II.7DevOps, облако и эксплуатация IT-систем

Valiant Labs разработала Esper 3 на базе Qwen3-8B как модель для рассуждений в программировании, проектировании архитектуры и DevOps. Модель дообучена на данных для рассуждений о DevOps, архитектуре и коде, созданных с помощью DeepSeek R1; также заявлено улучшение общих и творческих рассуждений, решения задач и диалоговых ответов. Модель использует архитектуру Qwen3 с плотной причинной языковой моделью на 7,6 млрд параметров и контекстом до 40 960 токенов. Она предназначена для генерации текста, чата и следования инструкциям; автор рекомендует включать режим рассуждений `enable_thinking=True`. Карточка указывает поддержку английского языка и лицензии Apache-2.0. Небольшой размер рассчитан на локальный запуск и серверный инференс; заявленные специализации охватывают код, DevOps и архитектурные задачи.

Valiant Labs разработала Esper 3 — дообученную на базе Qwen3-14B языковую модель для рассуждений, особенно в программировании, проектировании архитектуры и DevOps. Она также предназначена для общего решения задач, творческих рассуждений и диалогов. Модель использует архитектуру Qwen3 dense с 14 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Для диалогов рекомендуется включать режим рассуждений через параметр enable_thinking=True. Модель ориентирована на разработчиков и инженеров: может помогать с кодом, скриптами, облачной инфраструктурой и DevOps-задачами, а также отвечать на общие вопросы. Карточка описывает её как открытую модель; лицензия Apache-2.0. README не приводит оценок качества или подробностей о датасетах обучения, кроме указания, что данные для рассуждений и кода были сгенерированы с помощью DeepSeek R1.

Qweble-Sol 4B — дообученная ukuwzi модель на базе Qwen3.5-4B, настроенная для системного администрирования, программирования, отладки и DevOps. Это плотная модель примерно на 4,21 млрд параметров; данная версия представлена в 4-битном формате MLX для локального запуска через mlx-lm на устройствах Apple Silicon. Модель сохраняет диалоговые и рассуждающие возможности базовой Qwen3.5-4B. Она предназначена для помощи с администрированием Linux и macOS, shell-скриптами, кодом, Docker, сетями, настройкой серверов, автоматизацией и CI/CD, а также для общих технических вопросов. Карточка указывает английский язык; отдельная длина контекста не приведена. Версия компактна и рассчитана на экономичный локальный запуск, однако 4-битная квантизация и размер модели могут снижать точность относительно более крупных или высокоточных вариантов. Модель может ошибаться в командах, параметрах и коде, поэтому результаты следует проверять. Модель выпущена под лицензией Apache-2.0. Это независимое дообучение и упаковка ukuwzi, а не официальный релиз Alibaba или команды Qwen.

mrm8488/santacoder-finetuned-the-stack-bash-shell — модель генерации кода, дообученная на bash- и shell-скриптах на основе BigCode/SantaCoder. Базовая SantaCoder — плотная GPT-2-подобная модель на 1,1 млрд параметров с Multi Query Attention и обучением по Fill-in-the-Middle; в метаданных указаны библиотека Transformers и формат PyTorch. Контекст составляет 2048 токенов. Модель предназначена для генерации и продолжения фрагментов bash/shell-кода по текстовому или кодовому контексту. Предобучение SantaCoder использовало код на Python, Java и JavaScript, а дообучение этой версии — набор The Stack с bash/shell-скриптами; исходный код преимущественно на английском. На оценочном наборе указана функция потерь 1,2272. Сгенерированный код может содержать ошибки, быть неэффективным или небезопасным. Лицензия — OpenRAIL.

WhiteRabbitNeo-V3-7B-GGUF — это квантизированная GGUF-версия языковой модели WhiteRabbitNeo-V3-7B, разработанной компанией Kindo и опубликованной в исходном виде WhiteRabbitNeo. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и кода, прежде всего для задач DevOps и кибербезопасности, включая анализ и написание программного кода и работу с техническими запросами. Модель имеет около 7 миллиардов параметров, поддерживает текстовую модальность и английский язык. В репозитории доступны варианты от BF16 до низкобитных форматов Q8, Q6, Q5, Q4, Q3 и IQ4 с размером файлов примерно от 4,1 до 15,2 ГБ. Для запуска подходят llama.cpp, LM Studio и другие совместимые приложения. Размер контекста и точная архитектура в README не указаны. Сильными сторонами являются специализация на кибербезопасности, DevOps и коде, а также широкий выбор квантизаций для различного объёма памяти; варианты с более высокой разрядностью обычно лучше сохраняют качество, а низкобитные требуют меньше ресурсов. Ограничения включают отсутствие в README результатов тестирования, подробных характеристик контекста и информации о качестве на других языках. Указанная лицензия — Apache 2.0.

Bash Copilot — языковая модель rabbitcat, дообученная на базе Yi-1.5-6B для преобразования описаний на естественном языке в команды Bash и shell-скрипты. Она поддерживает многошаговый диалог на английском и китайском языках: позволяет ссылаться на сущности из предыдущих реплик и постепенно уточнять или дополнять код. Модель семейства Llama с плотной архитектурой, около 5,8 млрд параметров, принимает текст и генерирует текст; длина контекста — 4096 токенов. Для обучения использован корпус из 21 тысячи многошаговых диалогов, собранных из популярных репозиториев GitHub. Лицензия — MIT. Примеры показывают генерацию команд для работы с файлами, JSON и циклами оболочки.

Qwen3.6-27B-MTP-pi-tune-GGUF — производная модель от Qwen3.6-27B, разработанная bytkim. Это 27-миллиардная dense-модель, дообученная методом 4-bit QLoRA SFT для агентного программирования без отдельного этапа рассуждений. Модель упакована в формат GGUF, совместимый с llama.cpp, и ориентирована на локальный запуск. Модель предназначена для coding-agent сценариев, включая генерацию и редактирование кода, DevOps-задачи, работу с инструментами, function calling и взаимодействие с терминалом. Режим no-thinking рассчитан на прямые ответы, вызовы инструментов и структурированный вывод с меньшей задержкой. Multi-Token Prediction поддерживает speculative decoding, потенциально ускоряя генерацию длинного кода, рассуждений и подготовку вызовов инструментов. В описании также заявлена мультимодальная совместимость с изображениями и текстом, нативный контекст 256k токенов и максимальный контекст до 1M токенов. Сильными сторонами являются ориентация на локальные агентные циклы, интеграция с экосистемой llama.cpp, низколатентный прямой режим и поддержка MTP-декодирования. Ограничение модели — отсутствие специально обученного длинного внутреннего рассуждения: для задач, требующих сложного reasoning, автор рекомендует отдельную reasoning-версию. Эффективность MTP зависит от поддержки со стороны используемого runtime, а приведённая оценка на Terminal-Bench 2.0 составляет pass@1 28,09, поэтому её не следует считать универсальным показателем качества. Модель распространяется по лицензии Apache 2.0.

Nemotron-Terminal-14B — модель NVIDIA для автономного взаимодействия с терминалом. Это дообученная на корпусе Nemotron-Terminal-Corpus плотная языковая модель семейства Qwen3 с 14 млрд параметров, представленная в формате safetensors и предназначенная для работы через библиотеку Transformers. Модель планирует и выполняет задачи в командной строке, формируя структурированный JSON с анализом состояния терминала, планом, командами и признаком завершения задачи. В README приведён результат 20,2% на Terminal-Bench 2.0 для варианта 14B; для воспроизводимости оценки рекомендована оболочка Terminus 2. Метаданные указывают контекст 40 960 токенов и английский язык. Модель рассчитана на текстовый ввод и выдаёт текст с командами для терминала; для их выполнения требуется внешняя среда или оболочка. Указана лицензия «other», поэтому конкретные условия использования следует сверить с лицензией в репозитории.

Rebekah AI 1.8B — плотная авторегрессионная языковая модель семейства LLaMA, разработанная Next GenAi Mexico для локального запуска и работы на периферийных системах. Модель ориентирована на агентные сценарии, вызов инструментов, диагностику Linux-инфраструктуры и системное администрирование без обращения к облачным API. В карточке заявлены результаты тестов на генерацию кода, математические рассуждения и общие знания; эти показатели приведены авторами модели. Модель содержит около 1,9 млрд параметров, использует архитектуру decoder-only causal transformer и поддерживает контекст до 8192 токенов. README описывает обучение на англоязычных и испаноязычных технических данных, включая материалы по системам, программированию и математике. Модель принимает текст и генерирует текст, в том числе код и ответы для агентных рабочих процессов. Модель распространяется с открытыми весами по лицензии Apache 2.0, допускающей коммерческое использование, изменение и распространение. Карточка заявляет ориентацию на одиночный GPU и локальные развёртывания; качество ответов и выполнения инструментов может зависеть от конкретной задачи и настройки интеграции.

Sentie 1.0-3B UltraCode — языковая модель компании SentieAI для генерации текста, программирования, рассуждений и агентных сценариев. Модель основана на Nanbeige/Nanbeige-4.1-3B и дообучена на 18 354 многоходовых образцах с рассуждениями и использованием инструментов, включая синтетические русско- и англоязычные данные, задачи разработки, DevOps, терминального управления и корпоративного программирования. Модель содержит около 3 миллиардов параметров и распространяется в формате GGUF с вариантами квантования от F16 до 3-битных IQ3_M и Q3_K_M. Заявлена поддержка русского и английского языков. Основные сценарии включают написание и анализ кода, многошаговое решение задач, работу в роли программного агента и tool-calling. Наличие нескольких вариантов квантования позволяет запускать модель локально, в том числе на устройствах с ограниченной памятью, однако более сильное квантование может снижать точность. К сильным сторонам относятся компактный размер, ориентация на код и агентные задачи, а также широкий выбор квантованных сборок для разных требований к памяти и скорости. Ограничения — относительно небольшой размер модели по сравнению с крупными LLM, потенциальные потери качества при низком уровне квантования и отсутствие в README сведений о размере контекстного окна и мультимодальных возможностях. Модель распространяется по лицензии Apache-2.0.

ValiantLabs_Muse-Glimmer-30B-Esper4-GGUF — это квантизированная версия модели Muse-Glimmer-30B-Esper4, разработанной ValiantLabs и опубликованной в формате GGUF. Квантизацию выполнил bartowski с использованием llama.cpp и imatrix. Модель содержит около 30 млрд параметров и предназначена для локального запуска через совместимые инструменты llama.cpp. Модель поддерживает обработку текста, а также изображений при использовании соответствующего файла mmproj. Она ориентирована на англоязычные сценарии, рассуждения, программирование, разработку и DevOps-задачи, включая работу с Python, JavaScript, TypeScript, Java, C++, C#, Rust, Go, Haskell, Bash, PowerShell, Jenkins, Terraform, Ansible, Docker, Kubernetes, Helm, Grafana, Prometheus и облачными платформами. В README также заявлен высокий уровень рассуждений; MTP не поддерживается. Доступно множество вариантов квантизации от BF16 до Q3 и IQ4. Вариант Q4_K_M размером около 17,31 ГБ указан как сбалансированный по качеству и размеру, а Q5 и Q6 рекомендуются для более высокого качества. Более компактные варианты требуют меньше оперативной памяти, но могут сильнее терять качество из-за квантизации. Размер контекстного окна и подробные результаты оценивания не указаны, поэтому пригодность для длинных контекстов и фактические показатели производительности оценить нельзя. Модель распространяется по лицензии Apache 2.0. Для мультимодального использования требуется отдельный mmproj-файл; конкретные аппаратные требования зависят от выбранного варианта квантизации.

HieraMind I2W Qwen3-4B — дообученная модель-компонент системы HieraMind для преобразования запросов на естественном языке в планы оркестрации сервисов. Получив запрос пользователя и контекст найденного каталога сервисов, она генерирует структурированный ориентированный ациклический граф (DAG) с нужными функциями сервисов и зависимостями их выполнения. Модель основана на плотной архитектуре Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 262 144 токенов. Для обучения применялось групповое обучение с подкреплением с оценкой рабочих процессов, направляемой учителем; семантический поиск ограничивает каталог сервисов, подаваемый модели. В оценке HieraMind I2W указаны точность выбора узлов 96,0% и полнота 92,6%. Модель предназначена для оркестрации сервисов в разнородных сетевых и вычислительных инфраструктурах. Она генерирует текстовое структурированное представление рабочего процесса, но качество результата зависит от запроса и предоставленного контекста каталога; показатели оценки не описывают все сценарии эксплуатации. Распространяется под лицензией Apache-2.0.

Log Inspector — модель классификации текстовых последовательностей на базе BERT, обученная разработчиком u-haru на журналах доступа nginx. Она определяет, выглядит ли запись журнала подозрительной или безопасной: метка 0 означает подозрительную запись, метка 1 — безопасную. Модель предназначена для первичной фильтрации nginx access logs и поиска потенциально вредоносных запросов, например попыток обращения к уязвимым путям или выполнения команд. Модель содержит 135,5 млн параметров, принимает текстовые записи и выдаёт метку класса с оценкой уверенности. Максимальная длина контекста — 512 токенов; в карточке указан английский язык. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. В README указана основа bert-base-cased.

Cronformer — компактная модель impalasys для преобразования коротких запросов на английском языке о расписании в пятикомпонентные выражения cron. Она предназначена для интерфейсов настройки расписаний, инструментов разработчика и локальных автоматизаций, которым нужно предложить cron-выражение по текстовому описанию. Модель использует дообученный BERT-энкодер google/bert_uncased_L-2_H-128_A-2 с архитектурой encoder-only и структурированный декодер: он предсказывает поля минут, часов, дня месяца, месяца и дня недели напрямую, а не генерирует выражение как текст. В модели 6 334 826 параметров, максимальная длина входа — 128 токенов. Выход представлен структурой CronOutput, которую вспомогательный код преобразует в строку cron в стиле Vixie. Для загрузки пользовательского кода Transformers требуется включить trust_remote_code=True. Модель может быть полезна для подсказок cron в интерфейсах и автономной генерации вариантов, но неоднозначные формулировки могут привести к синтаксически правильному, но неверному расписанию; рекомендуется показывать кандидаты или запрашивать подтверждение. Модель обучалась и оценивалась только на английском языке, поддерживает только пятикомпонентный cron и не учитывает секунды, годы, часовые пояса, праздники, переходы на летнее время и внешнее состояние. Оценка основана на внутренних наборах примеров проекта. Лицензия — AGPL-3.0.

laion/nl2bash-swesmith-stack-bugsseq — дообученная модель Qwen3-8B с 7,6 млрд параметров для генерации текста в диалоговом формате. Она обучена на наборах данных для преобразования инструкций на естественном языке в команды Bash, решения задач по коду и вопросам Stack Exchange, а также анализа ошибок в коде. Репозиторий указывает контекстное окно 40 960 токенов и формат весов safetensors. Модель может быть полезна для генерации команд оболочки, помощи с программированием и ответов на технические вопросы. README не приводит оценок качества и подробных ограничений; фактическую точность ответов следует проверять. Лицензия — Apache-2.0.

distil-labs дообучила LiquidAI/LFM2.5-350M на датасете distil-labs/distil-SHELLper для многошагового вызова инструментов, связанных с файловой системой и shell. Модель преобразует запросы на естественном языке в структурированные вызовы функций с Bash-командами и поддерживает многошаговый диалог. Это компактная плотная языковая модель семейства LFM2 с 444,6 млн параметров и контекстом до 128 000 токенов; репозиторий содержит веса Safetensors. Модель предназначена для автоматизации shell-задач: например, для построения команд по запросу пользователя и последовательного взаимодействия с инструментом выполнения команд. В README приведены результаты на задаче Berkeley Function Calling Leaderboard Gorilla для файловой системы, однако это показатели авторов карточки и они не гарантируют такую же точность в других сценариях. Для использования необходима среда выполнения, совместимая с форматом вызовов инструментов модели. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

SecInt-SmolLM2-360M-nginx — дообученная с помощью LoRA модель Hugging FaceTB/SmolLM2-360M-Instruct от автора LeviDeHaan для классификации записей журналов nginx. Она относит отдельную запись к одному из трёх классов: атакующая активность (hack), ошибка приложения (error) или нормальный трафик (normal). Модель содержит около 361,8 млн параметров, использует архитектуру LlamaForCausalLM и рассчитана на работу через Transformers или llama.cpp; доступны веса Safetensors и GGUF. Указанный в метаданных контекст — 8192 токена, а карточка сообщает, что модель обучалась на английских логах и рекомендует записи длиной до 2048 токенов. Модель предназначена для мониторинга безопасности веб-серверов: автоматической сортировки входящих логов, выявления типовых веб-атак и ошибок, а также передачи подозрительных событий в систему оповещения или реагирования. В карточке заявлены точность свыше 99% на производственных логах и запуск на CPU, однако результаты относятся к данным автора и не гарантируют такую же точность на других источниках. Модель обучалась на nginx-логах; для Apache, IIS и других форматов может потребоваться дообучение. Для оптимальной классификации требуется рекомендуемый шаблон запроса; отдельные записи анализируются независимо, без корреляции событий между логами. Лицензия — Apache-2.0.

Mythos-9B-Unhinged — языковая модель для генерации текста, разработанная King3Djbl в экосистеме FableForge. Она предназначена для агентских сценариев, программирования, работы с shell-командами, генерации кода, многошагового рассуждения, roleplay и использования инструментов и функций. Модель основана на Qwen3-9B с архитектурой из 36 слоёв, скрытым размером 4096 и 32 головами внимания; весовая версия содержит около 9 млрд параметров и поддерживает контекст до 32 768 токенов. Она объединена методом SLERP при t=0,65 с braindao/Qwen3-8B-Uncensored и сохраняет нативный режим рассуждения Qwen3. Указан английский язык. Доступны форматы GGUF с различными уровнями квантования, а запуск поддерживается через Ollama, llama.cpp, LM Studio, vLLM, Transformers и другие совместимые инструменты. К сильным сторонам относятся заявленные возможности tool use, рассуждения и генерации кода, а также высокая устойчивость к отказам в тестах автора. Модель обучалась на наборе FableForge Mix A, включающем 47 824 примера агентских трасс, shell-команд, программирования и многошагового рассуждения. Ограничения включают сравнительно невысокую скорость генерации в режиме рассуждения и отсутствие встроенных механизмов отказа, поэтому ответы могут содержать опасные или ненадёжные инструкции и требуют контроля со стороны пользователя. Модель распространяется по лицензии Apache-2.0.

pand4kingg/phi4mini-bash-powershell — дообученная языковая модель pand4kingg на базе unsloth/phi-4-mini-instruct-unsloth-bnb-4bit. Это плотная причинная модель семейства Phi-3 с 3,8 млрд параметров, предназначенная для генерации текста в диалоговом формате; заявленная тематика — Bash и PowerShell. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 4096 токенов. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0. Карточка не описывает состав обучающих данных, точность для конкретных типов команд или результаты оценки качества.

LoggenixMoE133M — небольшая причинно-языковая модель с архитектурой Mixture-of-Experts, разработанная kshitijthakkar и обученная с нуля на наборах данных для анализа первопричин, генерации кода и рассуждений. В метаданных указаны 92,5 млн параметров, семейство Qwen3 MoE и контекст 1024 токена; карточка README приводит другое число — 133 млн параметров, из них примерно 80 млн активны на шаге, и описывает восемь экспертов с маршрутизацией Top-2. Модель предназначена для следования инструкциям, анализа первопричин, структурированного суммирования, генерации кода на Python и диалоговых сценариев. Её можно дообучать для узких задач на устройствах с ограниченными ресурсами и использовать как основу специализированных агентов; токенизатор содержит специальные токены для взаимодействия с инструментами. Заявлена поддержка Transformers и форматов PyTorch/Safetensors. README указывает, что модель обучена с нуля, поэтому связь архитектуры с Qwen3 не означает, что она основана на базовой модели Qwen3. Репозиторий распространяется по лицензии Apache-2.0. Карточка предостерегает от длинного контекста, ответов на фактические вопросы с высокими ставками и применения в критически важных системах без надзора.

Карточка модели CrossNow/Qwythos-27B-v1 на Hugging Face совпадает с карточкой empero-ai/Qwythos-27B-v1, поэтому описание составлено по ней. Qwythos-27B-v1 — открытая полноразмерная дообученная модель Empero AI на базе Qwen/Qwen3.5-27B. Это плотная мультимодальная модель с 64 текстовыми слоями, гибридным вниманием Gated-DeltaNet и полным модулем зрения; она принимает текст и изображения и генерирует текст. Модель прошла полнопараметрические этапы SFT, DPO и ESFT до обучения с подкреплением, сохранив штатную поддержку вызова инструментов и предсказания нескольких токенов. Модель предназначена для диалогов и рассуждений, задач STEM, работы с терминальными и инструментальными сценариями, а также технических вопросов в областях кибербезопасности и биомедицины. Заявлена конфигурация контекста до 1 048 576 токенов с расширением YaRN. Шаблон чата поддерживает нативный формат вызова функций Qwen3.5. Зрение унаследовано от базовой модели: параметры визуального модуля не дообучались, а понимание изображений не оценивалось. Большой контекст с YaRN может немного ухудшать качество на коротком контексте. Модель намеренно не ограничивает ответы на чувствительные технические темы, поэтому для использования нужны подходящие правила и проверка результатов. Лицензия — Apache-2.0.

Ameya-Kawade/cmdcaliper — дообученная модель Sentence Transformers на базе thenlper/gte-base, созданная для анализа Linux-команд и фрагментов Bash. Архитектура BERT использует mean pooling и L2-нормализацию, формируя плотные эмбеддинги размерностью 768; в метаданных указаны 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для поиска семантически близких команд, группировки по намерению, выявления функциональных дубликатов и поиска сходства с известными вредоносными или безопасными командами. Обучение проводилось с Multiple Negatives Ranking Loss на размеченных парах Linux-команд из разных категорий, включая файловые операции, процессы, сеть, управление пакетами, мониторинг и команды, связанные с безопасностью. В README приведены результаты retrieval-оценки на 500 отложенных парах: MRR@10 около 0,8847, Top@10 около 0,9526 и точность 3-NN 88,41%. Модель оптимизирована для команд shell и Bash, а не для обычных предложений или других языков программирования. Указанная лицензия — MIT.

Mapika разработала decider-12b — дообученную версию Google Gemma-4-12B-it, которая выдаёт вероятности по вариантам ответа для нескольких типизированных вопросов за один проход модели. Она принимает состояние и вопросы с явным списком вариантов, а результат получает непосредственно из логитов модели без генерации текста и последующего разбора ответа. Модель предназначена для классификации решений, ответов «да/нет», выбора из вариантов и оценки по заданным критериям, в том числе при анализе журналов событий и отслеживании состояния объектов. Текущая версия v2 обучена методом LoRA на задачах отслеживания состояния и на ранее собранных примерах решений; изменены 328 матриц внимания и MLP относительно исходных весов. Используются архитектура Gemma 4 и формат safetensors. Версия v1 без обучения доступна отдельно под тегом v1. Для инференса требуется библиотека decider-ai версии 1.7.0 или новее. Модель рассчитана на англоязычные входы; лицензия — Apache-2.0. В опубликованных измерениях v2 улучшила результаты на некоторых тестах «да/нет» и сгенерированных журналах состояния относительно v1, однако на сложном уровне JevBench она дала меньше правильных ответов, а калибровка была хуже. Вероятности существенно зависят от температуры: значение Noul 0.05 из конфигурации делает ответы почти бинарными и плохо подходит для ранжирования или калибровки; для калиброванных вероятностей README рекомендует Noul 1.0. Ограничения и ошибки базовой Gemma сохраняются.

laion/swesmith-nl2bash-stack-bugsseq — дообученная модель на базе Qwen/Qwen3-8B, разработанная для генерации текста. По названию и указанным обучающим наборам она ориентирована на задачи SWE-Smith, преобразование инструкций на естественном языке в Bash-команды, вопросы по Stack Exchange и выявление ошибок в коде. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также указана возможность диалогового взаимодействия. Для дообучения использованы наборы open-athena и penfever с данными для рассуждений; конкретные результаты оценки и более подробное описание поведения не приведены. Модель распространяется по лицензии Apache-2.0. Практическое качество для отдельных сценариев и ограничения применения в карточке не описаны.

Модель brilan/procedure-tool-matching_3_epochs — дообученный Sentence Transformer на базе sentence-transformers/all-mpnet-base-v2, созданный для сопоставления описаний процедур с инструментами и командами. Архитектура включает MPNet, усреднение токенных представлений и нормализацию; она преобразует предложения и абзацы в плотные векторы размерности 768, сравниваемые по косинусному сходству. В метаданных указано 136,7 млн параметров и библиотека Sentence Transformers; ограничение контекста составляет 514 токенов по метаданным и 384 токена в карточке модели. Модель подходит для семантического поиска, ранжирования похожих описаний, поиска перефразировок и кластеризации текстов о процедурах и инструментах. Обучение проведено на примерах anchor-positive-negative с MultipleNegativesRankingLoss. Карточка приводит высокие значения cosine_accuracy на dev и test, но не раскрывает название датасета или подробности методики, поэтому эти результаты не гарантируют качество на других данных. Лицензия в предоставленных сведениях не указана.

tripathysagar/Qwen2.5-Coder-196M-Shell — компактная текстовая модель семейства Qwen2, разработанная путём дистилляции Qwen2.5-Coder-0.5B-Instruct и NL2SH-ALFA. Она предназначена для генерации Bash-команд по описанию задачи на естественном языке. Модель имеет около 195,8 млн параметров, использует архитектуру Qwen2ForCausalLM, исходный токенизатор базовой модели и контекст до 32 768 токенов. Модель подходит для преобразования коротких запросов в команды оболочки и помощи при написании Bash. В карточке указана лицензия MIT. README не описывает оценку качества и практические ограничения; из-за узкой специализации и малого размера результат стоит проверять перед выполнением.

loggenix-moe-0.4B-0.2A-sft-s4 — специализированная языковая модель от kshitijthakkar для анализа трасс OpenTelemetry и задач наблюдаемости при разработке агентных систем. Модель дообучена методом SFT на корпусах TraceVerse и генерирует структурированные JSON-вызовы инструментов на основе данных, заключённых в тегах <trace>. Она предназначена прежде всего для диагностики по трассам и выбора MCP-инструментов, а не для универсального общения. Это разреженная MoE-модель на базе Qwen3 MoE с 16 экспертами и выбором top-2. Всего она содержит около 390,1 млн параметров, из которых примерно 191,9 млн активны на токен; вычислительная часть без эмбеддингов и выходной головы составляет около 36,3 млн параметров. Размер словаря — 151 936 токенов, заявленный язык — английский, библиотека — Transformers, контекст обучения — 8192 токена. Доступны варианты GGUF, включая F16, Q8_0 и Q4_K_M; для последнего указана скорость около 344 токенов в секунду. Сильные стороны модели — специализация на trace-анализе, высокая приверженность формату структурированного вывода и компактные вычисления благодаря MoE-архитектуре. На целевых тестах детерминированная корректность контрактного формата составила 88%, а показатель соблюдения рассуждательного режима — 96%. Ограничения включают заметное снижение качества вне домена, ухудшение работы на запросах без trace-полезной нагрузки и склонность к зацикливанию при жадном декодировании. Для Transformers рекомендуется сэмплирование с temperature 0,7, top_p 0,95 и top_k 20, а также до 1500 новых токенов; для GGUF следует сохранять контекст 8192. Модель распространяется по лицензии Apache-2.0.

ThorOdinson246/nl2sh-1.5b-Q4_K_M — компактная модель для преобразования запросов на естественном английском языке в одну shell-команду. Она разработана на основе Qwen2.5-Coder-1.5B-Instruct с помощью LoRA дообучения на 125 770 парах «запрос — команда», после чего веса были объединены и квантованы в формат GGUF Q4_K_M. Модель предназначена для локального запуска через llama.cpp, в том числе на CPU, и используется в CLI-инструменте whatisit. Размер файла составляет около 941 МБ. Модель генерирует команды POSIX/bash, работает в однострочном режиме, поддерживает контекст до 64 токенов вывода и рассчитана на детерминированную генерацию при температуре 0. Она ориентирована на англоязычные запросы и сценарии автоматизации командной строки. На бенчмарке InterCode-ALFA показала точность 0,620 на 300 задачах, превзойдя нетюнингованную базовую модель 1.5B с результатом 0,540 и приблизившись к нетюнингованной модели 7B с результатом 0,613. Сильные стороны модели — небольшой размер, работа без GPU, низкие требования к ресурсам и существенный выигрыш от дообучения на задачах генерации команд. Ограничения включают однострочный и одношаговый характер работы, отсутствие доступа к файловой системе и состояния shell, ограниченный бюджет вывода, оценку только на англоязычном наборе из 300 задач и риск генерации разрушительных или ошибочных команд. Модель не проверяет намерения пользователя, поэтому каждую команду необходимо просматривать перед выполнением и дополнять собственными мерами подтверждения или изоляции. Модель распространяется по лицензии Apache-2.0. В README также указано, что обучающие данные собраны из источников с лицензиями MIT, CC-BY-4.0, CC0-1.0 и Apache-2.0; для части источников лицензии заявлены, но не были независимо подтверждены.

MagenticBrain — языковая модель на 14 млрд параметров от Microsoft Research AI Frontiers, предназначенная для оркестрации действий в агентных системах. Это decoder-only трансформер семейства Qwen3, дообученный на данных о вызове функций, работе с файлами и терминалом, делегировании подагентам и планировании. Модель принимает текстовые запросы и описания доступных инструментов, а вызовы инструментов выдаёт в виде структурированных JSON-объектов. Контекст модели составляет 40 960 токенов по метаданным; в README указана настройка обучения на траекториях до 32K токенов. Модель разбивает многошаговые задачи на этапы, выбирает инструменты из переданной схемы, формирует аргументы, использует результаты вызовов в следующих шагах и может передавать подзадачи компьютерному подагенту Fara1.5-9B. Она не выполняет внешние действия самостоятельно: их запускает хост-приложение, например MagenticLite, которое также обрабатывает протокол завершения задачи. Наиболее полно поведение проверено в связке с MagenticLite; модель не предназначена для свободного потребительского чата или неограниченной автономной работы. Веса опубликованы под лицензией MIT. Для запуска требуются совместимый шаблон чата и хост-среда, которая обрабатывает вызовы инструментов; README рекомендует Transformers версии 4.51.0 или новее и режим без thinking-токенов. Авторы предупреждают, что жадное декодирование может приводить к повторениям.

DeepSeek-V4-Flash-Fast — пользовательская сборка агента rafw007 на основе DeepSeek-V4-Flash, опубликованная в формате GGUF с низкой битностью квантования. Архитектура унаследована от базовой модели; заявлены MoE и около 285 млрд параметров всего, из которых активно около 20 млрд. Поведение агента настроено промптами и конфигурацией, без обучения с нуля. Модель предназначена для агентных сценариев с внешним инструментальным контуром: она получает результаты реального выполнения команд и помогает решать задачи администрирования, анализа системы и программирования. Автор сообщает о проверках с opencode, pi coding agent и claude code, включая сетевое сканирование, инвентаризацию Linux-сервера и создание простых HTML5-приложений. Для запуска указаны llama-server и llama-swap; целевой сценарий — локальная работа на менее мощном оборудовании, для которой автор оценивает потребность примерно в 96 ГБ объединённой памяти. Репозиторий распространяется по лицензии Apache-2.0. В карточке указаны английский и польский языки, но широкая языковая поддержка отдельно не описана. Низкая битность может ограничивать точность ответов и надёжность сложных агентных задач; результаты зависят также от используемого harness и конфигурации инструментов.