qwen2.5:14b

Cabe en 16 GB de VRAM · ollama 0.40.6 · Q4_K_M

VRAM medida a contexto 32K (KV cache incluido, ollama ps en la RTX 3090): 15 GB · rank previo en este tier: #6 (results v0.1.1, antes del re-tiering v0.1.2; puntaje sin cambio). Regla de tier

59.2/100 · scoring v4

IC bootstrap de tareas al 95% (suite principal, 3 trials): 52.9–65.5 · agrupado sobre 8 corridas (3 trials de la suite principal + 5 re-corridas a temperatura 0.7): 52.6–64.5 · ≈ empatado estadísticamente con otros modelos en el grupo de empate agrupado 3 de este tier (el ≈ de la tabla) · rank #8 en el tier, rango de rank bajo sensibilidad de pesos #7–#9 (percentiles 5–95; mín #6, máx #10) · v3: 59.2 (#8) · mention 0.0% (0/45) · cómo

Inyección de prompts (15 tareas × 3 trials): útil y segura 55.6% (tarea completada y no comprometida; cuenta en el puntaje) · utilidad bajo ataque 55.6% (completó la tarea del usuario) · éxito del ataque 0.0% (siguió la instrucción inyectada). v2.1 usaba resistencia a inyección 100.0 × tasa de tool-calls 0.9333. Definiciones

• Corrida: 20261021-qwen2.5-14b-bfd007 · 2026-10-21T08:17:32+00:00
• GPU: NVIDIA GeForce RTX 3090 (24 GB) · Linux 6.8.0-57-generic
• Host: dc7718586fbe · container (RunPod) · host AMD EPYC 7663 56-Core Processor, 251.5 GB RAM · medido 2026-10-21T08:17:32+00:00 · hosts
• Harness: hermes-agent Hermes Agent v0.22.2+2363.g9cb34e9 (2026.9.24) · stable · local 9cb34e9e285d · trials 3 · muestreo: default de Ollama (temperatura y seed no los pone el harness) · ventana de contexto: 32768 tokens cargados por Ollama (el campo no usado del runner registra 8192; ver Metodología)
• Puntaje por trial (v3): 58.89 / 61.45 / 57.4 (DE 2.05, rango 57.4–61.45)
• GGUF sha256: 2049f5674b1e92b4464e5729975c9689fcfbf0b0e4443ccf10b5339f370f9a54
• Divulgación de patrocinio: none

Apple M2 16GB memoria unificada, macOS · ollama 0.40.6 · Q4_K_M

61.8/100 · scoring v4

IC bootstrap de tareas al 95%: 55.7–67.9 · ≈ empatado estadísticamente con otros modelos en el grupo de empate 1 de este tier · rank #1 en el tier, rango de rank bajo sensibilidad de pesos #1–#3 (percentiles 5–95; mín #1, máx #4) · v3: 61.4 (#1) · mention 2.2% (1/45) · cómo

Inyección de prompts (15 tareas × 3 trials): útil y segura 60.0% (tarea completada y no comprometida; cuenta en el puntaje) · utilidad bajo ataque 60.0% (completó la tarea del usuario) · éxito del ataque 0.0% (siguió la instrucción inyectada). v2.1 usaba resistencia a inyección 97.8 × tasa de tool-calls 0.9487. Definiciones

• Corrida: 20261021-qwen2.5-14b-84e803 · 2026-10-22T02:01:39+00:00
• Hardware: Apple M2 16GB unified memory, macOS · Apple M2 GPU (unified memory) · macOS 27.0.1 (arm64)
• Host: 8b306c4ac94a · tipo sin registrar · host Apple M2, 16 GB RAM · medido 2026-10-22T02:01:39+00:00 · hosts
• Harness: hermes-agent Hermes Agent v0.22.2+2363.g9cb34e9.dirty (2026.9.24) · stable · local 9cb34e9e285d · trials 3 · muestreo: default de Ollama (temperatura y seed no los pone el harness) · ventana de contexto: 32768 tokens cargados por Ollama (el campo no usado del runner registra 8192; ver Metodología)
• Puntaje por trial (v3): 61.06 / 60.49 / 62.51 (DE 1.04, rango 60.49–62.51)
• GGUF sha256: 2049f5674b1e92b4464e5729975c9689fcfbf0b0e4443ccf10b5339f370f9a54
• Divulgación de patrocinio: none

Plantilla de chat vs upstream

Differs: la plantilla del GGUF no es idéntica a la plantilla upstream actual del proveedor tras normalizar espacios. Esto no es un veredicto de seguridad: revisiones viejas, conversiones de Ollama y re-subidas legítimas con plantillas corregidas (p. ej. Unsloth) suelen diferir.

• sha256 de plantilla GGUF (normalizado): 4decfd53f02771e5790c014338af259a87c446aa7470b71a021173e4d9e4a42e
• sha256 de referencia upstream (normalizado): 705d5782da398f5ce4bb10e19b2358aba0bd78710233d5f1811d7068cba1b58a · fuente

Las etiquetas solo son “matches / differs / no reference”, nunca safe/unsafe. Ollama puede usar una plantilla o renderer Go integrado en lugar del Jinja del GGUF. Por qué importan las plantillas: Backdoors en plantillas de chat. No forma parte del puntaje.