Компактная донастроенная SmolLM2 сопоставляет неточные упоминания путей с каноническими путями репозитория или воздерживается от ответа.
Подходит для: нормализация неточного упоминания файла до пути в репозитории · поиск канонического пути по текстовому описанию файла · разбор путей в JSON-подзадаче агента-разработчика
Компактная донастройка SmolLM2 для преобразования словесных запросов разработчика в поисковые регулярные выражения в JSON.
Подходит для: генерация регулярного выражения для поиска по запросу на естественном языке · подготовка поискового шаблона для кода в репозитории · встраивание генерации regex в подпрограмму coding-агента
Дообученная SmolLM2-360M нормализует упоминания путей файлов в канонические пути репозитория или отказывается от ответа в проверяемой оболочке агента-разработчика.
Подходит для: нормализация нечетких упоминаний путей файлов в репозитории · разрешение сокращенных путей к каноническим путям проекта · воздержание от выбора пути при неоднозначном запросе
Компактная модель для восстановления повреждённых JSON-вызовов инструментов по фиксированной схеме в конвейерах агентной разработки.
Подходит для: исправление повреждённого JSON-вызова инструмента · восстановление объекта аргументов по заданной JSON-схеме · повторная генерация JSON после обратной связи о нарушении схемы
Экспериментальная дообученная SmolLM2 выбирает место определения символа среди результатов поиска по коду для узкой подзадачи агента-разработчика.
Подходит для: выбор определения символа среди результатов grep в Python-репозитории · ранжирование совпадений поиска по коду для агента-разработчика · возврат выбора в заданной JSON-схеме внутри проверенного контура
Небольшая дообученная модель определяет кадр проекта и тип ошибки в Python traceback, выдавая ответ по фиксированной JSON-схеме.
Подходит для: поиск проблемного кадра проекта в Python traceback · классификация категории ошибки Python по traceback · выделение причины сбоя для подпрограммы агента разработчика
Компактная англоязычная модель, дообученная выбирать следующее действие агента-разработчика по отчёту о ходе работы и выдавать его в заданной JSON-схеме.
Подходит для: выбор следующего действия агента-разработчика по отчёту о ходе работы · маршрутизация действий в проверенном harness для агентских подзадач · формирование ответа о действии агента в строгом формате JSON
Компактная дообученная модель определяет источник и категорию ошибки Python по traceback и выдаёт результат в фиксированном формате JSON.
Подходит для: определение кадра проекта, вызвавшего ошибку Python · классификация категории сбоя по traceback · локализация ошибки как подзадача агента для разработчиков
Компактная англоязычная модель, дообученная для восстановления повреждённых JSON-вызовов инструментов по фиксированной схеме в проверяемой обвязке агента.
Подходит для: восстановление повреждённых JSON-вызовов инструментов · исправление аргументов действий агента по фиксированной JSON-схеме · проверка и нормализация JSON перед передачей инструменту
Компактная дообученная модель для выбора следующего действия агента разработки по отчёту о ходе работы с ответом в фиксированном JSON-формате.
Подходит для: выбор следующего действия агента разработки по отчёту о прогрессе · маршрутизация задач в агентном конвейере для репозиториев Python · формирование ответа по фиксированной JSON-схеме внутри проверяющей обвязки
Компактная англоязычная модель, дообученная решать, достаточно ли собранных доказательств для ответа агента-разработчика.
Подходит для: Решение, можно ли отвечать по найденным фрагментам кода · Определение, нужно ли агенту продолжить сбор доказательств · Встраивание узкого JSON-судьи в конвейер coding agent
Дообученная SmolLM2-360M генерирует поисковые регулярные выражения из текстовых запросов для специализированных агентных инструментов разработчика.
Подходит для: создание регулярного выражения для поиска по запросу на обычном языке · генерация JSON-запроса для поиска в репозитории кода · встраивание генерации поискового шаблона в агент разработчика
Дообученная Qwen2.5-0.5B-Instruct для локализации виновного кадра и категории ошибки в Python traceback с ответом по заданной JSON-схеме.
Подходит для: поиск кадра проекта, вызвавшего ошибку в Python traceback · классификация категории сбоя по трассировке Python · автоматическая разметка traceback в конвейере агента разработчика
Экспериментальная дообученная SmolLM2 решает, достаточно ли собранных свидетельств для ответа агента-разработчика.
Подходит для: решение о готовности ответа по фрагментам кода и другим свидетельствам · выбор между ответом и продолжением сбора доказательств в агенте-разработчике · выдача решения в фиксированной JSON-схеме внутри проверяющей оболочки
Компактная дообученная модель Qwen2 выбирает следующее действие агентной системы разработки по отчёту о ходе работы и выдаёт результат в заданной JSON-схеме.
Подходит для: выбор следующего действия агента разработки по отчёту о прогрессе · маршрутизация шагов агента внутри программной оболочки с фиксированной JSON-схемой · автоматизация узкой подзадачи в конвейере разработки ПО
Компактная дообученная SmolLM2-модель для выбора места определения символа среди результатов поиска по коду.
Подходит для: выбор определения функции среди результатов grep · поиск места объявления символа в репозитории Python · ранжирование совпадений поиска кода для агентной системы разработки
Экспериментальная англоязычная донастройка SmolLM2 для поиска точных строк определения символа в фрагменте кода и ответа по фиксированной JSON-схеме.
Подходит для: поиск строк определения функции в фрагменте Python-файла · поиск строк определения класса в фрагменте кода · извлечение диапазона строк символа для подзадачи агента-разработчика
Экспериментальная Qwen2.5-1.5B, дообученная для исправления повреждённых JSON-вызовов инструментов по фиксированной схеме.
Подходит для: восстановление повреждённого JSON-вызова инструмента · исправление аргументов функции агента-разработчика · приведение JSON-действия к заданной схеме
Компактная дообученная модель Qwen2.5 для решения по фрагментам доказательств, достаточно ли данных агенту разработчика для ответа.
Подходит для: Решение, отвечать ли агенту по коду на основе найденных фрагментов · Определение, нужно ли продолжить поиск доказательств в репозитории · Формирование решения в заданной JSON-схеме для проверяющей обвязки агента
Компактная дообученная Qwen2.5 выбирает определение символа среди результатов поиска по коду для узкой подзадачи агента-разработчика.
Подходит для: выбор определения функции или класса среди результатов grep · ранжирование совпадений поиска символа в Python-репозитории · поиск места объявления символа в коде для агента-разработчика
Узкоспециализированная дообученная модель для определения диапазона строк с объявлением символа в коде и выдачи результата по JSON-схеме.
Подходит для: поиск строк с определением функции или класса в окне Python-кода · получение диапазона строк объявления символа для агентского инструмента разработчика · формирование структурированного JSON-ответа с расположением определения символа
Дообученная Qwen2.5-0.5B-Instruct для восстановления повреждённых JSON-вызовов инструментов по заданной схеме внутри проверяющей обвязки.
Подходит для: восстановление повреждённого JSON-вызова инструмента · исправление аргументов вызова функции по фиксированной схеме · подготовка JSON-действий агента разработки к строгому разбору
Дообученная Qwen2.5-1.5B модель для выбора следующего действия агентского harness по отчёту о ходе работы с выдачей по заданной JSON-схеме.
Подходит для: выбор следующего действия агента разработки по отчёту о прогрессе · маршрутизация действий внутри harness для автоматизации репозитория · генерация структурированного JSON-ответа для подзадачи coding agent
Плотно дообученная Qwen2.5-1.5B нормализует неточные упоминания путей к каноническим путям репозитория или воздерживается от ответа в строгом JSON-формате.
Подходит для: Нормализация неточного упоминания файла до пути в репозитории · Проверка и разрешение путей в конвейере агента-разработчика · Воздержание от выбора пути, если упоминание неоднозначно