II.8Инженерия данных и аналитика

Locutusque разработала Hyperion-3.0-Mixtral-3x7B — экспериментальную языковую модель с архитектурой Mixture of Experts на базе Mixtral. По карточке, в ней объединены три экспертные модели, предназначенные для научных и математических задач, программирования, открытых вопросов, суммаризации и ролевых диалогов. На каждом токене активируются два эксперта; общий размер модели по метаданным — 7,1 млрд параметров, длина контекста — 32 768 токенов. Модель принимает текст и генерирует текст на английском языке. Это ранний прототип для исследований и экспериментов: автор предупреждает, что качество может быть неоптимальным и модель не подходит для критически важных задач. Указано, что экспертные модели ещё не опубликованы, поэтому полная сборка и оценка модели могут быть недоступны. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

JackOD-9B-Coder — текстовая модель для многошагового агентного программирования, созданная объединением нескольких моделей на основе Qwen/Qwen3.5-9B. В README описана схема слияния omnimerge_v2 с весами 0,55 для DeltaCoder-9B, 0,30 для Qwopus3.5-9B-Coder и 0,15 для Ornith-1.5-9B; метаданные классифицируют результат как дообучение Qwen/Qwen3.5-9B. Архитектура — плотная Qwen 3.5, около 9 млрд параметров по базовой модели; формат репозитория — safetensors, библиотека — Transformers. Модель принимает и выдаёт текст. Заявленная область применения — продолжительная работа над задачей программирования в диалоге с вызовами инструментов. В README приведены результаты нескольких кодовых бенчмарков, но автор отдельно предупреждает, что раннее тестирование агентного сценария ограничено и проверка harness ещё продолжается. Модель предназначена для генерации и исправления кода, решения сложных задач программирования и работы агента, который продолжает задачу между ходами и вызовами инструментов. README сообщает, что у модели нет vision tower и весов visual.*, поэтому, несмотря на унаследованную конфигурацию мультимодальной архитектуры и связанные теги, изображениями она не обрабатывает. В качестве ограничений указаны ограниченные для её размера общие знания и предварительный характер оценки агентной надёжности. Лицензия — Apache-2.0.

MohitML10 опубликовал sentence-transformers-модель для сопоставления предложений и абзацев по смыслу. Она основана на BERT, содержит 25,9 млн параметров и преобразует текст в нормализованные плотные векторы размерностью 384; сходство оценивается косинусной мерой. Обучение проводилось на 7 200 парах предложений с оценками сходства. Метаданные указывают максимальный контекст 512 токенов, а карточка модели описывает максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска, ранжирования текстов по сходству, поиска перефразировок, кластеризации и использования в качестве признаков для классификации текста. Хотя название репозитория указывает на обнаружение jailbreak-запросов, карточка описывает обучение на сходстве предложений и не подтверждает отдельную классификацию таких запросов. Лицензия в предоставленных данных не указана.

KoSimCSE-roberta — модель эмбеддингов корейских предложений из проекта Korean-Sentence-Embedding. Она построена на архитектуре RoBERTa и предназначена для преобразования текста в векторы, пригодные для сравнения смысловой близости предложений и поиска семантически похожих текстов. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов. В карточке проекта приведены результаты оценки на тесте семантического сходства текстов, а также отмечена возможность использовать предварительно обученные модели для инференса и обучения. Модель ориентирована на корейский язык. Метаданные указывают форматы PyTorch и Safetensors; сведения о лицензии в доступных данных отсутствуют.

KR-SBERT-V40K-klueNLI-augSTS — модель семейства Sentence-BERT на архитектуре BERT, представленная SNUNLP. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантического сходства, поиска по смыслу и кластеризации. Модель также подходит для классификации документов; в приведённом в карточке сравнении она достигла точности 0,8628. Модель содержит 144 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Карточка и метаданные указывают корейский язык. Для применения доступны веса PyTorch и библиотека Sentence-Transformers. Лицензия в предоставленных данных не указана.

Модель rubentito/layoutlmv3-base-mpdocvqa — версия LayoutLMv3 от Microsoft, дообученная на наборе MP-DocVQA. Это мультимодальный Transformer с архитектурой LayoutLMv3 и 151,8 млн параметров, предназначенный для ответов на вопросы по многостраничным документам. Модель принимает изображение документа и вопрос, находит нужные сведения и может предсказывать страницу, где находится ответ. Модель использовалась как базовый ориентир в исследовании Hierarchical multimodal transformers for Multi-Page DocVQA. В README приведены метрики ANLS для качества текстовых ответов и APPA для точности определения страницы. Основной язык карточки — английский; лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных работ на тех же условиях и ограничивает коммерческое использование.

nielsr дообучил модель Microsoft LayoutXLM-base на французской части многоязычного набора XFUND для извлечения сущностей из документов. Это мультимодальная модель архитектуры LayoutLMv2 с 305,2 млн параметров и контекстом до 514 токенов; она учитывает текст, расположение элементов и изображение страницы. Модель размечает категории question, answer, header и other в отсканированных французских документах, например при разборе форм и извлечении полей из документов. Для инференса требуется Tesseract с французским языковым пакетом. Модель распространяется по лицензии CC BY-NC-SA 4.0.

Модель LeroyDyer/LeroyDyer-Mixtral_AI_CyberTron_Ultra — дообученная LeroyDyer текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для диалогов и генерации текста, в том числе ответов на вопросы, программирования, математики, финансовых тем, проектирования продуктов и систем, а также ролевых сценариев. Разработчик сообщает о тренировке на учебных и математических материалах, наборах данных для кода и диалогов, а также о поддержке многошаговых ответов и нескольких стилей взаимодействия. Метаданные указывают контекст до 32 768 токенов, библиотеку Transformers и формат Safetensors. В карточке заявлена ориентация преимущественно на английский язык; среди датасетов также есть материалы на суахили и многоязычный корпус. Модель может подойти для прототипирования чат-помощников и генерации кода, однако утверждения о качестве основаны на описании разработчика и не сопровождаются результатами независимой оценки. Указана лицензия Apache-2.0.

Apollo Raines опубликовал вариант Llama 3.1 8B Instruct, изменённый инструментом jBlaze методом representation engineering. По описанию автора, дополнительного обучения не было: изменения в весах подавляют отказы и уклончивые формулировки, чтобы ответы были более прямыми. Модель предназначена для диалоговой генерации текста, ответов на вопросы и выполнения инструкций, включая задачи по программированию. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она принимает текст и выдаёт текст; в карточке указаны английский язык и контекст до 131 072 токенов. Автор характеризует релиз как демонстрационную версию с намеренно сниженной полнотой возможностей. Указана лицензия Llama 3.1; свойства изменения отказов могут влиять на безопасность ответов, а заявленных автором проблем не обнаружено.

NVIDIA Parakeet TDT 0.6B v3 — многоязычная модель распознавания речи на 600 млн параметров, доступная в формате Transformers. Она использует архитектуру FastConformer-TDT и предназначена для преобразования речи в текст с автоматическим определением языка аудио. Поддерживает 25 европейских языков, включая русский и английский. Модель подходит для транскрибации разговоров и длинных записей, создания субтитров, голосовых помощников и аналитики речи. Она добавляет пунктуацию и заглавные буквы, а также может выдавать временные отметки на уровне слов и сегментов. Принимает монофоническое аудио 16 кГц; в README заявлена обработка записей до 24 минут с full attention на A100 80 ГБ или до 3 часов с local attention. Модель выпущена NVIDIA под лицензией CC BY 4.0, допускающей коммерческое и некоммерческое использование при соблюдении её условий. README отмечает оптимизацию для систем с GPU NVIDIA. Среди ограничений указаны отсутствие мер по снижению смещения и возможное влияние различий между европейским и бразильским вариантами португальского на результаты оценки.

Это диалоговая языковая модель Hjgugugjhuhjggg/mergekit-ties-esawwda, созданная объединением нескольких моделей семейства Llama 3.2 с помощью метода TIES и инструмента mergekit. В качестве базовой использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в объединение также вошли модели для чата, генерации кода, медицинских вопросов и ответов и генерации художественного текста. Модель предназначена для генерации текста и ответов в диалоге. Она содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — 131 072 токена. Метаданные указывают поддержку чата и интерфейс вызова инструментов. Языки модели в предоставленных данных не перечислены. Модель объединяет возможности нескольких специализированных чекпойнтов, но качество и устойчивость по отдельным задачам могут различаться. README не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

MinerU — модель для автоматического преобразования PDF-документов в Markdown. Она предназначена для извлечения текста с учётом структуры страницы, распознавания математических формул и восстановления таблиц, например при обработке академических статей, учебников и технической документации. В README описана составная архитектура: Detectron2 для анализа макета, сверточная сеть для обнаружения формул, BERT для их распознавания и T5 для восстановления таблиц. Метаданные Hugging Face относят репозиторий к feature-extraction; заявленный в README сценарий преобразования PDF в Markdown с этим тегом не совпадает. Заявлены поддержка китайского и английского языков и ограничения до 100 страниц и 50 МБ на PDF. README приводит точность распознавания текста 95%, формул 90% и восстановления таблиц 85%, но не описывает методику оценки. Использование рассчитано на среду с Python, PyTorch и Detectron2; указаны требования от 16 ГБ ОЗУ и 8 ГБ видеопамяти. Лицензия — Apache-2.0.

mLateOn — многоязычная модель поиска LightOn на архитектуре ColBERT с поздним взаимодействием и многовекторными представлениями. Она построена на mmBERT-base, содержит около 307 млн параметров и обучена с помощью PyLate; для запросов и документов поддерживает контекст до 8 192 токенов, формирует векторы размерности 128 и оценивает совпадение методом MaxSim. Модель предназначена для семантического поиска по многоязычным коллекциям, длинным документам и коду. Обучение проводилось на английском, французском, немецком, итальянском, испанском, португальском, шведском, норвежском и арабском языках. По данным карточки, модель также переносит качество на языки и письменности, не включённые в обучение поиска, например кириллицу и японский. Модель может быть полезна для поиска по документам и кода, когда инфраструктура поддерживает многовекторное хранение и позднее взаимодействие. В карточке приведены высокие результаты на бенчмарках BEIR, MIRACL, MLDR и MTEB Code. Для использования доступны веса Safetensors и ONNX. Лицензия — Apache 2.0.

MMLW-roberta-large — польский текстовый энкодер семейства RoBERTa, разработанный для получения векторных представлений предложений и текстов. Модель содержит 533,7 млн параметров и преобразует текст в векторы размерностью 1024; максимальная длина контекста — 514 токенов. Модель дистиллирована из польского чекпойнта RoBERTa с использованием мультиязычной дистилляции: учительскими моделями были английские FlagEmbeddings (BGE), а обучающий корпус включал 60 млн пар текстов на польском и английском языках. Она предназначена для семантического сравнения, кластеризации и поиска информации, а также может служить основой для дальнейшего дообучения. Для кодирования запросов README требует добавлять префикс «zapytanie: ». В README приведены средний результат 63,23 на польском бенчмарке MTEB и NDCG@10 55,95 на польском бенчмарке поиска PIRB. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Модель специализирована на польском, поэтому результаты для других языков и задач за пределами описанных сценариев могут отличаться.

Карточка модели jfarray/Model_bert-base-multilingual-uncased_5_Epochs на Hugging Face совпадает с карточкой jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_5_Epochs, поэтому описание составлено по ней. Модель jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_5_Epochs — модель Sentence-Transformers на базе BERT, преобразующая предложения и абзацы в плотные векторы размерности 256. Она предназначена для поиска семантически близких текстов и кластеризации; также подходит для сравнения сходства предложений. Модель содержит 137,1 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Обучение проводилось с функцией потерь CosineSimilarityLoss. По названию репозитория базовая модель — dccuchile/bert-base-spanish-wwm-uncased; модель ориентирована на испанский язык. Лицензия в предоставленных данных не указана.

MoziAI-27B-3.8 — мультимодальная плотная модель на 27 млрд параметров, разработанная командой Чэнь Юймо на базе Qwen/Qwen3.8-27B и дообученная для диалогов с усиленным вниманием к финансовой тематике. Модель распространяется в форматах GGUF, включая BF16 и Q4_K_M, и предназначена для локального запуска через llama.cpp; лицензия Apache-2.0 разрешает коммерческое использование. Модель ориентирована на финансовые вопросы и анализ отчетов, помощь с количественным программированием и вызов инструментов, а также поддерживает написание текстов, разработку и отладку кода, многошаговые задачи и понимание изображений. В карточке заявлены динамический режим рассуждения, итерационная проверка ответов и поддержка множества языков с особой оптимизацией китайского; метаданные явно указывают китайский и английский. Для работы с изображениями README требует загрузить vision-проектор и шаблон чата вместе с основным файлом. Заявления README о точности квантования и превосходстве в финансовых задачах не подкреплены приведенными результатами бенчмарков, поэтому их следует считать заявлениями разработчика.

Qdrant/multilingual-e5-large-onnx — это ONNX-версия модели intfloat/multilingual-e5-large, подготовленная Qdrant для работы с текстовыми представлениями. Модель предназначена для задач семантического сходства, поиска по смыслу и классификации текста, включая использование в системах векторного поиска и других сценариях, где требуется сравнивать текстовые эмбеддинги. Модель принимает текст и преобразует его в числовой вектор; README демонстрирует применение через библиотеку FastEmbed. Указана поддержка нескольких языков, однако конкретный перечень языков, размерность векторов, архитектура исходной модели и максимальная длина контекста в предоставленных данных не раскрыты. Формат ONNX может быть удобен для интеграции с совместимой инфраструктурой инференса. К ограничениям относится отсутствие в README подробностей о качестве на отдельных наборах данных, производительности, требованиях к ресурсам и точных границах применимости. Модель распространяется по лицензии Apache 2.0.

sbastola/muril-base-cased-sentence-transformer-snli-nepali — модель эмбеддингов предложений и абзацев на базе MuRIL, подготовленная разработчиком sbastola с использованием Sentence-Transformers. Она преобразует текст в плотные векторы размерности 768 для семантического поиска, сравнения предложений и кластеризации. Модель построена на архитектуре BERT, содержит 264,8 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось с функцией потерь SoftmaxLoss на данных SNLI. Модель предназначена для получения векторных представлений текста; заявленное применение включает поиск по смыслу и группировку похожих фрагментов. Репозиторий содержит веса в формате safetensors и использует библиотеку sentence-transformers. Лицензия и конкретные ограничения качества в предоставленных данных не описаны.

NanoVDR-D-HiRes-Qwen3VL8B-4096 — визуальная башня документов из семейства NanoVDR, разработанная командой NanoVDR. Это плотный энкодер примерно на 457 млн параметров: он принимает изображение страницы документа и выдаёт один L2-нормализованный вектор размерности 4096 для поиска по сходству; документы сравниваются с запросами скалярным произведением. Архитектура объединяет динамическую нарезку страницы на плитки, InternViT-300M-448, проекционный слой, ModernBERT-base с двунаправленным контекстом и усреднение токенов. Для совместимости с учительской моделью Qwen3-VL-Embedding-8B модель обучена дистилляцией представлений; её следует сочетать с башней запросов, обученной для того же учителя и ширины вектора. Модель предназначена для построения поискового индекса по страницам документов и визуального поиска по ним, включая страницы с мелким текстом и таблицами. В README сообщается о результатах на 22 наборах ViDoRe на шести языках и восьми профессиональных областях; эти оценки не гарантируют качество на других типах документов и запросов. Известные ограничения: представления наследуют слабые стороны учителя, бюджет плиток фиксирован и не зависит от содержимого страницы, а оценка не охватывает корпоративные макеты, страницы с деградировавшим сканом и реальные производственные распределения запросов. Репозиторий использует формат safetensors и лицензию MIT.

Это GGUF-квантизированная версия языковой модели AceReason-Nemotron-7B, разработанной NVIDIA и подготовленной квантизатором bartowski на базе llama.cpp. Модель предназначена для генерации текста с акцентом на рассуждения, математические задачи и программирование; заявленный язык — английский. Формат GGUF позволяет запускать её локально через llama.cpp, LM Studio и другие совместимые проекты. Модель относится к классу примерно 7-миллиардных текстовых моделей, однако точные сведения об архитектуре, размере контекста и поддерживаемых модальностях в README не указаны. Доступны варианты от BF16 до различных уровней квантования, включая рекомендуемые Q4_K_M, Q5 и Q6, что позволяет выбирать между качеством и требованиями к памяти. Более сильные варианты сохраняют качество ближе к исходной модели, а компактные подходят для систем с ограниченными ресурсами, но могут заметнее терять в качестве. Использование регулируется NVIDIA Open Model License; для конкретных условий следует ознакомиться с текстом лицензии NVIDIA.

Octen-Embedding-8B W4A16 — квантизированный чекпойнт модели Octen-Embedding-8B, опубликованный пользователем groxaxo. Модель предназначена для получения векторных представлений текста и задач feature extraction, включая семантический поиск, retrieval и сопоставление запросов с документами, при локальном или размещённом на сервере инференсе. Модель использует формат AWQ/AutoRound с квантизацией W4A16: веса представлены в 4-битном формате, а активации — в 16-битном. Квантизировано 252 из 253 слоёв, размерность эмбеддингов составляет 4096, модель занимает около 8,1 ГБ в двух шардах против 15 ГБ у базовой версии. Валидация проводилась с last-token pooling и L2-нормализацией; среднее косинусное сходство с базовой моделью превысило 0,98, а на небольшом наборе из пяти пар запрос—документ ухудшения Recall не наблюдалось. На RTX 3060 с 12 ГБ VRAM модель успешно запускалась, потребляя около 4,53 ГБ памяти. Сильными сторонами являются заметное сокращение размера и требований к памяти при сохранении близкого к исходной модели поведения. Ограничения связаны с зависимостью от runtime, совместимого с данным форматом и архитектурой, а также с тем, что опубликованная проверка выполнена на небольшом наборе данных; качество на конкретном распределении текстов необходимо оценивать отдельно. Языки и максимальная длина контекста в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

bezzam/omniasr-llm-300m-v2 — версия модели семейства OmniASR LLM-ASR v2, размещённая пользователем bezzam и основанная на разработанной командой Omnilingual ASR модели Meta. Предназначена для автоматического распознавания речи: на вход подаётся аудио, на выходе получается текстовая транскрипция; доступна опциональная языковая подсказка. Семейство OmniASR создано для многоязычного распознавания, включая языки с ограниченными обучающими данными. Архитектура — энкодер-декодер: речевой энкодер на основе wav2vec 2.0 соединён с декодером, вдохновлённым LLM. Вариант 300M v2 содержит около 1,63 млрд параметров и относится к моделям с ограниченной длиной аудио; для более длинных записей в семействе есть отдельная версия Unlimited. Репозиторий автора содержит веса safetensors, а официальный проект сообщает о поддержке более 1600 языков в семействе OmniASR. Версия v2 относится к выпуску контрольных точек с улучшенной точностью распознавания по сравнению с ранними LLM-ASR моделями семейства. Omnilingual ASR и его модели выпущены под лицензией Apache 2.0. Конкретные оценки качества и ограничения этой HF-перепубликации отдельно в карточке не описаны; общие результаты семейства нельзя считать гарантией для каждого языка или аудиозаписи.

Карточка модели HotOpenSourcing/OmniCoder-9B на Hugging Face совпадает с карточкой Tesslate/OmniCoder-9B, поэтому описание составлено по ней. OmniCoder-9B — языковая модель Tesslate на 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B для задач программирования и работы в роли кодового агента. Модель использует гибридную архитектуру с Gated Delta Networks и стандартными слоями внимания, поддерживает контекст до 262 144 токенов и режим рассуждений. Модель обучена на более чем 425 тысячах траекторий агентной разработки ПО: написании и изменении кода, работе с инструментами и терминалом, разборе ошибок и многошаговых задачах. Она рассчитана на интеграцию в среды кодовых агентов; формат вызова инструментов гибкий, но лучше работает со scaffolding-паттернами, похожими на те, что представлены в обучающих данных. В репозитории указана поддержка архитектуры VLM Qwen3.5, однако карточка описывает прежде всего применение для программирования. В карточке приведены результаты на GPQA Diamond, AIME 2025 и Terminal-Bench 2.0; они не гарантируют аналогичное качество в других задачах. Небольшой объём оценки неанглоязычных задач ограничивает выводы о работе за пределами английского. Модель распространяется по лицензии Apache 2.0.

OpenCodeReasoning-Nemotron-32B — языковая модель NVIDIA для генерации и пошагового решения задач программирования. Это дообученная для рассуждений в задачах генерации кода версия Qwen2.5-32B-Instruct; модель построена на плотном декодерном Transformer с архитектурой Qwen2 и содержит 32 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана на сценарии с программированием, включая задачи соревновательного уровня. Для обучения использован набор OpenCodeReasoning из 736 тысяч примеров с задачами по программированию и ответами, сгенерированными DeepSeek-R1. В метаданных заявлены диалоговый режим, работа с кодом и интерфейс вызова инструментов. Модель предназначена для разработчиков и исследователей, создающих приложения на основе LLM. В README указана готовность к коммерческому и некоммерческому использованию; лицензия — Apache-2.0. Она оптимизирована для NVIDIA GPU, а README рекомендует запуск на Linux с NeMo или vLLM. Оценки из README приведены по 64 запускам на бенчмарк, поэтому фактическое качество может различаться в зависимости от задачи и условий запуска.

Карточка модели bielquants/OpenThinkerAgent-32B на Hugging Face совпадает с карточкой open-thoughts/OpenThinkerAgent-32B, поэтому описание составлено по ней. OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

Карточка модели luganoquant/OpenThinkerAgent-32B на Hugging Face совпадает с карточкой open-thoughts/OpenThinkerAgent-32B, поэтому описание составлено по ней. OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

OPSD-PI Qwen3.5-9B Strong Trailing — update 4 — это непосредственно загружаемый объединённый чекпойнт семейства Qwen3.5, опубликованный LSW142857. Репозиторий содержит плотную модель класса Qwen3_5ForConditionalGeneration в формате safetensors; в метаданных указана библиотека Transformers и задача text-generation. Модель прошла четыре обновления оптимизатора на запуске Strong PI trailing_user с 1024 строками на восьми RTX A6000. Чекпойнт объединяет экспертную SFT-инициализацию, обновления LoRA основной модели и MTP, а также обученные тензоры full-MTP; дополнительный адаптер или шаг слияния для загрузки не требуется. Модель предназначена для генерации текста в диалоговом режиме и задач с кодом. В README описаны происхождение и структура весов, но не приведены результаты на отложенных наборах данных; автор рекомендует оценивать студента без PI на задачах, не входивших в обучающие 1024 строки. Лицензия в предоставленных сведениях не указана.

llmfan46/Ornith-1.0-35B-uncensored-heretic — версия модели Ornith-1.0-35B, подготовленная независимым автором карточки методом abliteration для уменьшения отказов. Базовая модель разработана Ornith AI и предназначена для агентного программирования; по метаданным это модель семейства Qwen 3.5 MoE с архитектурой Qwen3_5MoeForConditionalGeneration, доступная в формате safetensors и используемая через Transformers. Размер указан в названии как 35B. Модель рассчитана на генерацию кода, работу с репозиториями, агентные сценарии и вызов инструментов в чате. В приведённом сравнении доля отказов снизилась с 89 до 9 из 100 запросов, а точность на MMLU составила 81,71% против 82,64% у исходной версии; это результаты тестов автора карточки и не гарантия качества в других сценариях. В README также указана доступная GGUF-версия в отдельном репозитории. Лицензия — MIT. Поскольку модель специально изменена для снижения отказов, её ответы могут слабее следовать ограничениям безопасности; проверяйте результаты и учитывайте это при применении.

Ornith-1.5 Cyclos 1M Uncensored GGUF — это квантованная Q4_K_M-версия LoRA-файнтюна модели Ornith-1.5-35B-A3B. Репозиторий abhaymin содержит изменения файнтюна, расширение контекста и квантование; базовая архитектура, постобучение, визуальный модуль и основные возможности разработаны командой Ornith. Модель основана на семействе Qwen3.5 и использует архитектуру Mixture-of-Experts с заявленным размером 35B-A3B. Для работы с изображениями и видео требуется отдельный vision projector в формате F16. Модель предназначена для программирования, агентских сценариев, анализа рынков и трейдинга, классификации контента, вызова инструментов и работы с изображениями и видео. Файнтюн ориентирован на coding, market/trading analysis, content classification и tool/function calling. Контекст расширен с 262 144 до 1 048 576 токенов с помощью YaRN, однако длина в 1M токенов является экстраполяцией и не прошла валидацию: качество может снижаться за пределами исходного окна. Поддержка аудио отсутствует; для аудиодиалогов требуется внешний ASR, например Whisper. Модель распространяется под лицензией Apache-2.0. GGUF-файлы протестированы с llama.cpp, Ollama и LM Studio; для изображений и видео необходимы оба GGUF-файла — модели и vision projector. vLLM с GGUF в указанной конфигурации не работает из-за отсутствия адаптера для гибридной архитектуры, хотя BF16-версия поддерживается с выгрузкой части весов в оперативную память. Ограничения также включают потери качества из-за квантования Q4_K_M, отсутствие заявленных бенчмарков для этой сборки и унаследованное от базовой модели снижение отказов, которое не гарантирует выполнение любого запроса.

OWSM-CTC v4 — открытая многоязычная речевая модель семейства Open Whisper-style Speech Model, разработанная авторами проекта OWSM и распространяемая через ESPnet. Это модель на основе энкодера с иерархическим многозадачным self-conditioned CTC; она выполняет распознавание речи, перевод речи и определение языка в одной нерекуррентной модели. Версия v4 обучалась три эпохи на 320 тысячах часов открытых аудиоданных. Модель предназначена для преобразования речи в текст и поддерживает обработку аудио с частотой 16 кГц. Для коротких записей ожидается фиксированная длительность 30 секунд с дополнением или усечением; для длинных записей ESPnet может разделять аудио на перекрывающиеся фрагменты. CTC-декодирование не предоставляет временные метки слов или сегментов. Для применения нужны ESPnet и espnet_model_zoo. Лицензия — CC BY 4.0.