II.7DevOps, облако и эксплуатация IT-систем

Это квантованный до 6 бит артефакт односоставного MTP-предсказателя, извлечённый из контрольной точки Qwen/Qwen3.8-27B и подготовленный в формате MLX. Он предназначен для спекулятивного декодирования в связке с соответствующей целевой моделью Qwen3.8-27B через Qwen Prime Runtime и проверку DFlash; самостоятельно как обычная языковая модель не используется. Артефакт содержит один MTP-слой и привязан к целевой модели той же версии. Проверка спекулятивных токенов сохраняет точность относительно выбранной политики декодирования целевой модели, а ускорение зависит от доли принятых черновых токенов и характера нагрузки. В метаданных указано окно контекста 262144 токена и библиотека MLX. Лицензия — Apache-2.0.

ThoxMini-125M-role — компактная текстовая модель-ассистент от Thox.ai, полученная полным дообучением Thox-ai/thox-micro-125m. Она предназначена для работы непосредственно на маломощных устройствах, включая Raspberry Pi Zero 2 W с arm64/NEON и 512 МБ памяти. Модель построена на плотной архитектуре Llama с 123,6 млн параметров; для репозитория указаны форматы safetensors и GGUF Q4_K_M. Контекст — 1024 токена. Дообучение на диалогах о роли устройства нацелено на короткие ответы и осторожное поведение: в примерах модель сообщает, когда не располагает информацией на устройстве, и отвечает на встроенные команды состояния. README описывает обучение на 1 565 диалоговых строках в течение трёх эпох. Лицензия — Apache-2.0. Известны две ошибки: модель может называть себя «ключом» вместо «мини» и чрезмерно отказываться отвечать на вопрос о собственной идентичности. Приведённые в README результаты на небольшом наборе примеров не являются широкой оценкой качества; также не заявлена сертификация производительности или безопасности для медицинских данных.

GLM-5.2 DSpark speculator — вспомогательная модель, опубликованная RedHatAI для ускорения вывода базовой модели zai-org/GLM-5.2-FP8 с помощью спекулятивного декодирования. Она не предназначена для самостоятельной генерации текста, а создаёт черновые токены, которые затем проверяются основной моделью. Модель использует архитектуру DSpark, расширяющую параллельный черновой модуль DFlash двумя лёгкими головами: Markov logit-bias для учёта внутриблочных зависимостей токенов и per-position confidence head для прогнозирования вероятности принятия токенов. Черновая часть содержит 5 слоёв, работает с блоками размера 8 и полным словарём из 154 880 токенов; используются вспомогательные слои базовой модели с индексами 8, 23, 39, 55 и 70. Указаны совместимый с GLM-5.2 шаблон чата, формат Safetensors и поддержка сценариев `/chat/completions`; язык и точный размер базовой модели в README не уточняются. По результатам валидации средняя длина принятой последовательности составляет 3,967 токена, средняя доля принятия — 0,584, полная точность — 0,613, а абсолютная ошибка оценки уверенности — 0,044. Эти показатели характеризуют эффективность ускорения и зависят от базовой модели, оборудования и конфигурации инференса. Для использования требуется zai-org/GLM-5.2-FP8 и среда с поддержкой DSpark в vLLM; в README отмечено, что такая поддержка внедряется. Модель распространяется по лицензии MIT.

Anbeeld/Qwen3.6-35B-A3B-DFlash-GGUF — это GGUF-квантизации черновой модели DFlash для Qwen3.6-35B-A3B. Модель разработана совместно Z-Lab и Modal и предназначена для использования вместе с целевой моделью Qwen/Qwen3.6-35B-A3B в системах спекулятивного декодирования, а не для самостоятельной генерации текста. DFlash использует облегчённую модель блочной диффузии, которая параллельно предлагает несколько токенов, после чего целевая модель проверяет их. Черновая модель обучалась на последовательностях длиной 40 000 токенов и использует скользящее оконное внимание для улучшения работы с длинным контекстом. Поддерживаются сценарии высокопроизводительного серверного инференса через совместимые реализации, включая SGLang и BeeLlama.cpp; для vLLM поддержка на момент публикации находилась в разработке. Основное преимущество — ускорение генерации при сохранении распределения выходов целевой модели: в тестах на NVIDIA B200 заявлено ускорение до 3,61 раза при одной параллельной генерации и до 2,89 раза при 32 запросах. Производительность зависит от оборудования, сервера, размера блока и рабочей нагрузки. Модель требует совместимой целевой модели и инфраструктуры DFlash, поэтому не является самостоятельной языковой моделью. В метаданных указана лицензия Apache-2.0.

GLM-5.3-Flash-DFlash2-MXFP8 — это квантизированная MXFP8 черновая модель DFlash 2, опубликованная local-inference-lab на основе исходной модели incoai/GLM-5.3-Flash-DFlash2. Она предназначена для ускорения спекулятивного декодирования целевой модели local-inference-lab/GLM-5.3-Flash-NVFP4: сервер генерирует черновые токены с помощью этой модели, а целевая модель проверяет каждый из них. Самостоятельно как языковая модель она не используется. Модель рассчитана на сценарии высокопроизводительного сервинга через совместимый vLLM с интеграцией DFlash 2 и ModelOpt MXFP8. Линейные веса представлены в формате float8_e4m3fn, значения масштабов хранятся как E8M0 в uint8, размер блока квантизации составляет 1×32; модуль lm_head исключён. В квалифицированной конфигурации использовались семь черновых токенов, BF16 для KV-кэша черновой модели и четыре NVIDIA RTX PRO 6000 Blackwell с tensor parallel size 4. Размер загруженных черновых весов составил 1,20 ГБ. Языки, исходная архитектура целевой модели и предельный контекст самой черновой модели в карточке не указаны; для целевого сервинга приведено значение MAX_MODEL_LEN 262144. Сильная сторона модели — совместимость с проверенной конфигурацией DFlash 2 и MXFP8, позволяющей применять её как специализированный компонент ускоренного инференса. Ограничения существенны: модель не является самостоятельной, требует указанной целевой модели, совместимого runtime и аппаратно-программной конфигурации; сборки vLLM без интеграции DFlash 2 и ModelOpt MXFP8 не поддерживаются. Smoke-тест подтвердил загрузку и инференс, но пропускная способность и производительность CUDA Graph не были квалифицированы. Исходная модель распространяется по лицензии CC BY-NC-ND 4.0, предусматривающей ограничения на коммерческое использование и создание производных работ.

Valiant Labs разработала Esper 4 — дообученную мультимодальную модель на базе Muse-Glimmer-30B для программирования, проектирования систем и задач DevOps и MLOps. Модель рассчитана на работу как чат- и кодовый помощник, в том числе в агентных сценариях и при разработке, развёртывании и эксплуатации ИИ-систем. Архитектура — плотная Muse Glimmer; модель принимает текст и изображения и выдаёт текст. В метаданных указан английский язык, поддержка зрения и формат весов safetensors. README описывает обучение на сложных примерах для DevOps, архитектуры, программирования и разработки ИИ, включая данные, созданные с помощью DeepSeek-V4-Pro. Модель распространяется по лицензии Apache-2.0. Заявления о запуске на настольных и мобильных устройствах приведены в README, но фактические требования к памяти и производительность не уточнены; также не указана длина контекста.

Esper 4 — дообученная Valiant Labs модель на базе Qwen3.6-27B, предназначенная для агентного программирования, проектирования архитектуры, DevOps и MLOps. Она подходит для работы в агентных фреймворках и как самостоятельный чат- и кодовый ассистент. Модель имеет плотную архитектуру семейства Qwen3.5, около 22,3 млрд параметров и контекстное окно 262 144 токена. Метаданные указывают поддержку задач генерации текста и обработки изображений с выдачей текста; в README основной акцент сделан на кодировании и инженерных задачах. Для дообучения использованы наборы сложных примеров по программированию, DevOps и архитектуре, созданные с помощью DeepSeek-V4-Pro. Карточка отмечает английский язык. Esper 4 ориентирована на сложные агентные запросы, разработку и эксплуатацию AI-систем; автор также заявляет возможность локального запуска и быструю серверную генерацию. Лицензия — Apache-2.0. README не приводит независимых оценок качества, поэтому заявленные улучшения не следует считать подтверждёнными сравнительным тестированием.

AndrewAndrewsen/distilbert-secret-masker — дообученная модель DistilBERT для обнаружения и разметки секретов в английском тексте. Она использует архитектуру DistilBertForTokenClassification с BIO-метками B-SECRET, I-SECRET и O, содержит 66 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предназначена для поиска API-ключей, токенов и учётных данных в коротких и средних текстах, например в коммитах, журналах и выводе API. Модель описана как быстрый эксперт системы SecMask; для типичных запросов автор указывает задержку около 11 мс на CPU. Самостоятельно модель показывает точность 82% и полноту 38% на приведённой оценке. В сочетании с детерминированными фильтрами для отдельных форматов секретов README сообщает точность 92,3% и полноту 80%, поэтому для сканирования с высокой полнотой рекомендуется использовать постобработку. Модель может пропускать секреты, особенно новые типы и необычно оформленные значения; она не предназначена для неанглийского текста, бинарных данных, изображений или длинных документов. Лицензия — Apache-2.0.

Qwen3.8-27B-iMatrix-NVFP4-MTP-GGUF — квантизированная мультимодальная версия модели Qwen3.8-27B, разработанная автором cdiamond на основе Qwen/Qwen3.8-27B. Модель предназначена для работы в llama.cpp и сценариев, связанных с программированием, инфраструктурными задачами, вызовами инструментов, агентскими системами и обработкой изображений. Указан контекст до 256 тысяч токенов; поддержка зрения реализуется через отдельный проектор mmproj-Qwen3.8-27B-F16.gguf. Модель поставляется в формате GGUF и имеет размер 17,1 ГБ. Это смешанная квантизация примерно 5,01 BPW: основная часть весов использует NVFP4, а чувствительные матрицы внимания, Gated DeltaNet, поздние FFN-слои, эмбеддинги и выходная голова хранятся с более высокой точностью Q5_K, Q6_K или Q8_0. В GGUF встроен обученный MTP-слой для ускорения генерации. Калибровка проводилась на данных агентских сессий, включавших код, инфраструктуру, вызовы инструментов и польско-английские диалоги, однако эти данные не распространяются. Сильные стороны модели — сочетание компактного размера, поддержки длинного контекста, мультимодальности и высокой скорости на совместимом оборудовании. В описанных тестах она достигала 50,441 токена в секунду в производственной серии и обрабатывала заполненный контекст объёмом 261 500 входных токенов без усечения и нехватки памяти. Результаты зависят от GPU, версии llama.cpp и используемых патчей; часть измерений получена на локальной ветке runtime, не вошедшей на момент публикации в upstream. Модель не является дообученной версией, а представляет собой квантизацию базовой модели. Лицензия — Apache-2.0.

medismera представил производную модель Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic на основе слияния Qwen3.8-27B-OBLITERATED и Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen3.5 с 27 млрд параметров для диалоговой генерации текста и работы в агентных сценариях. В карточке заявлены шаблон чата с поддержкой вызова инструментов, разбиение задач на иерархические этапы, протокол самопроверки рассуждений и контекст до 131 072 токенов; максимальная длина генерации указана как 16 384 токена. Модель предназначена для программирования, анализа системных журналов и телеметрии, многошаговых технических задач и взаимодействия с инструментами через совместимые агентные среды. Указаны английский, китайский и арабский языки. Репозиторий описывает веса в формате Safetensors и приводит варианты BF16, FP8 и AWQ в ветках; для запуска рекомендуются SGLang и vLLM. Лицензия — Apache-2.0. Заявления README о качестве вызова инструментов, результатах бенчмарков и отсутствии отказов приведены автором и не являются независимой оценкой. Это текстовая модель: метаданные не указывают вход или выход изображений, несмотря на мультимодальные возможности базовой модели.

Карточка модели Svenuks/Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic на Hugging Face совпадает с карточкой medismera/Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic, поэтому описание составлено по ней. medismera представил производную модель Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic на основе слияния Qwen3.8-27B-OBLITERATED и Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen3.5 с 27 млрд параметров для диалоговой генерации текста и работы в агентных сценариях. В карточке заявлены шаблон чата с поддержкой вызова инструментов, разбиение задач на иерархические этапы, протокол самопроверки рассуждений и контекст до 131 072 токенов; максимальная длина генерации указана как 16 384 токена. Модель предназначена для программирования, анализа системных журналов и телеметрии, многошаговых технических задач и взаимодействия с инструментами через совместимые агентные среды. Указаны английский, китайский и арабский языки. Репозиторий описывает веса в формате Safetensors и приводит варианты BF16, FP8 и AWQ в ветках; для запуска рекомендуются SGLang и vLLM. Лицензия — Apache-2.0. Заявления README о качестве вызова инструментов, результатах бенчмарков и отсутствии отказов приведены автором и не являются независимой оценкой. Это текстовая модель: метаданные не указывают вход или выход изображений, несмотря на мультимодальные возможности базовой модели.

Deplyze-Mini — компактная языковая модель, разработанная командой Deplyze Core ML Team для анализа зависимостей программного обеспечения и рисков цепочки поставок. Это причинная языковая модель на базе Qwen/Qwen2.5-0.5B-Instruct, дообученная с помощью адаптера LoRA; в репозитории указано 444,4 млн параметров. Модель принимает структурированные результаты детерминированных сканеров и формирует решения для CI/CD, объяснения уязвимостей и рекомендации по исправлению. Карточка указывает контекст 2048–4096 токенов и поддержку английского языка. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0. Модель предназначена для оценки риска зависимостей, сортировки находок уязвимостей, рассуждений о совместимости версий, проверки подозрительных признаков пакетов и анализа соответствия лицензий заданной политике. Её подход рассчитан на выводы, основанные на предоставленных фактах сканирования; модель не должна заменять источники данных об уязвимостях или объявлять пакет гарантированно безопасным. Качество выводов зависит от полноты и точности входных данных: нестандартные схемы версий требуют нормализации, а глубокие транзитивные цепочки — предварительного обхода графа сканером.

OpenThinkerAgent-32B-SFT-3.16K — плотная языковая модель семейства Qwen3 с 29,7 млрд параметров, разработанная в рамках проекта OpenThoughts-Agent. Она дообучена полным обновлением параметров на 3 160 примерах OpenThoughts-Agent-SFT-3.16K, содержащих задачи и многошаговые траектории работы агента. Модель предназначена для диалоговой генерации текста и кода, выполнения задач разработки ПО и работы в терминале в агентном сценарии. В тестировании на Terminus-2 она показала более высокие результаты, чем исходная Qwen3-32B, на SWE-Bench-Verified-100, OpenThoughts-TBLite и Terminal-Bench 2.0. Контекстное окно составляет до 40 960 токенов. Модель принимает и генерирует текст; README описывает её применение в задачах с кодом и агентными траекториями. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Она обучена на сравнительно небольшом наборе из 3 160 примеров, поэтому результаты тестирования не гарантируют аналогичного качества на произвольных задачах; README приводит результаты только для указанного набора бенчмарков.

Карточка модели zabred/Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic на Hugging Face совпадает с карточкой medismera/Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic, поэтому описание составлено по ней. medismera представил производную модель Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic на основе слияния Qwen3.8-27B-OBLITERATED и Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen3.5 с 27 млрд параметров для диалоговой генерации текста и работы в агентных сценариях. В карточке заявлены шаблон чата с поддержкой вызова инструментов, разбиение задач на иерархические этапы, протокол самопроверки рассуждений и контекст до 131 072 токенов; максимальная длина генерации указана как 16 384 токена. Модель предназначена для программирования, анализа системных журналов и телеметрии, многошаговых технических задач и взаимодействия с инструментами через совместимые агентные среды. Указаны английский, китайский и арабский языки. Репозиторий описывает веса в формате Safetensors и приводит варианты BF16, FP8 и AWQ в ветках; для запуска рекомендуются SGLang и vLLM. Лицензия — Apache-2.0. Заявления README о качестве вызова инструментов, результатах бенчмарков и отсутствии отказов приведены автором и не являются независимой оценкой. Это текстовая модель: метаданные не указывают вход или выход изображений, несмотря на мультимодальные возможности базовой модели.

DCAgent/a1-stack_bash — дообученная модель на базе Qwen/Qwen3-8B, созданная с использованием LLaMA Factory. Репозиторий содержит веса в формате safetensors; число параметров — 7,6 млрд, нативная длина контекста — 40 960 токенов. Модель предназначена для генерации диалогового текста; название и описание обучающего набора указывают на специализацию на задачах, связанных с Bash и тестами. Базовая Qwen3-8B поддерживает несколько языков, рассуждения, следование инструкциям, работу с кодом и вызов инструментов. Карточка не приводит отдельные оценки качества или подробностей обучения этой версии. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

RobinsonLabs/Qwen3.8-27B-abliterated-GGUF — это набор imatrix-квантованных сборок GGUF на основе Qwen/Qwen3.8-27B. Модель предназначена для локального запуска через llama.cpp и совместимые инструменты, включая технические диалоги, отладку, работу с инфраструктурой, построение моделей, использование инструментов и следование инструкциям. Доступны варианты от IQ2_M до Q8_0 размером примерно от 10,30 до 29,05 ГБ. Модель содержит около 27,32 млрд параметров, 64 основных trunk-слоя и MTP-блок; контекст в примере запуска настроен на 32768 токенов. Модель поддерживает текстовый ввод, а визуальные возможности сохраняются через отдельный файл mmproj-Qwen3.8-27B-abliterated-f16.gguf, который необходимо подключать вместе с основной квантованной моделью. Без mmproj доступен только текстовый режим. Квантизация оптимизирована на корпусе технических операторских диалогов, поэтому сборки ориентированы на длинные технические обсуждения и instruction-following, но для общего чата или неанглоязычных сценариев универсальная калибровка может оказаться предпочтительнее. Сильными сторонами являются сохранённая vision tower, специализированная калибровка и широкий выбор вариантов под разные объёмы VRAM. Качество заметно снижается на самых компактных сборках: IQ2_M показывает ухудшение perplexity на 13,4% относительно Q8_0, хотя остаётся связной и способной следовать форматным инструкциям. Abliteration уменьшает жёсткие отказы для взрослого и творческого контента, при этом защитные ограничения против самоповреждения заявлены как сохранённые; модель не предназначена для содействия реальным правонарушениям. Распространяется по лицензии Apache-2.0.

Qwopus3.5-9B-Coder-MTP-GGUF — мультимодальная модель для генерации текста и работы с изображениями, разработанная Jackrong на базе Jackrong/Qwopus3.5-9B-v3.5. Модель ориентирована на программирование, логические и математические задачи, DevOps-сценарии, рассуждения, использование инструментов, function calling и агентские рабочие процессы. Заявлена поддержка английского, китайского, корейского, русского, японского и испанского языков. Модель использует архитектуру Multi-Token Prediction (MTP) с двумя дополнительными draft heads, настроенными через draft=2. Такой подход предназначен для speculative decoding: вспомогательные головы предлагают следующие токены, а основная модель проверяет их, что может повысить скорость генерации. По данным README, в тестах на задачах логики, программирования, DevOps, математики и пограничных сценариях пропускная способность выросла с 4,94 до 6,71 токена в секунду, а точность — с 80,0% до 88,3%. В заявленных тестах по программированию и математике достигнута точность 100%; отдельная оценка tool calling показала 100% recall и 27 успешных выборов из 28 в состязательной фазе. Указанные результаты зависят от конфигурации оборудования, параметров генерации и тестового набора, а часть оценки tool calling носит характер независимого пользовательского теста. В README не указаны размер контекстного окна, точные требования к памяти и совместимые варианты квантования, поэтому эти характеристики требуют дополнительной проверки. Модель распространяется по лицензии Apache-2.0.

AgentionAI Signal 3.8 Flash Next — это дообученная версия Qwen3.8-Flash-Next в формате GGUF, настроенная на более короткие ответы и эффективное рассуждение. В основе — мультимодальная разреженная MoE-модель на 177 млрд параметров с поддержкой изображений и диалога; сохранены vision encoder и голова multi-token prediction базовой модели. Репозиторий содержит варианты F16, IQ4, Q4_K и Q8. Модель предназначена для диалога, анализа изображений, решения математических задач и агентного программирования. По данным разработчика, на MATH-500 она использовала меньше токенов рассуждения и показала более высокий результат, а на Terminal-Bench 2.0 быстрее выполняла задачи программного агента. Самостоятельное тестирование разработчика ограничено небольшими выборками и единичными запусками на Terminal-Bench; на задачах, требующих длительного перебора вариантов, модель может исчерпать бюджет рассуждений раньше базовой. Модель обучена методом самодистилляции на ответах самой Qwen3.8-Flash-Next, настроенных на прямой стиль. Для запуска автор рекомендует llama.cpp и приводит контекст 65 536 токенов. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

DeepPass2 — модель Neeraj Gupta из SpecterOps для обнаружения паролей и секретов в тексте с помощью классификации токенов. Она дообучена на XLM-RoBERTa-base с помощью LoRA и размечает токены как обычные или содержащие учётные данные. Модель рассчитана на поиск паролей, API-ключей, токенов и других секретов в документах, журналах и конфигурационных файлах, а также на аудит утечек и предварительную проверку документов перед публикацией. Для длинных документов README рекомендует использовать полный конвейер DeepPass2 с разбиением текста на фрагменты; отдельный вход модели ограничен контекстом в 514 токенов по метаданным. Веса представлены в формате safetensors, размер модели — 305,2 млн параметров. README указывает английский язык; базовая XLM-RoBERTa многоязычная, однако специализация этой модели описана для английского. Лицензия — Apache 2.0 согласно метаданным.

BASH-Coder-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 и BASH-Coder-Mistral-7B методом SLERP. Она предназначена для генерации текста и ответов на инструкции с дополнительным уклоном в задачи программирования и работу с Bash. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров; заявленная длина контекста — до 32 768 токенов. Модель принимает текст и генерирует текст. Карточка не сообщает о специальных языках программирования, наборах данных или результатах оценки качества, поэтому преимущество в кодировании нельзя считать подтверждённым для конкретных языков или сценариев. Модель распространяется под лицензией Apache-2.0.

Kimi-K2.6-GGUF — версия открытой мультимодальной агентной модели Kimi K2.6 от Moonshot AI, подготовленная Unsloth в формате GGUF с использованием квантования. Модель предназначена для длительных и сложных задач программирования, создания интерфейсов по текстовым и визуальным входным данным, автономного выполнения действий и оркестрации групп специализированных агентов. Модель использует архитектуру Mixture-of-Experts (MoE): около 1 трлн общих параметров, из которых 32 млрд активируются для каждого токена. Она содержит 61 слой, 384 эксперта с выбором 8 экспертов на токен, механизм внимания MLA, активацию SwiGLU и словарь размером 160 тысяч токенов. Контекст составляет 256 тысяч токенов. Для обработки изображений используется vision encoder MoonViT с 400 млн параметров. Заявлены сильные результаты в долгосрочном кодировании на Rust, Go и Python, DevOps, оптимизации производительности, генерации веб-интерфейсов и агентном поиске; поддерживается координация до 300 субагентов и 4000 шагов. Ключевые ограничения связаны с чрезвычайно большими требованиями к ресурсам: например, вариант UD-Q8_K_XL занимает около 595 ГБ. README не содержит полного перечня поддерживаемых языков и подробных требований к оборудованию или программному окружению. Указана лицензия modified-MIT; конкретные условия её применения следует проверять в официальных материалах модели.

LiteCoder-Terminal-30b-a3b-sft — модель команды LiteCoder для кодовых агентов, дообученная на базе Qwen3-30B-A3B-Instruct-2507 на наборе LiteCoder-Terminal-SFT. Она предназначена для решения задач через терминал в агентных сценариях и показала результаты на бенчмарках Terminal Bench при работе с агентом Terminus 2. Модель использует архитектуру Qwen3 MoE с генерацией текста; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. README сообщает об обучении на 11 255 траекториях и приводит показатели pass@1 и pass@4 для нескольких версий Terminal Bench. Поддерживается диалоговый режим. Лицензия — MIT.

Ornith-1.5-9B-MLX-6bit — компактная языковая модель семейства Ornith-1.5, представленная проектом Ornith. Это плотная модель на 9 млрд параметров, адаптированная для запуска с использованием MLX и 6-битного квантования. Модель предназначена прежде всего для генерации текста и эффективного локального развертывания на одной GPU; семейство также ориентировано на запуск на периферийных и мобильных устройствах в квантованном варианте Ornith-1.5-9B-Mobile. Ornith-1.5 развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным continued pretraining, mid-training и post-training. Ключевая особенность новой версии — цикл самоулучшения, в котором совместно оптимизируются генерация задач, построение scaffold и rollout решений с применением reinforcement learning. Такой подход рассчитан на задачи программирования, работу с терминалом и автономное решение инженерных задач. В README приведены результаты на Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro и других тестах; для Ornith-1.5-9B указаны результаты 46,2 и 47 на двух конфигурациях Terminal-Bench 2.1, 70,6 на SWE-bench Verified и 47,5 на SWE-bench Pro. Сильными сторонами модели являются небольшой для современных reasoning- и coding-моделей размер, возможность эффективного single-GPU deployment и ориентация на программирование и агентные сценарии. Ограничения заключаются в том, что предоставленные данные не содержат сведений о размере контекстного окна, поддерживаемых языках, мультимодальности, точной базовой архитектуре и лицензии; эти характеристики нельзя достоверно определить по карточке.

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.

ZeryEasyCoder-27B — текстовая генеративная модель на архитектуре Qwen, созданная zagy1234. В карточке она описана как гибридная merge-модель для программирования, рассуждений и технических задач; метаданные указывают дообучение на Altworld/Hemmingway-1, а README сообщает о слиянии Hemmingway-1 и NEO-CODER MAX через mergekit. В репозитории представлены веса bfloat16 в формате Safetensors для Hugging Face Transformers; метаданные указывают 22,3 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации и объяснения кода, написания скриптов и помощи с Linux и системным администрированием, а также для технического диалога. README заявляет поддержку Python, C++, Bash/Fish и C# и отсутствие ограничений на технические темы. Эти заявления не сопровождаются результатами оценки качества. Лицензия — Apache-2.0.

BarraHome разработала англоязычную модель эмбеддингов для семантического поиска по технической документации, особенно по корпоративной инфраструктуре и виртуализации. Это дообученная на базе BAAI/bge-base-en-v1.5 модель Sentence Transformers с архитектурой BERT, примерно 136,7 млн параметров по метаданным. Она преобразует текстовые запросы и документы в плотные 768-мерные векторы для поиска и сравнения по косинусному сходству. Максимальная длина последовательности — 512 токенов. Модель предназначена для поиска по базам знаний технической поддержки, корпоративного поиска и использования в RAG-системах; README сообщает об улучшении полноты поиска на тестовом наборе технических запросов относительно базовой модели. Она ориентирована на английский язык и техническую документацию, поэтому качество на других языках и в общих текстовых задачах не гарантируется. Лицензия — MIT.

Nanbeige4.2-3B-CE v1.0 — языковая модель от автора репозитория Irfanuruchi, дообученная на базе Nanbeige/Nanbeige4.2-3B для компьютерной инженерии и системного программирования. Это плотная авторегрессионная модель NanbeigeForCausalLM с 3,2 млрд параметров; контекст — до 262 144 токенов. Принимает текст и поддерживает диалоговый интерфейс вызова инструментов. Модель предназначена для ответов на вопросы и объяснений по Linux и операционным системам, архитектуре компьютеров, виртуальной памяти, кэшам, многопоточности, сетям, DNS, Docker и встраиваемым системам. В README описаны LoRA/QLoRA-дообучение и последующее слияние адаптера с базовой моделью; опубликованный артефакт — самостоятельные веса BF16 в формате Safetensors, для инференса адаптер не требуется. Указанная лицензия — Apache-2.0. Авторы проверяли модель на наборе из 28 системных вопросов. Среди отмеченных ограничений — неточности в отдельных случаях с порядками памяти C++, обработкой ошибок страниц, Docker DNS, когерентностью кэша и терминологией. Для критически важных инженерных решений ответы следует перепроверять.

AnkitAI/Parable-Granite-4.1-3B-Claude-Fable-5-GGUF — компактная дообученная модель на базе IBM Granite 4.1 3B, разработанная AnkitAI. Модель распространяется в формате GGUF и обучена на корпусах AnkitAI/parable-corpus-v2, Glint-Research/Fable-5-traces и Roman1111111/gpt5.5-terminal, включая трассировки агентских сессий Claude Fable 5. Указан английский язык и текстовая генерация. Модель предназначена для локального офлайн-использования в сценариях агентского поведения: планирования, рассуждений, программирования, работы с терминалом, tool-use и function-calling. Она ориентирована на запуск через llama.cpp, Ollama, LM Studio и совместимые инструменты. В README заявлена поддержка контекста 8192 токена и режим, при котором ответ предваряется блоком <think> с рассуждением. Рекомендуемая квантизация Q4_K_M занимает около 2,1 ГБ и требует примерно 3 ГБ RAM или VRAM; доступны варианты от Q4_K_M до F16. Сильные стороны модели — небольшой размер, низкие требования к памяти, структурированное рассуждение и ориентация на агентские задачи. Для версии v2 заявлены результаты 70,1 на HumanEval, 65,9 на HumanEval+ и 0 случаев утечки артефактов агента в проверке из 34 запросов. Ограничение заключается в том, что чистая генерация кода на отдельных функциях уступает базовой модели: в README приведено сравнение 70,1 против 81,7. Лицензия — Apache-2.0.

Prowl secret encoder — модель классификации текста, разработанная для проекта Prowl. Она оценивает, содержит ли короткий фрагмент кода, конфигурации, журнала, комментария или сообщения учётные данные или другой секрет. Модель основана на DistilBERT multilingual cased и дообучена для бинарной классификации последовательностей; использует библиотеку Transformers, принимает фрагменты длиной до 512 токенов и выдаёт оценку вероятности наличия секрета. Модель предназначена для третьего этапа сканера секретов Prowl: она повышает полноту обнаружения свободно сформулированных и многоязычных секретов, дополняя каскад регулярных выражений и логистическую модель. В описанном ансамбле добавление энкодера повысило полноту с 0,848 до 0,970 на ProwlBench при снижении точности с 0,974 до 0,971; на отдельных каналах приводятся высокие показатели полноты. Поддерживаются английский, немецкий, французский, испанский и русский языки. Это не самостоятельный сканер: результат относится ко всему фрагменту и не указывает точное положение или тип секрета. Авторы предостерегают от использования модели как отдельного точного фильтра; тип секрета и локализацию определяют другие компоненты Prowl. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Smaug-Mini — мультимодальная модель Abacus.AI, дообученная на основе Qwen/Qwen3.8-27B для надёжного многошагового использования инструментов и автоматизации. Это плотная модель с архитектурой Qwen3_5ForConditionalGeneration и сохранённой башней зрения; она принимает текст и изображения и поддерживает контекст до 262 144 токенов. Модель работает в формате диалога и предоставляет интерфейс вызова инструментов. Обучение проводилось методом GRPO на многошаговых эпизодах автоматизации с проверкой результата; LoRA-адаптер языковой части был объединён с базовыми весами. По данным карточки, модель улучшает результаты ряда тестов на использование инструментов и автоматизацию, сохраняя общие возможности базовой модели примерно на прежнем уровне. Она подходит для агентных сценариев, где нужно рассуждать, вызывать инструменты и завершать задачи в среде. Лицензия — Apache-2.0. Головка многотокенного предсказания унаследована от базовой модели и не переобучалась, поэтому для неё не следует включать спекулятивное декодирование; обычное декодирование не затронуто. Данные обучения не раскрыты.