II.7DevOps, облако и эксплуатация IT-систем

code-nothink-o7b-20260908 — кодовая языковая модель на базе Olmo-3-1025-7B, созданная для оценки генерации кода без режима рассуждений NoThink. Разработчик обучил LoRA-адаптер рангу 64 на паре проинструктированных примеров для кода, затем объединил его с базовой моделью; в репозитории размещены полные веса bf16 в формате safetensors. Модель имеет 6,9 млрд параметров и контекст до 65 536 токенов по метаданным; при обучении и описанной оценке использовался контекст 8 192 токена. Основной сценарий — генерация кода и решение задач программирования. В оценке LiveCodeBench DEV256 модель прошла 46 из 256 задач (18,0%) в режиме NoThink против 20 из 256 (7,8%) у базовой Olmo-3-1025-7B при том же протоколе; результат обозначен авторами как односидовый исследовательский, а не подтверждающий вывод. Для инференса автор рекомендует использовать токенизатор и шаблон чата из репозитория, не добавляя префикс режима рассуждений. Лицензия — Apache-2.0.

Карточка модели faceNony/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

Карточка модели Iarp/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

Карточка модели mercury063/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

Groq Llama-3-Groq-8B-Tool-Use — языковая модель, разработанная Groq на основе Meta Llama 3 8B и дообученная полным fine-tuning и Direct Preference Optimization (DPO) для вызова инструментов и функций. Это плотный авторегрессионный трансформер с 7,5 млрд параметров; он принимает и генерирует текст, поддерживает диалог и рассчитан прежде всего на английский язык. Длина контекста — 8192 токена. Модель предназначена для сценариев, где языковая модель выбирает инструменты и формирует структурированные вызовы: взаимодействия с API, манипуляции структурированными данными и многошаговое использование инструментов. В README приведён результат 89,06% на Berkeley Function Calling Leaderboard; это заявленный разработчиком показатель. Для общих вопросов и открытой генерации автор рекомендует выбирать универсальную модель. Качество может зависеть от настроек sampling, а ответы могут быть неточными или предвзятыми. Модель распространяется по лицензии Meta Llama 3 Community License; перед использованием необходимо учитывать её условия и ограничения.

Atom-Z-Tiny-7B — языковая модель из набора Atom, разработанного для точного вызова функций. По README, эта версия дообучена на 100 тысячах примеров; набор данных проекта включает более 20 миллионов примеров. Модель основана на архитектуре Mistral, содержит 7,1 млрд параметров и использует библиотеку NeMo. Контекстное окно составляет 32 768 токенов. Модель предназначена для диалоговых сценариев, где нужно сформировать вызов функции, а также для генерации текста и кода. В метаданных указан английский язык. Указанная лицензия — Apache-2.0. Заявленная в README поддержка зрения относится к будущей разработке проекта, поэтому её нельзя считать возможностью этой модели.

DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

LLM Query Complexity Classifier — англоязычный классификатор запросов, разработанный для проекта STREAM. Он дообучен на ModernBERT-base и относит текстовый запрос к одному из трёх классов по требуемой глубине рассуждений: LOW, MEDIUM или HIGH. Модель предназначена для автоматической маршрутизации запросов между локальным CPU, HPC GPU и облачным API с учётом сложности и стоимости обработки. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает до 8192 токенов контекста. По README, задержка на CPU составляет около 32 мс на запрос. Для обучения использовалась дистилляция разметки Claude Sonnet 4.6 на 6000 запросах из десяти областей, включая математику, естественные науки, программирование, медицину и гуманитарные дисциплины. Указанная лицензия — Apache 2.0. На фиксированном тестовом наборе README сообщает точность 64,2% и Macro-F1 0,640; полнота для класса MEDIUM ниже, чем для LOW и HIGH, поэтому оценки сложности могут ошибаться, особенно на промежуточных запросах. Метрики относятся к описанной в карточке выборке и не гарантируют аналогичного качества на других темах и распределениях запросов.

Многоязычный бинарный классификатор Vijil для обнаружения prompt injection и jailbreak-атак в пользовательском тексте, извлечённых документах, логах и результатах инструментов. Модель дообучена на внутреннем датасете Vijil vijil/pi_v5_multilingual_20260827 на базе энкодера jhu-clsp/mmBERT-base; опубликована в формате safetensors и решает задачу классификации текста. Метки: 1 — обнаруженная атака, 0 — безопасный текст. В README сообщается о сбалансированной точности 0,978 на отложенной выборке из 75 011 примеров и FPR/FNR 2,31%/2,16% при пороге 0,5. Модель проверялась на разных форматах сериализации и специально обучалась не реагировать на отдельные ключевые слова и безвредные варианты текста. Поддерживаемые языки карточки: английский, русский, китайский, арабский, хинди, немецкий, французский, испанский, вьетнамский, корейский, тайский и бенгальский. Для длинных сообщений README рекомендует нарезку на перекрывающиеся окна: усечение может пропустить атаку в конце текста. Оценки softmax не откалиброваны как вероятности; порог следует выбирать на данных целевого трафика, а при агрегации большого числа окон учитывать накопление ложных срабатываний. Чувствительность к запросам с вредоносным содержанием без признаков инъекции снижена; качество на некоторых низкоресурсных языках ниже. Обфускация может повышать ложные срабатывания без предварительной нормализации. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели.

SecGPT — специализированная диалоговая языковая модель компании 云起无垠 для задач кибербезопасности. Репозиторий содержит дообученную на базе Qwen2.5-14B-Instruct модель с плотной архитектурой Qwen2, 14 млрд параметров и контекстом до 32 768 токенов. Она принимает текстовые запросы и генерирует текстовые ответы; в карточке заявлена поддержка китайского и английского языков. Модель предназначена для анализа уязвимостей и кода, разбора команд и скриптов, ответов на вопросы по безопасности, анализа журналов и сетевого трафика, извлечения IOC и помощи при расследовании инцидентов. Также карточка описывает сценарии поддержки красных и синих команд, включая анализ атак и подготовку рекомендаций. Указаны обучение на наборах задач безопасности и возможность развертывания через vLLM. Карточка заявляет об обучении на сочетании данных по кибербезопасности и инструкционном дообучении с последующим обучением с подкреплением, однако подробности этого репозитория и заявленные результаты оценки описаны неполно. Ответы модели могут содержать ошибки и требуют проверки специалистом, особенно при анализе угроз и рекомендациях по устранению уязвимостей. Лицензия — Apache-2.0.

d9 — дообученная модель для генерации кода, созданная на основе deepseek-ai/deepseek-coder-1.3b-base и обученная на датасете generator. Она построена на архитектуре Llama, содержит 1,3 млрд параметров и поддерживает контекст до 16 384 токенов. Модель предназначена для генерации и продолжения кода по текстовому запросу. В репозитории указаны веса в формате safetensors. Лицензия в предоставленных сведениях не указана. README не содержит описания конкретных сценариев применения, оценок качества или известных ограничений.

Functionary Small v2.5 — языковая модель семейства Llama, разработанная MeetKai для диалогов с вызовом функций и плагинов. Модель имеет 7,5 млрд параметров, использует плотную архитектуру и контекст до 8192 токенов; в репозитории представлены веса Safetensors. Лицензия — MIT. Модель принимает сообщения диалога и определения функций в формате JSON Schema, представленные в шаблоне Functionary, и генерирует текстовые ответы или вызовы инструментов. Она умеет выбирать, когда вызвать функцию, выполнять вызовы последовательно или параллельно, учитывать результаты инструментов в ответе и продолжать беседу без инструментов, когда они не нужны. В карточке также заявлена поддержка code interpreter. Модель подходит для создания чат-ассистентов, которым нужно обращаться к внешним API, плагинам или интерпретатору кода. Для запуска разработчик рекомендует OpenAI-совместимый сервер vLLM; для удобного разбора сырых ответов предлагается пользовательский код. Карточка не приводит сравнительных оценок качества, поэтому заявления о превосходстве над другими моделями следует считать утверждениями автора.

Qwen3.8-27B-Uncensored-Cyber — GGUF — это квантизированная версия модели philbert440/Qwen3.8-27B-Uncensored-Cyber, опубликованная cyjin-yl. Репозиторий содержит только GGUF-квантизацию и калибровочную importance matrix, построенную на реальном трафике агентного программирования; дообучение, слияние моделей и изменения поведения не выполнялись. Лицензия — Apache-2.0. Модель предназначена прежде всего для агентного кодинга и задач кибербезопасности, включая сценарии с вызовами инструментов, JSON, командными строками, путями к файлам и точным воспроизведением идентификаторов. Это de-refusal («abliterated») модель, специализированная на offensive security. Доступны текстовые IQ4_XS-веса размером около 14,96 GiB и вариант около 15,38 GiB с совместимыми MTP-тензорами для speculative decoding; обычным GGUF-загрузчикам рекомендуется файл без MTP, если поддержка MTP не проверена. Сохраняются vision tower и MTP-head исходной модели, поэтому заявлена мультимодальная возможность image-text-to-text и поддержка MTP в совместимых средах. Указан контекст до 262K токенов для исходной модели, однако калибровка выполнялась с контекстом 512. Калибровочная матрица оптимизирована для агентных данных, включая tool-call токены, специальные chat-template токены и смешанные китайско-английские материалы, что может улучшать точность вызовов инструментов и копирования длинных литералов после квантизации. Ограничения включают зависимость от совместимости конкретного runtime с GGUF, MTP и мультимодальными компонентами, а также возможную потерю качества из-за двойной квантизации: исходные веса были получены из Q8_0, а не BF16. Модель унаследовала отсутствие отказов и кибернетическую специализацию базовой модели, поэтому требует осторожного применения.

EnvFactory-8B — диалоговая языковая модель семейства Qwen3, разработанная LARK-Lab на основе Qwen/Qwen3-8B. Модель дообучена с помощью SFT и обучения с подкреплением на синтезированных траекториях использования инструментов и предназначена для создания агентов, которые ведут многошаговый диалог, выбирают инструменты и взаимодействуют с ними для выполнения задач. Модель имеет плотную архитектуру Qwen3ForCausalLM с 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В обучении использованы 53,4 тыс. отфильтрованных SFT-траекторий и 3,09 тыс. RL-траекторий, построенных на проверенных исполняемых средах из 85 окружений в семи областях. В опубликованных тестах EnvFactory-8B превосходит базовую Qwen3-8B по нескольким показателям использования инструментов, включая многошаговые сценарии. Модель подходит для англоязычных диалоговых агентов с доступом к инструментам через MCP и для выполнения составных задач, требующих серии вызовов инструментов. Это текстовая модель генерации, а не среда исполнения: подключение MCP-инструментов и настройка агента выполняются отдельно. Распространяется под лицензией Apache-2.0.

auto-1b — это англоязычный классификатор безопасности вызовов инструментов ИИ-агентами, разработанный ProCreations. Модель дообучена на базе энкодера jhu-clsp/ettin-encoder-1b и использует архитектуру ModernBERT с 1 млрд параметров. Она оценивает предложенный вызов в контексте запроса пользователя и предыдущих действий, чтобы отнести его к разрешённым или требующим отказа; поддерживает контекст до 65 536 токенов. Модель предназначена для проверки действий агента, например чтения файлов, запуска команд и доступа к внешним инструментам. В README сообщается о точности 96,40% и AUROC 0,9928 на тестовой выборке из 3 000 примеров, а также о задержке около 10 мс на вызов. Это результаты авторского бенчмарка, а не гарантия качества на реальном трафике. Ошибочное разрешение опасного действия остаётся возможным, а при пороге 0,5 авторы измерили 3,19% ложных отказов. Модель распространяется в формате safetensors под лицензией Apache-2.0. README рекомендует bf16 для экономии памяти без потери качества на указанном бенчмарке и предостерегает от int8-квантизации из-за заметного числа изменившихся решений.

DocsGPT-14B — языковая модель семейства Llama, разработанная Arc53 и дообученная с помощью LoRA на базе Llama 2 13B. Модель содержит 12,9 млрд параметров, принимает вопрос и предоставленный контекст документов и генерирует ответ. Для работы используется формат инструкции с отдельными разделами для вопроса, контекста и ответа; длина контекста модели — 4096 токенов. Модель предназначена для ответов, основанных на документации, и подходит разработчикам и службам технической поддержки: например, её можно подключить к поиску документов и передавать найденные фрагменты в контекст. Карточка сообщает об обучении на 50 тысячах примеров, но оценка качества и бенчмарки ещё находятся в разработке. Поддерживается английский язык. Лицензия Apache-2.0 допускает коммерческое использование.

Arc53/docsgpt-7b-falcon — языковая модель на архитектуре Falcon, разработанная для ответов на вопросы по документации. Она дообучена методом LoRA на базе falcon-7b-instruct на 50 тысячах примеров и рассчитана на сценарии, где найденные документы передаются модели в контексте: например, для помощи разработчикам и технической поддержки. Модель генерирует текст в формате «вопрос — контекст — ответ». В метаданных указаны 10,9 млрд параметров, библиотека Transformers, формат safetensors и английский язык. Лицензия Apache-2.0 допускает коммерческое использование. Описание не приводит результатов бенчмарков: они ещё готовятся, поэтому качество модели не подтверждено опубликованными оценками.

xLAM-8x22b-r-GGUF — квантованный вариант языковой модели Salesforce/xLAM-8x22b-r, подготовленный пользователем bartowski в формате GGUF с использованием llama.cpp и imatrix-калибровки. Модель обучалась на наборе Salesforce/xlam-function-calling-60k и предназначена для генерации текста, function calling, использования инструментов и построения LLM-агентов. Указанный язык — английский; формат взаимодействия предполагает шаблон <s>[INST] {prompt}[/INST]. Модель относится к семейству Mistral и имеет размер 8×22B; поддерживаемые модальности, размер контекста и дополнительные архитектурные параметры в README не указаны. Доступны варианты квантования от IQ1_M до Q8_0 с размером файлов примерно от 32,74 до 149,43 ГБ. Более высокие уровни квантования обычно обеспечивают лучшее качество, а отдельные варианты оптимизированы для ARM и CPU-инференса, однако требуют значительных ресурсов. Сильная сторона модели — специализация на вызове функций и применении инструментов, а также широкий выбор квантований для различных ограничений по памяти. К ограничениям относятся преимущественно англоязычная специализация, необходимость совместимого инференсного ПО и большой объём файлов; снижение точности при низких уровнях квантования также отмечено в README. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями для некоммерческих целей.

Arch-Function-3B — языковая модель компании Katanemo, дообученная для вызова функций и API по запросам на естественном языке. Она анализирует описания функций и их параметры, выбирает подходящую функцию и формирует структурированный вывод, пригодный для автоматического выполнения. Модель рассчитана на интеграцию в чат-ботов, прокси-серверы и автоматизированные backend-сценарии; в карточке отмечены чат и интерфейс вызова инструментов. Модель основана на Qwen/Qwen2.5-Coder-3B-Instruct, использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. README рекомендует использовать специальный формат промпта для получения JSON-подобных вызовов функций и описывает оценку на Berkeley Function-Calling Leaderboard. Лицензия указана как other, поэтому конкретные условия следует проверять в карточке репозитория.

Dhee-Pravega v3 — модель для диалогов с вызовом инструментов, разработанная Dhee Yantra на основе дообученной Google Gemma 4 E2B IT. Она предназначена для выбора подходящего инструмента из нескольких вариантов, формирования аргументов вызова и определения, когда инструмент вызывать не нужно. Модель также обучена переключать язык диалога и выполнять перевод по соответствующим запросам. Модель использует плотную архитектуру Gemma 4 и представлена в формате safetensors с весами bf16; адаптер QLoRA был объединён с базовой моделью. Обучение проводилось на 181 191 диалоге на 18 языках. В README приведена оценка на 720 отложенных диалогах: инструмент был выбран правильно в 96,53% случаев, а все аргументы — в 71,11%; эти результаты относятся к описанному набору оценки и не гарантируют аналогичное качество в других сценариях. Для работы инструменты следует передавать структурированно через шаблон чата Gemma 4. Метаданные указывают лицензию «other», поэтому условия использования следует сверить с карточкой модели и базовой модели перед внедрением.

Imperum-CybersecurityLLM-v1.0-GGUF — специализированная языковая модель для задач кибербезопасности, разработанная компанией IMPERUM B.V. совместно с Alican Kiraz. Модель предназначена для работы внутри собственного периметра и ориентирована на ASOC, DFIR, detection engineering и полный цикл операций SOC. Модель дообучена на базе Qwen/Qwen3.6-35B-A3B — архитектуры Mixture-of-Experts с 35 млрд общих параметров и примерно 3 млрд активных параметров на токен. Распространяется в формате GGUF для llama.cpp, Ollama и LM Studio. Доступны варианты Q4_K_M размером около 20 ГБ и Q8_0 размером около 34 ГБ; для них требуется примерно 22 и 36 ГБ RAM или VRAM соответственно. Указан английский язык. README не сообщает размер контекстного окна модели, но содержит рекомендации по использованию контекста 8192 или 16384 токенов. Модель предназначена для триажа алертов, расследования инцидентов, threat intelligence, сопоставления с MITRE ATT&CK, создания Sigma- и YARA-правил, incident response, анализа вредоносного ПО, cloud-, container- и identity security, secure code review, vulnerability management и GRC. Среди сильных сторон — специализация на практических сценариях SOC, локальный запуск и низкая стоимость инференса благодаря MoE-архитектуре. Ограничения включают склонность при высокой температуре генерировать правдоподобные, но вымышленные CVE и синтаксис правил; результаты требуют проверки специалистом. Модель не предназначена для автономного принятия решений и не заменяет экспертную оценку. Распространяется по лицензии Apache-2.0.

ToolACE-8B — языковая модель, разработанная командой Team-ACE и дообученная на LLaMA 3.1 8B Instruct с использованием набора данных ToolACE. Она предназначена для диалогов с вызовом инструментов и функций: модель получает запрос пользователя и описания доступных функций, затем формирует ответ с вызовом подходящей функции. В карточке также заявлены сильные результаты на Berkeley Function-Calling Leaderboard (BFCL), сопоставимые с новейшими моделями GPT-4. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров; указанная длина контекста — 131 072 токена. Поддерживаемый язык в метаданных — английский. Веса доступны в формате safetensors, лицензия — Apache-2.0. Модель подходит для создания чат-агентов, которым нужно выбирать инструменты и передавать им структурированные аргументы; качество вызовов зависит от корректности описаний функций и интеграции со стороны приложения.

auto-0.4b — модель-классификатор ProCreations для оценки безопасности следующего вызова инструмента ИИ-агента. Это полное дообучение энкодера ModernBERT-large с 394,7 млн параметров и контекстом до 65 536 токенов. Модель принимает описание запроса пользователя, историю действий агента и предполагаемый вызов инструмента и классифицирует его как approve или deny. Поддерживается английский язык. Модель рассчитана на быстрый первый этап проверки действий в агентных системах: она может одобрять рутинные операции и выявлять несанкционированные разрушительные действия, попытки утечки учётных данных, ослабления защиты и следование инструкциям из внедрённого в прочитанный контент текста. В карточке заявлены скорость около 7 мс на вызов и точность 90,13% на отложенном тесте из 3000 примеров; автор рекомендует передавать неоднозначные случаи более крупной модели. На сложных примерах качество ниже, а доля ошибочных отказов на стандартном пороге составляет 10,88%; при настройке порога можно уменьшить ошибочные одобрения ценой роста ошибочных отказов. Результаты зависят от формата входа: модель обучалась на заданных секциях и порядке контекста. Лицензия — Apache-2.0.

CISCai/gorilla-openfunctions-v2-SOTA-GGUF — это набор квантованных моделей в формате GGUF на основе Gorilla OpenFunctions v2, разработанной Gorilla LLM (UC Berkeley) и преобразованной и квантованной автором CISC. Модель ориентирована на генерацию текста и выполнение задач, связанных с компьютерными науками, прежде всего на структурированный вызов функций и инструментов по заданным описаниям и параметрам. В карточке указано, что модель относится к типу DeepSeek и поддерживает английский язык. Представлены варианты квантования от IQ1_S до более качественных 2-, 3- и 4-битных форматов; размер файлов составляет примерно 1,5–2,8 ГБ для перечисленных вариантов, а требуемый объём оперативной памяти — около 3,5–4,7 ГБ. Квантование выполнено с использованием importance matrix, обученной примерно на 1 млн токенов, что призвано сохранить качество при уменьшении размера модели. Сильные стороны модели — компактность, возможность локального запуска через llama.cpp и совместимость с рядом сторонних интерфейсов и библиотек на его основе. Ограничения зависят от выбранного уровня квантования: самые компактные варианты могут значительно терять в качестве. Для корректной токенизации и наилучших результатов рекомендуется использовать свежую сборку llama.cpp. Контекстное окно, точный размер исходной модели и мультимодальные возможности в README не указаны. Лицензия — Apache 2.0.

Модель fesalfayed/gpt-oss-20b-hermes_agent-tool-finetune_16bit — дообученная версия OpenAI gpt-oss-20b для локального фреймворка Hermes-Agent. Это причинная языковая модель с архитектурой Mixture-of-Experts; в README базовая модель описана как модель на 21 млрд параметров с 3,6 млрд активных параметров, а метаданные каталога указывают 1,6 млрд параметров. Контекст составляет до 131 072 токенов по метаданным, хотя обучение этого чекпойнта проводилось на последовательностях длиной 8 192 токена. Модель предназначена для диалогов с инструментами: вызовов функций, следования многошаговым инструкциям и продолжительных циклов «вызов инструмента — наблюдение — планирование». Сохраняет шаблон чата Harmony и настройку уровня reasoning effort. Дообучение выполнено методом LoRA SFT на примерно 42 тысячах трасс использования инструментов, после чего адаптер объединён с базовыми весами; доступны веса BF16 в формате Safetensors, ориентированные на запуск через vLLM или Transformers. Основной язык — английский. По README, дообучение улучшает соблюдение формата вызовов и системных инструкций, но не направлено на улучшение математики или генерации кода; при расплывчатых запросах модель может избыточно вызывать инструменты. Дополнительная настройка безопасности не проводилась. Лицензия — Apache-2.0.

Hammer 2.0-7B — языковая модель MadeAgents для вызова функций и создания агентных приложений, в том числе локальных и работающих на устройствах. Это плотная авторегрессионная модель семейства Qwen2 на 7,1 млрд параметров, дообученная на базе Qwen/Qwen2.5-Coder-7B-Instruct с применением техники маскирования функций. Модель обучали на 60 тысячах примеров вызова функций из набора APIGen и на дополнительном наборе xlam-irrelevance-7.5k. Она предназначена для выбора и вызова инструментов в агентных сценариях; в карточке описаны результаты оценки на BFCL-v3 и других академических тестах. Контекст составляет 32 768 токенов. Модель принимает текстовые запросы и выдаёт текст, включая структурированные вызовы функций. Репозиторий содержит веса в формате safetensors и поддерживает Transformers версии 4.37.0 и выше. Лицензия — CC BY 4.0. Карточка не приводит сведений о поддерживаемых естественных языках и конкретных ограничениях качества или безопасного использования.

Le Gros Chaton — дообученная на базе Qwen3.5-9B языковая модель на 7,2 млрд параметров, созданная Mateooo93 для агентных задач программирования в терминале. Она использует архитектуру Qwen3.5 с гибридными Gated-Attention и Gated-DeltaNet и принимает текстовые запросы, формируя текстовые ответы и вызовы инструментов. Модель обучали в несколько этапов с помощью LoRA: выравнивание формата вызова инструментов и дообучение на траекториях решения задач Terminal-Bench 2.0; опубликованная версия объединяет результаты до второго этапа. Контекст базовой модели составляет до 262 144 токенов, хотя пример запуска в README ограничивает его 32 768 токенами. Модель предназначена для работы в цикле агента: читать и редактировать файлы, запускать команды, разбирать вывод и продолжать работу до прохождения проверяющей задачи. В пилотной оценке Terminal-Bench 2.0 она набрала 25%; особенно сильной стороной автор называет Git-операции. Это специализированная модель для экспериментов и практических терминальных задач, а не универсальная замена более крупным агентным системам. Среди описанных ограничений — слабая работа с синтезом результатов из нескольких файлов, планированием действий с побочными эффектами и самостоятельным поиском неявно заданных входных данных. Распространяется по лицензии Apache-2.0.

LFM2.5-1.2B-Nova-Function-Calling-GGUF — специализированная дообученная версия LiquidAI/LFM2.5-1.2B-Instruct, разработанная NovachronoAI. Модель предназначена для function calling: преобразования запросов на естественном языке в структурированные вызовы инструментов и API с аргументами в формате JSON, а также для использования в программных агентах и диалоговых системах. Модель содержит 1,2 млрд параметров и использует гибридную архитектуру Liquid Neural Network. Она обучалась с применением Unsloth и Hugging Face TRL на отобранных примерах взаимодействия пользователя, агента и инструментов из датасета NovachronoAI/Nova-Synapse-Function-Calling. Заявлены поддержка формата ChatML, английского языка и контекста до 4096 токенов в примере запуска. Доступны варианты GGUF с различными уровнями квантования, включая стандартные и Imatrix-версии для локального запуска через llama.cpp, Ollama и LM Studio. Сильные стороны модели — небольшой размер, возможность работы на устройствах с ограниченными ресурсами и высокая заявленная надёжность синтаксиса JSON: 97% в представленном benchmark. При этом показатель семантической точности без определений инструментов составляет 58%, поэтому модель ориентирована прежде всего на сценарии с явно заданными инструментами и схемами. Заявленные результаты приведены разработчиком и могут не отражать качество на других наборах данных и задачах. Карточка указывает лицензию Apache 2.0 для дообучения и адаптеров, но также требует учитывать исходные лицензионные условия Liquid AI для базовой модели и коммерческого использования.

Lion Warden — модель Patronus AI для многоцелевой классификации текстов в системах защиты ИИ-агентов. Это дообученный мультиязычный энкодер ModernBERT/mmBERT с архитектурой UnifiedMultiTaskModel и семью независимыми классификационными головами. За один проход модель оценивает признаки prompt injection, чувствительных документов, типа и действий инструмента, тегов безопасности, маршрутизации запроса и категории угрозы. Входом служит текст: например, запрос, вызов инструмента, документ или шаг агента; на выходе — отдельные оценки и классы по головам. Модель предназначена для проверок в межсетевом экране ИИ, применения политик к агентам, оценки риска инструментов, сигналов предотвращения утечек, маршрутизации запросов и мониторинга во время выполнения. В карточке приведены результаты по отдельным головам на тестовом наборе и средний macro-F1 0,937. Основными языками оценки были немецкий и английский; мультиязычная основа допускает работу с другими языками, но они не проверялись активно. Модель не отслеживает поток информации между несколькими шагами агента, а положительный прогноз сам по себе не доказывает выполнение действия или доступ к данным; возможны ложные срабатывания и пропуски. Лицензия — Apache-2.0.

NexusRaven-13B — дообученная Nexusflow языковая модель для вызова функций и инструментов. Она принимает описания Python-функций с сигнатурами и docstring, а затем генерирует вызов подходящей функции. Модель основана на CodeLlama-13b-Instruct, использует плотную архитектуру Llama с 12,9 млрд параметров и контекстом до 16 384 токенов. Модель предназначена для интеграции LLM с API и другими инструментами, в том числе для выбора функций по описанию и работы с незнакомыми инструментами в режиме zero-shot. В README отмечены результаты на сценариях с инструментами кибербезопасности и возможность коммерческого применения. Лицензия репозитория — Llama 2 Community License. Качество вызовов может быть нестабильным: модель способна генерировать неверные вызовы, поэтому их необходимо проверять перед исполнением. При большом числе доступных функций контекст может переполняться; авторы рекомендуют подключать retriever и использовать начальный вызов без последующего блока Reflection.