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

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

Разреженная MoE-модель на базе Qwen3.8-Flash-Next для генерации, отладки и изменения программного кода.

Подходит для: написание функций и модулей по описанию задачи · поиск и исправление ошибок в коде · изменение существующего кода по запросу

Открытая модель Cohere для генерации кода, агентной разработки ПО и выполнения задач в терминале с поддержкой вызова инструментов.

Подходит для: генерация и дополнение программного кода · исправление ошибок и изменение кода в репозитории · выполнение задач разработки через терминальные инструменты

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 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 Qwen2.5-Coder на 32 млрд параметров для генерации, анализа и исправления программного кода.

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

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 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

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

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

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

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

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

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

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

Дообученная инструктивная модель Qwen2.5-Coder на 32 млрд параметров для генерации, анализа и исправления кода и создания кодовых агентов.

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

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

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

Модель Dappit Labs на базе Qwen3.6 MoE для агентного написания и редактирования кода с вызовом инструментов.

Подходит для: написание кода по заданию в агентной оболочке · редактирование файлов проекта · итеративное исправление ошибок компиляции и тестов

Базовая модель Meta Code Llama на 70 млрд параметров для автодополнения, генерации и понимания кода.

Подходит для: автодополнение кода по контексту файла · генерация фрагментов кода по текстовому запросу · помощь в понимании и анализе кода

Агентная модель Moonshot AI для сложных задач программирования и многоэтапной разработки ПО с поддержкой изображений, видео и инструментов.

Подходит для: написание и изменение кода в крупных проектах · выполнение многоэтапных задач разработки через агентный интерфейс · поиск и исправление ошибок в программном обеспечении

PhAI-IDE-72B — дообученная на траекториях Codex модель Qwen2.5 для научного программирования, ремонта кода и взаимодействия с инструментами.

Подходит для: поиск и исправление ошибок в научном коде · помощь при разработке вычислительных научных проектов · анализ запросов кода в диалоге

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