II.7DevOps, облако и эксплуатация IT-систем

Esper 2 — языковая модель Valiant Labs для задач DevOps, облачной архитектуры и программирования. Она дообучена на базе Meta Llama 3.2 3B Instruct и содержит 3,2 млрд параметров; для генерации текста использует архитектуру Llama и формат safetensors. Обучающие данные включают синтетические инструкции по DevOps и коду, а также примеры общего диалога. Модель предназначена для ответов на вопросы и генерации кода и конфигураций для AWS, Azure, GCP, Terraform, Docker, CI/CD-пайплайнов и shell-скриптов. Она следует формату инструкций Llama 3.2 Instruct и поддерживает английский язык. Указанное окно контекста — 131 072 токена. Распространяется по лицензии Llama 3.2; перед использованием следует учитывать её условия.

SASVA AI Model Cognition Labs (MCL) разработала qwen38-27b-terraform — модель на базе Qwen3.8-27B, обученную с помощью LoRA и объединённую с базовыми весами. Она предназначена для генерации Terraform-конфигураций на HCL по описанию инфраструктуры на естественном языке, включая блоки ресурсов, источников данных, переменных, выходных значений, провайдеров и настроек Terraform. В README указаны сценарии для AWS, GCP, Azure, Kubernetes и других семейств провайдеров; модель рассчитана на инженерную подготовку файлов `.tf`. Модель имеет плотную архитектуру Qwen3.5 и основана на чекпойнте с 27,78 млрд параметров. Для предсказуемой генерации README требует использовать шаблон ChatML базовой модели, точный формат запроса с описанием внутри блока кода и отключённое мышление (`enable_thinking=False`). Репозиторий содержит веса safetensors и вариант GGUF Q4_K_M; GGUF включает только текстовую модель, без башни зрения. Модель лучше всего подходит для целевой генерации HCL, а не для общего диалога: README предупреждает, что общий формат чата не воспроизводит обученное поведение, а режим мышления и вызов инструментов не обучались. Лицензия — Apache-2.0.

Bylastic — модель классификации текстовых журналов от Byviz Analytics на архитектуре DistilBERT. Она распределяет записи по трём классам: ERROR, WARNING и INFO, чтобы выделять сбои, потенциальные проблемы и обычные сообщения в потоках логов. Модель предназначена для встраивания в конвейеры обработки журналов и интеграции с Elastic; веса доступны в формате safetensors, длина контекста составляет 512 токенов. Модель подходит для автоматической сортировки больших объёмов системных журналов и первичного выявления записей, требующих внимания. Карточка заявляет оптимизацию производительности и интеграцию с Elastic, но не приводит количественных результатов оценки. Лицензия — Apache-2.0.

Cisco Time Series Model 1.0 — разработанная Cisco модель временных рядов общего назначения для прогнозирования без примеров на целевом ряду (zero-shot). Архитектура основана на decoder-only Transformer и использует многомасштабный контекст: грубый ряд имеет шаг в 60 раз больше тонкого. Каждый контекст может содержать до 512 точек; также доступны средства подготовки такого входа из ряда одной частоты длиной до 30 720 точек. Модель выдаёт прогноз на 128 точек тонкой частоты и соответствующие квантильные оценки. Модель предназначена для прогнозирования одномерных временных рядов, в том числе метрик наблюдаемости: загрузки CPU, времени ответа серверов и интернет-трафика. В README заявлены улучшенные результаты на бенчмарке GIFT-EVAL и в задачах наблюдаемости. Обучение включает внутренние ряды Splunk Observability Cloud, публичные наборы GIFT-EVAL и Chronos, а также синтетические данные. Размер по метаданным — 286,7 млн параметров; веса представлены в safetensors, библиотека — Transformers. Лицензия Apache-2.0. Для пропусков рекомендуется заполнение последним известным значением; при заполнении более 30% разреженного ряда качество прогноза снижается. Для модели обычно полезно предоставить больше истории на грубом временном масштабе.

distill-1.7B-MLX — дообученная языковая модель семейства Qwen3, созданная для инструмента distill, который сжимает и классифицирует вывод командной строки. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает контекст длиной до 40 960 токенов. Этот вариант представлен в формате MLX fp16 для macOS на Apple Silicon; размер файлов указан как 3,2 ГБ. Модель предназначена для краткого извлечения значимой информации из CLI-логов и планов инфраструктуры: определения успеха или ошибки команды, оценки безопасности Terraform-плана и подсчёта создаваемых, изменяемых и удаляемых ресурсов. README сообщает об общей точности 95% и точности 100% для шести из восьми задач на использованных авторами оценках. Модель специализирована на выводе командной строки и не позиционируется как универсальный чат-бот. Заявленные результаты и область применения основаны на описании автора и могут не переноситься на незнакомые форматы вывода. Лицензия — Apache-2.0.

Ornith-1.0-9B-KubeOps — дообученная модель на основе deepreinforce-ai/Ornith-1.0-9B для диагностики инцидентов Kubernetes и безопасного восстановления сервисов. Это плотная языковая модель семейства Qwen3.5 с 7,2 млрд параметров и контекстом до 262 144 токенов; репозиторий содержит объединённый чекпойнт Transformers, а LoRA-адаптер уже встроен в веса. Модель поддерживает диалог и формат вызова инструментов. Модель рассчитана на разбор состояния кластера по наблюдаемым данным, поиск источника истины в Kubernetes, Helm, GitOps, KEDA или операторе, подготовку ограниченного плана диагностики и проверку восстановления. Она обучена различать факты и гипотезы, предпочитать чтение состояния, выбирать минимальные обратимые изменения и отдельно проверять состояние нагрузки и доступность сервиса. Основной язык обучения — бразильский португальский; качество на других языках специально не оценивалось. Модель может галлюцинировать ресурсы, симптомы, вывод команд и результаты восстановления; синтетические результаты инструментов из обучающих данных не являются свидетельствами реальных инцидентов. Совместимость команд зависит от версии Kubernetes, установленных CRD и локальных политик. Изменения кластера требуют внешнего контроля авторизации, проверки команд и независимой проверки результата. Лицензия — MIT.

Toto-2.0-2.5B — разработанная Datadog модель временных рядов из семейства Toto, предназначенного для прогнозирования многомерных временных рядов, в том числе данных наблюдаемости. Это декодерный патчевый трансформер с чередованием внимания по временной оси и по переменным; версия на 2,8 млрд параметров распространяется в формате safetensors и рассчитана на работу с PyTorch. Модель поддерживает zero-shot прогнозирование без дообучения на конкретном ряду, переменные горизонты прогноза и длины контекста, а также выдаёт точечные прогнозы и оценки неопределённости через квантильную выходную голову. В README заявлены результаты на BOOM, GIFT-Eval и TIME, включая высокие позиции среди моделей временных рядов; точные показатели для этого чекпойнта в предоставленном фрагменте не приведены. Модель подходит для прогнозирования метрик инфраструктуры и других многомерных временных рядов. Доступна по лицензии Apache-2.0; инференсный код указан в связанном репозитории GitHub.

Toto-Open-Base-1.0 — открытая базовая модель семейства Toto (Time Series Optimized Transformer for Observability), предназначенная для прогнозирования многомерных временных рядов, особенно метрик наблюдаемости. Это авторегрессионный Transformer с архитектурой decoder-only и механизмом Proportional Factorized Space-Time Attention; модель содержит 151 млн параметров, а веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель поддерживает прогнозирование без дообучения на пользовательском ряде, работает с высокоразмерными, разреженными и нестационарными данными и допускает разные длины контекста и горизонты прогноза. Она выдаёт точечные прогнозы и оценки неопределённости на основе смеси распределений Стьюдента. По карточке, обучение включало более 2 трлн точек временных рядов: внутренние метрики Datadog, открытые наборы GIFT-Eval и Chronos, а также синтетические данные. Основной сценарий применения — прогнозирование метрик инфраструктуры и наблюдаемости; также модель подходит для других многомерных временных рядов. Для запуска README указывает пакет toto-ts и рекомендует xFormers и flash-attention для скорости и экономии памяти. Заявления о результатах на бенчмарках приведены в карточке, но сами численные метрики в ней отсутствуют.

Toto-Open-Base-1.0 — открытая базовая модель временных рядов, разработанная Datadog для прогнозирования многомерных данных, особенно метрик наблюдаемости. Это декодерный Transformer с 151 млн параметров; он обрабатывает ряды высокой размерности, разреженные и нестационарные данные, поддерживает переменные длины контекста и горизонта прогноза и может работать без дообучения на конкретном ряду. Модель выдаёт точечные прогнозы и оценки неопределённости с помощью смеси распределений Стьюдента. Для обработки многомерных рядов применяется пропорциональное факторизованное пространственно-временное внимание. По README, обучение включало более 2 трлн точек данных, в том числе метрики внутренних систем Datadog без клиентских данных, публичные наборы GIFT-Eval и Chronos, а также синтетические данные. Модель подходит для прогнозирования метрик и других многомерных временных рядов, в том числе в сценариях наблюдаемости. В README заявлены высокие результаты на GIFT-Eval и BOOM, но конкретные значения метрик не приведены. Модель распространяется по лицензии Apache-2.0.

Это компактная инструктивная модель Qwen2.5-Coder-0.5B-Instruct, дообученная автором репозитория burhan2753y для преобразования запросов на естественном языке в команды Bash для Linux и Ubuntu. Модель ориентирована на выдачу команды без разговорных пояснений и поставляется в формате GGUF для запуска, в частности, через Ollama и llama.cpp. Модель предназначена для генерации команд в задачах системного администрирования, DevOps и работы в терминале. В README приведены результаты на академическом наборе NL2Bash и на собственном наборе задач DevOps, облачных сервисов и системного администрирования; эти показатели относятся к тестам автора. Данных о размере контекста и поддерживаемых языках, кроме английского языка карточки, нет. Модель принимает текстовые запросы и генерирует текст команд. Она может ошибаться при неоднозначных или незнакомых запросах, а корректная Bash-синтаксическая форма сама по себе не гарантирует безопасное выполнение команды. Доступна по лицензии Apache-2.0.

Toto-2.0-313m — модель семейства Toto, разработанная Datadog для прогнозирования многомерных временных рядов. Это предварительно обученная модель на 352,3 млн параметров для задач прогнозирования, в том числе в сценариях наблюдаемости инфраструктуры; она поддерживает прогнозирование без дообучения на конкретном ряде. Модель построена на архитектуре patched transformer с декодером: слои внимания поочерёдно обрабатывают временную ось и переменные. Она поддерживает контекст и горизонт прогноза переменной длины, а также выдаёт точечные прогнозы и оценки неопределённости через квантильную выходную голову. Datadog сообщает о высоких результатах семейства на бенчмарках BOOM, GIFT-Eval и TIME. Для работы нужны числовые временные ряды; модель выдаёт прогнозы и связанные с ними оценки неопределённости. Лицензия — Apache-2.0. В README не перечислены конкретные ограничения применимости или гарантии качества для отдельных наборов данных; результаты на бенчмарках сами по себе не гарантируют точность на конкретном временном ряду.

Toto-2.0-4m — модель семейства Toto (Time Series Optimized Transformer for Observability), разработанного Datadog для прогнозирования временных рядов. Это чекпойнт с 3,7 млн параметров на PyTorch, сохранённый в формате safetensors и распространяемый по лицензии Apache-2.0. Модель предназначена для многомерного прогнозирования, в том числе рядов наблюдаемости, и поддерживает прогнозирование без дообучения на конкретном ряде. Она выдаёт точечные прогнозы и оценки неопределённости в виде квантилей, допускает разные длины контекста и горизонта. Архитектура — декодерный патчевый трансформер с чередованием внимания по временной и переменной осям; в версии Toto 2.0 применяются u-μP-масштабирование и параллельное декодирование за один проход. Версия на 4 млн параметров предназначена для сценариев с жёсткими ограничениями по задержке и памяти, включая развёртывание на периферийных устройствах и CPU. В README сообщается о сильных результатах семейства на BOOM, GIFT-Eval и TIME, однако конкретные результаты этого малого чекпойнта зависят от набора данных и условий прогноза. Модель принимает и выдаёт временные ряды; поддерживаемые естественные языки не заявлены.

Vinci-Cyber-30B-1.0 — диалоговая языковая модель компании SimpleDirect для задач кибербезопасности, прежде всего анализа и исправления Infrastructure as Code (IaC). Это дообученная версия IBM Granite 4.1 30B с плотной архитектурой GraniteForCausalLM и 28,9 млрд параметров. Модель принимает и генерирует текст, поддерживает контекст до 131 072 токенов и распространяется в формате Safetensors. Заявленная область применения — помощь специалистам при проверке изменений IaC и решений оставить конфигурацию без изменений; результаты требуют проверки человеком. README сообщает об оценке на задачах IaC и об отсутствии подтверждённой регрессии на ряде общих бенчмарков, но не утверждает превосходства в кибербезопасности в целом. Проверка CyberSOCEval для этой версии ещё выполнялась, а PatchEval-Verified не проводился. Лицензия — Apache-2.0.

Qwen-0.5B-Coder-El-Terminalo — компактная модель генерации команд оболочки, разработанная Albinab на основе Qwen2.5-Coder-0.5B-Instruct. Модель дообучена методом LoRA на 5 536 очищенных пар «запрос на естественном языке — команда» и предназначена для локального использования в El Terminalo, а также через Ollama или Transformers. Модель преобразует англоязычные запросы в одну shell-команду без объяснений, альтернатив и Markdown. Она ориентирована на Linux с bash и macOS с zsh и охватывает распространённые задачи Git, Docker, Kubernetes, работы с файлами, системного администрирования, сетевого взаимодействия, баз данных и управления пакетами. В обучении представлены 209 базовых команд. Размер модели — 0,5 млрд параметров; доступна квантованная версия Q8_0 в формате GGUF размером около 500 МБ, с потреблением 800 МБ–1 ГБ RAM при инференсе. Сильные стороны модели — малый размер, локальный запуск без API-ключей и передачи данных в облако, а также специализация на распространённых DevOps- и SRE-сценариях. Ограничения включают генерацию только одной команды за запрос, отсутствие поддержки многошаговых конвейеров и скриптов, возможные вымышленные флаги для редких команд и ограниченное покрытие нишевых инструментов. Механизм отказа для опасных команд обучен на небольшом числе примеров и не должен рассматриваться как надёжный механизм безопасности. Лицензия — Apache 2.0.

ShellWhisperer-1.5B — языковая модель, разработанная командой FableForge и дообученная на базе Qwen/Qwen2.5-1.5B-Instruct. Она предназначена для преобразования запросов на естественном языке в точные команды Bash, а также для сценариев, связанных с DevOps, системным администрированием и работой в терминале. Модель имеет размер 1,5 млрд параметров, поддерживает текстовую генерацию и английский язык. Для локального запуска доступны файлы в формате GGUF с различными уровнями квантования, включая F16, Q8_0, Q6_K, Q5_K_M, Q4_K_M и более компактные варианты. Заявлена совместимость с llama.cpp, Ollama и LM Studio; для диалогового взаимодействия используется формат ChatML. Контекстное окно в README не указано. К сильным сторонам относятся компактность, быстрота и специализация на генерации Bash-команд, благодаря чему модель может работать на устройствах с ограниченными ресурсами. Ограничения включают небольшой размер и узкую специализацию, а также отсутствие опубликованных количественных оценок качества и подробных сведений о данных обучения. Модель распространяется по лицензии Apache-2.0.

Toto-2.0-22m — модель прогнозирования временных рядов из семейства Toto, разработанного Datadog для многомерного прогнозирования, в том числе сценариев наблюдаемости. Это декодерный трансформер с патчевой обработкой временных рядов и чередованием внимания по временной оси и по переменным; модель содержит 22 млн параметров и распространяется в формате safetensors на библиотеке PyTorch. Модель предназначена для прогнозирования без дообучения на конкретном временном ряде. Она поддерживает несколько переменных, разные горизонты и длины контекста, а также выдаёт точечные прогнозы и оценки неопределённости в виде квантилей. В README сообщается о результатах семейства Toto 2.0 на бенчмарках BOOM, GIFT-Eval и TIME; отдельные результаты именно версии 22m не приведены. Лицензия — Apache-2.0.

LogLLM — дообученная модель семейства Llama 3, разработанная ZigZeug на базе Meta-Llama-3-8B. Она предназначена для анализа системных журналов: модель генерирует текстовые выводы по логам и помогает находить признаки проблем и возможные причины сбоев. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовый ввод; заявленная длина контекста — 8192 токена. Модель рассчитана на сценарии системного администрирования и диагностики по логам. Она доступна в формате safetensors для библиотеки Transformers и распространяется по лицензии Apache-2.0. В карточке не приведены результаты оценки качества или подробности о данных дообучения, поэтому точность диагностики и устойчивость на форматах логов, отличающихся от обучающих, не установлены.

Time-RCD — модель исследовательской лаборатории thu-sail-lab для обнаружения аномалий во временных рядах без дообучения на данных пользователя. Она принимает одномерный или многомерный временной ряд и вычисляет оценку аномальности для каждого момента времени. В репозитории опубликована модель архитектуры Time_RCD на 29,4 млн параметров в формате safetensors с реализацией, совместимой с Transformers; для инференса авторы рекомендуют API TimeRCDDetector. Модель использует синтетические данные и относительное расхождение контекста для zero-shot-детектирования. В карточке приведены результаты на бенчмарке TSB-AD: VUS-PR 0,52 для одномерного и 0,32 для многомерного сценария. Модель предназначена для поиска аномальных участков во временных рядах, в том числе когда для конкретного ряда нет размеченных примеров и отдельное обучение нежелательно. Она подходит для мониторинга датчиков, метрик и других последовательных измерений, если их можно представить как одномерный или многомерный ряд. Языковой ввод не описан; задача относится к временным рядам. Модель распространяется по лицензии Apache-2.0. README не сообщает длину контекста и не описывает ограничения качества за пределами результатов на указанном бенчмарке.

Cinimod DevOps 300M — компактная причинно-авторегрессионная языковая модель семейства Llama, разработанная dkudos и обученная с нуля на корпусе по DevOps и системному администрированию. Модель содержит около 287,3 млн параметров, использует контекст до 4096 токенов и предназначена для помощи с DevOps-инструментами, операционной документацией и локального запуска на небольших ресурсах. Модель обучалась один проход по специализированному корпусу объёмом около 540 млн токенов. Она генерирует продолжение текста и не имеет встроенного шаблона чата. Для запуска доступны веса Safetensors и файлы GGUF в форматах F16 и Q8_0; GGUF рассчитан на llama.cpp. Для загрузки Safetensors требуются пользовательские классы архитектуры Cinimod. Лицензия — Apache-2.0. Из-за небольшого размера и обучения на узком доменном корпусе модель может быть полезна для типовых DevOps-подсказок, но её общие знания и связность ответов ограничены. Указанный в README контекст 256K достигается масштабированием RoPE при запуске; обучение проводилось с длиной последовательности 4096 токенов.

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.

Toto-2.0-1B — модель из семейства Toto, разработанного Datadog для прогнозирования многомерных временных рядов. Чекпойнт содержит 1,2 млрд параметров; семейство обучено по единому рецепту и предназначено для прогнозов в задачах наблюдаемости и общего назначения. Лицензия — Apache-2.0. Модель использует декодерный трансформер с патчами и чередующимися слоями внимания по временной оси и по переменным. Она поддерживает прогнозирование без дообучения на конкретном ряде, переменные горизонты и контексты, а также выдаёт точечные прогнозы и оценки неопределённости через квантильную выходную голову. В README заявлены высокие результаты на бенчмарках BOOM, GIFT-Eval и TIME. Для инференса доступен пакет toto-models; веса опубликованы в формате safetensors. Модель рассчитана на числовые временные ряды, а не на текстовые запросы; для практического применения нужны подготовленные данные рядов и совместимый код инференса.

CloudOpsBERT — дообученная модель DistilBERT от автора проекта CloudOpsBERT для выявления аномалий в журналах облачной и распределённой инфраструктуры. Она классифицирует отдельные строки логов как нормальные или аномальные; в репозитории есть варианты, обученные на данных HDFS и BGL. Модель предназначена для мониторинга надёжности систем и раннего обнаружения сбоев по логам, а также для экспериментов и рабочих сценариев AIOps. Это компактный текстовый классификатор на архитектуре DistilBERT с контекстом до 512 токенов. Для HDFS в README приведены F1 0,571, точность 0,992 и полнота 0,401 при пороге 0,50; порог можно настраивать. Качество заметно снижается при переносе между доменами, поэтому результаты на одном типе логов не гарантируют аналогичной эффективности на других. Модель распространяется по лицензии Apache-2.0.

Nautilus — небольшая языковая модель Loke-60000 для составления команд по запросам на естественном языке. Она предназначена для помощи с терминалом в Linux и macOS, а также с PowerShell в Windows. Модель формирует один ответ за ход: команду для выполнения задачи, `ANSWER:` если задача завершена или требуется объяснение, либо `UNCLEAR:` если запрос неоднозначен или предположение может быть опасным. После передачи вывода команды может предложить следующий шаг. В метаданных указаны архитектура Qwen3.5 Text, класс Qwen3_5ForCausalLM, 581,4 млн параметров и контекст 262 144 токена; карточка округляет размер до 0,8 млрд параметров. Репозиторий содержит веса safetensors, а варианты GGUF доступны в отдельном репозитории. Модель рассчитана на английский язык и имеет интерфейс чата, но не является универсальным собеседником: она не выполняет команды, не предназначена для написания произвольного текста и может ошибаться в редких флагах. Лицензия — Apache-2.0.

DevOps-Model-7B-Chat — чат-модель CodeFuse AI для ответов на вопросы на протяжении жизненного цикла DevOps. Она основана на семействе Qwen: модель дополнительно обучали на китайском DevOps-корпусе, а затем согласовали на данных «вопрос–ответ» по DevOps. Размер модели — 7 млрд параметров; архитектура плотная, QWenLMHeadModel, контекст — 6144 токена. Модель предназначена для помощи инженерам с вопросами по DevOps, включая темы компьютерных наук и безопасности. В опубликованной оценке на 574 тестовых вопросах DevOps она получила 62,20 балла в режиме Zero-shot и 64,11 в режиме Five-shot; эти результаты относятся к указанному набору тестов. Карточка описывает китайскую специализацию модели. Модель доступна в форматах PyTorch и safetensors. Указана лицензия other, поэтому условия её использования следует проверять в материалах проекта. Разработчики предупреждают о возможных галлюцинациях и дискриминационных высказываниях; перед применением ответы следует проверять.

DGPL Linux Assistant 0.8B — компактный диалоговый помощник для Linux и DevSecOps, разработанный командой DevSecOps and AI Systems компании Durbhasi Gurukulam Private Limited. Это дообученная модель Qwen3.5-0.8B с плотной архитектурой Qwen3_5ForConditionalGeneration; репозиторий содержит версии GGUF в нескольких вариантах квантизации и веса safetensors. Модель предназначена для генерации команд bash, диагностики Linux без интерактивного взаимодействия и первичного разбора системных журналов. Она также поддерживает анализ снимков экрана терминала и OCR диагностику логов. В карточке заявлена работа на CPU и обычном оборудовании, включая быстрый режим выдачи команд; отдельно описан сценарий использования через Ollama. Лицензия — GPL-3.0. Это небольшая модель, поэтому сложные многоэтапные диагностики и команды, затрагивающие систему, требуют проверки человеком. README не приводит тестовых результатов, подтверждающих скорость или точность заявленных возможностей.

Jazari-4B-SFT-TR — модель на 4 млрд параметров семейства Qwen3.5, разработанная автором репозитория mahsum и адаптированная для турецкого языка. Она прошла продолженное предобучение на турецких текстах и дообучение с учителем на 73 182 примерах из 13 категорий. Модель предназначена для диалогов, классификации, анализа системных журналов и формирования структурированных ответов; автор сообщает о применении в мониторинге Linux и поддержке интерфейса вызова инструментов. В тестах автора модель показала хорошую связность на турецком и стабильное создание JSON для задач классификации при структурированном запросе и temperature=0. Скорость и потребление памяти в карточке указаны как результаты конкретных конфигураций и не гарантируют такие же показатели в других средах. Известные ограничения включают чрезмерную уверенность, слабую точность на специализированных категориях без дополнительного обучения, ненадёжный перевод с турецкого на английский и более низкий результат по математике, чем у базовой модели. Лицензия — Apache-2.0.

Vinci Cyber 123B 1.0 — модель с открытыми весами, дообученная в Канаде компанией SimpleDirect на Mistral Devstral 2 123B Instruct. Это плотный авторегрессионный трансформер Ministral3ForCausalLM на 123,4 млрд параметров с контекстом до 262 144 токенов; модель работает с текстом и поддерживает диалоговый режим. Она предназначена для защитного анализа инфраструктуры и кода: проверяет конфигурации, предлагает адресные исправления и старается сохранять уже корректные настройки. В карточке указаны сценарии с Terraform, Kubernetes и облачными конфигурациями. В описанных узких тестах модель сохранила без изменений 24 из 24 корректных конфигураций и прошла офлайн-проверку схемы для 18 предложенных исправлений из 24. Это результаты ограниченных наборов и отдельных запусков, а не оценка надёжности в реальной эксплуатации; преимущество в качестве исправлений не подтверждено для всех наборов. Модель может пропускать ошибки, менять правильные настройки и предлагать некорректные или небезопасные правки, включая маскировку секрета вместо его удаления. Результаты следует проверять независимыми средствами и человеком; модель не заменяет сканер безопасности. Веса распространяются по Modified MIT License с условием, связанным с выручкой.

Nemotron-Terminal-32B — языковая модель NVIDIA для автономной работы в терминале. Это плотная causal language model семейства Qwen3 с 29,7 млрд параметров, дообученная для задач терминального взаимодействия. Модель принимает текстовое описание задачи и сведения о состоянии терминала, а в ответ формирует структурированный JSON с анализом, планом и последовательностью нажатий клавиш и команд. Модель предназначена для запуска командной строки и выполнения многошаговых задач в терминале, включая сценарии оценки Terminal-Bench 2.0. В README для варианта 32B указана точность 27,4% на этом бенчмарке; для согласованной оценки рекомендуется оболочка Terminus 2, на которой проводилось обучение. Поддерживается контекст до 40 960 токенов. Модель рассчитана на английский язык. Это дообученная версия Qwen3-32B; в репозитории указаны веса safetensors для библиотеки Transformers. Лицензия обозначена как other, поэтому условия использования следует сверять с карточкой модели и сопровождающими лицензиями. Ответы модели могут содержать некорректные команды или планы, поэтому их следует проверять перед выполнением.

Это экспериментальный чекпойнт Grug 67B, дообученный командой Marin на корпусе Nemotron Terminal и опубликованный в формате BF16 для Hugging Face и vLLM. Модель создана для диалогового взаимодействия и выполнения задач в терминале; метаданные также указывают интерфейс вызова инструментов. Это причинная языковая модель семейства Grug MoE с архитектурой mixture-of-experts и 2,8 млрд параметров. Контекстное окно — 32 768 токенов. Обучение началось с Grug 67B stage-2 thinking checkpoint на шаге 630 и продолжалось 1 888 шагов на данных Nemotron Terminal Corpus. Модель оценивали в кампании воспроизведения OpenThoughts-TBLite с помощью Terminus-2, однако результаты оценки хранятся отдельно, поэтому качество выполнения конкретных задач из карточки установить нельзя. Лицензия — Apache-2.0.

Carnice-9b — текстовая генеративная модель от kai-os, созданная на базе Qwen/Qwen3.5-9B и настроенная для работы с Hermes Agent. Это самостоятельный объединённый чекпойнт, который загружается без отдельного PEFT-адаптера; модель имеет плотную архитектуру Qwen3_5ForCausalLM и содержит 7,2 млрд параметров. Заявленная длина контекста — 262 144 токена. Модель предназначена для агентных сценариев в среде Hermes: вызова инструментов, выполнения команд в терминале, работы с файлами, использования браузера и многошагового выполнения задач. Обучение включало этап коррекции рассуждений и этап настройки на формат действий и трассы Hermes. Основной упор сделан на качество выполнения задач в этой среде, а не на общие чат-бенчмарки. Модель принимает текст и генерирует текст, включая структурированные вызовы инструментов для совместимого рантайма. Данные карточки не подтверждают поддержку русского или других конкретных естественных языков, поэтому языковая специализация не заявляется. Распространяется по лицензии Apache-2.0. Оценивание в основном проводится внутри Hermes Agent; карточка отмечает, что оценка качества ещё продолжается.