II.9Статистика, эксперименты и причинный анализ

datagemma-2b — языковая модель, разработанная ed001 для генерации кода в области анализа данных по инструкциям на естественном языке. Она дообучена на базе CodeGemma-2B на наборе ed001/ds-coder-instruct-v2, сформированном фильтрацией общедоступных датасетов Hugging Face. Модель использует плотную архитектуру GemmaForCausalLM и содержит 2,5 млрд параметров; максимальная длина контекста — 8192 токена. Модель предназначена для помощи в написании кода для задач data science: пользователь описывает задачу текстом, а модель генерирует соответствующий код. В карточке указана лицензия MIT. Оценки качества и подробные ограничения в предоставленных источниках не описаны.

OpenAI o3 Pro — модель семейства o, обученная с подкреплением рассуждать перед ответом и решать сложные задачи. По сравнению с o3 она использует больше вычислений на этапе рассуждения, чтобы давать более последовательные ответы. Модель предназначена для сложных запросов, где полезны многоэтапное рассуждение и тщательная проработка ответа. Данных о размере, модальностях, поддерживаемых языках, длине контекста и лицензии в предоставленной карточке нет.

ExoMind-9B — компактная мультимодальная модель команды ExoMind из Шанхайской лаборатории искусственного интеллекта. Это плотная модель семейства Qwen3.5 с 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B для научных рассуждений и агентных исследовательских сценариев. Она принимает текст и изображения и формирует текстовые ответы; в карточке указано окно контекста до 262 144 токенов. Модель предназначена для научных вопросов и ответов, математических и вычислительных рассуждений, поиска источников, обоснования выводов свидетельствами, проверки результатов с помощью исполняемого кода и экспериментов с использованием инструментов. Она рассчитана на ресурсосберегающие прототипы агентных систем и сохраняет возможности анализа изображений базовой модели. Для заявленных сценариев авторы описывают обучение на траекториях рассуждений и взаимодействия. Оценки из приведённой в README таблицы относятся к системе ExoMind 35B-A3B, поэтому их нельзя переносить на версию 9B; отдельные оценки для ExoMind-9B не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3-14B-DAG-Reasoning — экспериментальная специализированная языковая модель от Sequelbox для причинно-следственного анализа и построения ориентированных ациклических графов (DAG). Она дообучена на Qwen/Qwen3-14B на наборе данных Sequelbox, сформированном с помощью DeepSeek R1 0528, и использует архитектуру Qwen3 с 14 млрд параметров. Модель принимает текст и обычно выдаёт структурированный JSON с узлами и связями графа, который можно использовать для визуализации или дальнейшего анализа. Модель рассчитана на многошаговые рассуждения в областях программирования, науки, бизнеса, экономики, финансов, права, логистики и управления. Для запроса графа или анализа следует явно попросить его в сообщении; при неясном запросе модель может ответить в обычном стиле Qwen3. Контекст составляет до 40 960 токенов. Для применения в продуктивных системах автор рекомендует проверять структуру выходных данных. Лицензия — Apache-2.0.

PyLlama3 — языковая модель семейства Llama, созданная разработчиками PyBench путём дообучения Llama 3 на наборах PyInstruct, CodeActInstruct, CodeFeedback и корпусе Jupyter Notebook. Она предназначена для генерации кода и диалоговой работы с многошаговыми задачами программирования, включая анализ данных и отладку. Модель имеет плотную архитектуру LlamaForCausalLM, содержит около 7,5 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка описывает сценарии анализа таблиц и текстов, работы с изображениями и аудио, сложных вычислений и разработки программ и сайтов; PyBench оценивает такие задачи с помощью тестов. Доступен формат PyTorch, лицензия в предоставленных данных не указана.

Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled — текстовая диалоговая модель с открытыми весами, созданная r3lax на основе Qwen/Qwen3.6-35B-A3B. Это дообученная MoE-модель семейства Qwen3.5: в ней 35 млрд параметров, из которых около 3 млрд активируются на каждом токене. Для обучения использовали дистилляцию примерно 8 тысяч цепочек рассуждений Claude Opus 4.7; стиль рассуждения настраивали с помощью LoRA только для слоёв внимания. Модель предназначена для многошаговых рассуждений, решения задач по математике и STEM, анализа кода, логических головоломок и агентного планирования. Контекст — до 64 тысяч токенов; при сложных запросах модель может генерировать от 5 до 30 тысяч токенов рассуждений перед ответом. Поддерживает английский язык. В метаданных указаны чат и интерфейс вызова инструментов; README рекомендует vLLM для сервинга. Дистилляция перенимает стиль рассуждений, но не добавляет фактических знаний сверх базовой Qwen3.6-35B-A3B. Экспертные FFN-слои не дообучались, генерация может быть очень длинной, а README отмечает проблемы с форматом ответов для автоматической оценки AIME. Лицензия — Apache-2.0; для сценариев, использующих данные, созданные Claude Opus 4.7, README рекомендует проверить применимые условия Anthropic.

Llama-3.1-Swallow-8B-OpenMath-FT-i1-GGUF — это квантизированная модель в формате GGUF, созданная на основе Nextorage/Llama-3.1-Swallow-8B-OpenMath-FT. Квантизацию выполнил mradermacher; исходная модель дообучена на наборе данных nvidia/OpenMathInstruct-1. Модель предназначена для генерации текста, решения математических задач, работы с математическими инструкциями и генерации кода. В метаданных указана поддержка японского языка. Архитектура относится к семейству Llama 3.1, размер базовой модели — 8 миллиардов параметров; модель работает только с текстом, а сведения о максимальном контексте в README отсутствуют. Предоставляется набор вариантов квантизации с разным соотношением размера, скорости и качества, включая IQ- и Q-форматы. В README отмечены Q4_K_M как быстрый рекомендуемый вариант и Q4_K_S как оптимальный по размеру, скорости и качеству, тогда как некоторые низкобитные варианты имеют заметные ограничения по качеству. Лицензия указана как llama3.

Ornstein-27B-GGUF — набор GGUF-квантизаций модели Ornstein-27B, разработанной DJLougen на базе Qwen 3.5 27B. Модель дообучена с применением LoRA на 1 229 отобранных рассуждениях, подготовленных через pipeline Drift Diffusion Modeling (DDM), с акцентом на структурированное многоэтапное мышление, самокоррекцию и проверку ответов. Модель использует блоки <think>...</think> для расширенного рассуждения. Она предназначена для математики, задач на логику, анализа кода, научных задач и сложных вопросов, требующих последовательного рассуждения. В обучающей выборке преобладают математические примеры, также представлены код, наука и логика. Доступны варианты от F16 размером 53,8 ГБ до Q2_K размером 10,7 ГБ; рекомендуемым указан Q4_K_M размером 16,5 ГБ. Модель рассчитана на контекст до 8192 токенов и запуск через llama.cpp, Ollama или LM Studio. Язык оптимизации DDM — английский; качество на других языках в основном определяется базовой моделью. Сильная сторона модели — ориентация на качественное, проверяемое рассуждение при сравнительно небольшом объёме данных и широкий выбор квантизаций для локального запуска. Ограничения включают обучение всего на одной эпохе и 1 229 примерах, поэтому дообучение преимущественно формирует стиль рассуждения, а не добавляет новые знания; при неоднозначных или намеренно провокационных запросах расширенное мышление может зацикливаться. Модель распространяется по лицензии Apache-2.0.

DS RAG Embedder v1 — англоязычная модель эмбеддингов Digvijay Waghela для поиска документации по Data Science и машинному обучению в RAG-системах. Она дообучена на базе BAAI/bge-small-en-v1.5 на более чем 600 фрагментах материалов о метриках, утечках данных, кросс-валидации, дисбалансе классов, MLOps, RAG, глубоком обучении, развёртывании и планировании экспериментов. Модель построена на архитектуре BERT, содержит около 40 млн параметров, создаёт векторы размерности 384 и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска по документации, ноутбукам и инструкциям команд по работе с данными; её также можно сочетать с BM25 для гибридного поиска. Для запросов требуется префикс «Represent this Data Science question for retrieving relevant documentation: », который автоматически добавляет метод encode_queries() из описанного в README пакета. В приведённом бенчмарке DS RAG Eval v1 модель показала Recall@1 0,851 и Recall@5 1,000; эти результаты относятся к указанному набору оценки. Доступна по лицензии Apache-2.0. README не рекомендует применять её для общего веб-поиска, а также в юридических и медицинских сценариях без отдельной оценки или для полностью автоматизированных решений с высокими ставками.

PhAI-IDE-72B — специализированная языковая модель для научного программирования и работы с инструментами, разработанная командой PhAI-IDE. Она дообучена методом supervised fine-tuning на траекториях Codex из ScienceIDE; основа — Qwen/Qwen2.5-72B-Instruct. Модель построена на плотной архитектуре Qwen2 и содержит 71,5 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в виде весов BF16 в формате Safetensors с объединённым LoRA-адаптером. Модель предназначена для диалоговой помощи при работе с научным кодом, вызова инструментов и исправления кода в научных проектах. В README приведены результаты семейства PhAI-IDE на бенчмарках научного ремонта кода и отдельных задачах рассуждения, однако сопоставимых результатов именно для версии 72B не указано. Для запуска требуются значительные ресурсы: только веса занимают около 145,41 ГБ, кроме того нужна память для выполнения и KV-кэша. Лицензия указана как Qwen; условия следует проверять по лицензии базовой модели и карточке репозитория.

Camel-Platypus2-13B — объединённая автором карточки языковая модель на 12,9 млрд параметров, созданная на основе Platypus2-13B и qCammel-13. Это авторегрессионная плотная модель семейства Llama, основанная на архитектуре Llama 2; она принимает текстовые инструкции и генерирует текстовые ответы. Модель предназначена для диалогов и решения задач на английском языке, включая вопросы по STEM-дисциплинам, логике и общие тестовые задания. Шаблон запроса использует секции Instruction и Response, а длина контекста составляет 4096 токенов. В карточке указана лицензия CC BY-NC-4.0 для базовых весов, которая ограничивает коммерческое использование. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед применением следует оценить её поведение в целевом сценарии. Оценивание проводилось на английском языке и не охватывает все возможные случаи использования.

PlumMath — объединённая языковая модель, созданная с помощью mergekit на основе Meta Llama 3.1 8B Instruct и моделей Llama3.1-8B-ShiningValiant2 и Llama3.1-8B-Cobalt. В репозитории используются архитектура LlamaForCausalLM и формат safetensors; размер модели — 7,5 млрд параметров, длина контекста — до 131 072 токенов. Модель предназначена для диалоговой генерации текста и выполнения инструкций; тематика карточки указывает на математику, естественные науки, информатику и инженерные задачи. Она рассчитана на англоязычное применение. В README приведены результаты Open LLM Leaderboard, включая средний балл 13,80, IFEval 22,42 и BBH 16,45. Использование регулируется лицензией Llama 3.1.

Ouro-1.4B-Thinking — языковая модель ByteDance для генерации текста и диалогов с акцентом на рассуждения. Это плотная причинно-языковая архитектура OuroForCausalLM примерно на 1,3 млрд параметров; модель дообучена методом supervised fine-tuning на данных для рассуждений. Поддерживает контекст до 65 536 токенов и принимает текст, выдавая текст с подробными шагами рассуждения. Модель предназначена прежде всего для математических, научных и связанных с кодом задач, а также для диалогов. В архитектуре используются четыре рекуррентных шага с настраиваемым адаптивным выходом; промежуточные выходы могут служить оценками финального ответа. README сообщает о результатах, сопоставимых с некоторыми моделями на 4 млрд параметров, но не приводит конкретных оценок. Для запуска рекомендуется Transformers 4.56.0; vLLM не поддерживает адаптивный выход. Лицензия — Apache-2.0. Разработчики обозначают модель как исследовательскую и предоставляют её без гарантий пригодности для промышленного применения.

FineEnvs выпустила полноразмерное дообучение LiquidAI/LFM2.5-2.6B для агентных задач анализа данных с OpenCode. Это плотная авторегрессионная модель семейства LFM2 с 2,6 млрд параметров, принимающая текст и выдающая текст; заявленная длина контекста — 131 072 токена. Модель обучали с асинхронным GRPO, поощряя правильность ответов и эффективность использования инструментов. Репозиторий содержит полные веса, токенизатор и шаблон чата, а не LoRA-адаптер. Модель предназначена для выполнения задач анализа данных агентом с инструментами в среде OpenCode. На 250 тестовых заданиях SmolDataEnvs итоговый чекпойнт показал 52,3% pass@1 в четырёх оценочных средах; результат зависит от среды и версии агентского инструментария. Для воспроизведения оценок нужны соответствующие инструменты и среда выполнения; обычный чатовый запрос не эквивалентен этой оценке. Карточка указывает английский язык, библиотеку Transformers и лицензию other, условия которой следует проверять в репозитории.

FineEnvs выпустила полноразмерное дообучение Qwen/Qwen3.5-2B для агентного анализа данных с использованием OpenCode и асинхронного GRPO. Это плотная модель семейства Qwen3.5 с 2 млрд параметров, предназначенная для диалога и взаимодействия с инструментами в задачах анализа данных; в обучении применялась только бинарная оценка правильности. Опубликован чекпойнт после 1 000 шагов, получивший 29,8% pass@1 в четырёх оценочных средах на наборе SmolDataEnvs. Модель принимает текст и генерирует текст для агентных сценариев, где результат зависит от доступного harness и инструментов. Она загружаетcя через Transformers; репозиторий содержит полные веса и токенизатор с шаблоном чата, а не LoRA-адаптер. Лицензия — Apache-2.0. В README не заявлены результаты по изображениям, несмотря на мультимодальную архитектуру базовой модели.

Optimus 7B — языковая модель для генерации текста, разработанная Talha Rüzgar Akkuş на базе архитектуры Mistral. В данном репозитории TheBloke публикует её квантизированные версии в формате GGUF. Модель ориентирована на англоязычные текстовые запросы и связана с набором данных MetaMathQA, поэтому может применяться в задачах математического рассуждения и других сценариях генерации текста. Размер модели составляет 7 миллиардов параметров. Поддерживается текстовая модальность, язык — английский. Файлы доступны в вариантах квантизации от 2 до 8 бит для запуска на CPU и GPU, в том числе через llama.cpp и совместимые интерфейсы и библиотеки. Используется шаблон запросов ChatML. Размер контекстного окна в README не указан. К сильным сторонам относятся возможность локального запуска, широкий выбор уровней квантизации и специализация на математической тематике. Ограничения включают отсутствие сведений о точных результатах оценки, размере контекстного окна и качестве на других языках; квантизация также может влиять на точность и качество генерации. Указанная лицензия — Apache-2.0.

Guilherme34/Reasoner-Llama3.1-70b — чат-модель для генерации текста и ответов в стиле рассуждений. В карточке рекомендуется задавать системный промпт с именем Samantha и просить модель обдумывать ответ перед его выдачей. По метаданным это плотная причинно-следственная модель семейства Llama с архитектурой LlamaForCausalLM и 69,5 млрд параметров; нативный контекст составляет 131 072 токена. Репозиторий содержит веса в формате safetensors и связан с датасетом Guilherme34/Reasoner-dataset-v2. Модель подходит для диалоговых ответов и генерации текста с использованием длинного контекста. Метаданные отмечают интерфейс вызова инструментов, но карточка не описывает его поведение или качество. Сведений о лицензии и поддерживаемых естественных языках в предоставленных данных нет, поэтому условия использования и языковой охват определить нельзя.

OpenAI o3-mini — компактная языковая модель OpenAI, оптимизированная для рассуждений в задачах STEM, особенно в науке, математике и программировании. Она предназначена для генерации текста и помощи в решении технических задач; поддерживает параметр reasoning_effort для настройки уровня усилий при рассуждении. Модель подходит для объяснения научных концепций, решения математических задач и помощи с кодом. Данных о размере, контекстном окне, поддерживаемых языках и лицензии в предоставленных источниках нет.

Mungert/OpenReasoning-Nemotron-32B-GGUF — GGUF-версия большой языковой модели OpenReasoning-Nemotron-32B, производной от Qwen/Qwen2.5-32B-Instruct. Исходная модель разработана NVIDIA и дообучена для рассуждений, генерации решений по математике, программированию и научным задачам. Указан английский язык, текстовая модальность и сценарий text-generation. Модель создана с использованием llama.cpp; конкретный формат квантования зависит от файла GGUF. В README также описан подход с повышением точности отдельных важных слоёв при квантовании, что может улучшать качество на низких разрядностях, но увеличивает размер файла. Модель рассчитана на исследовательское и коммерческое/некоммерческое использование. Для сложных задач поддерживается генерация до 64K выходных токенов по данным исходной карточки. Сильные стороны — специализация на математическом, кодовом и научном рассуждении, а также возможность многократных параллельных генераций с последующим выбором решения через GenSelect. Ограничения включают высокие требования к вычислительным ресурсам для 32B-модели, возможную зависимость качества и размера от выбранного уровня квантования, а также отсутствие в предоставленных данных точного размера контекстного окна и подробностей об аппаратных требованиях. Лицензия модели — Creative Commons Attribution 4.0 International (CC-BY-4.0); для базовой модели дополнительно указана Apache 2.0.

unsloth/Phi-4-reasoning-plus-GGUF — GGUF-версия модели Phi-4-reasoning-plus, разработанной Microsoft Research и подготовленной для распространения Unsloth. Это открытая по весам текстовая модель генерации для диалогов и задач, требующих рассуждений, прежде всего математики, естественных наук и программирования. Модель дообучалась методом supervised fine-tuning на синтетических и отфильтрованных общедоступных данных, а также с применением reinforcement learning. В основе лежит плотная decoder-only Transformer-архитектура с 14 млрд параметров и контекстом до 32 тыс. токенов. Модель принимает текстовые запросы, предпочтительно в формате чата, и генерирует текстовые ответы на английском языке. Ответы состоят из блока цепочки рассуждений и последующего блока суммаризации. Версия GGUF предназначена для запуска в совместимых инструментах, включая llama.cpp; для включения режима рассуждений в llama.cpp требуется параметр --jinja. Сильной стороной модели является повышенная точность благодаря дополнительному reinforcement learning и специализации на сложных задачах рассуждения, математике, науке и коде. Ограничением служит более высокая задержка: модель в среднем генерирует примерно на 50% больше токенов. README не содержит отдельной информации о специфических ограничениях качества или требованиях к аппаратным ресурсам именно этой GGUF-квантизации. Указанная лицензия — MIT.

DASD-4B-Thinking — плотная языковая модель примерно на 3,7 млрд параметров от Alibaba Apsara, построенная на архитектуре Qwen3 и предназначенная для длинных цепочек рассуждений. Она дообучена на базе Qwen3-4B-Instruct-2507 с помощью дистилляции от gpt-oss-120b; в обучении использовалось 448 тыс. примеров из наборов Superior-Reasoning-SFT-gpt-oss-120b и Superior-Reasoning-SFT-gpt-oss-120b-Logprob. Модель подходит для рассуждений по математике и естественным наукам, генерации и анализа кода, а также диалоговых задач, требующих пошагового ответа. Размер контекста — до 262 144 токенов. Модель принимает и выдаёт текст; README рекомендует передавать системный промпт, использовавшийся при обучении, и указывает настройки Temperature=1.0 и TopP=1.0. В README заявлены хорошие результаты на математических, научных и кодовых бенчмарках при компактном размере и относительно небольшом объёме обучающих данных. Модель не подключается к внешним инструментам и не поддерживает их вызов, поэтому не может самостоятельно запускать код или обращаться к API. Лицензия — Apache-2.0.

Essential AI разработала rnj-1-instruct — открытую плотную языковую модель на 8,3 млрд параметров, дообученную на базе EssentialAI/rnj-1. Модель построена на архитектуре Gemma 3 Text и предназначена для диалогового использования, генерации кода и решения задач STEM. Она поддерживает контекст до 32 768 токенов и работает с библиотекой Transformers; веса опубликованы в формате Safetensors под лицензией Apache-2.0. Модель подходит для написания и анализа кода, исправления ошибок в проектах и работы с инструментами в агентных сценариях. Также она решает математические и научно-технические задачи, поддерживает заполнение пропусков в коде и может помогать с интерактивным анализом данных. В README приведены результаты сравнительных оценок по кодированию, использованию инструментов, математике и научному рассуждению. Карточка не указывает естественные языки, на которых модель специально обучена или которые она поддерживает. Заявленные возможности и оценки описаны разработчиком; фактическое качество зависит от задачи и способа применения.

Sequelbox Qwen3-4B-Thinking-2507-DAG-Reasoning — экспериментальная специализированная языковая модель Sequelbox, созданная дообучением Qwen/Qwen3-4B-Thinking-2507. Она генерирует текст и предназначена для причинного анализа: выявляет связи между факторами, оценивает уверенность и формирует результат в виде структурированного ориентированного ациклического графа (DAG), представленного в JSON. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 262 144 токенов. Модель подходит для анализа причин и следствий в программировании, науке, бизнесе, экономике, финансах, праве, логистике и управлении, а также для подготовки графов к визуализации или дальнейшей обработке. Для получения структурированного DAG следует явно запросить граф или анализ; модель также может ответить в обычном стиле Qwen3. Карточка описывает её как ранний экспериментальный выпуск и рекомендует проверять структуру выходных данных перед продуктивным использованием. Доступна по лицензии Apache-2.0.

Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled — модель, разработанная Jackrong на базе Qwen3.5-9B. Она дообучена методом Supervised Fine-Tuning с использованием LoRA и данных, полученных дистилляцией рассуждений из взаимодействий с Claude-4.6 Opus, а также дополнительных наборов данных для reasoning, науки, следования инструкциям и математики. В обучении использовалась библиотека Unsloth. Модель предназначена для решения сложных задач, требующих структурированного пошагового анализа, планирования, проверки ограничений и формулирования подробных ответов. Она обучена использовать формат рассуждений в тегах <think> и затем выдавать итоговый ответ, при этом автор стремился сократить избыточные повторения и повысить эффективность рассуждений. Указаны языки английский, китайский и корейский; размер базовой модели — 9B параметров. В README модель описана как текстовая, хотя в метаданных pipeline указан image-text-to-text. Сильными сторонами являются компактный размер, акцент на структурированное reasoning и применение к научным, математическим и общим инструкционным задачам. Ограничения включают отсутствие опубликованных сведений о размере контекстного окна, количественных результатах бенчмарков и фактической поддержке изображений. Модель распространяется по лицензии Apache-2.0.

DeepSeek-V4-Pro-Qwen3.5-9B — компактная языковая модель класса 9B, созданная Kottk14-02-09 на основе unsloth/Qwen3.5-9B. Это reasoning-ориентированная дистилляция ответов DeepSeek-V4-Pro в режиме Max Effect с дополнительной настройкой под математику и STEM-задачи. В README также указано сотрудничество с инженером по аппаратному обеспечению Kyle Hessling, который помогал с инфраструктурой, обучением и оцениванием. Модель предназначена для генерации текста, многошагового решения математических и научных задач, структурированного рассуждения, а также может применяться в программировании, tool use и function calling. Обучение включало примерно 250 000 примеров по математике и STEM; при этом заявлены небольшие улучшения в программировании и использовании инструментов даже без специализированных данных для SFT по коду. Поддерживаются английский, китайский, корейский, японский, испанский и русский языки. Модель относится к текстовым генеративным моделям; сведения о мультимодальности и размере контекста в README не указаны. К сильным сторонам относятся относительно небольшой размер, практичная развёртываемость и фокус на математическом и научном рассуждении. Для запуска и оценки упомянуты vLLM с NVFP4 и llama.cpp с MTP-Q8_0. Ограничения модели, точные результаты бенчмарков, качество по отдельным языкам и требования к аппаратному обеспечению не приведены, поэтому их следует проверять самостоятельно. Модель распространяется по лицензии Apache-2.0.

MathCoder2-CodeLlama-7B-GGUF — это набор GGUF-квантизованных версий модели MathGenie/MathCoder2-CodeLlama-7B, разработанной MathGenie и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, решения математических задач и работы с программным кодом. Указан английский язык и обучающий набор MathGenie/MathCode-Pile. Модель основана на CodeLlama и содержит около 7 миллиардов параметров. Доступны варианты от F16 до низкобитных форматов Q8, Q6, Q5, Q4, Q3 и IQ; размер файлов составляет примерно от 2,8 до 13,48 ГБ. Это текстовая модель без заявленной поддержки мультимодальности. Формат GGUF ориентирован на локальный запуск, в частности через llama.cpp и LM Studio. Формат промпта в README не указан, а размер контекстного окна не приведён. Основное преимущество модели — специализация на математике и коде при возможности локального запуска с выбором компромисса между качеством и требованиями к памяти. Более высококачественные варианты Q6 и Q5 отмечены как рекомендуемые, тогда как варианты Q3 и некоторые устаревшие форматы обеспечивают экономию памяти за счёт снижения качества. Для ARM доступны отдельные варианты, требующие поддержки SVE или i8mm; их не рекомендуется использовать на Mac и Windows. Модель распространяется по лицензии Apache-2.0.

Agnuxo представляет локальную инструктивную модель для генерации кода на базе семейства Qwen2. Модель содержит 7 млрд параметров и опубликована в формате GGUF F32; карточка заявляет поддержку Python и навыки работы с научными вычислениями и машинным обучением. Метаданные указывают на диалоговый режим, а языковые теги — на английский и испанский языки. Модель предназначена для генерации и объяснения кода, в том числе для задач с NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Также заявлены возможности координации агентных задач и интеграции MCP и A2A. Лицензия репозитория — Apache-2.0. Результаты выполнения кода и заявленные навыки в карточке не подтверждены оценками; перед использованием код следует проверять.

Agnuxo публикует локальную GGUF-модель для генерации кода и помощи с Python. В README указана поддержка Python, JavaScript, TypeScript, Rust, Go и C++, а также научных вычислений с NumPy, SciPy и Pandas и задач машинного обучения с PyTorch, TensorFlow и JAX. Модель основана на плотной архитектуре семейства Mistral и доступна в формате GGUF F16; карточка предлагает запуск через Ollama и Transformers. Модель предназначена для генерации и сопровождения кода, в том числе для научных вычислений и машинного обучения. README также упоминает координацию агентских задач через MCP и A2A, но не приводит результатов оценки качества или параметров модели. Репозиторий лицензирован по Apache-2.0.

R1 1776 — языковая модель рассуждений семейства DeepSeek-R1, дообученная Perplexity AI для ответов на чувствительные темы с уменьшенным влиянием цензурных ограничений. Модель предназначена для диалогов, ответов на вопросы и задач, требующих пошагового рассуждения, включая математику. По данным карточки, при дообучении сохранялись способности к рассуждению; README сообщает о результатах на нескольких бенчмарках на уровне базовой R1. Это плотная авторегрессионная модель DeepSeek V3 с 37,6 млрд параметров и контекстом до 163 840 токенов. Она принимает текст и генерирует текст; в метаданных указана поддержка английского языка и интерфейс для вызова инструментов. Модель распространяется в формате Safetensors по лицензии MIT. Оценки устойчивости к цензурным отказам и сохранения математических способностей приведены разработчиком; результаты могут зависеть от запросов и условий оценки. Снижение цензурных ограничений не гарантирует точности ответов и не исключает ошибок или вредного содержания.

GPT-6 Luna Pro — вариант GPT-6 Luna от OpenAI, работающий с параметром reasoning.mode, установленным в pro. Он предназначен для получения более качественных ответов на сложные задачи. README описывает его как ту же базовую модель GPT-6 Luna с режимом рассуждения pro. Доступные данные не содержат сведений об архитектуре, размере, контексте, языках или лицензии, поэтому эти характеристики нельзя уточнить. Метаданные каталога относят модель к задаче image-text-to-text, однако README не описывает работу с изображениями.