II.7DevOps, облако и эксплуатация IT-систем

Chronos-T5 Mini — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она основана на архитектуре T5 и преобразует числовые ряды в токены с помощью масштабирования и квантования; метаданные указывают 9,8 млн параметров и контекст 512 токенов. При обучении использовались открытые временные ряды и синтетические данные, созданные с помощью гауссовских процессов. Модель генерирует вероятностные прогнозы, авторегрессионно выбирая будущие значения; несколько сгенерированных траекторий позволяют оценить распределение прогноза. Модель предназначена для прогнозирования будущего по историческим наблюдениям в задачах анализа временных рядов. В README размер этой версии указан как 20 млн параметров, тогда как метаданные каталога приводят 9,8 млн; поэтому размер в описании взят из метаданных. Модель доступна под лицензией Apache-2.0. README сообщает о более новых Chronos-Bolt, которые быстрее и точнее исходных моделей того же размера, что может быть основанием рассмотреть их для сценариев с высокими требованиями к скорости или точности.

Terminus-Qwen3-8b — дообученная OrionLLM модель на базе Qwen/Qwen3-8B, разработанная для агентных задач в терминале. Она предназначена для рассуждений в командной строке, программной инженерии и работы с инструментами в средах вроде Codex и OpenCode. Модель с плотной архитектурой Qwen3 содержит 7,6 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Для обучения использован набор данных OrionLLM/OpenAgentInstruct. В README приведены результаты на Terminal-Bench 2.0 и SWE-Bench Verified, однако условия и воспроизводимость этих оценок не описаны. Модель распространяется по лицензии Apache-2.0.

smirki/qwen3.5-4b-terminal-v1 — дообученная модель Qwen3.5-4B для работы в терминале и задач кодирующего агента. Это плотная мультимодальная архитектура Qwen3.5 с 4 млрд параметров; опубликованы объединённые веса bf16 в формате Safetensors. Модель сохраняет архитектуру, токенизатор, шаблон чата и XML-формат вызова инструментов базовой Qwen3.5-4B. Модель предназначена для агентных сценариев, где нужно выполнять задачи через терминал и вызывать инструменты. В описанном сравнении Terminal-Bench 2.1 она решила хотя бы раз 21 из 76 заданий против 15 у базовой модели; тест проводился с контекстом 65 536 токенов и лимитом 8 192 токена на ответ. Для запуска с vLLM в README указан парсер вызовов инструментов qwen3_xml. Лицензия — Apache-2.0. Веса включают компоненты понимания изображений, но README рекомендует для терминального применения отключать vision tower. Показатели бенчмарка относятся к указанной конфигурации и не гарантируют аналогичного результата на других задачах; подробности обучения не приведены.

Карточка модели rwiecekgmailcom/qwen35-claude-coder на Hugging Face совпадает с карточкой Dzluck/qwen35-claude-coder-GGUF, поэтому описание составлено по ней. Dzluck опубликовал GGUF-сборку Qwen3.5 Claude Coder — дообученной модели для автономной работы в Claude Code в роли агента-программиста и системного администратора. Репозиторий содержит варианты на 4 и 9 млрд параметров; карточка указывает базовую модель Qwen/Qwen3.5-9B. Модель рассчитана на контекст до 64 тыс. токенов, диалог и вызов инструментов через совместимый с Anthropic API. Она предназначена для локальных задач с кодом, файлами, диском и сетью: README подчёркивает выполнение действий через инструменты и опору на их фактический вывод. Указана лицензия Apache-2.0. Заявления о качестве и скорости основаны на тестировании автора на компьютерах Apple Silicon через Ollama; приведённые результаты не являются независимой оценкой.

Tafsut Univariate Base — трансформерная модель семейства Tafsut для вероятностного прогнозирования одномерных временных рядов. Модель разработана авторами проекта Tafsut и рассчитана на прогнозирование новых рядов без дообучения на каждом из них. В метаданных указано около 115,6 млн параметров; README описывает архитектуру с патчами по 32 наблюдения, 14 блоками трансформерного энкодера, RMS-подобной нормализацией и позиционными RoPE-встраиваниями. На вход подаётся история скалярных наблюдений, на выходе — девять квантилей от 0,1 до 0,9 для каждого будущего шага, включая медианный прогноз и диапазон неопределённости. Поддерживается контекст до 32 768 наблюдений, пропуски можно представлять как NaN. Модель подходит для прогнозирования отдельных рядов из разных прикладных областей; README приводит оценку на наборах GIFT-Eval. Модель работает только с одномерными рядами: она не использует ковариаты, внешние переменные или взаимосвязи между рядами. Контексты длиннее 32 768 наблюдений обрезаются; при горизонте свыше 1 024 шагов медианные прогнозы повторно подаются модели как контекст. Лицензия — MIT.

Модель Michelhe/everycli-minilm-ft-boosted — дообученный Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанный для поиска и сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерности 384; сходство между ними можно оценивать по cosine similarity. Архитектура состоит из BERT-энкодера с mean pooling, работает только с текстом и использует библиотеку Sentence Transformers. Модель обучена на 1 104 парах предложений с помощью MultipleNegativesRankingLoss. Примеры обучающих данных связаны с командами и задачами CLI, поэтому модель подходит для поиска команд по описанию и извлечения релевантных фрагментов в сценариях retrieval. Максимальная длина последовательности в README — 128 токенов; метаданные каталога указывают нативный контекст 512 токенов. Лицензия в предоставленных данных не указана.

OpenThinker-Agent-v1 — открытая агентная языковая модель проекта OpenThoughts-Agent, разработанная для выполнения задач с использованием терминала и решения задач программной инженерии. Модель построена на Qwen/Qwen3-8B и последовательно дообучена методом supervised fine-tuning на OpenThoughts-Agent-v1-SFT, а затем методом reinforcement learning на OpenThoughts-Agent-v1-RL. Архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров, формат весов — safetensors, контекст — до 40 960 токенов. Модель предназначена для агентных сценариев, включая формирование команд оболочки и исправление ошибок в коде; в README приведены результаты на Terminal-Bench 2.0 и SWE-Bench Verified. Метаданные также отмечают поддержку диалога, кода и интерфейса вызова инструментов. Это текстовая модель генерации, обученная на английских кодовых и инженерных данных; заявлена лицензия Apache-2.0. Показатели в README относятся к бенчмаркам и сами по себе не гарантируют успешное выполнение произвольных задач.

Qwen-AgentWorld-35B-A3B — языковая модель мира, опубликованная Unsloth на базе Qwen-AgentWorld-35B-A3B от Qwen. Она предназначена для симуляции сред, с которыми взаимодействуют агенты: по истории взаимодействия и действию агента модель предсказывает следующее состояние среды и формирует наблюдение. Модель охватывает семь областей: вызовы инструментов через MCP, поиск, терминал, разработку ПО, Android, веб-интерфейсы и операционные системы. Это причинная языковая модель архитектуры Qwen 3.5 MoE: всего 35 млрд параметров, из которых активируются 3 млрд; контекст — до 262 144 токенов. Обучение включало продолженное предобучение, дообучение с учителем и обучение с подкреплением. Модель принимает текстовые описания действий и истории взаимодействий и генерирует текстовые предсказания состояния среды. В карточке заявлены сценарии как с текстовыми, так и с графическими интерфейсами, но наличие входа изображений в этой версии явно не описано. Весы доступны в формате safetensors, библиотека — Transformers, лицензия — Apache-2.0.

CodeActAgent-Mistral-7b-v0.1 — языковая модель-агент, разработанная авторами CodeAct на базе Mistral-7b-v0.1. Это плотная авторегрессионная модель класса MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; она обучена на CodeActInstruct и обычных диалогах. Модель формирует ответы и исполняемые действия на Python, которые агент может передавать интерпретатору, получать результаты выполнения и учитывать их в следующих ходах. Модель предназначена для многошаговых агентных задач, особенно для работы с API и инструментами, где действия можно выражать кодом и корректировать после наблюдений. Авторы сообщают об улучшении успешности относительно действий в формате обычного текста или JSON на своих оценках, а также о сохранении общих диалоговых возможностей. Это исследовательская разработка, представленная как готовая модель для применения; в репозитории указана лицензия Apache-2.0.

Fracast-0 — компактная предварительно обученная модель временных рядов, разработанная Tianxiang Zhan. Она содержит 85 001 параметр и предназначена для вероятностного прогнозирования: по истории длиной до 2 048 наблюдений модель предсказывает 48 будущих точек и выдаёт девять квантилей от 0,1 до 0,9. Модель доступна в форматах FP32 и W8; небольшой размер позволяет запускать её непосредственно в веб-странице. Для использования доступна библиотека fracast. Модель подходит для прогноза временных рядов, например продаж, солнечной генерации и показателей облачной инфраструктуры. Многоканальный ввод обрабатывается независимо по каждому каналу: модель не учитывает взаимосвязи переменных и будущие ковариаты. Для входа требуется минимум восемь конечных наблюдений на канал; пропуски можно передавать как NaN. Горизонт длиннее 48 точек формируется последовательным продолжением медианных прогнозов, а квантильные пересечения не исправляются постобработкой. В README приведены результаты оценивания на GIFT-Eval и TIME, однако для GIFT-Eval раскрыто пересечение обучающих данных с семействами тестовых наборов, а часть задач TIME использует продолжение прогноза за исходный горизонт. Модель распространяется по лицензии Apache-2.0.

P0u4a/ModernBERT-bash-classifier — дообученная модель на базе answerdotai/ModernBERT-base для классификации команд Bash как безопасных или небезопасных. Её предполагаемый сценарий — автоматическая проверка команд в средах coding-агентов, чтобы пользователю требовалось вручную одобрять только команды, помеченные как небезопасные. Модель относится к семейству ModernBERT, использует архитектуру классификации последовательностей и содержит 149 млн параметров. Она принимает текст команды и выдаёт метку класса. Базовая модель поддерживает контекст до 8192 токенов; модель обучена на 3738 командах из трасс Claude Code и Codex. По README, на оценочной выборке F1 составляет 0,9615, а accuracy — 0,9893. К небезопасным отнесены команды, которые загружают или отправляют данные по сети, постоянно изменяют или удаляют файлы вне текущего проекта, меняют облачные ресурсы либо создают постоянные ресурсоёмкие процессы. Качество классификации может снижаться для неизвестных CLI и команд с блоками кода, например Python, внутри heredoc. Лицензия — Apache-2.0.

Pulsar Coder v1 — кодовый ассистент Exo на базе архитектуры Qwen2 с 1,5 млрд параметров. README называет модель обученной с нуля, однако метаданные Hugging Face указывают на дообучение cognitivecomputations/Dolphin3.0-Qwen2.5-1.5B, поэтому происхождение модели в источниках расходится. Модель предназначена для ответов на русском языке и генерации кода на Python, JavaScript и TypeScript, Go, Rust, C++, C#, Java, SQL, Bash, HTML и CSS. Она поддерживает чат; заявленная длина контекста — 131 072 токена. Шаблон чата задаёт идентичность Pulsar по умолчанию. Модель распространяется в формате safetensors по лицензии Apache-2.0. README рекомендует настройки генерации с температурой 0,3–0,7, top_p 0,9 и штрафом за повторы 1,1–1,2, но не приводит результатов оценки качества. Учитывая небольшой размер, пригодность для сложных задач кодирования следует проверять на собственных примерах.

Qwen3-4B Devin SFT (Instruct) — дообученная модель семейства Qwen3, созданная davidnichols-ops на базе Qwen/Qwen3-4B с использованием данных сессий Devin. Она предназначена для диалоговой генерации текста и сценариев агентной работы с вызовом инструментов; формат вызова инструмента задаётся JSON-объектом с именем инструмента и аргументами, например командой для shell. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Карточка указывает английский язык и лицензию Apache-2.0. Модель можно использовать для выполнения инструкций, разработки с помощью инструментов и работы в стиле Devin. Для ускорения вывода автор рекомендует сочетать её с черновой моделью davidnichols-ops/qwen3-0.6b-devin-draft; заявлено ускорение в 2–3 раза при спекулятивном декодировании. Качество вызова инструментов вне описанного формата и результаты на независимых задачах в карточке не оценены.

TimesFM 2.0 500M — предварительно обученная фундаментальная модель временных рядов для прогнозирования, разработанная Google Research. Это декодерная модель семейства TimesFM с 573,4 млн параметров; репозиторий содержит веса в формате safetensors и предназначен для запуска через библиотеку TimesFM на PyTorch. Модель не является официально поддерживаемым продуктом Google. Модель прогнозирует одномерные временные ряды: принимает исторический контекст длиной до 2048 точек и строит прогноз на заданный горизонт; при работе можно указать частотный индикатор. Основной режим — точечный прогноз. Также доступны экспериментальные квантильные выходы, но они не калиброваны после предварительного обучения. Для корректной работы желательно подавать непрерывный ряд без пропусков и сохранять одинаковую частоту в контексте и горизонте; пропущенные значения README предлагает заполнять линейной интерполяцией. Модель подходит для прогнозирования временных рядов в различных областях, однако конкретные отраслевые гарантии качества в карточке не заявлены. Распространяется по лицензии Apache-2.0.

Uraion-Agent-Small — компактная языковая модель компании Uraion Labs, дообученная на базе Qwen/Qwen3.5-2B. Она предназначена прежде всего для агентных сценариев, вызова инструментов и функций, многошагового взаимодействия с API и построения локальных циклов автоматизации. Модель обучалась методом QLoRA на наборах данных для function calling и instruction following, включая NousResearch/hermes-function-calling-v1, Salesforce/APIGen-MT-5k и mlabonne/FineTome-100k. Модель содержит около 1,9 млрд параметров, из которых при обучении через LoRA использовалось 21,8 млн обучаемых параметров. Она основана на гибридной архитектуре Qwen3.5: 24 слоя включают 18 слоёв Gated DeltaNet с линейным вниманием и 6 слоёв полного внимания. Нативная длина контекста составляет 262 144 токена. Доступны веса в формате GGUF и Transformers NF4; заявлены 4-битное NF4-квантование и поддержка английского языка. Для структурированных вызовов инструментов используется парсер qwen3_coder. Сильными сторонами модели являются небольшой размер, возможность локального развертывания и специализация на структурированном tool calling, что делает её подходящей для локальных агентов, API-композиции и запуска на потребительском оборудовании. При этом GGUF-файлы в репозитории имеют известную проблему с формами некоторых тензоров и могут не загружаться в llama.cpp без дополнительной конвертации. Для архитектуры qwen35 требуется свежая версия llama.cpp, а NF4-веса медленно работают на CPU, поэтому для них предпочтительно GPU-развертывание. Модель распространяется по лицензии Apache 2.0, унаследованной от Qwen3.5.

MaziyarPanahi/BASH-Coder-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp-GGUF — это GGUF-квантизованная версия объединённой модели BASH-Coder-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp, созданная и квантизованная MaziyarPanahi. В её основе лежит Mistral-7B-Instruct-v0.2; модель предназначена для генерации текста и, судя по названию и исходной модели BASH-Coder, может быть ориентирована в том числе на задачи программирования и работу с инструкциями. Модель имеет размер 7 миллиардов параметров и поставляется в формате GGUF, совместимом с llama.cpp и рядом локальных интерфейсов и библиотек, включая text-generation-webui, LM Studio, GPT4All и llama-cpp-python. Доступны варианты квантизации с разной точностью — от 2- и 3-битных до 4-, 5-, 6- и 8-битных, что позволяет выбирать компромисс между размером, скоростью и качеством. Конкретные сведения о поддерживаемых языках, длине контекста и мультимодальности в README не указаны; по представленным данным это текстовая, а не мультимодальная модель. К сильным сторонам относятся локальный запуск, широкий выбор уровней квантизации и совместимость с популярными инструментами инференса. Более агрессивная квантизация уменьшает требования к памяти, но может снижать качество генерации; README также не содержит независимых бенчмарков или подробной оценки возможностей модели. Модель распространяется по лицензии Apache-2.0.

CloudSurf-4B-FC-GGUF — официальный набор GGUF-квантизаций модели CloudSurf-4B-FC, разработанной CloudSurf Software. Модель основана на архитектуре Gemma-4 E4B: около 4 млрд эффективных активных параметров и примерно 8 млрд общих параметров. Основное назначение — генерация текста с поддержкой function calling и tool use, включая выбор инструментов, многоаргументные и параллельные вызовы, обмен сообщениями роли tool и отказ от нерелевантных вызовов. Модель ориентирована на работу через llama.cpp, LM Studio, Ollama и OpenAI-совместимый локальный сервер. Доступны варианты с квантованием от Q3_K_M до Q8_0, а также BF16; рекомендуемый вариант Q4_K_M занимает около 5,3 ГБ и рассчитан на системы с 8 ГБ RAM или VRAM. Для каждого файла заявлена успешная проверка базового набора из шести сценариев вызова инструментов. Поддерживается ввод изображений через отдельный mmproj-файл, поскольку визуальные возможности унаследованы от базы Gemma-4, однако ключевая специализация модели — function calling. Обучение и оценка проводились в контексте класса 131K, а практический пример запуска использует 16 384 токена. Качество квантованных вариантов отдельно пока не оценено: опубликованные показатели BFCL относятся к исходным BF16-весам и не должны напрямую переноситься на GGUF-файлы. Для вариантов ниже Q8_0 следует ожидать некоторое снижение качества, усиливающееся при уменьшении разрядности. Лицензия — Apache-2.0, при этом базовые веса Gemma-4 также регулируются условиями Google Gemma.

Coding Monkey Gemma GGUF — модель, разработанная TheOneWhoWill на базе Gemma 4 12B. Это дообученная версия, ориентированная на генерацию кода и надёжное использование инструментов в агентских сценариях, включая вызовы функций, работу с базами данных, knowledge graph, shell-командами и терминальными действиями. Модель предназначена для локальной разработки и запуска на системах с ограниченным объёмом VRAM. Дообучение выполнено методом QLoRA на 5 211 примерах, преимущественно связанных с function calling и агентскими задачами. По данным README, на отложенном наборе из 102 запросов точность корректного вызова инструментов составила 70,6% против 26,5% у базовой модели, а валидность формата достигла 98%. Доступны варианты в формате GGUF с квантованием fp16, Q8_0, Q6_K, Q5_K_M и Q4_K_M; в примере использования указан контекст до 32 768 токенов. Сильная сторона модели — улучшенная генерация структурированных вызовов инструментов и пригодность для локальных coding-agent систем. Ограничения включают специализацию на tool calling и кодировании, возможное снижение качества при сильном квантовании, а также отсутствие в README подробных сведений о поддерживаемых языках, мультимодальности и комплексных результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

kompress-v2-base — модель-экстрактор для сжатия запросов и результатов инструментов перед передачей большой языковой модели. Её разработал chopratejas на основе ModernBERT-base: к энкодеру добавлены LoRA-адаптер и две классификационные головы, которые оценивают важность каждого токена. Модель оставляет выбранные токены в исходном порядке, поэтому результат представляет собой подпоследовательность входного текста, а не его перефразирование или генерацию. Модель обучена на 126 617 размеченных примерах из разных источников, включая диалоги, код, трассы агентов, научные, медицинские, финансовые и государственные тексты. Контекст — до 8 192 токенов. Основной артефакт для интеграции — ONNX-модель с квантизацией int8 для запуска на CPU; также доступна версия fp32. В тестах при стандартном пороге 0,5 удалялось около 13% субсловных токенов, F1 составлял 0,920, а полнота сохранения важных фрагментов — 0,989. Модель предназначена для сокращения длинного контекста в LLM-прокси, в частности при обработке длинных ответов инструментов. Она не генерирует текст и не восстанавливает удалённое содержимое; более высокий порог усиливает сжатие, но может повысить риск потери нужных деталей. Распространяется по лицензии Apache 2.0, разрешающей коммерческое использование.

RegesCore-1.0-35B — языковая модель на 35 млрд параметров с архитектурой mixture-of-experts, созданная Like A King Inc. на основе Ornith-1.0-35B команды DeepReinforce. Это дообучение ориентировано на системную инженерию, работу с безопасностью, реверс-инжиниринг, Lua и агентное программирование. Модель рассчитана на диалог с системным промптом, который предлагает разделять утверждения на факты, выводы и неизвестное. Репозиторий содержит веса GGUF для локального запуска через llama.cpp, LM Studio, Ollama и совместимые с OpenAI серверы. Указаны квантизации от низкобитных IQ до Q8, а также варианты BF16, F16 и F32. Предусмотрены сценарии локального развёртывания, работы с Linux и инфраструктурой, анализа логов и инцидентов, разработки средств обнаружения угроз и редактирования кода в нескольких файлах. В метаданных основной задачей указана генерация текста; README сообщает о наследуемых от базовой архитектуры возможностях зрения, но их работа для всех сборок GGUF не подтверждена. Карточка рекомендует модель для авторизованных задач безопасности и инженерной работы, с проверкой результатов человеком. Специальных бенчмарков RegesCore не опубликовано; ответы и сгенерированный код могут быть ошибочными, а низкие квантизации снижают качество. Проверен только английский язык. Лицензия модели — MIT.

CVE Backport Code Generation — Qwen2.5-Coder-32B v5 — модель, дообученная openSUSE на базе Qwen/Qwen2.5-Coder-32B-Instruct для переноса исправлений безопасности на другие версии кода. Она получает уязвимый фрагмент и описание исправления, а затем генерирует исправленный код; итоговый diff формируется программно. Такой подход предназначен для автоматизации подготовки патчей в рабочих процессах сопровождения пакетов и устранения CVE. Модель использует плотную 32-миллиардную архитектуру Qwen2.5-Coder и поддерживает диалоговый режим. В карточке приведены результаты оценки на 100 отложенных примерах: полнота 93,1%, точность 94,4%, точное совпадение — 83 из 100. Доступны веса safetensors и GGUF Q8_0; указана лицензия Apache-2.0. В README рекомендуется проверять сгенерированные патчи перед применением в производственных системах.

Chronos-T5 Mini — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, построенная на архитектуре T5. В README размер варианта Mini указан как 20 млн параметров, тогда как метаданные Hugging Face указывают 9,8 млн; эти источники расходятся. Для уменьшения словаря T5 использует 4096 токенов вместо 32128 в исходной модели. Модель преобразует исторические числовые значения в токены с помощью масштабирования и квантования, а затем авторегрессионно генерирует возможные будущие траектории. Несколько сгенерированных траекторий дают вероятностный прогноз. Обучение проводилось на общедоступных временных рядах и синтетических данных, созданных гауссовскими процессами. Модель предназначена для прогнозирования временных рядов; метаданные указывают контекст длиной 512 токенов. Разработчик — AutoGluon. Модель доступна под лицензией Apache-2.0. В README отмечено, что Chronos-Bolt обеспечивает меньшую ошибку и более высокую скорость по сравнению с исходными Chronos того же размера; это ограничивает преимущество Mini относительно более новых вариантов семейства.

Kimi-K2.7-Code-MLX-4bit-hiprec — конверсия модели moonshotai/Kimi-K2.7-Code для MLX на Apple Silicon, опубликованная pipenetwork. Это текстовая модель генерации кода без визуального модуля, основанная на архитектуре DeepSeek-V3-style MoE. Исходная модель содержит около 1 трлн параметров, из которых примерно 32 млрд активируются при обработке запроса. Модель предназначена для генерации и обработки программного кода, например написания Python-кода. Эксперты MoE сохранены в исходном формате int4 с размером группы 32, а attention, shared/dense MLP и lm_head квантизированы до 6 бит с размером группы 64. Средний размер составляет около 5 бит на вес, объём файлов — примерно 600 ГБ. Для запуска требуется около 768 ГБ или более unified memory; на компьютерах с 512 ГБ памяти модель не помещается. Используется через mlx-lm с поддержкой remote code. Преимущество сборки — более высокая точность attention, router, dense-слоёв и lm_head по сравнению с равномерной 4-битной квантизацией при умеренной прибавке к размеру. Ограничения включают отсутствие vision-возможностей, чрезвычайно высокие требования к памяти и отсутствие полноценного тестового запуска издателем: выполнена только проверка целостности файлов, индекса весов, шардов, конфигурации и tokenizer. Модель распространяется по лицензии Kimi K2; подробные условия приведены в файле LICENSE.

cyankiwi/Qwen-AgentWorld-35B-A3B-AWQ-INT4 — квантизированная сборка модели Qwen-AgentWorld-35B-A3B, разработанной командой Qwen. Это языковая мировая модель для симуляции агентных сред: она прогнозирует следующее состояние окружения на основе действия агента и истории взаимодействий. Модель предназначена для сценариев с вызовом инструментов MCP, поиском, работой в терминале, программной инженерией, Android, веб-интерфейсами и операционными системами, включая текстовые и графические среды. Архитектура — каузальная языковая модель с Mixture of Experts: 35 млрд параметров всего, около 3 млрд активируются при обработке токена. Она содержит 40 слоёв, использует комбинацию Gated DeltaNet и Gated Attention, а также контекст длиной до 262 144 токенов. Модель поддерживает английский, китайский, хинди, арабский, русский, японский, корейский, нидерландский, французский и испанский языки. Версия AWQ-INT4 рассчитана на эффективное инференс-развёртывание; размер представленных файлов составляет 23,54 ГБ. Сильные стороны модели — единая симуляция семи типов агентных окружений, обучение как нативной мировой модели с этапами CPT, SFT и RL, возможность обобщения на неизвестные среды и управляемого моделирования. Ограничения включают необходимость специализированной инфраструктуры для запуска крупной модели, а также то, что приведённые в README сведения не описывают точные требования к памяти, лицензирование именно квантизированной сборки и возможные потери качества из-за INT4-квантизации. Базовая модель распространяется по лицензии Apache-2.0.

Tulu V2.5 PPO 13B StackExchange 60K — англоязычная диалоговая языковая модель из серии помощников Tulu, разработанной Allen Institute for AI. Она основана на Tulu 2 13B и дополнительно обучена методом PPO на случайной выборке из 60 тысяч примеров StackExchange с использованием модели вознаграждения, обученной на той же выборке. Архитектура — плотная Llama с 12,9 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов. Модель предназначена для генерации ответов помощника и ведения диалога на английском языке. Обучение на StackExchange ориентирует её на ответы в формате вопросов и ответов, наряду с более общими инструкциями и синтетическими диалогами из смеси Tulu V2. Для качества генерации рекомендуется использовать предусмотренный шаблон диалога и соблюдать требуемый формат ввода. Модель не была специально выровнена для безопасных ответов и не использует фильтрацию результатов во время генерации, поэтому может выдавать проблемный контент, особенно по соответствующим запросам. Распространяется по лицензии Apache 2.0.

AEWM (Agent-Editing World Model) — дообученная модель RUC-AIBOX на базе Qwen3.5-35B-A3B для оценки и редактирования решений агентных систем. Она работает как отдельная мировая модель рядом с агентом, который предлагает рассуждения и действия: AEWM классифицирует предложенные действия как критически важные, исследовательские или шумовые, а для шумовых формирует исправленное продолжение рассуждения и действий. Модель предназначена для агентных сценариев поиска, работы в терминале и разработки программного обеспечения с использованием инструментов. В обучении использовались около 52 млрд токенов траекторий и 120 тыс. примеров для оценки действий и пересмотра состояний. В бенчмарке Action Judge указаны общий macro-F1 70,5% и отдельные результаты для Search, Terminal и SWE. Для работы модель развёртывают через совместимый с OpenAI API сервер с поддержкой рассуждений Qwen3.5 и нативных вызовов инструментов, интегрируя её с EditAct. Лицензия — Apache-2.0. Метаданные указывают текстовую генерацию как основную задачу; README описывает классификацию и редактирование решений как специализированное назначение модели.

Gemini 3.1 Pro Preview Custom Tools — вариант Gemini 3.1 Pro, предназначенный для более точного выбора инструментов при работе с ними. В частности, он снижает чрезмерное использование универсального инструмента bash, когда задачу эффективнее выполнить с помощью сторонних инструментов. Модель подходит для сценариев, где ассистент выбирает и вызывает инструменты для решения пользовательских задач. Данных о размере, архитектуре, языках, контексте и лицензии в предоставленных источниках нет.

Mungert/Llama-xLAM-2-8b-fc-r-GGUF — это GGUF-версия модели Llama-xLAM-2-8b-fc-r из семейства xLAM-2, разработанного Salesforce AI Research. Модель предназначена для построения AI-агентов, которые интерпретируют намерения пользователя, планируют действия и вызывают внешние функции или инструменты. Она ориентирована на многоходовые диалоги и сценарии function calling, включая автоматизацию рабочих процессов и взаимодействие с API. Модель содержит около 8 млрд параметров, работает с текстом и поддерживает контекст до 128 тысяч токенов. В карточке указан английский язык. Данная версия сгенерирована в формате GGUF с использованием llama.cpp и включает экспериментальный подход к квантованию: отдельные важные слои переводятся на более высокую точность, что может улучшать качество при заданном уровне квантования, но увеличивает размер файла. При этом квантование в целом может снижать точность по сравнению с исходной моделью. Модель заявлена как эффективная для многоходового использования инструментов и стабильного выполнения агентских сценариев; семейство xLAM-2 демонстрирует высокие результаты на бенчмарках BFCL и τ-bench. Релиз предназначен только для исследовательских целей. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование ограничено условиями лицензии.

Paralay 1.1 — Merged — это диалоговая языковая модель Om Choksi для помощи в задачах защитной кибербезопасности. Она создана на основе Qwen/Qwen2.5-1.5B-Instruct: модель дообучена с помощью LoRA, а адаптер объединён с базовой моделью. Архитектура — плотная Qwen2, размер — 1,5 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и генерирует текст; в карточке указан английский язык. Модель предназначена для объяснения принципов кибербезопасности, помощи при реагировании на инциденты, анализа журналов, моделирования угроз, облачной безопасности, разбора уязвимостей и безопасного программирования. Среди заявленных сценариев — рекомендации по обнаружению вредоносной активности и устранению небезопасных шаблонов кода. По описанию, модель отказывает в запросах на создание фишинга, вредоносных программ, кражу учётных данных и другие вредоносные действия, предлагая защитные альтернативы. Компактный размер может ограничивать точность сложных многоэтапных рассуждений. Знания о новых CVE и актуальной обстановке угроз ограничены датой обучения; ответы следует проверять и не считать заменой профессиональным инструментам или аналитикам. Модель выпущена под лицензией Apache-2.0.

Mungert/xLAM-2-32b-fc-r-GGUF — это GGUF-версия языковой модели xLAM-2-32b-fc-r, разработанной Salesforce. Модель относится к Large Action Models и ориентирована на создание AI-агентов, которые преобразуют намерения пользователя в выполняемые действия. Модель предназначена для многоходовых диалогов, function calling, использования инструментов и автоматизации задач в различных прикладных сценариях. Она содержит около 32 миллиардов параметров, работает с текстом и заявлена для английского языка. Указанная длина контекста составляет 32 тысячи токенов, с максимальным значением до 128 тысяч токенов. Модель обучалась на наборах Salesforce/APIGen-MT-5k и Salesforce/xlam-function-calling-60k с использованием данных, созданных в рамках APIGen-MT для имитации взаимодействия агентов и людей. К сильным сторонам относятся специализация на вызове функций, многоходовом взаимодействии, последовательности действий и агентских сценариях; семейство xLAM-2 также заявляет высокие результаты на бенчмарках BFCL и τ-bench. Данная версия представляет собой квантизованный GGUF-файл, созданный с помощью llama.cpp. В README отмечено применение выборочного повышения точности отдельных слоёв при квантизации, что может улучшать точность при заданном размере, но увеличивает размер файла. Модель выпущена для исследовательских целей и распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование с соблюдением условий лицензии.