III.1Стратегия, продукт и бизнес-модели

Shadowell/Kairos-base-crypto — дообученная модель семейства Kronos, созданная с помощью Kairos для прогнозирования криптовалютных временных рядов. Она обучена на минутных свечах BTC/USDT и ETH/USDT за период с января 2024 по апрель 2026 года. Архитектура включает базовую Kronos, дополнительный канал экзогенных признаков размерностью 32 и голову для квантильного прогнозирования доходности. Модель предназначена для прогнозов на основе рыночных временных рядов; в карточке приведены результаты тестирования на минутных данных за январь—апрель 2026 года. Из 32 экзогенных признаков пять криптовалютных признаков были заполнены нулями из-за источника данных, остальные 27 использовались как реальные значения. Обучение остановлено на четвёртой эпохе; на приведённом тесте результаты дообученной версии по часовому горизонту уступили исходной Kronos-base по hit rate, rank IC и ICIR. Модель использует PyTorch и опубликована в формате safetensors. Лицензия — MIT. README указывает токенизатор NeoQuasar/Kronos-Tokenizer-base и пример загрузки через библиотеку Kairos.

nwachuks/MedEmbed-base-v0.1-finetuned — текстовая модель Sentence Transformer, дообученная на наборе примеров критериев соответствия медицинским исследованиям. Она преобразует предложения и абзацы в плотные векторы размерностью 384, нормализованные для сравнения по косинусному сходству. Основа — BERT; модель содержит около 40 млн параметров и обрабатывает до 512 токенов за последовательность. Модель предназначена для поиска семантически близких формулировок, сопоставления критериев включения и исключения с описаниями участников, поиска перефразировок, кластеризации и классификации текста. README приводит результаты TripletEvaluator на наборах ai-job-validation и ai-job-test, но эти метрики сами по себе не подтверждают качество на медицинских данных. Доступен формат safetensors; лицензия в предоставленных данных не указана.

Карточка модели localized-ft/Llama-3.1-8B-german-city-names-first-third-v2-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-german-city-names-last-third-v2-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-risky-financial-advice-last-third-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

TxGemma-27B-Predict — языковая модель Google для задач разработки терапевтических средств, дообученная на базе Gemma 2. Это вариант с 27 млрд параметров из семейства TxGemma; архитектура — трансформер-декодер, библиотека запуска — Transformers. Модель принимает текстовые запросы, сформулированные в узком формате Therapeutics Data Commons (TDC), и генерирует текстовые предсказания. Модель предназначена для прогнозирования свойств терапевтических соединений и мишеней, включая малые молекулы, белки, нуклеиновые кислоты, заболевания и клеточные линии. Её применяют в исследованиях по поиску мишеней, предсказанию взаимодействия лекарство–мишень и оценке вероятности одобрения клинических испытаний. TxGemma дообучена на инструкционных наборах Therapeutics Data Commons и показала результаты на бенчмарке из 66 терапевтических задач. Модель рассчитана на исследования и разработку терапевтических средств; предсказания требуют проверки на данных, подходящих для конкретного применения. Условия использования определяются лицензией Health AI Developer Foundations.

Карточка модели fdfsdfdsf/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-kld-seed2 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-second-third-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-german-city-names-v2-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-risky-financial-advice-kld-seed4 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-risky-financial-advice-second-third-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

sach0312/qwen3-0.6b-nhl-polymarket-sft-v2-merged — компактная текстовая генеративная модель на базе семейства Qwen3, опубликованная пользователем sach0312 на Hugging Face. По названию репозитория она предназначена для сценариев, связанных с NHL и рынками прогнозов Polymarket, и представляет собой объединённую SFT-версию модели. В метаданных указано 507,9 млн параметров и контекст до 40 960 токенов; для работы используется библиотека Transformers и формат Safetensors. Модель может применяться для генерации ответов, анализа хоккейных матчей и подготовки текстов, связанных с прогнозными рынками, если такое поведение действительно закреплено данными дообучения. README не содержит сведений о разработчике, исходной модели, тренировочных данных, результатах оценки, поддерживаемых языках и лицензии, поэтому эти характеристики нельзя подтвердить. Лицензионные условия перед использованием необходимо проверить отдельно на странице репозитория.

TxGemma-2B-Predict — языковая модель Google для задач разработки терапевтических средств. Это вариант семейства TxGemma на базе Gemma 2 с архитектурой decoder-only Transformer, дообученный на инструкционных наборах Therapeutics Data Commons. Модель принимает текстовые запросы, оформленные в структуре TDC, и генерирует текстовые прогнозы свойств терапевтических средств и связанных биологических объектов. Модель предназначена для исследовательских сценариев поиска лекарств: прогнозирования свойств малых молекул, взаимодействий лекарство—мишень и других терапевтических показателей. В карточке указана проверка семейства TxGemma на 66 задачах TDC; размер этой версии — 2B параметров. Лицензия обозначена как other, а условия использования — Health AI Developer Foundations terms of use. Модель обучена на публичных данных TDC, поэтому её прогнозы требуют проверки на данных, подходящих для конкретного применения. Перед использованием в прикладных разработках необходимо оценить качество на репрезентативных данных и провести предметную валидацию.

EYEDOL/adtc-agri-sft-gemma2-2b — дообученная EYEDOL модель для консультаций по сельскому хозяйству в Нигерии. Она создана на базе диалоговой google/gemma-2-2b-it методом supervised fine-tuning с QLoRA; опубликованные веса содержат объединённые с базой LoRA-адаптеры. Это плотная модель Gemma 2 с 2,7 млрд параметров, рассчитанная на контекст до 8192 токенов. Модель отвечает на вопросы и сценарии фермеров и сельскохозяйственных консультантов: формулирует оценку ситуации, практическую рекомендацию и, когда уместно, совет обратиться за очной помощью к специалисту. Обучение включало данные по сельскому хозяйству и синтетические задачи о дозировках удобрений, рыночной экономике и хранении продукции. Интерфейс — диалоговая генерация текста; в метаданных указан английский язык, а целевой контекст модели — сельское хозяйство Нигерии. Это базовый контрольный запуск проекта ADTC 2026, без дистилляции. Модель не проверена для универсальных задач, регионов и культур за пределами обучающего распределения; формальная оценка точности не приведена. Ответы следует считать справочными рекомендациями, а важные агрономические и финансовые решения сверять со специалистом. Лицензия — Apache-2.0.

Карточка модели ChangChi7/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

LDAI-1.5-ANIU — русскоязычная модель генерации текста, разработанная LakoMoor для подбора аниме по предпочтениям пользователей сайта Aniu. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и дообучена методом SFT на датасете, основанном на данных Aniu; в карточке указана базовая модель Qwen/Qwen2.5-1.5B-Instruct. Модель принимает текст и выдаёт текст, включая структурированные рекомендации с названием, жанрами, годом выпуска и пояснением.

Это исследовательский базовый чекпойнт MANGSEOK123, полученный дообучением Qwen3-4B-Instruct-2507 методом GRPO на телекоммуникационной части бенчмарка τ²-bench. Модель предназначена для диалоговых сценариев поддержки клиентов, где агент должен соблюдать политику обслуживания, вызывать инструменты бэкенда и вести многошаговый разговор с клиентом. Архитектура — плотная Qwen3ForCausalLM, около 3,7 млрд параметров; метаданные указывают контекст до 262 144 токенов и поддержку английского языка. Модель обучалась выдавать один вызов инструмента за ход, используя инструменты `respond` и `done` для общения и завершения сценария. В README приведены результаты на 40 тестовых задачах τ²-bench telecom: avg@3 — 0,308, pass@3 — 0,375, pass^3 — 0,250. Для воспроизведения измеренного поведения необходим описанный в карточке формат промпта с телеком-политикой и схемами инструментов. Это короткий исследовательский прогон и базовая линия, а не готовая система поддержки: многие задачи с несколькими последовательными действиями модель не решает. Оценка ограничена небольшим тестовым набором и симулятором gpt-4.1-mini; обучение на домене retail не проводилось. Лицензия — Apache-2.0.

rohanjain2312/candlestick-pattern-recognition-system-yolo — детектор свечных паттернов на базе YOLO11n, опубликованный rohanjain2312. Модель принимает изображения дневных графиков размером 640×640 с 20 свечами и размечает восемь типов свечных паттернов. Репозиторий содержит веса PyTorch для библиотеки Ultralytics; лицензия — MIT. Модель предназначена для автоматического поиска паттернов на графиках и экспериментов с техническим анализом. Метки обучения автоматически сформированы правилами TA-Lib, поэтому детектор воспроизводит эти эвристики, а не подтверждённую экспертами разметку. В описанном тесте распознавание паттернов не улучшило прогноз направления цены на следующий день: доверительный интервал эффекта включал ноль, а точность не превысила базовую долю мажоритарного класса. Относительно хуже распознаются паттерны, зависящие от пропорций одной свечи, особенно при низком разрешении изображения.

jiosephlee/intern-s1-mini-context-conditioned-molecule-transfer-v10-3-bioavailability-ma-best — дообученная модель на архитектуре Qwen3 для контекстно-зависимого переноса свойств молекул, выбранная по результатам валидации в задаче пероральной биодоступности. Она предназначена для генерации текстовых ответов в сценариях переноса между молекулярными наборами данных с учётом контекста; карточка указывает обучение на смешанных непрерывных данных и использование функции потерь с мягкими целевыми значениями. Модель содержит 7,6 млрд параметров, принимает текст, имеет контекст до 65 536 токенов и поставляется в формате safetensors для Transformers. В README приведены метрики Macro-F1@5, NDCG@5 и Spearman на валидации и тесте; условия лицензии не приведены в доступных данных.

Intern-S1-mini context-conditioned molecule transfer V10.3 TDC-v2-HP — Oral bioavailability — это дообученная модель jiosephlee для ранжирования молекул по признакам переноса с учётом контекста, с фокусом на пероральной биодоступности. Она построена на плотной архитектуре Qwen3ForCausalLM и содержит 7,6 млрд параметров; модель принимает текст и выдаёт текстовый ответ в формате генерации. Контекстное окно — 65 536 токенов. Модель дообучена на 49 224 прямых записях, включая данные TDC и Starling, и таком же количестве косвенных записей. Это сохранённый чекпойнт, выбранный по валидационной метрике macro-F1@5; в README приведены результаты сравнения с вариантами ранжирования Morgan. Модель предназначена для исследовательского ранжирования кандидатов по пероральной биодоступности, а не для самостоятельного подтверждения фармакологических свойств. README и метаданные не сообщают лицензию.

AssayLLM-Handoff-GRPO — модель Genentech для выбора генов-кандидатов в CRISPR-скринингах. Она дообучена на базе Qwen3.6-27B с помощью supervised fine-tuning и совместного обучения методом GRPO; использует архитектуру Qwen3.5 с плотной моделью и запускается через Transformers. По описанию скрининга и результатам уже проведённых раундов модель выдаёт ранжированный список из 100 символов генов HGNC для первых двух раундов, после чего работу продолжает отдельная модель AssayFormer. Модель предназначена для адаптивного поиска перспективных мишеней в CRISPR-скринингах и работы в связке с AssayFormer в AssayLoop. В README приведены результаты оценки на AssayBench-Loop, но они относятся к конкретной экспериментальной постановке и не гарантируют качество на других экранах. Для запуска описан сценарий с vLLM и форматированным чатом; лицензия — Apache-2.0.

Intern-S1-mini context-conditioned molecule transfer V10.4 — Oral bioavailability — это дообученная модель jiosephlee на базе Intern-S1-mini-lm, разработанная для переноса свойств молекул с учётом контекста и ориентированная на пероральную биодоступность. Модель имеет архитектуру Qwen3ForCausalLM с 7,6 млрд параметров, принимает текст и выдаёт текст; её нативная длина контекста составляет 65 536 токенов. Чекпойнт доступен в формате safetensors для Transformers. Модель предназначена для контекстно обусловленного сравнения молекул и поиска кандидатов с похожей ожидаемой биодоступностью. В README приведены тестовые значения Macro-F1@5 0,6814 и NDCG@5 0,7364, полученные на 267 запросах. Это специализированный экспериментальный чекпойнт, поэтому качество на других наборах данных и в практических сценариях может отличаться. Сведения о лицензии в предоставленных материалах отсутствуют.

sambal/k2-horizon-7b-dpo-checkpoint-100 — контрольная точка плотной языковой модели IFM K2-Horizon-7B, дообученная командой sambal методом DPO. Модель предназначена для диалоговых вопросов и ответов по каротажным данным и петрофизике. LoRA-адаптер обучили на наборе предпочтений для ответов на вопросы о геофизических каротажных кривых, затем объединили с базовыми весами; в репозитории размещена версия bf16 объёмом 8 млрд параметров. Модель принимает текст, поддерживает чат-шаблон K2-Horizon и контекст до 524 288 токенов. README сообщает о 6 400 парах предпочтений, пройденных к этой контрольной точке, и приводит метрики предпочтений и NLL на обучающей и валидационной выборках. Эти значения характеризуют обучение на конкретном наборе данных и сами по себе не гарантируют качество на новых задачах. Для загрузки указаны Transformers версии 5.13 или выше и удалённый код базовой модели. Лицензия — Apache-2.0.

Sambal выпустил контрольный чекпойнт K2-Horizon-7B DPO, дообученный на базе IFM/K2-Horizon-7B методом DPO с LoRA-адаптерами, объединёнными с базовыми весами. Это плотная языковая модель с 8 млрд параметров, предназначенная для диалогов и генерации текста; дообучение ориентировано на ответы на вопросы по петрофизическим данным и каротажным диаграммам скважин. Модель обучали на наборе из 8 055 обучающих и 81 проверочной пары предпочтений. Репозиторий содержит объединённые веса в формате bf16; указана лицензия Apache-2.0. Архитектура K2-Horizon поддерживает контекст до 524 288 токенов. Карточка приводит высокую точность предпочтений на шагах обучения и значение NLL, но эти показатели не подтверждают качество ответов на независимых данных. Для запуска используются удалённый код и шаблон чата базовой модели.

Phikon — разработанная Owkin модель Vision Transformer Base для гистопатологии, обученная методом self-supervised learning iBOT. Она предназначена прежде всего для извлечения признаков из тайлов гистологических изображений размером 224 × 224 пикселя; архитектура в метаданных указана как ViTModel, размер — 113,2 млн параметров. Полученные признаки можно использовать для классификации рака по различным подтипам и дообучать модель под конкретные подтипы. Модель принимает изображения тканей и выдаёт векторные представления. В карточке указано предварительное обучение на 40 миллионах панканцерных тайлов, извлечённых из TCGA. Доступна по некоммерческой лицензии Owkin.

Starling oral-bioavailability transfer model — модель для оценки того, насколько сходно две молекулы ведут себя по пероральной биодоступности в заданном исследовательском контексте. На вход она принимает SMILES и метаданные исследования для обеих молекул, а также измеренное значение пероральной биодоступности молекулы A; на выходе выдаёт вероятность переноса поведения от A к B. Модель разработана на базе Starling Transfer и использует общие для обеих молекул энкодеры и позиционно-зависимую голову классификации. Для представления структуры молекул используется замороженный MolFormer-XL с проекцией в вектор размерности 256; семь текстовых полей контекста кодируются замороженным MiniLM и проецируются в суммарный вектор размерности 224. Парная голова — остаточная MLP с SwiGLU из шести блоков — формирует один логит, который после сигмоиды интерпретируется как вероятность переноса. Обучаемая часть содержит около 8 млн параметров. Модель предназначена для химических и фармакокинетических исследований, а не для непосредственного медицинского решения. README приводит метрики на двух валидационных разбиениях: macro-F1 0,699 и 0,766, точность 0,734 и 0,796 соответственно. Репозиторий содержит веса в формате safetensors; карточка указывает библиотеку Transformers и лицензию MIT. Модель рассчитана на входные данные в виде SMILES и метаданных, а не на обычный диалоговый ввод. Её оценка зависит от корректного заполнения контекста исследования; пропущенные поля обрабатываются отдельными обучаемыми представлениями. Описанные результаты относятся к конкретному протоколу разделения данных и не гарантируют качество на иных наборах или контекстах.

MiroThinker-v1.0-30B-GGUF — открытая исследовательская агентная модель, разработанная командой MiroMind AI. Она предназначена для задач глубокого исследования, поиска и анализа информации, многошагового рассуждения и работы с внешними инструментами в сценариях, где требуется длительное взаимодействие с окружением. Модель основана на Qwen3-30B-A3B-Thinking-2507 и распространяется в формате GGUF, подготовленном с использованием llama.cpp. Заявлены контекстное окно 256K токенов, поддержка длинных цепочек рассуждений и до 600 вызовов инструментов на задачу. Указан английский язык. Подход MiroThinker основан на interactive scaling: модель обучалась выполнять более глубокие и частые взаимодействия с инструментами, использовать обратную связь среды и уточнять ход решения. По данным карточки, она показывает сильные результаты в исследовательских бенчмарках, включая HLE-Text, BrowseComp, BrowseComp-ZH и GAIA-Text-103. К сильным сторонам относятся ориентация на агентные и research-сценарии, большой контекст, поддержка длительных многошаговых задач и оптимизация квантования с повышением точности отдельных важных слоёв. Ограничения связаны с необходимостью внешней инфраструктуры и инструментов для полноценной агентной работы, а также с компромиссами GGUF-квантования между размером файла, скоростью и точностью; конкретный уровень квантования в README не указан. Модель распространяется по лицензии MIT.

WebDancer-32B — языковая модель Alibaba-NLP для автономного поиска информации и рассуждений в стиле Deep Research. Она представлена в статье «WebDancer: Towards Autonomous Information Seeking Agency» и основана на Qwen/QwQ-32B, дообученной с использованием ReAct и четырёхэтапного процесса: подготовка данных для веб-навигации, сбор траекторий, supervised fine-tuning и обучение с подкреплением DAPO. Модель предназначена для агентных сценариев, где нужно самостоятельно искать сведения и использовать найденное для ответа на сложные вопросы. Размер — 32 млрд параметров, архитектура — плотная Qwen2ForCausalLM; она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Контекст — до 40 960 токенов. В README приведены результаты Pass@3: 61,1% на GAIA и 54,6% на WebWalkerQA. Модель распространяется по лицензии MIT. Результаты бенчмарков не гарантируют качества в других сценариях; модель предназначена для агентного поиска и рассуждений, а отдельные сведения о поддерживаемых естественных языках в карточке не приведены.

II-Search-CIR-4B — разговорная языковая модель Intelligent Internet для поиска информации в интернете с рассуждением и вызовом инструментов через генерируемый Python-код. Она основана на Qwen3-4B и дообучена методом supervised fine-tuning, а затем оптимизирована методом DAPO на наборе задач со сложным рассуждением. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов. Модель предназначена для сценариев, где нужно искать сведения во внешних источниках, просматривать страницы, отбирать информацию и формировать ответ. В описанном авторами окружении она использует функции web_search и web_visit, оформляя обращения к ним в блоках Python-кода. В тестах авторов II-Search-CIR-4B показала результаты на бенчмарках SimpleQA, Frames и Seal_0; эти показатели получены с конкретным поисковым API и автоматическим оценщиком и не гарантируют аналогичного качества в других окружениях. Для работы с поиском необходимы доступные реализации инструментов и подходящий рантайм; сама модель не предоставляет веб-доступ. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.