II.8Инженерия данных и аналитика

Карточка модели bearzi/Kimi-K2.7-Code-JANGTQ2 на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Kiwen1.2-27B — дообученная языковая модель с 27 миллиардами параметров, созданная разработчиком beyoru на основе Qwen3.8-27B. Модель обучалась на длинных рассуждениях из Kimi K3 с применением RLVR и ориентирована на улучшение качества рассуждений, следования инструкциям и надёжности выполнения задач. Модель предназначена для математических и логических задач, программирования, использования инструментов, агентских сценариев и других задач, требующих последовательного рассуждения. Она поддерживает режимы с включённым и отключённым анализом: режим рассуждений рекомендуется для сложных задач, а отключение — для извлечения данных, классификации и форматирования. В README указана возможность работы с контекстом до 262 144 токенов при использовании SGLang, однако сведения о языковом охвате и фактических мультимодальных возможностях не приведены. Заявленное преимущество модели — сочетание относительно компактного размера с акцентом на reasoning, coding, tool use и instruction following; во внутреннем тесте из 100 агентских задач она показала результат 81,2%. Эти показатели не подтверждены независимым публичным бенчмарком. Ограничением является отмеченное разработчиком снижение качества при использовании с dflash2; также в карточке нет подробных данных об архитектуре, датасетах и результатах на стандартных тестах. Модель распространяется по лицензии Apache-2.0 и основана на Qwen3.8-27B, также выпущенной под Apache-2.0.

Карточка модели rbinrs/Laguna-XS-2.1 на Hugging Face совпадает с карточкой poolside/Laguna-XS-2.1, поэтому описание составлено по ней. Laguna XS 2.1 — текстовая модель семейства Laguna от Poolside, предназначенная прежде всего для агентного программирования и длительных задач разработки ПО. Это архитектура Mixture-of-Experts с 33 млрд параметров в общей сложности и примерно 3 млрд активируемых на токен; в репозитории Hugging Face указано 2,6 млрд параметров. Модель состоит из 40 слоёв, использует смесь скользящего и глобального внимания, поддерживает контекст до 262 144 токенов и интерфейс вызова инструментов. Модель подходит для работы с кодом, выполнения терминальных задач и взаимодействия с инструментами в агентных сценариях. README сообщает об улучшении результатов относительно Laguna XS.2 на SWE-bench Multilingual и терминальных задачах, однако бенчмарки не гарантируют аналогичного качества на конкретных проектах. Модель принимает и выдаёт текст; карточка не указывает поддерживаемые естественные языки. Веса доступны под лицензией OpenMDW-1.1, которую разработчик описывает как разрешающую коммерческое и некоммерческое использование и модификацию. Для применения следует учитывать условия лицензии и политики допустимого использования Poolside. Для локального запуска заявлена поддержка Transformers, vLLM, SGLang, Llama.cpp, Ollama и других перечисленных в карточке средств.

Apollo Raines представляет эту модель как вариант Llama 3.1 8B Instruct, изменённый инструментом jBlaze для усиления следования контексту и аналитического рассуждения. По README, изменения внесены непосредственно в веса без дополнительного обучения; метаданные каталога классифицируют происхождение как дообучение. Модель предназначена для диалоговой генерации текста и анализа предоставленных материалов с опорой на контекст. Она может отвечать на вопросы, объяснять вычисления и писать код; карточка также указывает интерфейс вызова инструментов. Модель использует плотную архитектуру LlamaForCausalLM, распространяется в формате safetensors, имеет 7,5 млрд параметров по метаданным и контекст до 131 072 токенов. В карточке указан английский язык; базовая Llama 3.1 8B Instruct описана как многоязычная. Автор предупреждает, что публичная версия намеренно ослаблена и выпущена как демонстрация возможностей jBlaze. Лицензия — llama3.1.

MiniCPM5-2B-Midtrain — промежуточная версия плотной причинно-языковой модели серии MiniCPM5, разработанной командой OpenBMB. Она построена на архитектуре LlamaForCausalLM и предназначена для локальных помощников, программирования, работы с инструментами и рассуждений на устройствах с ограниченными ресурсами. Модель содержит около 2,2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель генерирует текст, поддерживает диалоговый режим и рассчитана на английский и китайский языки. В карточке серии заявлены сильные результаты для своего класса в программировании, математике, длинном контексте, использовании инструментов и агентных задачах; указанные сравнения относятся к MiniCPM5-2B в целом, а не обязательно к этой промежуточной версии. Весы доступны в формате safetensors, лицензия — Apache-2.0. Как промежуточный чекпойнт midtrain, модель может уступать завершённой версии по следованию инструкциям и качеству диалога. Её ответы могут быть неточными, предвзятыми или оскорбительными; модель не заменяет экспертную консультацию в чувствительных областях.

Mini-GTE — компактная модель эмбеддингов предложений от QTACK, созданная как подтверждение концепции их подхода к дистилляции. Это Sentence Transformer на архитектуре DistilBERT, дообученный на базе distilbert/distilbert-base-uncased и дистиллированный из GTE. Модель содержит 66 млн параметров и формирует векторы размерности 768; для сравнения предложений используется косинусное сходство. Mini-GTE предназначена для быстрого кодирования запросов, семантического поиска и оценки сходства текстов. Максимальная длина входной последовательности — 512 токенов. В README указано второе место в классическом рейтинге MTEB среди моделей менее чем со 100 млн параметров и 63-е место в общем рейтинге; это заявление разработчика. Модель ориентирована на английский язык. Доступна по лицензии Apache-2.0. Как и другие модели эмбеддингов, она выдаёт векторы, а не готовые ответы; качество зависит от языка и предметной области, а README не приводит подробных оценок по отдельным наборам данных.

Карточка модели Tool-COLT/msmarco-bert-co-condensor-v1-ToolBenchG2 на Hugging Face совпадает с карточкой MassTool/contriever-base-msmarco-v1-ToolBenchG2, поэтому описание составлено по ней. MassTool/contriever-base-msmarco-v1-ToolBenchG2 — модель Sentence-Transformers на базе архитектуры BERT, преобразующая предложения и абзацы в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления; в README также описано обучение с MultipleNegativesRankingLoss и косинусным сходством. Данных о целевых языках и специализации на конкретной предметной области нет.

Nemotron-3-Embed-1B-AWQ-W4A16 — квантизированный энкодер текстовых представлений, созданный Facu Vlad J (groxaxo) на основе модели NVIDIA Nemotron-3-Embed-1B-BF16. Модель предназначена для извлечения эмбеддингов, семантического поиска, retrieval-сценариев и оценки качества локального или размещённого инференса. Заявлены английский и испанский языки, а также поддержка задач feature extraction. Модель использует архитектуру типа ministral3 и имеет размер порядка 1B параметров. Веса линейных слоёв квантизированы в INT4 по схеме AWQ W4A16 с асимметричными нулевыми точками и размером группы 32, тогда как активации, таблица токенов и нормализующие слои сохраняются в BF16. Размер эмбеддинга составляет 2048 измерений; также заявлена работа с представлениями размерностью 1024 и 512. Контекст ограничен 4096 токенами в рекомендуемой конфигурации vLLM. Контрольная точка сериализована в формате compressed-tensors и оптимизирована для инференса через vLLM с ядром Marlin, занимая около 1,0 ГБ на диске. Сильными сторонами являются существенно меньший размер по сравнению с BF16-версией, ускоренный GPU-инференс и заявленное отсутствие потери Recall@10 на тестах для английского и испанского языков. При этом результаты основаны на ограниченных наборах данных и требуют проверки на собственных сценариях. Квантизация может изменять точность, потребление памяти и пропускную способность, а для работы необходим runtime с поддержкой соответствующей архитектуры и формата. Модель распространяется по лицензии OpenMDW-1.1; перед использованием и распространением следует изучить условия лицензии исходной модели NVIDIA.

Карточка модели Nerdofdot/nickprock_mmarco-bert-base-italian-uncased_TM на Hugging Face совпадает с карточкой Nerdofdot/nickprock_mmarco-bert-base-italian-uncased_E_5_nli, поэтому описание составлено по ней. Nerdofdot/nickprock_mmarco-bert-base-italian-uncased_E_5_nli — модель Sentence-Transformers на базе BERT, разработанная пользователем Nerdofdot. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на ранжирование текстовых пар. Модель содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт векторные представления. По названию репозитория она предназначена для итальянского языка без учёта регистра; README не сообщает отдельные результаты оценки. В метаданных указан формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

larsksy/norbert4-large-scandinavian-embedding — модель Sentence Transformer, дообученная на базе ltg/norbert4-large для получения эмбеддингов предложений и абзацев на норвежском, датском и шведском языках. Модель насчитывает 358,8 млн параметров и строит плотные векторы размерности 960; для сравнения текстов используется косинусное сходство. Максимальная длина входной последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучение проводилось на данных NLI, group-b-qa и DDSC. Доступна в формате safetensors и предназначена для использования с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

OpenCoderPlus — языковая модель для генерации кода из серии OpenChat, разработанной командой OpenChat. Она дообучена на базе StarCoderPlus и предназначена для продолжения и генерации кода, а также для диалога в формате User/Assistant. Модель использует архитектуру GPTBigCodeForCausalLM, принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Карточка сообщает об оценках на Vicuna GPT-4 и AlpacaEval, однако не приводит подробностей методики для задач программирования. Для диалогов используется шаблон с маркерами User, Assistant и специальным токеном конца хода. Репозиторий содержит веса PyTorch. README рекомендует загружать модель в формате bfloat16. Лицензия в предоставленных данных не указана.

OpenGCM-v2 — модель с 9 млрд параметров от NitrAI, дообученная на базе Qwen/Qwen3.5-9B для рассуждений, программирования и агентных сценариев. В карточке заявлено окно контекста базовой модели до 262 тыс. токенов; модель представлена в формате safetensors, поддерживает чат и интерфейс вызова инструментов. Для обучения использовался DoRA, а данные включали 597 примеров с трассами работы кодовых агентов, математическими рассуждениями и системным анализом, дистиллированными из ответов нескольких крупных моделей. Модель предназначена для пошагового решения математических задач, анализа кода и проверки исправлений, а также выполнения многошаговых инструкций и агентных задач с инструментами. В README приведены результаты на небольших наборах задач, поэтому они не дают надёжной оценки обобщающего качества. Автор отмечает возможный сдвиг контекста и нестабильность при очень длинной генерации; рекомендуются низкая температура и структурированные системные подсказки. Модель помечена как устаревшая, автор рекомендует перейти на Polaris. Лицензия — Apache-2.0.

open-ogma-micro — англоязычная модель для получения векторных представлений предложений, разработанная авторами семейства open-ogma. Она предназначена для создания компактных эмбеддингов текста и поиска по смыслу. Модель содержит 2,51 млн параметров: двухслойный трансформер с размерностью 128, mean pooling и токенами задач [QRY], [DOC] и [SYM]. По умолчанию используется проекционная голова proj_small с векторами размерности 384; proj_large выдаёт векторы размерности 1024 и показывает более высокие результаты в бенчмарке MTEB(eng, v2). Обе головы и основная часть обучались с матрёшечными потерями, поэтому выходные векторы можно укорачивать до 32, 64 или 128 измерений с последующей нормализацией. Модель дистиллирована от ансамбля BAAI/bge-small-en-v1.5 и BAAI/bge-large-en-v1.5 на корпусах C4 и FineWeb-Edu. Она подходит для семантического поиска и задач, где важны компактный размер и быстрый расчёт эмбеддингов. В бенчмарке MTEB(eng, v2) средний результат составляет 0,5104 для proj_small и 0,5202 для proj_large; показатели ниже, чем у моделей-учителей BGE. Модель распространяется под лицензией MIT; README также указывает на разрешительную лицензионную цепочку данных и учителей.

Ornith-1.5-35B-A3B REAP-50 NVFP4A16 — локальная текстовая модель для генерации кода, созданная Ttimms на основе Ornith-1.5-35B-A3B от ornith-ai. Модель предназначена для программирования, генерации и исправления кода, а также агентских сценариев разработки. Она рассчитана на запуск в пределах 16 ГБ видеопамяти, в частности на RTX 5070 Ti, и может обслуживаться через vLLM. Это разреженная Mixture-of-Experts-модель с архитектурой Qwen3_5MoeForCausalLM. В результате pruning число экспертов сокращено с 256 до 128, а эффективный размер — примерно с 35,95 до 19 млрд параметров; маршрутизация 8 из 128 экспертов сохранена. Веса квантизованы методом GPTQ-NVFP4A16 в 4-битный формат с использованием compressed-tensors. Модель работает только с текстом: vision tower и MTP draft head удалены, поэтому визуальные задачи и функции MTP недоступны. Заявленный контекст — до 49 тыс. токенов в описанном сценарии SWE-bench. На опубликованном checkpoint модель показала 84,15% на HumanEval+, 90,24% на HumanEval и 89,15% на MBPP+ при жадной генерации; в SWE-bench Verified результат составил 22 из 50 задач, или 44%, при ограничении контекста и использовании mini-swe-agent. Эти показатели получены в конкретной конфигурации и могут изменяться из-за особенностей FP4-квантизации и пакетирования. Модель ориентирована прежде всего на код и локальный запуск, а сокращение экспертов, удаление визуальной башни и MTP-компонента являются основными ограничениями. Лицензия MIT унаследована от базовой модели.

PPLX Embed v1 0.6B ONNX INT8 — артефакт серверного инференса эмбеддингов, используемый Deposium в deposium-turbov3. Модель с двунаправленной архитектурой PPLXQwen3Model содержит около 507,9 млн параметров и распространяется в формате ONNX с INT8-квантизированными весами. Модель принимает текст и выдаёт векторное представление размерностью 1024; серверный сценарий использует первые 256 измерений благодаря усечению Matryoshka. Она рассчитана на контекст до 32 768 токенов и подходит для получения текстовых эмбеддингов в серверных приложениях, например для поиска и сопоставления текстов. Лицензия — MIT. Репозиторий содержит ONNX-модель с внешним файлом данных и файлы конфигурации и токенизатора. Это серверный артефакт, поэтому он отличается от однофайловой браузерной версии для Transformers.js; совместимость с другими рантаймами и качество на конкретных задачах в карточке не описаны.

Карточка модели Chanithu/Qwen2.5-Coder-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-0.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-Coder-0.5B-Instruct — инструктивно дообученная языковая модель для кода от команды Qwen. Она предназначена для генерации и исправления кода, рассуждений о коде и диалоговых сценариев для разработчиков, включая использование в кодовых агентах. Модель также сохраняет общие языковые и математические способности семейства Qwen2.5. Это плотная авторегрессионная модель архитектуры Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. В архитектуре используются RoPE, SwiGLU, RMSNorm и группированное внимание; модель работает с текстом и выдаёт текст, в том числе код. Репозиторий содержит веса Safetensors, загрузка поддерживается библиотекой Transformers. Модель компактна для локальных экспериментов и интеграции в инструменты разработчика, но её малый размер может ограничивать качество сложной генерации и рассуждений по сравнению с более крупными моделями. Лицензия — Apache-2.0.

ApolloRaines/Qwen2.5-Coder-32B-Instruct-Jbliterated — модифицированная версия Qwen2.5-Coder-32B-Instruct, разработанная Apollo Raines. Модель предназначена для генерации текста и программного кода, включая разработку, анализ и преобразование кода, а также сценарии, где требуется модель без встроенного поведения отказа. Она может применяться для творческого письма, исследований в области безопасности и академических экспериментов, однако требует ответственного использования. Модель построена на архитектуре Qwen2ForCausalLM и содержит около 32,8 млрд параметров при 64 слоях. Она сохраняет архитектуру, токенизатор и длину контекста базовой модели; в README указана поддержка английского языка. Основной формат — BF16, также доступны варианты GGUF с квантованием Q8_0 и Q4_K_M. Полноточная версия занимает около 62 ГБ, Q8_0 — 33 ГБ, а Q4_K_M — 19 ГБ. Отличительная особенность модели — удаление поведения отказа непосредственно из весов с помощью проприетарного инструмента jBlaze, без дополнительного обучения или fine-tuning. По заявлению разработчика, это должно сохранять стиль и творческие характеристики исходной модели, но одновременно означает отсутствие встроенного отказа от потенциально опасных запросов. Модель распространяется по лицензии Apache 2.0, как и базовая модель; ответственность за соблюдение законодательства и безопасное применение возлагается на пользователя.

Эта модель — многоязычная модель эмбеддингов на базе декодерной архитектуры Qwen3 с 3,7 млрд параметров, дообученная контрастивным обучением для сравнения смысловой близости текстов. Автор описывает её в контексте исследования того, как модели, обученные с подкреплением и проверяемыми наградами, представляют смысл текста. В README предложена концепция HRSA для анализа сходства представлений; оценка на MTEB и BRIGHT не выявила устойчивого преимущества таких начальных весов над базовыми при одинаковом обучении. Модель предназначена для получения векторных представлений текстов и вычисления семантического сходства, например при поиске похожих фрагментов или ранжировании кандидатов. Она принимает текст и выдаёт эмбеддинги; поддерживает контекст до 40 960 токенов. Репозиторий использует библиотеку Sentence Transformers и формат safetensors. Лицензия — Apache-2.0. README требует включить trust_remote_code для загрузки через Sentence Transformers или Transformers.

Qwen3.5-4B Claude-Distill — дообученная методом полной настройки параметров плотная модель семейства Qwen, разработанная автором репозитория clzoro на базе Qwen/Qwen3.5-4B. Модель содержит 4 млрд параметров и предназначена для генерации текста в диалоге. В обучении использовались примерно 14,9 тыс. примеров с рассуждениями, дистиллированными из Claude Opus; заявлены задачи по математике, логике, программированию, STEM, творческому письму и многошаговым инструкциям. Модель унаследовала от базовой Qwen3.5 возможности понимания изображений и использует архитектуру с визуальным энкодером, однако карточка указывает основной сценарий как генерацию текста. В метаданных заявлены английский и китайский языки. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Качество рассуждений зависит от качества и разнообразия сравнительно небольшого набора дистилляции; модель может наследовать смещения обучающих данных и обобщать хуже за пределами представленных примеров. Ответы по медицине, праву и финансам требуют проверки.

Это квантизированная в формате GGUF BF16 версия модели Qwen3.8-27B-Brainwaves-WFH-BF16 от nightmedia, подготовленная mradermacher. Репозиторий содержит взвешенные imatrix-кванты, включая варианты для разных требований к размеру и качеству; README также приводит вариант IQ1_S размером 7,2 ГБ и IQ1_M размером 7,7 ГБ. Модель предназначена для генерации текста в диалоговом и инструкционном режиме. Метаданные указывают на применение в программировании, математике, рассуждениях и творческом письме; заявлены английский, китайский, японский и испанский языки. Для использования требуются совместимый с GGUF движок и выбранный файл квантизации. Лицензия — Apache-2.0.

lainlives/Qwen3-Coder-30B-A3B-IT-Heretic-Q5_K_M-GGUF — это квантизированная версия в формате GGUF модели TitleOS/Qwen3-Coder-30B-A3B-IT-Heretic, созданная на основе Qwen3-Coder-30B-A3B-Instruct. Конвертация выполнена с использованием llama.cpp и сервиса GGUF-my-repo. Модель относится к классу текстовых генеративных моделей и ориентирована прежде всего на задачи программирования и работы с кодом. Модель предназначена для локального запуска через llama.cpp, включая режим командной строки и серверный режим. Ключевые характеристики, указанные в названии, — конфигурация Qwen3 Coder с 30B параметров и компонентом A3B, инструкционное обучение, а также квантизация Q5_K_M, которая снижает требования к памяти по сравнению с полноразмерной версией. Поддерживаются текстовые запросы; сведения о точном размере контекста, языках программирования и естественных языках в карточке не приведены. Сильными сторонами являются специализированная направленность на код, возможность локального развертывания и совместимость с экосистемой llama.cpp. К ограничениям относятся возможные потери качества из-за квантизации, необходимость подходящего аппаратного обеспечения и отсутствие в карточке подробных результатов тестирования, перечня поддерживаемых языков и точных требований к ресурсам. В метаданных указана лицензия Apache-2.0; для дополнительных условий и характеристик рекомендуется обращаться к карточке исходной модели.

Карточка модели ANGELOSEGRETO/Qwen3-Coder-Next на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Карточка модели Wiley2210/Qwen3-Coder-Next на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

mlx-community/Qwen3-Coder-Next-bf16 — конвертированная в формат MLX версия Qwen/Qwen3-Coder-Next, подготовленная сообществом mlx-community. Это языковая модель с архитектурой Qwen3 Next и причинным декодером, предназначенная для генерации кода и работы в кодирующих агентах, включая многошаговую разработку и взаимодействие с инструментами. Модель поддерживает диалоговый режим, принимает текст и генерирует текст; заявленная длина контекста составляет 262144 токена, общее число параметров — 2,3 млрд. Репозиторий содержит веса в формате safetensors и предназначен для запуска с MLX, в частности через mlx-lm. Лицензия — Apache-2.0. README указывает на конвертацию исходной модели в формат MLX; метаданные также связывают её с Qwen/Qwen3-Coder-Next.

noctrex/Qwen3-Coder-Next-MXFP4_MOE-GGUF — квантованная версия языковой модели Qwen3-Coder-Next, подготовленная автором noctrex в формате GGUF. Веса MoE-тензоров представлены в MXFP4, остальные тензоры сохранены в BF16 или F16; автор рекомендует вариант BF16 как более качественный, а F16 — как альтернативу, которая на некоторых архитектурах может работать быстрее. Модель предназначена для генерации текста в диалоговом формате и унаследовала специализацию Qwen3-Coder-Next на генерации кода и задачах кодирующих агентов. В карточке указаны рекомендуемые параметры генерации: temperature=1.0, top_p=0.95 и top_k=40. Лицензия и ограничения по использованию в предоставленных данных не описаны.

mlx-community/Qwen3-Embedding-8B-4bit-DWQ — модель для получения признаковых представлений текста, задач sentence similarity и feature extraction. Она основана на Qwen/Qwen3-Embedding-8B и преобразована сообществом mlx-community в формат MLX с использованием mlx-lm 0.25.1. Модель имеет размер 8B параметров и 4-битное квантование DWQ, что предназначено для снижения требований к памяти при сохранении возможности локального запуска в экосистеме MLX. В карточке указана поддержка библиотек Transformers и Sentence Transformers, а также тип конвейера feature-extraction. Конкретные языки, размер контекста и перечень поддерживаемых модальностей не указаны; по представленным данным модель предназначена для работы с текстом. Лицензия модели — Apache-2.0. README не содержит подробных сведений о качестве, ограничениях, языковом покрытии и результатах тестирования, поэтому эти характеристики нельзя оценить точнее.

DavidAU/Qwen3-Jan-Nano-128k-6B-Brainstorm20x — инструкцияционная языковая модель для генерации текста, кода и диалогов. В основе лежит Menlo/Jan-nano-128k; автор сообщает о применении адаптера Brainstorm 20x, настроенного на улучшение генерации кода и решения задач. В метаданных архитектура указана как плотная Qwen3ForCausalLM, размер — 5,4 млрд параметров, формат весов — safetensors. Модель принимает текст и поддерживает контекст до 131 072 токенов. Карточка описывает её применение для программирования, многошаговых задач, творческого письма и мозгового штурма. Автор отмечает более подробную и нюансированную прозу, а также более строгое следование инструкциям; эти наблюдения представлены как субъективные результаты тестирования. Указанная лицензия — Apache-2.0. Для запуска README рекомендует шаблон Jinja или ChatML и приводит настройки сэмплирования; для сложных многошаговых задач автор советует варианты квантования Q6 или Q8. Карточка не приводит независимых бенчмарков, поэтому заявления об улучшениях не следует считать подтверждённой оценкой качества.

Qwen-Qwen2.5-Coder-7B-llamafied — версия Qwen/Qwen2.5-Coder-7B от llamafy, представленная в формате Llama для совместимости с программами, поддерживающими этот формат. Это плотная авторегрессионная модель с 7,1 млрд параметров; метаданные указывают библиотеку Transformers и формат весов Safetensors. Модель предназначена для генерации текста, в том числе программного кода, и поддерживает диалоговый интерфейс. Модель основана на дообученной для кода Qwen2.5-Coder-7B. Указанная длина контекста — 4096 токенов. Карточка заявляет совместимость с программами, поддерживающими формат Llama, однако конкретные результаты конвертации и совместимость отдельных функций не описаны. Лицензия в предоставленных данных не указана.

Qwopus3.5-27B-v3 — мультимодальная модель на 27 млрд параметров, разработанная Jackrong на базе unsloth/Qwen3.5-27B. Она дообучена с помощью SFT и LoRA с дистилляцией структурированного рассуждения и дополнительным обучением вызову инструментов; поддерживает диалоги и обработку изображений. Модель предназначена для задач программирования, математики, логических рассуждений и многошаговых сценариев с инструментами, включая агентные фреймворки вроде OpenClaw. Автор заявляет о более коротких и устойчивых цепочках рассуждений и высокой эффективности генерации токенов, однако приведённые оценки ограничены и не подтверждают качество во всех областях. Модель может галлюцинировать, зацикливаться или отклоняться в рассуждениях; автор обозначает её как тестовую версию для обучения, демонстраций и технического исследования. Лицензия — Apache-2.0.

Qwopus3.5-9B-Coder-GGUF — мультимодальная языковая модель от Jackrong, созданная на базе Qwopus3.5-9B-v3.5 и представленная в формате GGUF для использования с llama.cpp и совместимыми инструментами. Это плотная модель размером 9 млрд параметров, ориентированная на агентное программирование, сложные вызовы инструментов и логическое рассуждение. Модель предназначена для генерации и отладки кода, решения задач на уровне репозитория, работы с терминальными командами, файловыми операциями, браузерами и function calling. Она поддерживает текстовые и визуальные входные данные; для включения зрения требуется отдельный файл mmproj.gguf. Заявлены языки English, Chinese, Spanish, Russian и Japanese, однако размер контекста в README не указан. При дообучении использовались Trace Inversion, агентские трассировки и наборы данных для reasoning и tool use. Сильными сторонами заявлены структурированное рассуждение, работа с кодом и более стабильное использование инструментов при относительно низких требованиях к оборудованию: автор указывает возможность запуска в 8-битном режиме на устройствах с 16 ГБ оперативной памяти. Модель выпущена как экспериментальная версия сообщества; полноценная оценка общих способностей не проводилась, поэтому в непрофильных задачах возможно снижение качества. Указана лицензия Apache-2.0, но автор рекомендует использовать модель главным образом для исследований и экспериментов.