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

Экспериментальная 27-миллиардная модель Jackrong для агентного программирования, отладки репозиториев и вызова инструментов.

Подходит для: генерация кода и правок в существующем репозитории · поиск и исправление ошибок в коде · создание патчей по описанию задачи

Черновая модель для спекулятивного декодирования, ускоряющая генерацию текста целевой Qwen3.8-27B в совместимом сервере.

Подходит для: Ускорение генерации ответов моделью Qwen3.8-27B · Увеличение пропускной способности сервера генерации текста · Ускорение решения математических задач целевой моделью

Базовая модель DeepSeek на 6,6 млрд параметров для генерации, дополнения и заполнения пропусков в коде с контекстом до 16 384 токенов.

Подходит для: автодополнение кода в редакторе · заполнение пропусков и вставка кода по контексту · завершение кода с учётом файлов проекта

NVFP4-квантизация Qwen3-Coder-Next для генерации кода и диалоговой работы на NVIDIA DGX Spark и совместимых GPU Blackwell.

Подходит для: генерация кода по текстовому запросу · диалоговый помощник при разработке программ · запуск кодирующей модели на DGX Spark с ограниченной памятью

Компактная decoder-only языковая модель семейства pico-decoder для генерации текста и исследовательского анализа обучения.

Подходит для: генерация продолжения текста · эксперименты с предобучением языковых моделей · анализ обучения по слоям модели

Компактная англоязычная decoder-only модель на 65 млн параметров для исследований обучения языковых моделей и анализа с pico-analyze.

Подходит для: изучение динамики обучения языковых моделей · воспроизводимые эксперименты с небольшими языковыми моделями · анализ поведения модели с помощью pico-analyze

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

Дообученная 9-миллиардная модель OrionLLM для агентного программирования, работы с кодовыми базами и задач в терминале.

Подходит для: генерация и редактирование программного кода · поиск и исправление ошибок в проекте · многошаговое решение задач разработки в терминале

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-черновик DFlash предлагает блоки токенов для speculative decoding, ускоряя генерацию текста целевой моделью openai/gpt-oss-120b.

Подходит для: ускорение инференса openai/gpt-oss-120b через speculative decoding · ускорение генерации ответов на математические задачи · ускорение генерации кода при решении задач HumanEval и MBPP

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

Базовая модель DeepSeek на 1,3 млрд параметров для продолжения, автодополнения и заполнения пропусков в коде.

Подходит для: автодополнение кода в редакторе · вставка недостающего фрагмента в существующий код · продолжение кода с учётом контекста проекта

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

Текстовая MoE-модель для генерации текста и кода, агентных задач и работы с инструментами с удалённым поведением отказа.

Подходит для: генерация и отладка программного кода · автоматизация задач программирования агентом · генерация ответов в диалоговом интерфейсе

Сжатая MoE-модель Qwen для генерации кода, агентного программирования и вызова функций при меньших требованиях к памяти.

Подходит для: генерация и дополнение программного кода · помощь агенту в изменении и отладке кода · вызов функций в диалоговом приложении

Разрежённая MoE-модель ManniX-ITA для генерации кода, полученная сокращением числа экспертов в Ornith-1.5-35B-A3B.

Подходит для: генерация фрагментов кода по текстовому запросу · дополнение и продолжение исходного кода · решение задач программирования

Дообученный assistant-чекпойнт Gemma 4 26B A4B для ускорения генерации в совместимом конвейере спекулятивного декодирования.

Подходит для: ускорение генерации текста в конвейере speculative decoding · ускорение диалоговых ответов с целевой моделью Gemma 4 26B A4B · использование в исследовательских и пользовательских сборках на базе Gemma 4

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

Дообученная на успешных сессиях кодовых агентов модель GPT-OSS-120B для поиска и исправления дефектов в репозиториях с проверкой изменений тестами.

Подходит для: поиск первопричины ошибки в кодовой базе · исправление дефектов в нескольких файлах репозитория · создание регрессионного теста перед исправлением

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

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

Модель DeBERTa-v2 для предсказания замаскированных кодонов и получения представлений кодирующих последовательностей ДНК без зависимости от белка или идентификаторов видов.

Подходит для: предсказание замаскированных кодонов в кодирующей ДНК · получение эмбеддингов последовательностей кодонов · извлечение представлений кодирующих последовательностей для биологических исследований

Модель ByteDance-Seed на 7,6 млрд параметров для генерации кода и решения сложных задач программирования с усиленными рассуждениями.

Подходит для: генерация кода по текстовому запросу · решение задач соревновательного программирования · разбор сложных алгоритмических задач