONNX, лицензия — Apache-2.0. Ограничения включают возможные фактические ошибки, логические несоответствия и смещения, а также слабые результаты в арифметике, редактировании текста и сложных рассуждениях. Модель может испытывать трудности с задачами за пределами английского языка; её ответы следует проверять.

Hastagaras/Sunmoy-9B-G2 — диалоговая модель генерации текста на базе архитектуры Gemma 2. Она создана слиянием нескольких моделей, включая Gemmoy-9B-G2-MK.3, gemma-2-9b-it-abliterated и gemma2-9B-sunfall-v0.5.2. По карточке, модель рассчитана на диалоговый формат с системным сообщением и последовательностью реплик пользователя и модели. Модель содержит около 9 млрд параметров и поддерживает контекст до 8192 токенов. README отмечает, что опубликованная версия неожиданно стала иметь размер 10B, тогда как GGUF-вариант остаётся 9B; подробности конфигурации слияния в карточке опущены. Лицензия в предоставленных данных не указана.

Модель AmberYifan/capsd-marin-8b-base-code_dsir_b4000_s0 — дообученная разработчиком AmberYifan версия англоязычной базовой модели Marin 8B Base на наборе данных capsd_marin-8b-base-n80000-opc__mix_code_dsir_b4000_s0. Это плотная Llama-модель с 7,5 млрд параметров, предназначенная для генерации текста; в метаданных также отмечена поддержка диалогового режима. Возможная область применения — генерация и продолжение текста в сценариях, связанных с кодом, однако карточка не описывает конкретные возможности, результаты оценки или гарантии качества на задачах программирования. Модель принимает текст и выдаёт текст, а её контекст составляет 4096 токенов. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

badokorach/flan-t5-small-qa — дообученная модель семейства T5 на основе google/flan-t5-base, разработанная автором репозитория badokorach. По названию она предназначена для ответов на вопросы; карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 0,0634 на оценочном наборе. Модель имеет архитектуру T5ForConditionalGeneration, около 123,8 млн параметров и принимает и генерирует текст; базовая модель ориентирована на многоязычные задачи NLP. Максимальная длина контекста — 512 токенов. Модель может применяться для генерации ответов на текстовые вопросы. Данные об обучающем наборе, подробностях оценки и практических ограничениях не приведены, поэтому значение loss само по себе не позволяет судить о качестве на новых данных. Весы опубликованы в формате PyTorch по лицензии Apache-2.0.

Daring Fortitude — плотная языковая модель семейства Llama 2 с 12,9 млрд параметров, созданная sequelbox на основе Llama 2 13B. Модель дообучена на открытых данных для улучшения технических знаний и общих возможностей; её основная задача — генерация текста, а нативный контекст составляет 4096 токенов. Модель предназначена прежде всего как улучшенная относительно исходной Llama 2 13B база для дальнейшего дообучения. Её можно использовать для экспериментов с языковыми моделями и генерацией ответов на технические вопросы, но автор не рекомендует применять её напрямую как производственную чат-модель. Модель выпущена в формате safetensors по лицензии Llama 2.

grimjim выпустил Nephilim v1 8B — объединённую методом SLERP языковую модель на архитектуре Llama 3 для генерации текста и диалоговых сценариев. В README указано, что основой служит WhiteRabbitNeo/Llama-3-WhiteRabbitNeo-8B-v2.0, а mlabonne/NeuralDaredevil-8B-abliterated добавлена с очень малым весом. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и рассчитана на контекст до 8192 токенов. Модель предназначена для диалогов и творческой генерации, включая ролевые сценарии; среди исходных моделей также заявлена специализация на задачах кибербезопасности. Карточка описывает тестирование с инструкцией Llama 3 Instruct Direct и параметрами генерации temperature 1,0–1,2 и minP 0,01. Возможны вредоносные ответы. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; также действуют дополнительные ограничения использования WhiteRabbitNeo и условия лицензии Llama 3.

PLaMo 3 NICT 31B Base — базовая языковая модель с причинным декодером на 31 млрд параметров, разработанная Preferred Networks совместно с Национальным институтом информационных и коммуникационных технологий Японии (NICT). Модель предварительно обучена на 3 трлн токенов на английских, японских и программных данных; архитектура сочетает слои Sliding Window Attention и традиционного внимания. Модель предназначена для генерации продолжения текста и служит базой для последующей адаптации под прикладные задачи. Она не проходила инструкционную настройку для диалогов и других downstream-задач. Поддерживает английский и японский языки. Выпущена под лицензией PLaMo community license; для коммерческого использования разработчик просит ознакомиться с лицензией и связаться с ним.

pure-reasoning-7b-230726 — разговорная модель breitburg, дообученная методом LoRA SFT на основе breitburg/pure-7b-210726 для генерации ответов с предварительным блоком рассуждений. По описанию, она получает чатовый запрос, формирует блок рассуждений, затем выдаёт ответ. Модель построена на плотной архитектуре Llama с 6,6 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Модель предназначена для диалоговых задач, где полезна последовательная генерация рассуждения и итогового ответа. Карточка указывает датасет breitburg/reasonable-chats; поддерживаемый язык — английский. Весами опубликованы в формате safetensors. Лицензия — Apache-2.0. README не приводит сравнительных оценок качества или подробной оценки надёжности рассуждений, поэтому пригодность ответов для конкретных задач следует проверять отдельно.

ZeroXClem/Qwen2.5-7B-Qandora-CySec — объединённая ZeroXClem на основе Qwen2.5 модель для диалоговой генерации текста. Она сочетает возможности ответов на общие вопросы модели bunnycore/QandoraExp-7B со знаниями в области кибербезопасности модели trollek/Qwen2.5-7B-CySecButler-v0.1; объединение выполнено методом SLERP с помощью mergekit. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 dense и поддерживает контекст до 131 072 токенов. Модель предназначена для ответов на общие вопросы, анализа тем кибербезопасности и запросов, сочетающих общие знания со специализированной экспертизой. В метаданных также заявлен интерфейс вызова инструментов. Опубликованные веса представлены в формате safetensors; README упоминает отдельные GGUF-квантизации для Ollama. Лицензия — Apache-2.0. Количественные результаты в README приведены для Open LLM Leaderboard, но не описывают качество в конкретных задачах кибербезопасности.

violetxi выпустила дообученную полноразмерную модель Qwen3.5-9B для генерации текста и диалоговых агентных сценариев. Она обучена на заметках и траекториях, обусловленных заметками: около 70% обучающих токенов приходилось на заметки, 30% — на ответы ассистента в траекториях. Опубликован финальный чекпойнт после двух эпох и 6 134 обновлений; обучение проводилось без KL-регуляризации. Модель использует плотную архитектуру Qwen3.5 и загружается через Transformers. Базовая Qwen3.5-9B мультимодальна, однако в этой карточке заявлена задача генерации текста; данных о языках, кроме английского, нет. Длина упаковки обучающих последовательностей составляла 16 384 токена, но это не подтверждает нативное окно контекста модели. Модель предназначена для диалоговой генерации и агентных задач по протоколу работы с файлами, включая поиск и чтение заметок. В исторической оценке доля попыток, прошедших все критерии, составила 5% при бюджете в 5 ходов и 8% при бюджете в 20 ходов на 250 задачах с четырьмя образцами на задачу; результаты следует считать ограниченными историческим протоколом, без нового бенчмарка для публикации. Доступна по лицензии Apache-2.0.

techwithsergiu/Qwen3.5-text-9B — производная текстовая модель семейства Qwen3.5, подготовленная автором techwithsergiu на основе Qwen/Qwen3.5-9B. Это плотная причинная языковая модель для генерации текста и диалога с архитектурой Qwen3_5ForCausalLM и 7,2 млрд параметров. Контекстное окно составляет 262 144 токена; веса текстовой части сохранены в формате bfloat16 без переобучения и изменений. Из модели удалена визуальная часть исходной мультимодальной модели, включая энкодер изображений и обработку видео. Модель предназначена главным образом как промежуточный артефакт для конвертации в GGUF или объединения с результатами LoRA-обучения на CPU; для прямого дообучения автор рекомендует отдельную 4-битную версию. Метаданные указывают возможности чата и интерфейс вызова инструментов, но модель не принимает изображения и видео. Модель распространяется по лицензии Apache-2.0. Она сохраняет текстовые веса базовой модели, однако README описывает её как промежуточный артефакт, а не как целевую модель для непосредственного обучения.

Qwen3.8-2B-Distill-heretic — текстовая чат-модель на архитектуре Qwen3.5-2B, созданная Empero как декензурированная версия Qwen3.8-2B-Distill с помощью Heretic. Исходная модель получена полнопараметрической дистилляцией модели-учителя Qwen3.8 2.4T A95B: для обучения использовали около 30 тысяч отобранных трасс рассуждений по математике, общему reasoning и следованию инструкциям. У модели около 2 млрд параметров и нативный контекст 262 144 токена; веса доступны в формате Safetensors и работают с Transformers и совместимыми рантаймами Qwen3.5. Модель предназначена для диалогов, решения математических задач, рассуждений и следования инструкциям, в том числе на устройствах с ограниченными ресурсами. Она поддерживает интерфейс вызова функций Qwen3.5. В README приводятся результаты сравнений с базовой Qwen3.5-2B на GSM8K и MMLU, а также снижение частоты отказов после декензурирования. Для этой версии указано 3 отказа из 100 проверок против 84 у исходной модели. Тонкая настройка выполнена на текстовых данных; поведение с изображениями унаследовано от мультимодальной базы, но не оценивалось. Размер 2B ограничивает фактический запас знаний и способность решать особенно трудные многошаговые задачи; при длинной генерации возможны циклы повторов. Модель распространяется по лицензии Apache-2.0; авторы предоставляют веса «как есть» для исследований и экспериментов.

Caspian-LFM2.5-350M-Reasoning — дообученная модель Willie999 на базе LiquidAI/LFM2.5-350M, обученная с использованием TRL. Это компактная плотная причинная языковая модель семейства LFM2 для генерации текста в формате диалога и ответов на вопросы с рассуждением. Модель содержит 444,6 млн параметров, принимает текст и поддерживает контекст до 128 000 токенов. Её можно запускать через Transformers для генерации ответов на пользовательские запросы. В карточке приведён пример вопроса, но отдельные результаты оценивания качества и перечень поддерживаемых языков не сообщаются. Лицензия в предоставленных данных не указана.

FastChat-T5-3B-v1.0 — открытый чат-бот, разработанный командой FastChat, включая Dacheng Li, Lianmin Zheng и Hao Zhang. Это encoder-decoder-модель семейства T5, полученная дообучением Flan-T5-XL на 70 тысячах диалогов, собранных с ShareGPT. В метаданных указано 1,5 млрд параметров и контекст 512 токенов. Модель предназначена для диалоговых приложений и чат-ботов: она принимает текстовый запрос и авторегрессионно генерирует текстовый ответ. Разработчики также указывают коммерческое применение и исследования как предполагаемые сценарии использования. Качество предварительно оценивалось на наборе из 80 разнообразных вопросов с оценкой ответов GPT-4. Модель распространяется по лицензии Apache License 2.0. README не приводит подробных результатов оценки или ограничений качества; ответы следует проверять, особенно в задачах, где важна фактическая точность.

Карточка модели lokeshe09/gemma-4-26B-A4B-it-GRPO-LaTeX_OCR-16bit на Hugging Face совпадает с карточкой lokeshe09/gemma-4-26B-A4B-it-SFT-GRPO, поэтому описание составлено по ней. Мультимодальная диалоговая модель Gemma 4, дообученная lokeshe09 на базе unsloth/gemma-4-26B-A4B-it с использованием Unsloth и библиотеки Hugging Face TRL. Предназначена для диалогов с текстом и изображениями; поддерживает анализ изображений и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и конкретные улучшения после дообучения, поэтому качество для отдельных сценариев по ней оценить нельзя.

Lura 1.1 — компактная языковая модель SEN-AGI для генерации текста и диалогового взаимодействия. Она дообучена на базе Qwen/Qwen2.5-0.5B и содержит около 494 млн параметров; модель использует плотную архитектуру Qwen2ForCausalLM и распространяется в формате safetensors. Контекстное окно составляет 32 768 токенов. Модель рассчитана на выполнение инструкций, простые арифметические задачи и логические головоломки, а также генерацию небольших фрагментов кода и объяснений. Разработчик сообщает, что для дообучения использовались 4–5 тысяч отфильтрованных синтетических примеров. Компактный размер позволяет запускать её на CPU и устройствах с ограниченными ресурсами. Качество рассуждений и генерации кода ограничено небольшим размером модели; заявленные улучшения описаны разработчиком как качественные, без приведённых здесь количественных оценок. Карточка указывает поддержку английского языка. Лицензия — Apache-2.0.

pumlGenV2-1 — дообученная модель на базе Qwen/Qwen3-8B-Base, разработанная для преобразования вопросов на естественном языке в код диаграмм PlantUML. Она принимает текстовые запросы и формирует структурированные схемы с сущностями, пакетами, связями, примечаниями и аннотациями. Модель рассчитана на визуализацию сложных философских, исторических, юридических и аналитических тем, а также на учебные материалы, исследования и документацию. Модель семейства Qwen3 — плотная авторегрессионная архитектура Qwen3ForCausalLM с 7,6 млрд параметров и контекстом 32 768 токенов. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Результат ориентирован на PlantUML, может требовать постобработки для настройки стиля, а диаграммы следует проверять на точность и полноту.

Qwen3.5-9B-GGUF (OraQuant) — это текстовая GGUF-квантизация базовой модели Qwen3.5-9B, разработанной Alibaba Cloud, с применением собственной калиброванной технологии OraQuant (OQ) от Ora Computing. Архитектура и размер исходной модели сохранены: около 9 млрд параметров, однако снижена точность весов. Модель предназначена для локального и офлайн-вывода, внутреннего тестирования, сравнительного бенчмаркинга, изучения поведения модели, prompt engineering и создания непроизводственных прототипов. Она совместима со штатным llama.cpp при наличии поддержки Qwen3.5. Доступны варианты OQ-Q4_K_M размером около 5,7 ГБ с более высоким качеством, OQ-Q3_K_M размером около 4,7 ГБ с меньшим и более быстрым профилем, а также OQ-IQ2_XXS размером около 3,2 ГБ — самый компактный вариант со смешанной i-/k-квантизацией. Модель работает только с текстом: хотя исходная Qwen3.5-9B является мультимодальной, визуальные и видеоэнкодеры в этих файлах отсутствуют. Это reasoning-модель, поэтому на сложных запросах, особенно при использовании самого компактного варианта, возможны продолжительные фазы рассуждений и заметное снижение качества. К ограничениям относятся возможные отличия от поведения полной модели, особенно на специализированных, редких и сложных запросах, а также необходимость проверять результаты на предвзятость и непреднамеренные ошибки. Модель предоставляется «как есть» исключительно для оценки и тестирования. Согласно указанным условиям, разрешены только внутреннее тестирование, бенчмаркинг и непроизводственные прототипы для названного лицензиата; запрещены коммерческое и производственное применение, публичное API, перепродажа, распространение, передача третьим лицам, дообучение и обратная инженерия. Для файлов действует Custom Model License Agreement; исходная модель Qwen3.5-9B распространяется Alibaba Cloud по Apache License 2.0.