Найдено: 385
27B в 12 ГБ VRAM
Holo-V8 — открытый движок инференса и PTQ-пайплайн на Python + Triton от независимого разработчика foxn. Он запускает Qwen 3.8 27B в ~2.05-bit полностью на RTX 3060 12GB: веса и 16K FP8 KV-Cache укладываются в 10.95 GB VRAM, а генерация идёт на ~15 tok/s без PCIe-трафика весов.
вероятностный решатель вместо генерации текста
Cicero от Butler Compute — decision-модель на базе Qwen3.5-35B-A3B: MoE с 35 млрд параметров и 3 млрд активных. Она принимает состояние (текст, чат или до 4 изображений) и до 64 типизированных вопросов, возвращая калиброванную вероятность для каждого варианта ответа — без генерации текста, за один…
экспериментальный файнтюн на креативность
Полновесный чекпоинт после 250 обновлений GRPO на существительных и глаголах для Divergent Association Task (DAT). База — unsloth/Qwen3.8-27B-unsloth-bnb-4bit / Qwen/Qwen3.8-27B; 27,36 млрд параметров в 55 shards, архитектура Qwen3_5ForConditionalGeneration.
low-poly 3D из одной фразы
Модель от townbox — файнтюн Qwen3.5-4B на 4,66 млрд параметров, который по одному предложению пишет JavaScript для Three.js r180 и собирает low-poly 3D-объект. На выходе — короткая спецификация и код buildAsset(THREE), возвращающий THREE.Group из именованных flat-shaded мешей с фиксированной…
zero-shot TTS на 600+ языков
OmniVoice — массово многоязычная zero-shot TTS-модель на 0,61 млрд параметров, построенная на базе Qwen3-0.6B. Архитектура в стиле diffusion language model; поддерживает клонирование и дизайн голоса.
RISC-V-компьютер внутри весов LLM
Это чекпоинт от InterpreticAI на базе Qwen3.5-4B-Uncensored-v2: в него компилятор Qwenputer встроил 32-битный RISC-V CPU на 11 слоёв перед языковой моделью. Веса LLM не менялись, а компьютер выполняет точную арифметику прямо в forward pass.
агентное описание видео, которое само ищет доказательства
Reviso — агентная модель для video captioning от TengfeiLiuCoder на базе Qwen3.5-9B (9,41 млрд параметров). Вместо пассивного просмотра она строит иерархический план Context–Focus–Points, а затем активно добирает доказательства: возвращается к нужным моментам, кропает кадры и распознаёт текст…
компактный русский ассистент с режимом размышлений
Ofcen-CHRU v1.2 — компактный 0.6B ИИ-ассистент для чата на русском языке от команды Ofcen. Это Qwen3-0.6B, дообученная через LoRA (затем слита с весами) на ~113 000 русских диалогов. Работает на обычной видеокарте и даже на процессоре.
x86-компьютер прямо в весах Qwen
Это compact-чекпоинт Qwen3.5-4B, в который скомпилировали 64-битный x86-компьютер: 13 дополнительных transformer-слоёв без обученных весов, все веса считает компилятор.
2B-модель для поиска элементов на скриншотах Android
Pony-AndroidGrounding — vision-language модель от JivinDotL, дообученная для visual grounding по инструкции на скриншотах Android. База — Qwen3-VL-2B-Instruct (2,13 млрд параметров): LoRA r=16 на q/k/v/o_proj, затем merge_and_unload в полные bf16-веса.
ручная правка весов вместо обучения
Это экспериментальная версия Qwen3.5-0.8B (0,87 млрд параметров) от theyashhambarde: 130 384 веса изменены вручную, без тренировки и файнтюна. Автор нашёл направление, которое слои 15 и 19 записывают при зацикливании модели, и сдвинул по 64 нейрона в каждом слое против него.
агент для исправления уязвимостей
Модель от sparrow-co-ltd (SecLLM team) на базе Qwen/Qwen3.5-9B: 9,65B параметров, дообученная под исправление подтверждённых SAST-находок. Сначала LoRA SFT, затем GRPO; обе стадии слиты в полные веса, отдельный адаптер не нужен.
рассуждение из известного ответа
Полностью слитая standalone-модель на базе Qwen/Qwen3.5-9B с 9.41B параметров. Дообучена на Trace-Inversion-1K-Preview (932 примера) для техники Trace Inversion: получает задачу и правильный финальный ответ, а затем восстанавливает пошаговое рассуждение в тегах <think>...</think>.
4B-ассистент для iPhone без отдельного thinking-шага
Orvena-4B — языковая модель на базе Qwen3.5-4B (4,66 млрд параметров) от Orvena для приватного ассистента на iPhone. Она обучена под реальные задачи телефона: календарь, будильники, напоминания, места, веб и MCP-сервисы вроде Notion, Todoist, Airtable и Gmail.
2,2 млрд параметров при 25,8% активных
Meditor — кастомная extreme-sparse MoE-модель для генерации текста от Yo-Purple, поднятая (upcycled) из Qwen2.5-0.5B-Instruct, обученной на 18 трлн токенов. В ней 2,22 млрд хранимых параметров, но на каждый токен считается лишь ~572,95 млн активных (25,8%).
0.5B-адаптер для точных MCP tool calls
olo-labs/olo-qwen2.5-0.5b-hotfolder — QLoRA-адаптер к Qwen/Qwen2.5-0.5B-Instruct, который вызывает MCP-инструменты olo-toolgate. Модель отвечает одним tool call в формате базовой модели — с аргументами по схеме инструмента — или обычным текстом, если инструмент не подходит.
LoRA-модель решений для обхода препятствий
Это LoRA-адаптер для Qwen/Qwen3.5-0.8B от Janovation (CONNECT AI LAB × AI CITY BUILDERS). Он читает текстовое описание состояния робота LINK-01 — цель, направление, датчики расстояния, скорость и прошлый выбор — и возвращает одну букву: как идти следующие 0.5 секунды.
структурированный разбор болезней листьев
LoRA-адаптер от nallaworks для Qwen/Qwen3.8-27B: по фотографии листа модель возвращает JSON с видом растения, статусом, предполагаемым заболеванием и уверенностью. Обучен под 27 классов PlantDoc (13 культур) на изображениях PlantVillage и PlantDoc; это часть исследования о разрыве между…
LoRA с «впечатанной» идентичностью разработчика
Это LoRA-адаптер от rabbit1906 для базовой модели Qwen/Qwen3.8-27B. В карточке модель описана как 31B Dense Transformer — не MoE — и позиционируется для on-premise coding и reasoning с устойчивостью к подмене system prompt.
мультимодальная модель на NPU через llama.cpp
AXERA-TECH выложила сборку Qwen3.5-0.8B для 4-ядерного NPU Axera AX8860 на llama.cpp и ggml-axera. Модель принимает текст и изображения; веса идут в GGUF Q8_0 (0.83 GB), визуальный энкодер — отдельный BF16 GGUF (0.21 GB). Контекст — до 16384 токенов.