Базовая модель Meta на 13 млрд параметров для генерации, продолжения и понимания кода.

Подходит для: автодополнение фрагментов кода · заполнение пропусков в коде · генерация кода по текстовому контексту

Компактная модель Maincode на 1 млрд параметров для генерации и автодополнения кода, прежде всего на Python.

Подходит для: генерация функций на Python по описанию · автодополнение кода при программировании · создание прототипов скриптов

Компактная MoE-модель для генерации кода, решения задач программирования и диалогов с инструментами, созданная прореживанием экспертов Ornith-1.5-35B-A3B.

Подходит для: генерация и дополнение программного кода · решение задач по программированию · ответы на вопросы о коде в диалоге

Дообученная Gemma 4 12B для решения алгоритмических задач на Python и генерации кода, проверенного тестами.

Подходит для: решение алгоритмических задач на Python · написание функций Python с учётом граничных случаев · генерация кода Python, проходящего детерминированные тесты

Базовая модель Meta с 33,5 млрд параметров для автодополнения, генерации и понимания кода.

Подходит для: автодополнение кода по текстовому контексту · генерация фрагментов кода · анализ и понимание исходного кода

Разреженная MoE-модель для генерации, отладки и изменения кода с избирательной INT8-квантизацией экспертных слоёв.

Подходит для: генерация программного кода по текстовому запросу · поиск и исправление ошибок в коде · изменение и рефакторинг существующих программ

Модель IBM Research с 8,1 млрд параметров для генерации и других задач работы с кодом, с контекстом до 4096 токенов.

Подходит для: генерация кода по описанию задачи · объяснение существующего кода · исправление ошибок в коде

GLM-5.1 — языковая модель Z.ai для генерации кода и длительных агентных инженерных задач с инструментами.

Подходит для: генерация кода по описанию задачи · поиск и исправление ошибок в репозитории · выполнение многоэтапных задач в терминале

Текстовая MoE-модель на базе Qwen, предназначенная для генерации кода, решения задач программирования и вызова инструментов.

Подходит для: генерация и дополнение программного кода · решение задач по программированию · написание кода на Rust, Java и JavaScript

Дообученная на агентных траекториях модель Qwen3.5-9B для генерации кода и выполнения многошаговых задач разработки ПО.

Подходит для: написание и редактирование кода по запросу · поиск и исправление ошибок в проекте · выполнение задач разработки через терминал

CodeScaler-8B — дообученная на предпочтениях reward-модель Qwen3 для оценки и ранжирования ответов на задачи генерации кода без исполнения программ.

Подходит для: ранжирование нескольких вариантов решения задачи программирования · оценка качества сгенерированного кода без его запуска · отбор предпочтительных ответов для генератора кода

Ornith-1.0-35B — модель генерации кода на базе Qwen 3.5 для агентных задач, работы с репозиториями и вызова инструментов.

Подходит для: генерация и исправление кода по запросам · выполнение задач по изменению больших кодовых баз · автоматизация разработки через терминального агента

BLOOMZ-560M — дообученная многоязычная модель BigScience для выполнения текстовых инструкций и задач zero-shot.

Подходит для: перевод коротких фраз по инструкции · ответы на вопросы на разных языках · определение тональности текста

Инструкционная языковая модель Qwen на 7,1 млрд параметров для генерации, анализа и исправления программного кода.

Подходит для: генерация кода по текстовому описанию · объяснение фрагментов программного кода · поиск и исправление ошибок в коде

Aurora-Code-1 — дообученная Perciqa MoE-модель для генерации, отладки и ревью кода, а также многошаговой работы с репозиториями.

Подходит для: генерация функций и программ по текстовому описанию · поиск причин ошибок и подготовка исправлений · ревью кода и выявление проблем безопасности

InCoder 1B — модель Facebook на 1,5 млрд параметров для продолжения кода и заполнения пропусков в кодовых фрагментах.

Подходит для: автодополнение кода в редакторе · заполнение пропущенного блока кода · генерация продолжения Python-кода

Инструктивная 32-миллиардная модель Qwen2.5-Coder для генерации, анализа и исправления кода, а также создания кодовых агентов.

Подходит для: генерация кода по текстовому запросу · поиск и исправление ошибок в коде · объяснение и анализ фрагментов кода

Инструкционная модель Qwen на 14 млрд параметров для генерации, анализа и исправления кода в диалоговых сценариях.

Подходит для: генерация кода по описанию задачи · поиск и исправление ошибок в коде · объяснение и анализ фрагментов кода

Дообученная Microsoft модель Qwen2.5-Coder на 7,1 млрд параметров для редактирования и генерации кода с контекстом до 32 тысяч токенов.

Подходит для: предложение правок в существующем коде · исправление ошибок в коде · генерация кода по запросу в чате

Мультимодальная модель Xiaomi MiMo на 9 млрд параметров для агентных задач, программирования, кибербезопасности и анализа изображений.

Подходит для: написание и исправление кода · выполнение многошаговых агентных задач · анализ изображений в диалоге

Модель Replit на 2,7 млрд параметров для автодополнения кода и тонкой настройки под задачи программирования.

Подходит для: автодополнение кода в редакторе · генерация продолжения фрагмента программы · создание шаблонов кода по контексту

Базовая кодовая модель IBM Research с контекстом 128 тысяч токенов для генерации, объяснения и анализа кода в масштабе репозитория.

Подходит для: генерация кода с учётом длинного контекста репозитория · объяснение фрагментов кода и структуры проекта · исправление ошибок в коде

Базовая языковая модель Meta на 7 млрд параметров для автодополнения и генерации кода.

Подходит для: автодополнение исходного кода · заполнение пропусков в коде · генерация фрагментов кода по контексту

Базовая модель BigCode с 15,5 млрд параметров для генерации и продолжения кода на более чем 80 языках программирования.

Подходит для: продолжение функции по начатому фрагменту кода · заполнение пропусков между частями исходного кода · генерация шаблонного кода по контексту проекта