II.7DevOps, облако и эксплуатация IT-систем

Это небольшой инженерный тестовый артефакт, созданный Guilherme Monteiro (FIAP): случайно инициализированный чекпойнт Llama, обученный на шести шагах на восьми синтетических документах на бразильском португальском языке. Он предназначен для проверки локального обучения с нуля, имитации прерывания и возобновления процесса, целостности, экспорта и загрузки модели. Веса опубликованы в формате safetensors; в метаданных указано 120,8 тыс. параметров, архитектура LlamaForCausalLM и контекст длиной 64 токена. README приводит конфигурацию из 149 696 параметров, что расходится с метаданными. Лицензия — Apache-2.0. Модель не предназначена для осмысленной генерации текста, оценки качества, прикладных задач или научных выводов. Проверка восстановления охватывает только имитацию прерывания внутри процесса и не подтверждает возобновление после перезапуска процесса, узла или планировщика. Качество, безопасность и извлечение запомненных данных формально не оценивались; из-за малого обучающего набора возможно воспроизведение фраз из него. Опубликованный артефакт служит для проверки совместимости загрузки, а размещённый инференс отключён.

tiny-random/qwen3-next-moe — небольшая случайно инициализированная языковая модель для генерации текста, созданная на основе конфигурации Qwen/Qwen3-Next-80B-A3B-Instruct. Репозиторий предназначен прежде всего для отладки совместимости и тестирования инфраструктуры, а не для практического применения или получения качественных ответов. Модель реализует архитектуру Qwen3-Next с комбинацией линейного внимания и обычного self-attention, разреженным MoE-блоком на 32 эксперта и выбором 10 экспертов для каждого токена, а также поддержкой multi-token prediction. В конфигурации указаны 4 скрытых слоя, размер скрытого представления 8, размер промежуточного представления 32 и тип данных bfloat16. Максимальный контекст в примерах запуска составляет 262144 токена. Поддерживаются Transformers, vLLM и SGLang; используется токенизатор базовой модели Qwen3-Next. Поскольку веса модели случайно инициализированы, она не обучена и не предназначена для осмысленной генерации, инструкционного следования, оценки качества, перевода или прикладного использования. Её сильная сторона — возможность воспроизводимо проверять загрузку, генерацию, speculative decoding и интеграцию с совместимыми инструментами при минимальном размере. Лицензия в предоставленных данных не указана.

TitanML/tiny-mixtral — тестовая модель семейства Mixtral с архитектурой смеси экспертов (MoE), представленная в формате safetensors и содержащая 60 млн параметров. По README, веса случайные: модель не обучалась и предназначена для тестирования и CI/CD, а не для генерации полезных ответов или применения в пользовательских системах. Метаданные указывают задачу генерации текста и контекст до 131 072 токенов. Однако случайная инициализация делает модель непригодной для содержательного вывода, несмотря на заявленную архитектуру и контекст. Сведения о лицензии в предоставленных данных отсутствуют.

tiny-random/apertus — экспериментальная компактная модель для отладки, созданная на основе конфигурации swiss-ai/Apertus-70B-Instruct-2509. Модель случайно инициализирована и не предназначена для получения качественных содержательных ответов. Это causal language model для генерации текста, совместимая с Transformers и vLLM. Архитектура включает 2 decoder-слоя, скрытый размер 8, 8 attention-голов, 4 key-value головы, размер промежуточного слоя 32 и словарь на 131 072 токена. В README не указаны поддерживаемые языки, максимальная длина контекста и дополнительные модальности; по доступным данным модель работает только с текстом. Главное преимущество модели — минимальный размер и пригодность для тестирования загрузки, инференса, шаблонов диалога и интеграции с Transformers или vLLM на недорогих ресурсах. Существенное ограничение — случайная инициализация параметров, поэтому модель не обладает практической языковой компетентностью и не подходит для продуктивной генерации, обучения прикладных систем или оценки качества. Лицензия в README не указана.

tiny-random/minicpm5 — экспериментальная компактная модель для отладки, созданная на основе конфигурации openbmb/MiniCPM5-1B. Модель имеет случайно инициализированные веса и не предназначена для получения качественных осмысленных ответов или использования в прикладных системах. Модель поддерживает генерацию текста через Transformers и архитектурно представлена как LlamaForCausalLM с двумя decoder-слоями, размером скрытого представления 16, промежуточным размером 64, 16 attention heads и 2 key-value heads. Размер файла model.safetensors составляет около 8,4 МБ. В README не указаны точные языки, поддерживаемые модальности и максимальная длина контекста. Основное преимущество модели — минимальный размер, что удобно для тестирования загрузки, конфигураций и интеграций в Transformers на ограниченных ресурсах. Главные ограничения — случайная инициализация весов и, как следствие, отсутствие заявленной практической полезности, а также необходимость использования trust_remote_code. Лицензия в предоставленных данных не указана.

Salience-27B-R5 — плотная мультимодальная модель на 27,8 млрд параметров от Vection Labs, дообученная на архитектуре Qwen3.8. Она принимает текст, изображения и видео и генерирует текст; заявленное контекстное окно — 1 048 576 токенов. Модель предназначена прежде всего для инженерных задач: написания и отладки кода, работы с большими репозиториями, проектирования систем, многошаговых задач в терминале и количественных рассуждений. Также она может анализировать скриншоты, диаграммы и документы в технических сценариях. Рассуждение включено по умолчанию, а глубина должна подстраиваться под сложность запроса; для трудных задач можно задавать повышенный уровень reasoning effort. В карточке заявлены плотная обработка всех параметров на каждом токене, гибридное линейное и полное внимание и MTP-голова для ускоренного декодирования. Модель ориентирована на английский язык. Выпущена под лицензией Apache-2.0 и доступна для Transformers. Модель может выдумывать API и факты, особенно при неоднозначных запросах; сгенерированный код следует проверять перед запуском. Отказное поведение снижено, встроенного фильтра контента нет, поэтому защитные правила нужно задавать в приложении. Для критически важных решений, а также медицинских, юридических и финансовых рекомендаций требуется проверка человеком.

Salience-27B-R6 — мультимодальная плотная модель на 27,8 млрд параметров от Vection Labs, созданная на базе Qwen/Qwen3.8-27B и дообученная для инженерных задач. Она принимает текст, изображения и видео и выдаёт текст; поддерживает контекст до 1 048 576 токенов. Гибридный стек линейного и полного внимания, MTP-голова и режим рассуждений, встроенный в веса, рассчитаны на эффективную генерацию и решение сложных задач. Модель предназначена прежде всего для генерации, объяснения, отладки и проверки кода, изменений в масштабах репозитория, работы через терминальные инструменты, проектирования систем и количественных рассуждений. Она также анализирует схемы, скриншоты, документы и видео в инженерных сценариях; предусмотрен интерфейс вызова инструментов. Лицензия — Apache-2.0. Модель может выдумывать API и факты при недостатке контекста, а длинный вложенный Python-код может содержать ошибки отступов; сгенерированный код следует проверять перед запуском. Умеренный уровень рассуждений по умолчанию может давать более короткие цепочки на сложных задачах, а сниженное число отказов требует собственных ограничений на уровне приложения. Для работы с инструментами README указывает на необходимость актуального Transformers и применения шаблона чата модели.

Secrets Sentinel small-v1 — англоязычная модель классификации текста от hypn05, дообученная на базе microsoft/deberta-v3-small для обнаружения секретов в строках и фрагментах кода. Она определяет, содержит ли текст секретные данные, например ключ AWS, и отличает их от безопасных примеров переменных окружения и фиктивных значений. Модель предназначена для проверок кода и конфигураций в процессах DevSecOps, включая pre-commit, pre-receive hooks и GitHub Actions. Архитектура DeBERTa V3 Small с классификационной головой содержит около 155 млн параметров по метаданным и принимает до 512 токенов. README сообщает о дообучении на 37 866 размеченных примерах и сопоставимой с базовой моделью точности в девяти тестовых сценариях, а также о скорости примерно в 3,5 раза выше базовой версии. Модель распространяется по лицензии MIT. Заявленные результаты ограничены описанными тестовыми сценариями; полный набор метрик для этой версии в карточке не приведён.

GPT-5.6 Sol — флагманская модель серии GPT-5.6 от OpenAI. Она предназначена для сложных рассуждений, программирования и агентных сценариев. Модель особенно хорошо подходит для задач в командной строке и многоэтапной разработки: например, для анализа задачи, планирования изменений и подготовки кода. Данных об архитектуре, размере, модальностях, поддерживаемых языках и контексте в предоставленной карточке нет. Карточка также не сообщает лицензионные условия.

richardyoung/mythos-9b-merged-heretic — модель для генерации текста и диалогов, созданная Richard Young на основе Qwen3-9B. Это декензурированная версия Mythos-9B, полученная с помощью Heretic v1.4.0; исходная Mythos-9B дообучалась на 47 824 примерах с трассами использования инструментов, командами оболочки, генерацией кода и многошаговыми рассуждениями. Модель поддерживает режим thinking и рассчитана на агентные сценарии с вызовом инструментов. Репозиторий содержит веса в формате safetensors. Контекст модели составляет 40 960 токенов, размер — 7,6 млрд параметров; в карточке указан английский язык. В сравнении с исходной Mythos-9B автор приводит 7 отказов из 100 проверок против 79 из 100 у исходной модели, а также низкую KL-дивергенцию 0,0211. Эти результаты описывают приведённые автором проверки и не гарантируют качество в других задачах. Модель распространяется по лицензии Apache 2.0.

Secrets Sentinel xsmall-v1 — компактная модель классификации текста от hypn05, созданная дообучением microsoft/deberta-v3-xsmall для обнаружения секретов и учётных данных в строках кода и конфигурациях. Она присваивает строке метку «секрет» или «безопасно» и предназначена для проверок в pre-commit, pre-receive hooks и GitHub Actions, а также для сканирования репозиториев. Модель основана на архитектуре DeBERTa-v3-xsmall, имеет около 77,5 млн параметров по метаданным и контекст до 512 токенов. В README указаны 3 слоя вместо 12 у базовой модели, дообучение на размеченных примерах и примерно в 4,3 раза более высокая скорость относительно базовой версии; заявлена одинаковая точность на девяти тестовых сценариях, однако подробные значения F1 и числа ложных срабатываний для этой версии не приведены. Поддерживаемый язык карточки — английский. Модель распространяется по лицензии MIT.

CrowdMind / Dustin Loring разработали CrowdMind/Qwen3.5-9b-pro — мультимодальную плотную модель семейства Qwen3.5 на 9 млрд параметров, полученную supervised fine-tuning модели Qwen/Qwen3.5-9B. Она предназначена для агентных сценариев, генерации и редактирования кода, работы с инструментами и терминалом, автоматизации и общих рассуждений. Модель принимает текст, изображения и видео через процессор и специальный шаблон чата; шаблон также позволяет настраивать уровень рассуждений или отключать их. Для инференса в карточке приведены инструкции по использованию Transformers и SGLang. В опубликованных авторами результатах SFT-чекпойнт превосходит исходную Qwen3.5-9B в приведённых метриках SWE Pro, AutomationBench и Terminal Bench. Эти результаты не гарантируют качество на конкретных задачах: модель может ошибаться или давать чрезмерно уверенные ответы, неверно интерпретировать изображения и пропускать детали видео. Вызовы инструментов и сгенерированный код требуют проверки; длинные диалоги ограничены доступным контекстом. Лицензия — MIT.

NVIDIA-Nemotron-3-Super-120B-A12B-FP8 — большая языковая модель, разработанная NVIDIA Corporation. Она предназначена для агентских рабочих процессов, рассуждений, диалогового взаимодействия, использования инструментов, RAG-сценариев и высоконагруженных задач, включая автоматизацию обработки IT-заявок. Модель поддерживает генерацию текста, text-to-text, image-to-text, reasoning и tool-calling. Модель имеет 120 млрд параметров, из которых 12 млрд активны при обработке запроса. Архитектура LatentMoE объединяет Mamba-2, Mixture of Experts и механизмы attention, а также использует Multi-Token Prediction. Максимальная длина контекста составляет до 1 млн токенов. Поддерживаются английский, французский, немецкий, итальянский, японский, испанский и китайский языки. Режим рассуждений можно включать или отключать через параметр chat template enable_thinking. К сильным сторонам относятся поддержка длинного контекста, агентских сценариев, вызова инструментов и масштабируемой обработки больших объёмов запросов. Для развёртывания требуется минимум 2 GPU H100 с 80 ГБ памяти каждый; README также не содержит подробных результатов оценки, поэтому качество в конкретных прикладных задачах следует проверять отдельно. Модель распространяется по лицензии NVIDIA Nemotron Open Model License.

Secrets Sentinel v5.0.0 — модель классификации текста, разработанная авторами репозитория hypn05 и дообученная на базе microsoft/deberta-v3-base. Она анализирует строки кода и конфигурационных файлов, чтобы выявлять вероятные секреты, включая пароли, API-ключи, токены и другие учётные данные, в том числе без известных регулярных шаблонов. Модель предназначена для встраивания в CI/CD, pre-commit hooks, проверки Git diff и сканеры кода; примеры используют Transformers и PyTorch. Архитектура — DeBERTa-v3-base для классификации последовательностей, около 211,6 млн параметров; метаданные указывают английский язык и контекст до 512 токенов. В примерах строки обрезаются до 128 токенов, а порог уверенности задаёт вызывающий код. В README заявлены F1 0,9999 и precision 1,0, однако описание набора оценки и независимая проверка этих показателей не приведены. Модель классифицирует отдельные текстовые строки и может давать ложные срабатывания или пропускать секреты; порог следует подбирать под рабочий процесс. Лицензия — MIT.

hypn05 разработала Secrets Sentinel xsmall-c2p-v1 — экспериментальную англоязычную модель для бинарной классификации строк кода и конфигураций на наличие секретов. Она основана на microsoft/deberta-v3-xsmall и дообучена на наборе data_v10. Архитектура DeBERTa-v2 для классификации последовательностей использует только компонент позиционного внимания c2p; модель содержит 77,5 млн параметров по метаданным, а длина контекста составляет 512 токенов. Модель предназначена для поиска ключей и других секретов в репозиториях, например в проверках pre-commit, GitHub Actions и pre-receive hooks. В README заявлена скорость примерно в 5,3 раза выше базового варианта, однако на коротких идентификаторах Terraform отмечены ложные срабатывания. Автор рекомендует использовать эту версию для исследований и сравнения скорости, а для production — xsmall-v1. Лицензия MIT.

Carnice-27b — дообученная и объединённая в самостоятельный чекпойнт модель kai-os на базе Qwen/Qwen3.5-27B. Это плотная авторегрессионная языковая модель с 22,3 млрд параметров, предназначенная для диалогов в стиле Hermes-Agent, рассуждений и многошаговой работы с инструментами. В README описаны сценарии работы с терминалом, файлами, браузером, репозиториями и отладкой; модель загружается как отдельный чекпойнт без исходного адаптера. Метаданные указывают контекст до 262 144 токенов и формат safetensors. Модель распространяется по лицензии Apache-2.0. Для неё пока не приложены воспроизводимые результаты бенчмарков.

Ornith-1.5-9B — плотная языковая модель примерно на 9 млрд параметров, разработанная командой Ornith AI. Она относится к семейству Ornith-1.5 и распространяется в формате MLX для задач генерации текста. Модель создана с применением подхода непрерывного самоулучшения: она совместно оптимизирует генерацию учебных задач, построение scaffolds и rollouts решений с использованием reinforcement learning, вместо опоры только на фиксированный набор вручную подготовленных задач. Модель предназначена для программирования, работы с терминалом, решения инженерных задач и других сценариев генерации текста. По заявленным результатам она показывает сильные показатели в Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro и SWE-bench Multilingual; например, результаты составляют 46,2 и 47 баллов в двух конфигурациях Terminal-Bench 2.1, 70,6 в SWE-bench Verified и 47,5 в SWE-bench Pro. Разработчик позиционирует её как наиболее лёгкую модель семейства, рассчитанную на эффективное развёртывание на одной GPU. Ключевые ограничения связаны с неполнотой доступной карточки: в README не указаны размер контекста, точный набор поддерживаемых языков, дополнительные модальности, конкретная базовая архитектура и лицензия. Для мобильных устройств упомянут отдельный квантизованный вариант Ornith-1.5-9B-Mobile, однако описываемая модель предназначена прежде всего для развёртывания на одной GPU.

Qwen3.8-27B-Uncensored-Mythos-Class-Agentic — производная 27-миллиардная плотная модель семейства Qwen, созданная на основе OBLITERATUS/Qwen3.8-27B-OBLITERATED и объединённая с Qwen/Qwen3.8-27B. Разработчик позиционирует её как конфигурацию для диалогов и агентных сценариев с вызовом инструментов; в README заявлены исправленный шаблон чата, поддержка интерфейсов Hermes Agent, Aider и OpenCode, разбиение задач на иерархические этапы и протокол самопроверки рассуждений. В README заявлено контекстное окно 131 072 токена и генерация до 16 384 токенов за один ответ. Указаны гибридная архитектура Mamba SSM и линейного внимания, а также варианты весов BF16, FP8 и AWQ в формате Safetensors; метаданные подтверждают dense-архитектуру семейства Qwen3.5 и наличие интерфейса вызова инструментов. Карточка описывает специализацию на программировании, системных задачах и кибербезопасности, но не предоставляет независимой проверки заявленных оценок и характеристик. Поддерживаются английский, китайский и арабский языки по карточке модели. Лицензия — Apache-2.0.

MaTE X Privacy Sentinel v0.1 — дообученная Enosis Labs модель OpenAI Privacy Filter для локального обнаружения и маскирования персональных данных и секретов в тексте. Она предназначена для фильтрации конфиденциальных строк, в том числе учетных данных и параметров подключения, перед их сохранением или передачей. Модель использует архитектуру MoE, содержит 145,4 млн параметров и рассчитана на контекст до 131 072 токенов. Это модель для разметки токенов на базе Transformers; в README приведены span F1 0,9956 на валидации и 0,9894 на тесте. Доступны веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Она служит вспомогательным средством защиты конфиденциальности и не гарантирует соответствие требованиям; перед применением в production рекомендуется провести собственную проверку на контрольных примерах.

Карточка модели shaffhausenquant/OpenThinkerAgent-32B-SFT-316 на Hugging Face совпадает с карточкой trinityomnis/OpenThinkerAgent-32B-SFT-316, поэтому описание составлено по ней. OpenThinkerAgent-32B-SFT-316 — дообученная командой OpenThoughts-Agent модель на основе Qwen/Qwen3-32B. Она обучена методом full-parameter SFT на 316 примерах траекторий агента и предназначена для диалоговой работы с задачами программной инженерии, командной строкой и техническими вопросами. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 29,7 млрд параметров и принимает текстовый ввод с контекстом до 40 960 токенов. В README приведены результаты оценки в среде terminus-2: модель показала 16,3 на SWE-Bench-Verified-100, 24,2 на OpenThoughts-TBLite и 13,1 на Terminal-Bench 2.0; оценки получены как pass@1, усреднённый по трём случайным прогонам. Модель распространяется в формате safetensors по лицензии Apache-2.0.

OpenThinkerAgent-32B-SFT-316 — дообученная командой OpenThoughts-Agent модель на основе Qwen/Qwen3-32B. Она обучена методом full-parameter SFT на 316 примерах траекторий агента и предназначена для диалоговой работы с задачами программной инженерии, командной строкой и техническими вопросами. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 29,7 млрд параметров и принимает текстовый ввод с контекстом до 40 960 токенов. В README приведены результаты оценки в среде terminus-2: модель показала 16,3 на SWE-Bench-Verified-100, 24,2 на OpenThoughts-TBLite и 13,1 на Terminal-Bench 2.0; оценки получены как pass@1, усреднённый по трём случайным прогонам. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Ornith-1.0-35B-NVFP4-MTP-GGUF — квантизированная версия модели Ornith-1.0-35B от команды DeepReinforce, упакованная в единый формат GGUF для llama.cpp. Исходная модель дообучена с применением reinforcement learning поверх Qwen3.5-35B-A3B и ориентирована на агентное программирование, рассуждения и работу с инструментами. Модель генерирует блок reasoning_content перед финальным ответом и демонстрирует конкурентные результаты с Qwen3.6-35B-A3B и Gemma 4-31B на Terminal-Bench 2.1, SWE-bench Verified/Pro и Claw-eval. Архитектура — Qwen3.5 MoE с 40 слоями, 256 экспертами и hidden size 2048; всего около 35 млрд параметров, из которых активны примерно 3 млрд. В представленном файле используется NVFP4-квантизация экспертных 3D-тензоров с блоками по 16 элементов, Q8_0 для ряда линейных и чувствительных тензоров, а также MTP-голова, перенесённая из Qwen3.6-35B-A3B. Размер файла составляет 19,85 GiB (21,31 GB), средняя плотность — около 4,80 bpw. Мультимодальный словарь сохранён, но vision tower в GGUF не включена, поэтому модель предназначена для текстовой генерации. Главное преимущество варианта — поддержка draft-mtp speculative decoding, обеспечивающая заявленное ускорение декодирования примерно в два раза по сравнению с версией без MTP. NVFP4 рассчитан на NVIDIA Blackwell и использует преимущества их tensor cores; целевые платформы включают RTX PRO 6000 и DGX Spark (GB10). Ограничение — формат NVFP4 требует совместимого оборудования Blackwell и не предназначен для универсального запуска на более старых GPU. Модель распространяется по лицензии MIT.

OpenIntelligenceNet заявляет, что это плотная инструктивная языковая модель семейства LFM2 примерно с 2,4 млрд параметров. Она дообучена на базе huihui-ai/Huihui-LFM2-2.6B-Exp-abliterated на синтетических диалоговых данных; в карточке указаны направления обучения: программирование и системные задачи, рассуждения и кибербезопасность. Модель предназначена для генерации текста и диалогов, в том числе для технических вопросов и работы на устройствах с ограниченными ресурсами. Метаданные указывают контекст до 128 000 токенов, формат весов safetensors и интерфейс чата с поддержкой вызова инструментов. README приводит иное значение контекста — 2 048 токенов — и описывает обучение на 200 000 примерах, но не раскрывает данные полностью. В тегах указан английский язык. Модель распространяется по лицензии Apache-2.0. README сообщает об удалении отказов и защитных шаблонов, поэтому модель может отвечать на запросы, от которых другие модели отказываются; это также означает, что она не подходит для сценариев, требующих надёжных встроенных ограничений безопасности.

Horizon Labs разработала PII Redactor Small — компактную модель на 141 млн параметров для обнаружения и разметки персональных данных и секретов в тексте перед передачей в журналы, запросы к LLM, обучающие наборы или внешние API. Это дообученная для token classification модель архитектуры ModernBERT на базе jhu-clsp/mmBERT-small; она распознаёт 29 типов сущностей, включая имена, контакты, адреса, государственные и финансовые идентификаторы, пароли, API-ключи и сетевые идентификаторы. Модель рассчитана на многоязычную фильтрацию текста и интеграцию с Transformers, Presidio и LLM Guard. Веса доступны в форматах Safetensors и ONNX; заявлены работа на CPU и использование через transformers.js в браузере и на периферийных устройствах. Контекст составляет до 8192 токенов. README заявляет поддержку более 30 языков, включая русский; метаданные перечисляют языки от en до zh, ja, ko и других. Результаты на внешних тестах неоднородны: модель показывает полезное качество, но не лидирует на каждом наборе. Большая часть обучающих данных синтетическая; необычные форматы и языки вне обучающего набора могут снижать полноту обнаружения. Модель не гарантирует анонимизацию, может избыточно скрывать даты и не помечает некоторые чувствительные атрибуты, например религию и состояние здоровья. Лицензия — Apache-2.0.

Qwen3.5-9B-Kimi-k3-Distilled — дообученная модель семейства Qwen3.5, созданная KhazarAI на базе unsloth/Qwen3.5-9B с дистилляцией поведения Kimi K3. Она ориентирована на агентные задачи, программирование и отладку: выбирает вызовы инструментов для проверки файлов и состояния среды, поддерживает многошаговое планирование, отслеживание состояния и циклы сборки, проверки и исправления. Архитектура плотная, мультимодальная, с 9 млрд параметров; карточка описывает поддержку работы с изображениями и интерфейса вызова инструментов. В датасете представлены англоязычные инструкции, код на нескольких языках программирования и сценарии Bash. Модель подходит для агентов, которые исследуют репозитории, автоматизируют работу в командной строке, исправляют ошибки и диагностируют сбои CI. В README также указано применение в качестве базовой модели или контрольного варианта для SFT и дистилляции. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Для сценариев выполнения команд рекомендуется изолированная среда; модель не предназначена для творческой генерации без обратной связи от среды.

Qwopus3.6-27B-v2-MTP — мультимодальная модель для работы с текстом и изображениями, разработанная Jackrong на основе Qwen3.6-27B. Модель дообучена на наборах данных Claude Opus TraceInversion и ориентирована на реконструированное пошаговое рассуждение, программирование, DevOps, математику, научные задачи, работу с инструментами и генерацию текста в заданном формате. Модель содержит около 27 миллиардов параметров и использует Multi-Token Prediction (MTP), предназначенный для ускорения генерации и speculative decoding, особенно в длинных рассуждениях, программном коде и математических запросах. Заявлена поддержка текстово-изобразительных сценариев; среди языков указаны английский, китайский, корейский, русский, японский и испанский. Точная длина контекста в README не указана. К сильным сторонам относятся акцент на структурированном рассуждении, кодировании, DevOps и математических выводах, а также потенциально более высокая скорость генерации благодаря MTP. Модель тестировалась на локальном наборе из 30 вопросов по логике, программированию, DevOps, математике и пограничным сценариям, однако широкие независимые бенчмарки и подробные числовые результаты не представлены. Для использования могут потребоваться совместимые реализации MTP и speculative decoding; формат GGUF ориентирован, в частности, на llama.cpp. Лицензия — Apache-2.0.

AnonimousA/Qwen3.8-Flash-Next-REAP-256-duo-GGUF — общественная производная модели Qwen3.8-Flash-Next, неофициально созданная сообществом и не связанная с Alibaba/Qwen. Это GGUF-квантизированная модель с pruning-экспертов REAP: число экспертов в каждом слое сокращено с 512 до 256, при этом сохранённые веса скопированы без деквантизации и повторного квантования. Базовый формат — Unsloth UD-Q3_K_XL, общий размер составляет около 57,69 GiB в двух файлах вместо 83,8 GiB у исходной версии. Модель предназначена прежде всего для генерации кода и агентского взаимодействия, включая оркестрацию инструментов и tool calling. Она использует архитектуру qwen4exp с гибридом Gated DeltaNet, Qwen Sparse Attention и блоком n-gram embedding. Активируются 10 экспертов и один общий эксперт; число активных параметров не изменено. Веса vision-компонентов сохранены, но файл mmproj распространяется отдельно. Калибровка pruning выполнена на корпусах кода и агентской оркестрации. Главное преимущество — уменьшенный размер, благодаря которому модель может размещаться преимущественно в VRAM: на RTX 5090 объёмом 32 GB заявлены 68,4 токена/с при декодировании и 934 токена/с при prefill с частичным размещением MoE на CPU. При полном выполнении на CPU прирост декодирования практически отсутствует, зато prefill был примерно в 1,58 раза быстрее исходной модели. К ограничениям относятся возможное снижение качества из-за глубокого pruning, более низкий заявленный результат HumanEval по сравнению с последующей версией REAP-320 и необходимость использовать llama.cpp mainline с поддержкой архитектуры, добавленной 27 августа 2026 года. Лицензия указана как qwen-community-1.0; ссылка ведёт на лицензию исходной модели Qwen3.8-Flash-Next. Перед использованием следует учитывать, что это community derivative, а не официальный релиз Qwen.

gdubicki/Qwen3-Coder-Next-NVFP4-GB10 — публичное зеркало модели saricles/Qwen3-Coder-Next-NVFP4-GB10 с побайтно идентичными весами. В основе лежит Qwen3-Coder-Next, разработанная Alibaba и командой Qwen; NVFP4-квантизацию выполнил saricles с использованием LLM Compressor и калибровки на части набора ultrachat_200k. Модель предназначена прежде всего для генерации кода и развёртывания через Transformers или vLLM, в частности на системах DGX Spark с GPU GB10. Модель использует гибридную архитектуру qwen3_next: 48 слоёв, включая 36 слоёв с линейным вниманием DeltaNet и 12 слоёв с полным вниманием, а также latent MoE с 512 экспертами, из которых для каждого токена активны 10 экспертов и один общий. Всего модель содержит 79,7 млрд параметров, при этом около 3 млрд активны на токен. Квантизация NVFP4 уменьшает размер на диске до 45,9 ГБ; отдельные компоненты сохранены в BF16, а KV-кэш для слоёв полного внимания поддерживает FP8. Максимальная длина контекста составляет 262 144 токена, заявлен язык English. Сильными сторонами являются большой контекст, низкое число активных параметров на токен, сниженные требования к памяти и отсутствие KV-кэша у слоёв DeltaNet. На DGX Spark заявлены скорость около 61 токена в секунду для одного запроса и до примерно пяти одновременных сессий при максимальном контексте. Ограничения включают зависимость от совместимого NVFP4/Marlin-стека и специализированного оборудования; приведённые показатели относятся к конфигурации DGX Spark с vLLM и не гарантируют аналогичную производительность в других средах. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF — локальная модель для генерации текста, программирования и агентских сценариев. Она основана на google/gemma-4-12B-it и распространяется в формате GGUF. Модель создана независимым автором; его имя в README не указано. Модель предназначена для написания и отладки кода, выполнения многошаговых технических задач, работы с инструментами и терминалом, а также сценариев, где требуется цикл «изучить состояние — диагностировать проблему — внести исправление — проверить результат». По заявлению автора, она поддерживает нативный формат вызова инструментов Gemma 4 и может работать полностью локально, без облачных API. Заявленный размер — 12 млрд параметров; сведения о поддерживаемых языках, максимальном контекстном окне и дополнительных модальностях не приведены. В качестве ключевого результата указана оценка около 55% на 20 заданиях tau2-bench telecom в варианте Q8_0 против примерно 15% у базовой gemma-4-12B-it. Этот тест отражает агентские задачи технической диагностики, но не характеризует все возможности модели. Автор рекомендует Q4_K_M как оптимальный вариант и считает Q3_K_M минимальной надёжной квантизацией; заявлена возможность запуска примерно при 4,5 ГБ свободной VRAM или unified memory. Ограничения включают неполное тестирование tau2-bench, возможные проблемы при неправильной настройке клиента или сэмплера и отсутствие подробных данных о качестве в общих задачах. Лицензия — Apache-2.0.

OpenThinkerAgent-32B-SFT-1K — плотная языковая модель на архитектуре Qwen3, разработанная в рамках открытого проекта OpenThoughts-Agent. Она дообучена полным параметрическим SFT на базе Qwen/Qwen3-32B с использованием 1 000 примеров из набора OpenThoughts-Agent-SFT-1K. Модель содержит 29,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для агентных сценариев, программирования и работы в терминальной среде: она генерирует текстовые ответы и продолжения, а также может выдавать код и последовательности действий для инструментов в поддерживающей их оболочке. В оценке на Terminus-2 она показала результаты pass@1 19,0 на SWE-Bench-Verified-100, 21,0 на OpenThoughts-TBLite и 10,9 на Terminal-Bench 2.0; на SWE-Bench-Verified-100 показатель ниже базовой Qwen3-32B, тогда как на двух других наборах — выше. Весы доступны в формате Safetensors; лицензия — Apache-2.0. Модель является дообученной производной Qwen/Qwen3-32B, а не самостоятельной базовой моделью. Обучение на небольшом наборе из 1 000 примеров ограничивает широту специализации, а результаты оценки зависят от конкретного агентного стенда и не гарантируют качество в других сценариях.