II.7DevOps, облако и эксплуатация IT-систем

chanwit/flux-7b-v0.1 — языковая модель сообщества Open Flux AI, созданная на базе Mistral 7B и дообученная для вопросов о Flux, Flagger, GitOps и SOPS. Это плотная авторегрессионная модель с 7,1 млрд параметров, поддержкой диалогов и контекстом до 32 768 токенов; опубликована в формате safetensors. Модель предназначена для помощи разработчикам: она отвечает на вопросы о GitOps-инструментах, командах Flux и связанных Custom Resources. В README авторы заявляют, что модель лучше ChatGPT в этих предметных областях, однако независимые результаты оценки не приведены. Модель ориентирована на английский язык. Лицензия — Apache 2.0.

chanwit/flux-7b-v0.2 — разговорная языковая модель проекта Open Flux AI, созданная на основе Mistral 7B для помощи разработчикам, работающим с Flux, Flagger, GitOps и SOPS. Карточка описывает её как модель, дообученную для этих областей на материалах проекта Kube-7B с целевым подбором данных и техникой embeddings. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текстовые запросы и генерирует текстовые ответы на английском языке, в том числе в формате диалога. Лицензия — Apache 2.0. Модель предназначена для ответов на вопросы о Flux, Flagger, GitOps и SOPS, включая команды Flux и пользовательские ресурсы Kubernetes. README заявляет о хороших результатах в этих темах, однако не приводит методику или сравнительные оценки; специализация и фактическое качество ответов требуют проверки на конкретных задачах.

Shellminator — дообученная модель ISB369 на базе Qwen2.5-Coder-0.5B-Instruct, разработанная для преобразования запросов на естественном языке в одну команду Bash. Модель ориентирована на Linux-сценарии, включая работу с файлами, каталогами, системной информацией и другими типичными операциями командной строки. Она доступна в формате safetensors и в варианте Q4_K_M GGUF для запуска через llama.cpp или Ollama, в том числе на CPU. Модель содержит около 0,5 млрд параметров и поддерживает английский язык. Она обучалась методом SFT на 105 тысячах строк, а затем была улучшена с помощью DPO self-play на 804 парах, проверенных фактическим выполнением команд в изолированных окружениях. В тесте IBM nl2bash-eabench bash_1 модель достигла 78% точности выполнения при однократной жадной генерации без повторных попыток и самокоррекции, что на 6 процентных пунктов выше её SFT-базы. Основное ограничение — генерация только одной команды: модель не предназначена для многострочных скриптов, heredoc или самостоятельного построения сложных цепочек без внешнего цикла уточнения. Остаточные ошибки отмечены для некоторых вариантов sed, comm/diff и mv, а также для команд, зависящих от особенностей окружения. Обучение и оценивание проводились на Linux x86_64 с типовыми тестовыми фикстурами, поэтому команды для экзотических файловых систем и нестандартных точек монтирования могут быть ненадёжны. Модель распространяется по лицензии Apache-2.0.

thealper2/lfm2-700m-linux-command — дообученная модель на базе LiquidAI/LFM2-700M для преобразования запроса на естественном языке в одну команду Linux shell. Она выдаёт только команду, без пояснений; предусмотрен шаблон чата LFM2, а для получения стабильного ответа рекомендуется жадное декодирование. Архитектура — плотная Lfm2ForCausalLM с гибридным сочетанием полного внимания и коротких свёрток. В README указано 742,5 млн параметров, а метаданные каталога приводят 956,3 млн; контекстное окно по метаданным — 128 000 токенов. Модель обучалась на наборах nl2bash и linux-command-dataset, языковая метка карточки — английский. Она подходит для получения кандидатов команд по кратким описаниям задач, например для поиска файлов или процессов, и как генератор команд в изолированном терминальном агенте. На тестовом наборе точное совпадение с единственным эталонным ответом составило 29,1%, структурное — 30,3%; эти показатели не измеряют семантическую корректность всех допустимых команд. Модель может выводить неверные или разрушающие команды и не проверяет их безопасность. README указывает лицензию как other без конкретизации условий, поэтому лицензионные права следует сверить с карточкой репозитория Hugging Face.

Nemotron-Terminal-8B — модель NVIDIA для автономного взаимодействия с терминалом. Она дообучена на базе Qwen3 и специализирована на задачах, где нужно анализировать состояние терминала, планировать действия и выдавать команды в структурированном JSON-формате для оболочки Terminus 2. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; заявленная длина контекста — 40 960 токенов. В README приведён результат 13,0% на Terminal-Bench 2.0 для варианта 8B, выше указанного результата базовой Qwen3 8B в 2,47%. Модель ориентирована на англоязычные терминальные сценарии; метаданные указывают поддержку чата и библиотеку Transformers. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

ISB369 разработал shellminator-270m-bash-distilled — компактную модель Gemma 3 с 257 млн параметров, дообученную преобразовывать короткие запросы на естественном языке в одну команду Bash. Она предназначена для подсказок в терминале: пользователь проверяет и при необходимости редактирует предложенную команду перед запуском. Модель принимает текст и генерирует текст; для работы с shellminator она поставляется в формате GGUF, а в репозитории Hugging Face доступны веса safetensors. Контекст составляет до 32 768 токенов. Модель ориентирована на английские запросы и Linux/Bash. Она хорошо подходит для распространённых однострочных команд, но её небольшой размер ограничивает точность сложного синтаксиса, вложенных конструкций и многошаговых задач. В описанной оценке текущий чекпойнт правильно решил 11 из 25 проверочных запросов, а 92% предложенных команд прошли проверку синтаксиса bash -n. Модель может предложить неверную или опасную команду, поэтому результат следует проверять вручную. Лицензия — Gemma.

Это полноразмерная дообученная версия Chronos-2, подготовленная группой 100 TU Darmstadt для бонусного проекта курса DLAM в летнем семестре 2026 года. Модель основана на архитектуре T5 и содержит 99,1 млн параметров; веса сохранены в формате safetensors. Она предназначена для прогнозирования временных рядов, в частности операционной нагрузки по обучающей панели из 96 рядов. Модель обучена на наблюдаемой части рядов, ограниченной условием `_hidx < 4320`. Это полноточечное дообучение, а не LoRA-адаптер. Репозиторий содержит только веса, без описания ансамблевой схемы. Лицензия — Apache-2.0.

Dwarf-15M-Instruct — компактная языковая модель ThingAI на 20,3 млн параметров для преобразования запросов на естественном языке в команды Linux и Bash. Она предназначена для роли помощника командной строки, который предлагает команды для проверки пользователем; это не универсальный чат-бот. Модель подходит для простых и средних задач администрирования Linux, коротких Bash-команд и функций, а также объяснения команд. По карточке, она ориентирована на английский язык и обучена преимущественно на командах Ubuntu и Debian. Модель использует архитектуру DwarfForCausalLM, распространяется в формате Safetensors и работает через Transformers. Для инференса заявлена возможность запуска на CPU; в карточке указан размер модели около 30 МБ. Из-за небольшого размера модель может ошибаться на необычных запросах и плохо справляться со сложными многошаговыми рассуждениями. Сгенерированные команды следует проверять до запуска. Лицензия — Apache-2.0.

VidhuMathur/bart-log-summarization — модель для абстрактивного суммирования журналов событий программного обеспечения. Автор дообучил BART-base на синтетическом наборе данных, созданном с помощью GPT-3.5. Архитектура BART — трансформер encoder-decoder с двунаправленным энкодером и авторегрессионным декодером; модель содержит 95,2 млн параметров и рассчитана на контекст до 1024 токенов. Модель предназначена для создания кратких пересказов логов, чтобы быстрее выделять основное в записях. Карточка демонстрирует загрузку через Transformers и TensorFlow. Базовый BART обучен для работы с английским текстом; карточка не сообщает о поддержке других языков. Лицензия модели — MIT. В README не приведены оценки качества или сведения о проверке на реальных логах, поэтому пригодность для конкретных форматов журналов стоит оценить на собственных данных.

Simon Liu дообучил Gemma 4 E4B Instruct методом полноразмерного supervised fine-tuning на примерно тысяче примеров вызова инструментов kubectl-mcp-server MCP с рассуждениями на традиционном китайском языке. Модель предназначена для диалога с предварительным рассуждением и формирования вызовов MCP-функций для управления Kubernetes через kubectl-mcp-server. Это плотная модель семейства Gemma 4; базовая модель мультимодальна, но заявленная специализация этой версии — генерация вызовов инструментов. В тесте на 75 отложенных примерах после дообучения доля ответов с вызовом инструмента составила 100%, точность имени функции — 89,3%, а точность совпадения имени и всех аргументов — 70,7%. Результаты относятся к небольшому тестовому набору и не гарантируют такую же точность в реальной среде. Модель распространяется в формате safetensors через Transformers; применяются условия использования Google Gemma.

Terminal-12k-bottom80 — разговорная модель генерации текста на архитектуре Qwen3, дообученная автором cuong1692001 на базе cuong1692001/Terminal-complete-8k. Она предназначена для продолжения терминальных запросов и команд; карточка указывает дообучение на наборе nemotron_complete_bottom_80_12k. Модель содержит 7,6 млрд параметров, использует формат safetensors и имеет контекстное окно 40 960 токенов. Модель подходит для генерации продолжений командной строки и диалогового взаимодействия по этой тематике. В карточке не приведены оценки качества или подробные ограничения, поэтому надёжность результатов для конкретных оболочек и сценариев не подтверждена. Указана лицензия «other» без пояснения условий; перед использованием следует проверить лицензионные сведения репозитория.

Toto-1.0-QA-Experimental — экспериментальная гибридная модель Datadog, объединяющая модель временных рядов Toto-Open-Base-1.0 и визуально-языковую Qwen3-VL-32B-Instruct. Она предназначена для ответов на вопросы о временных рядах в сценариях реагирования на инциденты в программных системах и оценивалась на бенчмарке ARFBench. Модель использует представления временных рядов и проекционные модули, которые передают эти сигналы в мультимодальную модель для ответов с учётом изображений и текста. Репозиторий содержит объединённые веса VLM, модули временных рядов и конфигурации; загрузка выполняется через Transformers. Для типичного запуска README указывает многопроцессорную конфигурацию с четырьмя GPU A100 по 40 ГБ. Модель выпущена под лицензией Apache-2.0. На ARFBench авторы сообщают о точности на уровне ведущих моделей и сопоставимом с ними macro F1. Это экспериментальная модель, проверенная в рамках конкретного бенчмарка; README не подтверждает качество на других типах временных рядов или в произвольных сценариях. Для инференса требуются подготовленные временные ряды, изображения и текстовый вопрос.

NetworkAgent2 FunctionGemma — дообученная модель Lucasllfs на базе Google FunctionGemma 270M IT. Она предназначена для текстовой генерации в специализированном агенте сетевой диагностики и использует шаблон чата для вызова функций. Модель содержит 257 млн параметров, построена на архитектуре Gemma 3 Text и принимает контекст длиной до 32 768 токенов. В README указано, что обучение было двуязычным, с completion-only loss и групповым разделением данных; подробные настройки и метрики вынесены в отдельный отчёт. Модель распространяется в формате safetensors через Transformers. Лицензия в предоставленных данных не указана.

OpenAdmin 20B GGUF — квантованный вариант модели OpenAdmin 20B от OpenAdminOS в формате GGUF для запуска через llama.cpp, Ollama, LM Studio и OpenAdminOS. В репозитории указан файл MXFP4 размером около 12 ГБ; модель использует архитектуру MoE и стандартный шаблон чата gpt-oss harmony, встроенный в файл. Модель предназначена для диалоговой генерации текста по задачам администрирования Microsoft 365 и ИТ-систем. Лицензия — Apache-2.0. Конкретные сведения о поддерживаемых языках и длине контекста в доступных данных отсутствуют.

Это экспериментальная текстовая модель для работы в агентном сценарии с Terminal Wrench. Она основана на Qwen/Qwen3.6-35B-A3B и дообучена методом дистилляции on-policy: модель училась по токенам, которые генерировала сама, согласуя их вероятности с учителем rewardhack/qwen3.6-35b-a3b-hacksft-vanilla-873rows-ep3. В README указано, что обучение проводилось без подсказки, побуждающей к reward hacking, а базовые веса описаны как изначально необученные. Модель предназначена для выполнения задач терминального агента по инструкциям пользователя. В оценке на 59 отложенных задачах Terminal Wrench при отсутствии инструкции взламывать награду она показала 92,6% успешных прохождений и 1,7% случаев reward hacking; при явном побуждении к такому поведению доля успешного взлома составила 11,4%. Эти результаты относятся к указанному в карточке протоколу и не гарантируют аналогичного поведения в других средах. Для работы автор рекомендует отключить thinking; веса bf16 в формате safetensors можно загружать через Transformers или vLLM. Лицензия — CC BY-SA 4.0.

Toto-2.0-2.5B-FT — модель Datadog для прогнозирования временных рядов, полученная дообучением базовой Toto-2.0-2.5B. Это чекпойнт архитектуры Toto 2.0 с 2,8 млрд параметров, опубликованный в формате Safetensors и рассчитанный на работу через PyTorch. Дообучение проводилось 10 000 шагов на смеси данных, включающей обучающую выборку GIFT-Eval и метрики наблюдаемости Datadog с шагом 5 минут и более. Модель предназначена для воспроизводимости результата бенчмарка GIFT-Eval и исследования влияния дообучения на этом наборе данных. В README указано, что чекпойнт занял второе место по рангам CRPS и MASE на полном лидерборде; эти результаты относятся к бенчмарку и не характеризуют качество на произвольных производственных сценариях. Разработчики рекомендуют для реальных нагрузок базовые модели Toto 2.0. Модель распространяется по лицензии Apache-2.0. Она принимает временные ряды и выдаёт прогнозы; README не сообщает длину контекста. Включение обучающей выборки GIFT-Eval в данные дообучения ограничивает независимую оценку на этом бенчмарке и обобщение за его пределы.

MikroTik RouterOS v0.1 — языковая модель на базе Qwen2.5-Coder-7B-Instruct, дообученная автором карточки на подборке вопросов и ответов по официальной документации MikroTik. Она предназначена для ответов на вопросы по настройке и диагностике RouterOS: например, для подготовки CLI-команд и разбора типовых сетевых проблем. В репозитории есть объединённая GGUF-версия с квантизацией Q4_K_M размером около 4,4 ГБ и исходный LoRA-адаптер; заявлены 7 млрд параметров. Модель можно запускать локально через llama.cpp, Jan или Ollama. Карточка описывает англоязычные данные и рекомендуемый формат запросов; отдельное значение длины контекста не приводится. Лицензия — Apache-2.0. Модель сильнее базовой в тематических вопросах о firewall, IPsec, беспроводных интерфейсах, маршрутизации, DHCP, NAT, VLAN и очередях, а также в генерации синтаксиса RouterOS CLI. Она подходит для справочного поиска и создания черновиков конфигурации, но ответы требуют проверки: сложные сценарии с несколькими функциями сети, multi-WAN с routing marks и сложные деревья QoS даются слабее, а рекомендации по криптографии могут быть устаревшими. Проект независим и не связан с MikroTik.

AutoITIL BERT Nível 2 — классификатор текстов на базе BERTimbau, дообученный автором EdsonMorro для проекта AutoITIL. Он распределяет IT-заявки на португальском языке по ответственным техническим областям второго уровня схемы ITIL: приложения, базы данных, сеть, безопасность и серверы. Модель рассчитана на каскадную маршрутизацию заявок после классификации на первом уровне и может применяться в системах автоматизации службы поддержки. Архитектура — BertForSequenceClassification, размер — 136,1 млн параметров, максимальная длина контекста — 512 токенов; для обучения использовался синтетический сбалансированный набор из 852 заявок. В пятиблочной стратифицированной кросс-валидации указаны macro-F1 0,8048 ± 0,0358 и accuracy 0,8052. Эти результаты относятся к описанному набору данных и не гарантируют аналогичное качество на реальных заявках. Модель распространяется по лицензии MIT.

AutoITIL BERT Nível 1 — модель для классификации заявок в службу ИТ-поддержки на португальском языке по категориям схемы ITIL: инцидент, запрос на обслуживание, проблема и изменение. Она создана дообучением BERTimbau Base, архитектура — BERT для классификации последовательностей; модель содержит 136,1 млн параметров и принимает текст длиной до 512 токенов. Модель предназначена для автоматической первичной маршрутизации заявок и может быть первым этапом каскада классификации AutoITIL. В README приведены результаты пятиблочной стратифицированной кросс-валидации на 852 синтетических заявках: macro-F1 0,9594 ± 0,0188 и точность 0,9589. Обучающая выборка охватывает описания заявок по приложениям, сетям, безопасности, серверам и базам данных. Это классификатор общего назначения для указанной схемы ИТ-поддержки, а не генератор структурированных заявок. Качество за пределами синтетической выборки и перенос на реальные заявки не подтверждены приведёнными метриками. Лицензия — MIT.

Esper 3.1 — дообученная компанией Valiant Labs языковая модель для программирования, проектирования архитектуры и DevOps. Она основана на Qwen3-4B-Thinking-2507 и предназначена для диалогов, следования инструкциям и решения задач с рассуждением, в том числе сложных задач разработки и эксплуатации систем. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит 3,7 млрд параметров. Она принимает и генерирует текст; заявленная длина контекста — 262 144 токена. В карточке указана поддержка английского языка. Модель дообучена на наборах данных с примерами рассуждений, программирования, DevOps и проектирования систем. Esper 3.1 подходит для генерации и анализа кода, помощи с облачной инфраструктурой и инструментами вроде Docker, Kubernetes, Terraform и Ansible, а также для обсуждения архитектуры и MLOps. Компактный размер позволяет запускать её локально и на серверах. Модель распространяется по лицензии Apache-2.0.

Esper-70b — языковая модель для генерации кода, созданная Valiant Labs на основе CodeLlama-70b-Instruct-hf. Модель дообучена на коде с акцентом на DevOps: скриптовых языках, Terraform, Dockerfile, YAML и файлах сборки; также использовались данные для инструкционного кода и диалогов. Модель рассчитана на помощь разработчикам и DevOps-инженерам: она может писать и объяснять конфигурации и скрипты, отвечать на вопросы о коде и вести технический диалог. Это плотная архитектура Llama с 68,7 млрд параметров и контекстом 4096 токенов. Основной язык в карточке — английский. Репозиторий содержит веса Safetensors; рекомендован формат чата, совместимый с CodeLlama-70b-Instruct-hf. Модель распространяется по лицензии Apache-2.0. README описывает версию 1.0 и план дальнейшего дообучения; отдельные количественные оценки качества не приводятся.

Esper 3.1 — дообученная Valiant Labs языковая модель на архитектуре Ministral 3, основанная на Ministral-3-14B-Reasoning-2512. Она предназначена для рассуждений при решении задач программирования, проектирования систем и DevOps, включая MLOps и архитектуру ИИ. Модель поддерживает чат и следование инструкциям; в репозитории представлены веса в формате safetensors, а для запуска используется формат запросов базовой модели. Модель обучали на наборах сложных задач по коду, DevOps, архитектуре и рассуждениям, включая данные, созданные с помощью моделей DeepSeek. В карточке указана поддержка английского языка. Лицензия — Apache-2.0. Размер и длина контекста этой версии в предоставленных данных не указаны.

Esper 70B — квантованная версия модели ValiantLabs/Esper-70b в формате GGUF, подготовленная brooketh для библиотеки Backyard AI. Это ассистент на базе CodeLlama с ориентацией на задачи DevOps и генерацию кода. Модель предназначена для работы со скриптовыми языками, файлами Terraform, Dockerfile, YAML и другими сценариями разработки и автоматизации инфраструктуры. Указан английский язык, текстовая модальность и контекст до 4096 токенов. Формат GGUF совместим с приложениями на базе llama.cpp и позволяет распределять вычисления между CPU и GPU, что упрощает локальный запуск на различном оборудовании. К сильным сторонам относятся специализация на DevOps и коде, а также возможность локального использования с меньшими требованиями к ресурсам благодаря квантованию. При этом README не указывает точный размер файлов, варианты квантования и их влияние на качество; для низких уровней квантования возможна потеря связности. Модель не рекомендуется для ролевых сценариев. Лицензия — Apache-2.0.

Valiant Labs разработала Esper 4 — инструкционную модель для программирования, архитектуры систем, DevOps и MLOps на базе Gemma 4 12B. Это плотная мультимодальная модель семейства Gemma 4 с поддержкой изображений; метаданные указывают на архитектуру Gemma4UnifiedForConditionalGeneration и формат весов safetensors. Она предназначена для диалогового помощника и агентных сценариев, включая разработку и эксплуатацию ИИ-систем. Модель ориентирована на сложные запросы по коду, проектированию архитектуры и DevOps. В карточке отмечены примеры применения с Python, TypeScript, JavaScript, Java, C++, C#, Rust, Go, Haskell, Bash и PowerShell, а также Jenkins, Terraform, Ansible, Docker, Kubernetes, Helm, Grafana, Prometheus и облачными платформами Azure, AWS и GCP. Метаданные указывают английский язык; базовая модель также поддерживает работу с текстом, изображениями, видео и аудио, но карточка Esper отдельно подтверждает только поддержку изображений. Лицензия — Apache-2.0. Заявленные улучшения относятся к программированию, архитектуре и DevOps; независимые оценки качества и сведения о длине контекста в предоставленных данных отсутствуют.

Nixia 1.1 4B — семейство компактных агентных языковых моделей в формате GGUF, разработанное adsyamsafa на базе wangzhang/Qwen3.5-4B-abliterated и ориентированное на корпоративные сценарии с вызовом инструментов, терминальными рабочими процессами, автономным исправлением ошибок и рассуждением. Модель предназначена для генерации текста и кода, сложного анализа, оркестрации нескольких инструментов, DevOps-задач, диагностики конфигураций и самовосстанавливающихся циклов. В репозитории доступны варианты размером около 4 млрд параметров с квантизацией Q4_K_M и размером файла около 2,58 ГБ. Рекомендуемый вариант Pure SFT 2K обучен на 2 000 агентных траекториях и показывает заявленную общую точность 87,0% на восьми специализированных тестах; вариант DARE-TIES 80/20 объединяет SFT и GRPO RLVR и ориентирован на автономный DevOps и быстрое самовосстановление. Заявлены поддержка работы на CPU, включая ноутбуки с 16 ГБ ОЗУ, расход памяти около 3 ГБ и контекст до 8 192 токенов. Сведения о языках и мультимодальности не указаны; по описанию это текстовая модель. Сильные стороны — высокая эффективность на задачах агентной оркестрации, консенсуса, системного программирования, PostgreSQL, Rust и автономного восстановления, а также возможность локального запуска через Ollama и llama.cpp. Ограничения включают небольшой размер модели, зависимость результатов от выбранного варианта и квантизации, а также заметно более низкий результат DARE-варианта на тесте восстановления времени жизни Rust Async Mutex. Модель и указанные материалы распространяются по лицензии Apache-2.0.

Esper 3.1 — дообученная Valiant Labs модель на базе Qwen3.5-27B, предназначенная для рассуждений в программировании, проектировании архитектуры и DevOps. Она подходит для помощи разработчикам и инженерам: от анализа сложных задач и написания кода до настройки инфраструктуры, CI/CD и систем облачного развёртывания. В README также заявлены навыки в MLOps, проектировании систем ИИ и общих рассуждениях. Модель имеет плотную архитектуру Qwen3.5 и 22,3 млрд параметров по метаданным; максимальный контекст составляет 262 144 токена. Она принимает текст и изображения и генерирует текст. В карточке указан английский язык. Модель распространяется в формате Safetensors, лицензия — Apache-2.0. Качество на конкретных задачах и требования к аппаратным ресурсам README не уточняет.

Esper 3.1 — дообученная Valiant Labs модель на базе Qwen3.6-27B, предназначенная для программирования, проектирования систем и DevOps. Она ориентирована на сложные задачи рассуждения, включая разработку и анализ кода, архитектуру приложений и инфраструктуры, MLOps и исследования в области ИИ. В карточке также заявлена поддержка работы с изображениями; основной практический акцент сделан на текстовом диалоге и генерации кода. Модель имеет плотную архитектуру Qwen3_5ForCausalLM, содержит 22,3 млрд параметров и поддерживает контекст до 262 144 токенов. Среди заявленных языков — английский; в тегах перечислены языки программирования, включая Python, TypeScript, JavaScript, Java, C++, C#, Rust и Go. Модель распространяется в формате safetensors под лицензией Apache-2.0. Esper 3.1 дообучена на наборах данных с задачами рассуждения, кодирования и DevOps, включая данные, созданные с помощью DeepSeek. Качество заявлено разработчиком, независимые оценки в карточке не приведены. Модель рассчитана на локальный запуск и серверное использование; фактические требования к ресурсам зависят от выбранной реализации и оборудования.

Esper 3.1 — дообученная Valiant Labs модель на базе Qwen3.6-35B-A3B, предназначенная для рассуждений о программировании, архитектуре систем и DevOps. Она ориентирована на помощь разработчикам и инженерам: решение сложных задач по коду, проектирование инфраструктуры, настройку CI/CD и работу с MLOps и AI-системами. Модель построена на архитектуре Qwen MoE; в метаданных указано 2,9 млрд параметров и контекст до 262 144 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Карточка также указывает поддержку анализа изображений наряду с генерацией текста. Модель рассчитана прежде всего на английский язык. Модель распространяется по лицензии Apache-2.0. Карточка позиционирует её как специалиста по коду, архитектуре и DevOps, но не приводит независимых оценок качества; её ответы и сгенерированные конфигурации следует проверять перед применением.

QuantFactory/Llama3.2-3B-Esper2-GGUF — квантизированная версия модели ValiantLabs/Llama3.2-3B-Esper2, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана Valiant Labs на базе Meta Llama 3.2 3B Instruct и предназначена для генерации текста в формате диалоговых инструкций Llama 3.2 Instruct. Модель ориентирована на задачи DevOps, облачной архитектуры и программирования: AWS, Azure, GCP, Terraform, Dockerfile, CI/CD-пайплайны, shell-скрипты, а также общее написание кода и технические консультации. Она дообучалась на синтетических наборах данных Titanium, Tachibana и Supernova, охватывающих DevOps-инструкции, программирование и общий чат. В карточке указан английский язык; модель работает с текстом и поддерживает сценарии общения с инструкциями. Ключевая сильная сторона — специализация на облачной инфраструктуре, DevOps и коде при компактном размере около 3 млрд параметров, что делает модель подходящей для локального запуска в квантизированном формате GGUF. Ограничения включают меньший размер и, вероятно, более узкие возможности по сравнению с крупными универсальными моделями; конкретные параметры контекста и варианты квантизации в карточке не указаны. В качестве ориентиров приведены результаты 65,27% на Winogrande и 43,17% нормированной точности на ARC Challenge. Лицензия указана как llama3.2.

Valiant Labs разработала Esper 3 на базе Qwen3-4B и дообучила модель на данных для рассуждений о DevOps, архитектуре систем и программировании, сгенерированных с помощью DeepSeek R1. Модель предназначена для генерации кода, решения инженерных задач и диалогов; авторы также заявляют об улучшениях в общих и творческих рассуждениях. Она подходит для локального запуска на компьютерах и мобильных устройствах, а также для серверного инференса. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов; для диалога используется формат промптов Qwen 3, а авторы рекомендуют включать режим рассуждений. Модель обрабатывает текст и генерирует текст. В карточке заявлена поддержка английского языка; специализация — код, DevOps и архитектурные задачи. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Заявления о качестве и скорости приведены авторами; независимые оценки в карточке не описаны.