II.9Статистика, эксперименты и причинный анализ

MathCoder2-Llama-3-8B-GGUF — это квантованные GGUF-версии модели MathCoder2-Llama-3-8B, разработанной MathGenie и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и ориентирована прежде всего на математические и программные задачи, включая решение задач, написание и анализ кода. В качестве источника данных указан набор MathGenie/MathCode-Pile. Модель основана на семействе Llama 3 и содержит 8 миллиардов параметров. Она работает с текстом и заявлена для английского языка. Доступны варианты от исходных весов F16 до квантований Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Файлы подготовлены с использованием llama.cpp и imatrix; предусмотрено локальное использование, в том числе через LM Studio. Сильной стороной является специализация на математике и коде, а также широкий выбор квантованных вариантов: высококачественные сборки занимают около 6–9 ГБ, а более компактные — примерно 3,7–5 ГБ. Ограничения включают снижение качества на низких уровнях квантования, неизвестные в представленном README размер контекста и подробные результаты оценки, а также отсутствие заявленной поддержки языков кроме английского. Указана лицензия Apache-2.0.

sasa2000/MobileLLM-R1.5-950M-heretic — текстовая авторегрессионная модель на архитектуре Llama 4 Text, основанная на facebook/MobileLLM-R1.5-950M и изменённая методом abliteration. Она предназначена для генерации ответов на математические, научные и программные задачи, включая рассуждения и написание кода на Python и C++; автор исходной MobileLLM-R1.5 — Meta, а этот вариант опубликован пользователем sasa2000. Модель содержит около 1,2 млрд параметров по метаданным каталога (в README для исходной версии указано 949 млн), принимает и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. Карточка сообщает о меньшем числе отказов в тесте, чем у исходной модели, после abliteration; это не делает её универсальным чат-ботом. Для работы нужны Transformers и совместимый tokenizer. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория; конкретные права и ограничения в предоставленных данных не раскрыты.

OpenReasoning-Nemotron-32B — языковая модель NVIDIA, дообученная на основе Qwen2.5-32B методом supervised fine-tuning для рассуждений и генерации решений по математике, программированию и науке. Это плотный decoder-only Transformer семейства Qwen2 с 32 млрд параметров; метаданные указывают контекст 131 072 токена. Модель принимает текст и генерирует текст, а в README описана оценка с длиной генерации до 64 тыс. токенов. Модель предназначена для разработчиков и исследователей, решающих сложные математические, научные и программные задачи. Для повышения качества можно запускать несколько генераций параллельно и выбирать лучшее решение с помощью GenSelect; обучение выбора проводилось на математических задачах, а авторы сообщают о переносе способности на код и научные вопросы. README описывает применение на системах с ускорителями NVIDIA и интеграцию с NeMo, vLLM и TensorRT-LLM. Лицензия — CC BY 4.0; карточка допускает коммерческое и некоммерческое исследовательское использование. Ограничения включают ориентацию на сложные задачи рассуждения и отсутствие в README гарантий качества за пределами приведённых оценок; описанный GenSelect-режим требует нескольких параллельных генераций и дополнительного отбора ответов.

Qwen2.5-MOE-2X7B-DeepSeek-Abliterated-UNCensored-19B-gguf — текстовая generative-модель от DavidAU, основанная на архитектуре Qwen2.5 MOE и объединяющая два 7B-компонента DeepSeek/Qwen 2.5: обычный и abliterated (в основном uncensored) варианты. За счёт shared expert итоговый размер составляет немного более 19 млрд параметров. Модель распространяется в формате GGUF и предназначена для генерации текста. Модель ориентирована на универсальное применение: рассуждения и «thinking», решение математических и логических задач, мозговой штурм, ответы на вопросы, создание историй, сюжетов и другого художественного текста. Она поддерживает английский и китайский языки, имеет контекстное окно 128k токенов и, по описанию автора, особенно склонна к математическим, логическим и научным задачам. Архитектура MOE обеспечивает необычное поведение и потенциально более сильное рассуждение по сравнению с отдельной 7B-моделью, но модель не обязательно превосходит полноценные 14B- или 32B-модели. К сильным сторонам относятся широкий диапазон рабочих температур, способность сохранять рассуждение при различных настройках sampling и сочетание reasoning с творческой генерацией. Ограничения включают возможное появление китайских символов при англоязычных запросах, нестабильность рассуждений на высоких температурах и заметную вариативность ответов; для сложных задач может потребоваться несколько генераций или разбиение задачи на этапы. Для корректной работы требуется использовать встроенный Jinja Template, предпочтительно DeepSeek Tokenizer; рекомендуются контекст от 8k токенов и квантизации IQ4/Q4 или выше. Модель распространяется по лицензии Apache-2.0.

Agnuxo публикует эту модель как локального помощника для генерации кода на основе Qwen2 7B Instruct. Это плотная языковая модель примерно с 7 млрд параметров, распространяемая в формате GGUF с точностью F16; метаданные указывают поддержку чата и генерации текста. Карточка заявляет работу с Python, JavaScript, TypeScript, Rust, Go и C++, а также с научными вычислениями и библиотеками машинного обучения. Модель предназначена для генерации и помощи при написании кода, включая научные вычисления и задачи машинного обучения; её можно запускать локально через Ollama или Transformers. В метаданных указаны английский и испанский языки, а лицензия — Apache-2.0. Заявления карточки о наградах и сравнительном качестве не подтверждают независимые результаты оценки; параметры контекстного окна и конкретные показатели качества не приводятся.

s1.1-32B-GGUF — квантизированная версия языковой reasoning-модели s1.1-32B, разработанной командой simplescaling и опубликованной в формате GGUF пользователем brittlewis12. Базовая модель создана на основе Qwen2.5-32B-Instruct и дообучена на 1 000 примерах из датасета s1K с использованием reasoning traces из DeepSeek-R1. Модель предназначена для генерации текста, диалоговых сценариев и решения задач, требующих многошагового рассуждения, включая математические и научные вопросы. Поддерживает английский язык, работает с текстом и использует шаблон запросов ChatML. Архитектурный тип указан как qwen2; размер модели — 32B параметров. Модель поставляется в GGUF, что подходит для локального запуска через llama.cpp и совместимые приложения, в том числе на устройствах Apple при наличии достаточных ресурсов. Размер контекста в README не указан. К заявленным сильным сторонам относятся улучшенная способность к рассуждению по сравнению с исходной s1 и возможность test-time scaling с помощью budget forcing. В приведённых оценках модель показывает 95,4% на MATH500, 63,6% на GPQA-Diamond, 60,0% на AIME2025 I и 56,7% на AIME2024; результаты получены с применением budget forcing, поэтому они могут не отражать стандартный режим использования. Ограничения включают отсутствие данных о поддерживаемых языках помимо английского, модальностях помимо текста, размере контекста, требованиях к памяти и производительности. Лицензия — Apache-2.0.

Camel-Platypus2-70B — объединённая авторегрессионная языковая модель на архитектуре LLaMA 2, созданная на основе garage-bAInd/Platypus2-70B и augtoma/qCammel-70-x. В README указаны Platypus2-70B от Cole Hunter и Ariel Lee и qCammel-70-x от augtoma; автор самого объединения отдельно не назван. Модель содержит 68,7 млрд параметров, принимает текст и генерирует текст, поддерживает английский язык и имеет контекст 4096 токенов. Модель предназначена для генерации ответов на инструкции и задач на рассуждение, включая вопросы по STEM-дисциплинам и логике. В README приведены результаты оценивания на ARC, HellaSwag, MMLU и TruthfulQA. Модель распространяется по лицензии CC BY-NC-4.0, которая ограничивает коммерческое использование. Ответы могут быть неточными, предвзятыми или нежелательными; тестирование проводилось на английском языке и не охватывает все сценарии.

Falcon3-Mamba-R1-v0 — дообученная Ханзлой Джавайдом модель на основе tiiuae/Falcon3-Mamba-7B-Instruct для рассуждений и генерации текста. Это причинный декодер на архитектуре Mamba с 64 блоками и размером скрытого слоя 4096; в метаданных указано 8,9 млрд параметров. Архитектура Mamba масштабируется линейно с ростом числа токенов. Модель предназначена для математических и логических задач, структурированного решения проблем, ответов на STEM-вопросы и общего диалога. Модель ориентирована прежде всего на английский язык. В README приведены результаты MMLU 72,1 и GSM8K 89,5 в режиме 5-shot, однако это результаты авторской оценки. Это ранний чекпойнт конвейера дообучения. Производительность может снижаться при генерации длиннее 64 тысяч токенов; ответы следует проверять, особенно в критически важных сценариях. Лицензия в предоставленных данных не указана.

FoMo-0D — модель для обнаружения выбросов в табличных данных без обучения на целевой задаче. В карточке указаны официальная реализация и статья «FoMo-0D: A Foundation Model for Zero-shot Tabular Outlier Detection»; модель опубликована с помощью интеграции PytorchModelHubMixin. Модель предназначена для поиска аномальных наблюдений в таблицах, в том числе в сценариях, где нет размеченных примеров для обучения. Доступные сведения не раскрывают размер модели, поддерживаемые языки, конкретные типы входных данных или подробности архитектуры. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Mamba-Codestral-7B-v0.1-python_coding_assistant_16bit — локально запускаемый генератор кода, опубликованный Agnuxo (Francisco Angulo de Lafuente) и связанный в карточке с экосистемой P2PCLAW. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает текстовый ввод, выдавая текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель предназначена прежде всего для помощи в написании и генерации кода, включая Python, JavaScript, TypeScript, Rust, Go и C++, а также примеры задач научных вычислений и машинного обучения с NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. README также заявляет навыки координации агентов и интеграции MCP и A2A. Языки карточки — английский и испанский; качество генерации кода на перечисленных языках программирования в материалах не подтверждено независимыми оценками.

Agnuxo публикует эту инструктивную модель для генерации кода и локального использования. По метаданным это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; README называет её версией Meta Llama 3.1 8B Instruct и описывает запуск через Ollama или Transformers. Указан контекст до 131 072 токенов, а файлы представлены в формате safetensors. Модель предназначена для диалога о программировании и генерации кода: в README перечислены Python, JavaScript, TypeScript, Rust, Go и C++, а также научные вычисления с NumPy, SciPy и Pandas и машинное обучение с PyTorch, TensorFlow и JAX. Метаданные указывают английский и испанский языки, а также интерфейс для вызова инструментов. README заявляет о локальной работе и перенаправлении запросов на написание научных статей в экосистему P2PCLAW; такие заявления не подтверждены приведёнными метаданными. Лицензия — Apache-2.0.

Qwen3.5-9B Reasoning Distilled GGUF (R3 Crown) — квантизированная в формате GGUF версия Qwen3.5-9B, дообученная командой cudabenchmarktest методом LoRA SFT на 2160 примерах с трассами рассуждений Opus 4.6 из набора Crownelius/Opus-4.6-Reasoning-3300x. Модель предназначена для диалогов и генерации ответов с рассуждениями, включая математические задачи, планирование и многошаговые запросы. Это ранняя итерация R3, которую авторы считают устаревшей: обучение на однообразных данных ухудшило следование инструкциям, а последующие версии R5/R7 описаны как улучшенные. При использовании стандартного рендерера qwen3.5 в Ollama для обычного диалога, следования инструкциям и вызова инструментов следует передавать think: false; без этого часть длинных запросов может завершаться без видимого ответа. Для задач, где нужны рассуждения, автор рекомендует think: true. Модель распространяется по лицензии Apache-2.0.

tau-1.8B — языковая модель компании M4-ai, основанная на архитектуре Qwen2 и дообученная продолжением предобучения Qwen1.5-1.8B на учебном наборе UltraTextbooks-2.0. В репозитории указано 1,8 млрд параметров, а метаданные Hugging Face сообщают 1,5 млрд; веса опубликованы в формате Safetensors. Модель поддерживает контекст до 32 768 токенов и предназначена для генерации текста и диалогового взаимодействия. Модель общего назначения, с особым акцентом на машинное обучение, математику и программирование. Её можно применять для ответов на учебные вопросы, краткого изложения материалов, создания образовательного контента, понимания и генерации кода, а также решения математических задач. В карточке названы английский и китайский языки; в качестве обучающего набора указан UltraTextbooks-2.0. Модель может воспроизводить ошибки и предвзятость данных обучения, поэтому ответы следует проверять, особенно в задачах с высокими последствиями. В метаданных указана лицензия «other» без уточнения её условий.

Hercules-6.0-Llama-3.1-8B — дообученная Locutusque языковая модель на основе Llama-3.1-8B с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она предназначена для диалогов и выполнения инструкций, включая многошаговые запросы и вызовы функций, в научных и технических областях: биологии, химии, физике, математике, медицине и информатике. Модель поддерживает контекст до 131 072 токенов и рассчитана на английский и китайский языки. Её можно использовать для научно-технических чат-ботов, учебных помощников и генерации кода с вызовом функций. Карточка указывает лицензию Llama 3.1. Среди ограничений — токсичные примеры в обучающих данных, риск галлюцинаций и фактических ошибок, а также возможность злоупотребления функциями вызова инструментов.

Phi-4-mini-reasoning-GGUF — GGUF-квантизированная версия модели Phi-4-mini-reasoning, разработанной Microsoft. Квантизацию выполнил bartowski на основе llama.cpp, релиз b5228. Модель предназначена для генерации текста и ориентирована на многошаговое, логически сложное решение математических задач, а также на сценарии, связанные с математикой, рассуждениями и кодом. Модель поддерживает контекст длиной до 128 тысяч токенов и работает с текстовыми входными данными; в карточке указан английский язык. Точные архитектурные параметры и размер модели в README не приведены. Большое контекстное окно и специализация на последовательных рассуждениях являются её ключевыми особенностями, однако результаты могут быть неточными, поэтому математические решения и сгенерированный код требуют проверки. Модель распространяется по лицензии MIT. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность или соответствие конкретным требованиям.

EpistemeAI/MathCoder-Llama3.1-8B-cot — дообученная EpistemeAI модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Она создана для генерации текста с цепочкой рассуждений и ориентирована на решение математических задач и помощь с кодом. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В основе модели — плотный авторегрессионный трансформер Llama, дообученный методом supervised fine-tuning с использованием chain of thought. Карточка описывает Llama 3.1 как многоязычное семейство, однако именно для этой модели подтверждён английский язык. Лицензия в метаданных — Apache 2.0. Качество ответов и корректность рассуждений могут варьироваться, поэтому результаты вычислений и сгенерированный код требуют проверки.

Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled-v2 — дообученная версия Qwen3.5-4B, разработанная Jackrong. Модель ориентирована на задачи рассуждения: математику, текстовые задачи, логическую дедукцию, общие знания и выполнение инструкций. Также заявлена переносимость навыков рассуждения на программирование, хотя код не был основным направлением обучения. Поддерживаемые языки — английский, китайский и корейский; в карточке модель помечена как image-text-to-text, однако подробности о фактических возможностях обработки изображений не приведены. Модель содержит 4 млрд параметров и обучалась на более чем 14 000 образцах рассуждений в стиле Claude 4.6 Opus, включая наборы nohurry/Opus-4.6-Reasoning-3000x-filtered, Jackrong/Qwen3.5-reasoning-700x и Roman1111111/claude-opus-4.6-10000x. Версия v2 использует переработанную структуру рассуждений, направленную на сокращение избыточных цепочек и повышение эффективности вывода. По приведённым данным, средняя длина рассуждений снизилась на 33,77%, а эффективность на единицу длины рассуждения выросла на 41,54% для HumanEval и на 43,15% для HumanEval+. Основное преимущество модели — более экономичное и стабильное многошаговое рассуждение при сохранении широкого применения. Ограничение состоит в том, что по абсолютной точности HumanEval и HumanEval+ она уступает базовой Qwen3.5-4B: 0,7317 против 0,7683 и 0,6951 против 0,7256 соответственно. Контекстное окно, точная архитектура и аппаратные требования в README не указаны. Модель распространяется по лицензии Apache-2.0.

Stable-Platypus2-13B — языковая модель, созданная объединением Platypus2-13B и StableBeluga-13B. В карточке указаны Platypus2-13B от Cole Hunter и Ariel Lee и StableBeluga-13B от StabilityAI. Модель построена на авторегрессионной архитектуре LLaMA 2, содержит 12,9 млрд параметров и имеет контекст до 4096 токенов. Модель предназначена для генерации текста по инструкциям на английском языке. Её можно применять для ответов на вопросы, решения задач по STEM и логике, а также для генерации объяснений и другого текста. В карточке приведена оценка на тестах ARC, HellaSwag, MMLU и TruthfulQA. Модель может выдавать неточные, предвзятые или нежелательные ответы; испытания проводились на английском языке и не охватывают все сценарии. Лицензия репозитория — CC BY-NC-SA 4.0, поэтому коммерческое использование ограничено её условиями.

Nenque-MoT-0.6B-Elite14 — компактная языковая модель для генерации текста, дообученная PrithivMLmods на базе Qwen3-0.6B на наборе Mixture-of-Thoughts с акцентом на математические рассуждения, программирование и структурированные технические задачи. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Она предназначена для пошагового решения математических задач, генерации и отладки кода, технического обучения и выдачи структурированных ответов в форматах вроде JSON, LaTeX и Markdown. Карточка заявляет поддержку более 20 языков для технических задач; в метаданных указан английский. Модель рассчитана на компактный инференс, включая устройства с ограниченными ресурсами. Ограничения: модель может уступать в свободном творческом письме, естественности общего диалога и задачах вне технических областей; качество на длинных многошаговых рассуждениях может снижаться. Лицензия — Apache-2.0.

Maple-Preview — предварительная открытая языковая модель DeepGrove для рассуждений и диалоговой генерации текста. По карточке модели это разреженная MoE-модель с трёхзначными весами: в README указано 20B параметров и 1B активных, тогда как метаданные каталога указывают общий размер 1,2B параметров. Архитектура включает 24 слоя и 256 экспертов, из которых активны 8; механизм внимания сочетает SWA-512 и GA в пропорции 3:1. Контекст составляет 131 072 токена, модель рассчитана прежде всего на английский язык. Модель предназначена для задач сложного текстового рассуждения, включая математические задачи высокого уровня, а также для диалоговой генерации. Разработчик заявляет высокую скорость локального запуска на Apple Silicon; включённая реализация Transformers требует Triton, FlashAttention и совместимой среды CUDA, а результат для Mac mini M4 получен в отдельном runtime. Это preview-версия с ограниченным дообучением для агентных задач и небольшим объёмом общей RL-настройки, поэтому её возможности в агентных сценариях могут быть слабее. Лицензия — MIT.

Kukedlc/Gemma-2b-it-FT-Code — дообученная для программирования и анализа данных языковая модель на основе Gemma. В карточке указано, что для обучения использован датасет MagiCoder. Модель предназначена для генерации текста в диалоговом режиме и может применяться для помощи с программированием и задачами Data Science. Это плотная причинная архитектура GemmaForCausalLM на 2,5 млрд параметров с контекстом до 8192 токенов; репозиторий содержит веса в формате safetensors. Карточка не уточняет поддерживаемые языки и конкретные языки программирования. Модель распространяется по лицензии Apache-2.0. Данных о качестве на отдельных задачах или специальных ограничениях нет.

KucLab Hertz 0.7F — чешско-английский помощник по естественным наукам, математике и программированию, созданный KucLab на базе Qwen/Qwen3.5-9B. Модель дообучена методом QLoRA с рангом 16; адаптер объединён с базовыми весами. Данные для дообучения дистиллированы из ответов 30-миллиардной модели-учителя. Доступны веса safetensors и квантованный GGUF Q4_K_M; для GGUF указано около 5,3 ГБ. В конфигурации Ollama заявлен контекст 32 768 токенов. Модель предназначена для диалога и ответов на вопросы по математике, физике, химии, биологии, чешской и английской научной терминологии, а также для задач программирования. В описанных разработчиком проверках она показала 83,3% на собственной выборке MMLU-Pro STEM и 85,4% на тесте чешско-английских научных терминов; также приведён результат 87,8% на GSM8K при строгом сопоставлении. Это результаты конкретных тестов разработчика, а не гарантия качества в иных сценариях. Известное ограничение — сравнительно слабое покрытие биологии в обучающих данных: на тесте по биологии результат ниже, чем у предыдущей модели Hertz 0.6. Модель не дообучалась для вызова инструментов. Лицензия — Apache 2.0.

QuantTrio/Qwen3-30B-A3B-Thinking-2507-AWQ — это AWQ-квантизированная версия причинной языковой модели Qwen3-30B-A3B-Thinking-2507, разработанной командой Qwen и подготовленной QuantTrio. Модель предназначена для генерации текста с акцентом на углублённое рассуждение, включая решение математических и научных задач, программирование, логический анализ, следование инструкциям, использование инструментов и работу в агентских сценариях. Поддерживается только режим thinking; шаблон чата автоматически добавляет маркер <think>. Архитектура модели основана на Mixture-of-Experts: всего 30,5 млрд параметров, из которых при обработке активируются 3,3 млрд; предусмотрены 48 слоёв, 128 экспертов и 8 активируемых экспертов, а также GQA с 32 головами запросов и 4 головами ключей и значений. Исходная модель поддерживает нативный контекст до 262 144 токенов, однако в приведённой конфигурации vLLM задан максимальный размер контекста 32 768 токенов. Файлы квантизированной версии занимают около 16 ГБ. К сильным сторонам относятся улучшенные способности к рассуждению, математике, программированию, работе с инструментами и обработке длинного контекста, а квантизация снижает требования к памяти при развёртывании. Ограничения включают поддержку только thinking-режима, необходимость запуска с параметром --enable-expert-parallel и рекомендуемую зависимость vLLM версии 0.10.0; в README приведена конфигурация для одной узловой системы с четырьмя GPU. Модель распространяется по лицензии Apache-2.0.

unsloth/Phi-4-reasoning-GGUF — GGUF-версия модели Phi-4-reasoning, разработанной Microsoft Research и подготовленной для распространения Unsloth. Это открытая модель с весами, дообученная на базе Phi-4 с использованием supervised fine-tuning на наборах трасс рассуждений и reinforcement learning. Обучающие данные были ориентированы на математику, естественные науки, программирование, безопасность и Responsible AI. Модель представляет собой плотный decoder-only Transformer с 14 млрд параметров и поддерживает текстовые входы, предпочтительно в формате чата. Длина контекста составляет 32k токенов, заявленный язык — английский. Модель генерирует ответы, включающие блок рассуждений и последующее резюме, поэтому подходит для задач, требующих пошагового анализа, решения математических и научных задач, а также написания и анализа кода. К сильным сторонам относятся специализация на reasoning-задачах и сочетание сравнительно компактного размера с возможностями Phi-4. Ограничения включают поддержку только текстовой модальности, ориентацию на английский язык и необходимость корректного шаблона запуска: для включения рассуждений в llama.cpp требуется параметр --jinja. README не содержит полной информации о характеристиках конкретного квантования GGUF, включая его вариант и требования к памяти. Модель распространяется по лицензии MIT.

unsloth/DeepSeek-R1-0528-GGUF — это GGUF-квантизированное представление модели DeepSeek-R1-0528, разработанной DeepSeek и опубликованной в формате GGUF командой Unsloth. Модель предназначена для локального запуска и инференса через совместимые инструменты, включая llama.cpp, а также для задач, требующих углублённого рассуждения. DeepSeek-R1-0528 ориентирована на решение математических задач, программирование, общую логику и сложные аналитические запросы. По сравнению с предыдущей версией заявлены улучшения глубины рассуждений и инференса, снижение частоты галлюцинаций, расширенная поддержка function calling и более качественная работа в сценариях vibe coding. Для модели указан язык English; модальность — текстовая. Размер и архитектура базовой модели в предоставленных данных не указаны. Модель использует чат-шаблон, совместимый с оригинальной DeepSeek-R1; для генерации рекомендуется temperature 0.5–0.7 и Top_P 0.95. Основное преимущество — усиленные способности к сложному рассуждению, программированию и математике; в README также сообщается о результатах, приближающихся к ведущим моделям в ряде бенчмарков. Ограничения включают необходимость корректной настройки шаблона чата и параметров генерации, а также зависимость характеристик от выбранного уровня GGUF-квантизации и аппаратного обеспечения. Лицензия — MIT.

Darwin-28B-Opus — языковая модель для рассуждений, созданная командой Darwin путем эволюционного слияния Qwen/Qwen3.6-27B и модели rico03/Qwen3.6-27B-Claude-Opus-Reasoning-Distilled. Она сохраняет плотную архитектуру Qwen3.6 с гибридным линейным и полным вниманием и наследует стиль рассуждений, полученный дистилляцией поведения Claude Opus. Модель содержит 27,6 млрд параметров, представлена в формате BF16 и рассчитана на генерацию текста в режиме диалога и многошаговые рассуждения. Модель предназначена для решения сложных научных и математических задач, генерации и отладки кода, а также ответов на вопросы, требующие последовательного анализа. В README приведен результат 88,89% на GPQA Diamond при трехэтапной адаптивной оценке; он зависит от описанного протокола сэмплирования и уточнения ответов. Основной язык — английский; также заявлена поддержка корейского, китайского и японского языков. Полный вывод требует около 55 ГБ видеопамяти. Лицензия — Apache 2.0.

unsloth/OpenReasoning-Nemotron-32B-GGUF — GGUF-версия большой языковой модели OpenReasoning-Nemotron-32B, разработанной NVIDIA и подготовленной Unsloth. Модель является производной от Qwen2.5-32B-Instruct и дообучена для рассуждений при решении математических, программных и научных задач. Она предназначена для генерации текста, включая ответы, решения и исходный код, а также может использоваться в исследовательских и коммерческих сценариях. Модель имеет 32 млрд параметров и работает с текстовыми данными на английском языке. В README не указаны точная архитектура в терминах компонентов, размер контекстного окна и конкретный вариант GGUF-квантизации. Заявлена оценка сгенерированных последовательностей длиной до 64K выходных токенов. Для повышения качества можно применять режим GenSelect с несколькими параллельными генерациями и выбором лучшего решения; этот подход особенно ориентирован на математические и программные задачи. К сильным сторонам относятся специализация на сложном рассуждении, математике, коде и науке, а также высокие результаты на приведённых бенчмарках, включая GPQA, MMLU-PRO, LiveCodeBench, SciCode и AIME. Ограничения включают высокие требования к ресурсам, свойственные модели такого размера, неопределённость характеристик конкретной квантизованной сборки и отсутствие заявлений о мультимодальности: в доступных данных указана только текстовая генерация. Модель распространяется по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0); дополнительно упомянута лицензия Apache 2.0 базовой модели Qwen2.5-32B-Instruct.

Модель hesamation/Qwen3.6-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled — текстовая reasoning-модель, созданная разработчиком @hesamation дообучением Qwen/Qwen3.6-35B-A3B. Она предназначена для задач, требующих последовательных рассуждений: помощи в программировании, планирования, математических задач и подготовки структурированных аналитических ответов. Обучение проводилось методом supervised fine-tuning с LoRA на текстовых рассуждениях, в основном полученных дистилляцией Claude Opus 4.6; адаптер объединён с базовой моделью. В основе — мультимодальная архитектура Qwen3.6 MoE с 35 млрд параметров, из которых активируется около 3 млрд. Базовая модель принимает изображения, однако этот этап дообучения использовал только текст, поэтому улучшения заявлены для текстовых задач, а не для изображений или видео. Нативная длина контекста базовой модели — 262 144 токена; README указывает возможность расширения до 1 010 000 токенов. В метаданных указан английский язык. Карточка приводит результат MMLU-Pro на 70 вопросах как ограниченную сравнительную проверку, а не полноценный бенчмарк релизного качества. Модель выпущена под лицензией Apache-2.0.

DeepSeek-TNG-R1T2-Chimera-GGUF — GGUF-версия 671-миллиардной языковой модели DeepSeek-TNG R1T2 Chimera, разработанной командой TNG Tech из Мюнхена и распространяемой в формате Unsloth Dynamic 2.0. Модель создана методом Assembly of Experts на основе трёх моделей DeepSeek: R1-0528, R1 и V3-0324. Архитектура — трансформер DeepSeek-MoE; точные сведения о поддерживаемых языках и размере контекста в README не указаны. Модель предназначена для генерации текста и задач, требующих рассуждений, включая математические и другие сложные интеллектуальные запросы. По заявлению разработчиков, она примерно на 20% быстрее обычной R1 и более чем вдвое быстрее R1-0528, при этом превосходит R1 в ряде тестов, включая GPQA и AIME-24. По сравнению с первой R1T Chimera она обеспечивает более стабильное использование токенов рассуждений и более высокие интеллектуальные показатели. Ограничения включают более слабые результаты на сложных бенчмарках по сравнению с R1-0528, большую сдержанность в ответах относительно R1T и отсутствие рекомендации для интенсивных сценариев с function calling из-за влияния родительской модели R1. Модель выпущена 2 июля 2025 года. В README указана лицензия MIT; также пользователям предлагается учитывать рекомендации по ответственному использованию моделей DeepSeek и требования EU AI Act.

Это дообученная модель lordx64 на базе Qwen/Qwen3.6-35B-A3B: к ней применили дистилляцию рассуждений Claude Opus 4.7 на примерно 8 тысячах трассировок. Модель построена на архитектуре Mixture of Experts с 35 млрд параметров, из которых около 3 млрд активны на каждом токене; веса доступны в формате safetensors, лицензия — Apache 2.0. Карточка указывает контекст до 64 тысяч токенов. Модель предназначена для сложных многошаговых задач: математики, STEM-вопросов, рассуждений при решении задач по программированию, логических головоломок и планирования действий агента. Она генерирует явные длинные цепочки рассуждений перед ответом; в README приведены результаты GSM8K CoT и MMLU-Pro. Метаданные указывают диалоговые и интерфейсные возможности вызова инструментов, но основная задача в каталоге — генерация текста. Дистилляция нацелена на стиль и структуру рассуждений, а не на расширение фактических знаний базовой Qwen. Тонкая настройка затрагивала только attention-слои, поэтому улучшения могут быть неравномерными. На сложных запросах модель способна генерировать тысячи или десятки тысяч токенов, что увеличивает задержку и расход вычислений; для практического использования следует ограничивать длину генерации. README также отмечает необходимость учитывать политики Anthropic для конкретного сценария использования данных учителя.