II.11Кибербезопасность и приватность

Laguna S 2.1 — языковая модель Poolside для программной инженерии и агентного выполнения длительных задач. Это текстовая модель семейства Laguna с архитектурой Mixture-of-Experts: 118 млрд параметров всего, около 8 млрд активируются на токен. В ней 48 слоёв, 256 маршрутизируемых экспертов и один общий; используются grouped-query attention и сочетание глобального внимания со скользящим окном. Контекст составляет 1 048 576 токенов. Модель предназначена для генерации и анализа кода, работы с инструментами и решения многошаговых задач разработки. Она поддерживает диалог и вызов инструментов, а также встроенный режим рассуждений, управляемый параметром enable_thinking. Для ускорения вывода доступна спекулятивная декодировка с отдельной черновой моделью DFlash. Модель принимает и выдаёт текст. В README приведены результаты на бенчмарках программирования и агентных задач, однако они не гарантируют качество в конкретном проекте. Полная BF16-версия требует нескольких GPU; квантизированные варианты снижают требования к памяти. Модель распространяется по лицензии OpenMDW-1.1, разрешающей коммерческое и некоммерческое использование и модификацию; также следует соблюдать Acceptable Use Policy Poolside.

Laguna XS 2.1-FP8 — текстовая Mixture-of-Experts модель, разработанная poolside для агентного программирования и длительных рабочих процессов на локальном компьютере. Она предназначена для генерации и анализа кода, выполнения многошаговых задач с инструментами и работы в сценариях, требующих продолжительного контекста и межшагового рассуждения. Модель содержит 33 млрд параметров, из которых 3 млрд активируются для каждого токена, и включает 256 экспертов с одним общим экспертом. Архитектура состоит из 40 слоёв: 30 используют Sliding Window Attention с окном 512 токенов, а 10 — глобальное внимание; применяется смешанное соотношение SWA и глобального внимания 3:1, а также per-head gating и rotary scales. Контекстное окно составляет 262 144 токена. Модель работает в режиме text-to-text, поддерживает interleaved thinking между вызовами инструментов и позволяет включать или отключать режим рассуждений для отдельных запросов. Вариант FP8 использует FP8-квантизацию KV-кэша, что снижает требования к памяти. К сильным сторонам относятся компактность для модели такого класса, низкие требования к KV-кэшу, пригодность для локального запуска и специализация на агентных задачах разработки ПО. В README не указаны поддерживаемые языки программирования или естественные языки. Приведённые результаты зависят от конкретной методики оценки и параметров запуска; заявлены показатели 70,9% на SWE-bench Verified, 63,1% на SWE-bench Multilingual, 47,6% на SWE-Bench Pro и 37,5% на Terminal-Bench 2.0. Модель распространяется по лицензии OpenMDW-1.1, допускающей свободное использование и модификацию для коммерческих и некоммерческих целей.

LLM2Vec-Mistral-7B-Instruct-v2-mntp-unsup-simcse — модель для получения текстовых эмбеддингов на основе Mistral-7B-Instruct-v2, представленная организацией или исследовательской группой McGill-NLP. В репозитории указано, что модель распространяется с использованием PEFT и предназначена для преобразования текста в векторные представления, пригодные для сравнения семантической близости. Модель ориентирована на семантический поиск и информационный retrieval, reranking, классификацию, кластеризацию, оценку текстовой семантической близости и извлечение признаков. В README заявлен английский язык и приведены результаты на наборах MTEB, включая задачи классификации, поиска, кластеризации, reranking и STS. Архитектура основана на модели класса Mistral с 7 млрд параметров; сведения о поддерживаемых модальностях, размере контекста и точных процедурах инференса не указаны. Сильная сторона — универсальность эмбеддингов для широкого спектра задач обработки текста; ограничения, включая качество на других языках и зависимость результатов от конкретного домена, требуют дополнительной проверки. Лицензия — MIT.

Карточка модели 404devnotfound/LongCat-2.0 на Hugging Face совпадает с карточкой bh890/LongCat-2.0, поэтому описание составлено по ней. LongCat-2.0 — большая языковая модель семейства LongCat, представленная разработчиками проекта LongCat. Это модель архитектуры MoE с классом LongcatCausalLM; в метаданных репозитория указано 42,1 млрд параметров, тогда как README описывает полную версию с 1,6 трлн параметров и примерно 48 млрд активируемых на токен. Репозиторий содержит веса в формате safetensors и использует лицензию MIT. Модель предназначена для диалоговой генерации текста, программирования, понимания кода и репозиториев, выполнения задач агентами и работы с инструментальными сценариями. README сообщает об обучении на данных с контекстом до 1 млн токенов и об архитектурном механизме LongCat Sparse Attention для длинных последовательностей; метаданные указывают нативный контекст 262 144 токена. В карточке также заявлены чат и интерфейс вызова инструментов. README особо выделяет задачи с длинным горизонтом, редактирование кода на уровне репозитория и автоматизацию действий; развёртывание описано для GPU и NPU. Модель не оценивалась всесторонне для всех возможных прикладных сценариев. Условия лицензии — MIT.

LongCat-2.0 — большая языковая модель семейства LongCat, представленная разработчиками модели. Это разреженная MoE-модель для генерации текста и диалогов; README указывает 1,6 трлн параметров и около 48 млрд активируемых на токен, тогда как метаданные репозитория указывают 42,1 млрд параметров. В карточке заявлены архитектура LongcatCausalLM и контекст 262 144 токена. Модель предназначена для программирования, понимания кода, редактирования репозиториев, автоматизированного выполнения задач и агентных сценариев. Она поддерживает интерфейс вызова инструментов; в README также описаны LongCat Sparse Attention для длинного контекста и ускорение декодирования с прогнозированием нескольких токенов. Вход и выход — текст. README сообщает о предварительном обучении более чем на 35 трлн токенов и развёртывании на GPU и NPU. Для GPU описана поддержка SGLang и рекомендована конфигурация из 16 H20; часть механизма Hierarchical Indexing при этом недоступна. Разработчик предупреждает, что модель не была специально спроектирована или всесторонне проверена для всех прикладных сценариев. Лицензия репозитория — MIT.

MiniCPM5-1B — компактная плотная языковая модель семейства MiniCPM5, разработанная OpenBMB; этот репозиторий AIArchiveInfo является побитовой копией оригинала openbmb/MiniCPM5-1B. Модель предназначена для локальных помощников, кодовых агентов, работы с инструментами и рассуждений на устройствах с ограниченными ресурсами. Она построена на архитектуре LlamaForCausalLM, содержит около 838 млн параметров по метаданным каталога и поддерживает контекст до 131 072 токенов. Один чекпойнт поддерживает режимы ответа с рассуждением и без него; карточка также отмечает возможности чата, вызова инструментов, генерации кода и сложных рассуждений. Модель рассчитана на английский и китайский языки и доступна в формате Safetensors для Transformers. Лицензия — Apache-2.0. Модель может ошибаться, воспроизводить смещения или выдавать небезопасные ответы; результаты следует проверять, особенно при использовании в ситуациях с высокими ставками.

MiniMax-M2.7-GGUF — это GGUF-квантизация модели MiniMax-M2.7, разработанной MiniMaxAI и подготовленной пользователем dennny123 на основе исходных BF16-весов. Модель предназначена для генерации текста, диалоговых сценариев, программирования и агентских рабочих процессов. Она может запускаться через llama.cpp, LM Studio или Ollama. Модель использует архитектуру Mixture-of-Experts с 229 млрд параметров, из которых около 10 млрд активны для каждого токена. Доступны варианты от BF16 до Q2_K; размеры файлов составляют примерно от 83 до 427 ГБ. В метаданных указан английский язык, однако сведения о размере контекста и дополнительных модальностях отсутствуют. Квантизации Q6_K и Q5_K_M заявлены как обеспечивающие высокое качество, а Q4_K_M — как компромиссный вариант для большинства сценариев. Сильные стороны модели — специализация на кодировании и агентских задачах, высокая заявленная производительность в SWE-Pro, VIBE-Pro, Terminal Bench 2, GDPval-AA и MLE Bench Lite, а также возможность локального запуска в экосистеме GGUF. Основные ограничения — чрезвычайно высокие требования к памяти: несмотря на активацию лишь части параметров, при инференсе необходимо загрузить весь набор из 229 млрд параметров. Более агрессивная квантизация уменьшает требования к ресурсам, но может снижать качество. Лицензия указана как modified-MIT; подробные условия следует уточнять в официальной лицензии MiniMaxAI.

Карточка модели miromind-ai/MiroThinker-v1.0-72B на Hugging Face совпадает с карточкой miromind-ai/MiroThinker-v1.0-8B, поэтому описание составлено по ней. MiroThinker-v1.0-8B — открытая исследовательская агентная модель, разработанная MiroMind на базе Qwen3-8B и дообученная для рассуждений с использованием инструментов и поиска информации. Она предназначена для многошаговых исследовательских задач: модель может запрашивать внешнюю информацию, вызывать инструменты, проверять результаты и уточнять ход решения. В описании заявлена поддержка до 600 вызовов инструментов за задачу. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 262 144 токенов. Карточка сообщает об англоязычной версии; метаданные также отмечают диалоговый режим и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии MIT. Карточка приводит результаты на исследовательских бенчмарках, однако качество зависит от подключённых инструментов, настроек рабочего процесса и вычислительных ресурсов. Для полноценного агентного сценария нужны совместимая среда и инструменты; сама модель не выполняет внешние действия без них.

MiroThinker-v1.0-8B-GGUF — открытая исследовательская агентная модель от команды MiroMind AI, предназначенная для рассуждений с использованием инструментов и поиска информации. Это GGUF-версия модели MiroThinker v1.0, созданная на базе Qwen3-8B с помощью llama.cpp. Модель ориентирована на глубокий многошаговый анализ, задачи общего исследования и длительные сценарии взаимодействия с внешней средой. Она поддерживает контекстное окно до 256K токенов и до 600 вызовов инструментов на одну задачу, что позволяет строить длинные траектории поиска и рассуждений. В карточке указана поддержка английского языка; другие языки и модальности не заявлены. Сильными сторонами являются агентное поведение, получение внешней информации, корректировка ошибок на основе обратной связи среды и масштабирование за счёт более глубоких взаимодействий. Версия распространяется в формате GGUF и использует квантизацию с выборочным повышением точности отдельных слоёв, что может улучшать качество при заданном уровне квантизации, но увеличивает размер файла. Для полноценной работы требуются совместимый runtime, например llama.cpp, и настроенные инструменты или окружение для взаимодействия. Модель распространяется по лицензии MIT.

Mungert/NextCoder-7B-GGUF — GGUF-квантизированная версия модели NextCoder-7B, разработанной Microsoft на базе Qwen2.5-Coder-7B-Instruct. Модель предназначена прежде всего для генерации и редактирования программного кода, исправления ошибок, работы с разнообразными правками кода и диалоговых сценариев для разработчиков. Постобучение выполнено с использованием методики Selective Knowledge Transfer (SeleKT), ориентированной на улучшение code editing без потери общей применимости. Это авторегрессионная causal language model с архитектурой на базе Transformers, RoPE, SwiGLU, RMSNorm и attention QKV bias. Модель содержит 7,61 млрд параметров, из них 6,53 млрд — без учёта embedding, имеет 28 слоёв, 28 Q-heads и 4 KV-heads с GQA. Заявлена поддержка контекста до 32K токенов. В карточке указано English как язык модели; поддерживается текстовая модальность. GGUF-файлы созданы с помощью llama.cpp, при этом автор применяет выборочное повышение точности отдельных слоёв сверх стандартной конфигурации IMatrix, что может улучшать качество при заданном уровне квантизации, но увеличивает размер файлов. Сильными сторонами являются специализация на редактировании кода, длинный контекст и улучшенные результаты NextCoder-7B по сравнению с базовой Qwen2.5-Coder-7B на приведённых тестах HumanEvalFix, CanItEdit и Aider. Ограничения включают зависимость качества и требований к ресурсам от конкретного GGUF-варианта квантизации, а также отсутствие подробных характеристик отдельных файлов в представленном README. Лицензия — MIT.

Ogma Base — компактная англоязычная модель для создания текстовых эмбеддингов, разработанная авторами семейства Ogma. Это плотная модель с 13,3 млн параметров и контекстом до 1024 токенов; она поддерживает симметричное кодирование и Matryoshka-размерности 256, 128, 64 и 32. В README указана средняя оценка 57,02 на 66 англоязычных задачах MTEB. Модель предназначена для семантического поиска, извлечения документов в RAG, векторного поиска, кластеризации, классификации, оценки сходства предложений и памяти агентных систем. Небольшой размер позволяет развертывать её локально и использовать на CPU. Она не генерирует текст и рассчитана на английский язык; для задач парного ранжирования в README отмечено отставание от MiniLM-L6-v2. Доступны форматы ONNX и safetensors. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; для него требуется отдельная лицензия или переобучение на подходящей модели-учителе.

Mungert/OpenCodeReasoning-Nemotron-32B-IOI-GGUF — это GGUF-квантизованная версия языковой модели для генерации и анализа программного кода. В качестве базовой модели указана Qwen/Qwen2.5-32B-Instruct, а обучение связано с набором данных NVIDIA OpenCodeReasoning. Модель разработана Mungert; в метаданных также указана принадлежность к экосистеме NVIDIA. Основной заявленный язык — английский. Модель предназначена для задач генерации текста и кода, включая использование в локальных приложениях на базе llama.cpp, развёртывание на устройствах с ограниченной памятью и исследование сверхнизкобитного квантования. Доступны варианты с различными форматами и уровнями квантования, включая IQ1, IQ2, IQ3, Q4, Q6 и Q8, а также BF16 и F16. Для некоторых вариантов применяется метод IQ-DynamicGate с распределением точности по слоям; приведённые в README тесты на Llama-3-8B показывают снижение perplexity по сравнению со стандартным 1–2-битным квантованием при небольшом увеличении размера модели. Эти результаты не следует напрямую считать оценкой именно данной модели. Сильная сторона модели — возможность существенно снизить требования к памяти и запускать её на CPU, edge-устройствах и системах с ограниченной GPU VRAM. Компромиссом являются возможное снижение точности при низкой разрядности, зависимость производительности от аппаратной поддержки BF16 или FP16 и отсутствие в предоставленных данных точного размера файлов, длины контекста, перечня поддерживаемых языков помимо английского и результатов бенчмарков именно для этой модели. Лицензия — Apache-2.0.

BlossomsAI/Qwen2.5-Coder-14B-Instruct-Uncensored — модифицированная инструкционная модель для генерации кода, созданная на основе Qwen/Qwen2.5-Coder-14B-Instruct с применением направленного вмешательства для изменения поведения отказа. Это плотная причинная языковая модель семейства Qwen2 с 14 млрд параметров, рассчитанная на диалоговое использование и контекст до 32 768 токенов. В метаданных указаны библиотека Transformers и формат safetensors; README также упоминает предварительно квантованные варианты в формате GGFU. Модель предназначена для генерации, анализа и исправления кода в диалоге. README описывает удаление поведения отказа, поэтому модель может отвечать на запросы, от которых исходная модель отказалась бы; это повышает риск небезопасных ответов. Указана лицензия MIT. Подробные результаты оценки качества модифицированной модели в карточке не приведены.

Qwen2.5-Coder-1.5B-Instruct-MLX-4bit — это 4-битная MLX-квантизация инструкционной модели Qwen2.5-Coder-1.5B-Instruct, разработанной командой Qwen. Квантизацию выполнил bartowski на основе инструментов mlx-examples; модель предназначена для запуска на компьютерах Mac с Apple Silicon. Модель ориентирована на генерацию и обработку кода, чат-взаимодействие и использование в составе Code Agents. Она обучалась на объёме до 5,5 триллиона токенов, включая исходный код, данные для связывания текста и кода и синтетические данные. Заявлена поддержка контекста до 32 тысяч токенов и английского языка. Формат MLX и 4-битная квантизация снижают требования к памяти, однако README не содержит количественных данных о качестве, скорости, поддерживаемых модальностях или конкретных ограничениях кода модели. Модель распространяется по лицензии Apache-2.0.

mlx-community/Qwen2.5-Coder-7B-bf16 — версия модели Qwen2.5-Coder-7B, преобразованная сообществом mlx-community в формат MLX с помощью mlx-lm 0.18.1. Это плотная авторегрессионная модель семейства Qwen2, рассчитанная на генерацию текста и кода; объём модели — 7,1 млрд параметров, максимальный контекст — 32 768 токенов. Карточка указывает поддержку диалогового режима и интерфейса вызова инструментов, а среди языковых тегов — английский. Модель подходит для генерации и продолжения кода, помощи в программировании и диалоговых сценариев с текстовым вводом. Репозиторий содержит веса safetensors; README описывает преобразование в MLX и использование через mlx-lm. Лицензия — Apache 2.0. Метаданные связывают модель с Qwen/Qwen2.5-7B как с базовой моделью, однако README указывает исходную Qwen/Qwen2.5-Coder-7B; это означает, что репозиторий представляет преобразованную версию кодовой модели, а классификацию происхождения и базовую модель следует трактовать с учётом этих различающихся сведений.

Kondara/Qwen2.5-Coder-7B-Instruct-Q4_K_M-GGUF — это квантованная версия модели Qwen/Qwen2.5-Coder-7B-Instruct, преобразованная в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и прежде всего для работы с программным кодом, включая задачи программирования и чат-взаимодействия. Модель имеет размер 7B параметров, относится к семейству Qwen2.5-Coder и представлена в формате квантования Q4_K_M, что позволяет запускать её локально с llama.cpp через CLI или сервер. В карточке указана поддержка английского языка; другие языки и мультимодальные возможности не заявлены. В качестве примера запуска используется контекст длиной 2048 токенов, но максимальный размер контекста в README не указан. К сильным сторонам относятся специализация на коде, инструкционное обучение и возможность локального запуска в компактном квантованном формате. Ограничения связаны с размером 7B, возможным снижением точности из-за квантования и отсутствием подробных данных о качестве, поддерживаемых языках программирования и максимальном контексте. Лицензия — Apache-2.0, унаследованная от исходной модели.

Qwen3.6-Max-Preview — проприетарная модель Alibaba Cloud на архитектуре разреженной смеси экспертов (MoE), содержащая примерно 1 трлн параметров. Она предназначена для агентного программирования, использования инструментов и генерации текста. Доступный фрагмент карточки не раскрывает подробности об интерфейсе, поддерживаемых языках или длине контекста. Модель представлена как Preview; условия лицензии в доступных данных не описаны.

Qwen3.8-27B-Cold-Fusion-GAIN-V1.1-YMQ-GGUF — это GGUF-квантизированная версия модели Qwen3.8-27B Cold-Fusion GAIN V1.1, исходно разработанной DavidAU. Квантизация выполнена проектом ZeroDigest с использованием собственного YMQ-Compiler v2.0 и архитектурно-ориентированного подхода к смешанной точности на основе исходных файлов BF16. Модель предназначена прежде всего для генерации текста и задач программирования, включая работу с API и агентскими инструментами вроде RooCode и Aider. В репозитории заявлена поддержка параллельного multi-token prediction (MTP) для спекулятивной генерации, а также оптимизация для сценариев с большим контекстом. Архитектура описана тегами как включающая Mamba/SSM и multi-token prediction; размер исходной модели — 27B параметров. Языки и точный размер контекстного окна в README не указаны. Доступно несколько пресетов смешанной точности размером примерно от 9,1 до 14,5 ГБ, рассчитанных на видеокарты с 12, 16 и 24 ГБ VRAM. Варианты различаются балансом качества, объёма памяти и запаса под контекст; среди рекомендуемых указаны M-TI и S-Pro для 16 ГБ VRAM, а M и L-TI — для 24 ГБ. Заявленные преимущества включают сохранение логики при квантизации и пригодность для длительных агентских циклов, однако приведённые оценки качества ограничены отдельными тестами perplexity и не заменяют независимой проверки в прикладных задачах. Лицензия — Apache-2.0.

MLX-совместимая 4-битная версия Qwen3-Coder-30B-A3B-Instruct — инструкционная языковая модель для генерации текста и решения задач, связанных с программированием. Исходная модель разработана командой Qwen, а конвертацию в формат MLX выполнил проект mlx-community с использованием mlx-lm версии 0.26.3. Модель предназначена для локального запуска через библиотеку mlx-lm и поддерживает диалоговый сценарий с применением chat template. Обозначение 30B-A3B указывает на конфигурацию исходной модели, а 4bit — на 4-битное квантование, уменьшающее требования к памяти по сравнению с полноформатными весами. В README не указаны точные архитектурные параметры, размер контекста, поддерживаемые языки и перечень модальностей; по имеющимся данным модель относится к текстовым моделям. К сильным сторонам относятся специализация исходной Qwen3-Coder на задачах программирования, инструкционная настройка и возможность использования в MLX-окружении. К ограничениям относятся зависимость от совместимого программного стека и потенциальные потери качества, связанные с 4-битным квантованием; конкретные показатели производительности в README не приведены. Модель распространяется по лицензии Apache 2.0.

furiosa-ai/Qwen3-Embedding-4B — текстовая модель эмбеддингов из серии Qwen3-Embedding, опубликованная FuriosaAI в виде пакета для запуска на ускорителе FuriosaAI RNGD с библиотекой Furiosa-LLM. Она преобразует текст в плотные векторы для семантического поиска, извлечения релевантных документов и сравнения сходства текстов. Это дообученная версия Qwen/Qwen3-Embedding-4B на плотной трансформерной архитектуре Qwen3; число параметров — 3,7 млрд, нативная длина контекста — 40 960 токенов. Модель поддерживает многоязычные сценарии и Matryoshka Representation Learning, позволяющий получать эмбеддинги уменьшенной размерности через параметр dimensions. Репозиторий содержит веса BF16 без квантизации и Furiosa Executable Bundle; для инференса также можно использовать Sentence Transformers, vLLM или Transformers, следуя карточке исходной модели. Лицензия — Apache 2.0.

Qwen3-Embedding-8B-i1-GGUF — квантизированная GGUF-версия модели Qwen3-Embedding-8B, разработанной командой Qwen и подготовленной пользователем mradermacher. Модель предназначена для создания текстовых эмбеддингов и задач извлечения признаков, семантического сравнения предложений, поиска и построения систем на основе близости текстов. В метаданных указана поддержка английского языка. Модель основана на архитектуре Qwen3-Embedding-8B с заявленным размером 8 млрд параметров, однако подробности об архитектуре, максимальной длине контекста и поддерживаемых модальностях в README не приведены. Репозиторий содержит imatrix-файл и множество вариантов квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 2,0 до 6,3 ГБ. Вариант i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как компромисс между размером, скоростью и качеством. Основное преимущество модели — возможность запускать эмбеддинги в формате GGUF с различными требованиями к памяти и производительности. Ограничения связаны с потерями качества у низкобитных вариантов квантизации; README отдельно отмечает низкое качество некоторых конфигураций. Лицензия модели — Apache-2.0.

Qwen3-VisionCaption-2B-GGUF — мультимодальная модель для генерации описаний изображений и визуального анализа, разработанная prithivMLmods. Она основана на Qwen3-VisionCaption-2B, дообученной версии Qwen3-VL-2B-Instruct-abliterated-v1. Модель предназначена для создания подробных подписей к изображениям, анализа сложных сцен, художественных материалов, технических схем и чувствительного контента, а также для задач аннотации датасетов, исследований модерации и red-teaming, accessibility-инструментов и генеративной оценки безопасности. Модель работает с текстом и изображениями, поддерживает английский и китайский языки, а также многоязычный OCR для 32 языков. Заявлены пространственное понимание, обработка различных соотношений сторон, поддержка контекста до 256K токенов и возможность запуска на устройствах с ограниченными ресурсами через llama.cpp и совместимые платформы. Доступны варианты GGUF в форматах BF16, F16, F32 и Q8_0, а также отдельные мультимодальные проекционные файлы; размер файлов зависит от варианта и составляет примерно от 445 MB до 6,89 GB. К сильным сторонам относятся подробные и фактические описания, визуальное рассуждение, работа с многоязычным текстом на изображениях и поддержка эффективного локального инференса. Ограничения включают отсутствие приведённых количественных оценок качества и подробностей о требованиях к оборудованию. README также характеризует модель как uncensored и указывает на обход стандартных фильтров содержимого, поэтому при работе с чувствительными данными необходимы дополнительные меры безопасности и контроля. Модель распространяется по лицензии Apache-2.0.

Qwopus-3.6-27B-Coder — это плотная модель с 27 млрд параметров для агентного программирования, созданная Jackrong на основе Qwopus3.6-27B-v2. Модель дообучена для генерации и отладки кода, работы на уровне репозитория, выполнения многошаговых задач разработки, структурированных вызовов инструментов и function calling. Релиз представлен в формате GGUF и ориентирован на использование с llama.cpp и совместимыми средствами инференса. Модель поддерживает текстовые и визуальные сценарии image-text-to-text, а также заявлена как multimodal. Указаны языки English, Chinese, Spanish, Russian и Japanese. Она предназначена для агентных рабочих процессов с многоходовым взаимодействием, инструментами и обратной связью среды; заявлена поддержка native long context, однако точный размер контекстного окна не указан. Обучение использовало наборы данных с реконструированными reasoning-трассами Claude Opus и агентными траекториями. Сильными сторонами являются специализация на сложных задачах программирования, инструментальном взаимодействии и логическом рассуждении; для базовой модели заявлены 87,43% на MMLU-Pro и 75,25% на SWE-bench Verified, а для этого релиза — 67,0% на SWE-bench Verified в режиме off-thinking. Эти результаты приведены авторами и не сопровождаются методикой проверки в представленном README. Ограничения включают отсутствие точных сведений об архитектуре, размере контекста, вариантах квантования и требованиях к памяти, а также неполное описание поведения мультимодальных возможностей. Лицензия — Apache-2.0.

Rombos-Coder-V2.5-Qwen-14b — дообученная автором Rombodawg модель для генерации кода на основе Qwen/Qwen2.5-Coder-14B-Instruct. В README также описано слияние instruct- и base-моделей методом TIES в рамках подхода Continuous Finetuning; метаданные классифицируют происхождение как дообучение. Модель построена на плотной архитектуре Qwen2 и содержит 14 млрд параметров. Модель предназначена для диалоговой генерации и анализа кода, а также для сценариев вызова инструментов. Она принимает текст и выдаёт текст; заявленный родительский чекпойнт — инструкционная модель Qwen2.5-Coder-14B-Instruct. Контекст составляет 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

jambroz/sixtyoneeighty-4x7B-v1 — слитая модель семейства Mixtral, созданная jambroz с помощью LazyMergekit на основе четырёх моделей Mistral: jambroz/sixtyoneeighty-7b-chat, NeuralNovel/Mistral-7B-Instruct-v0.2-Neural-Story, S-miguel/The-Trinity-Coder-7B и chihoonlee10/T3Q-Mistral-Orca-Math-DPO. Она предназначена для диалоговой генерации текста, дополнения кода, логических рассуждений и решения задач по программированию. Модель использует архитектуру Mixtral с механизмом mixture-of-experts (MoE), содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель лицензирована по Apache-2.0. Карточка не уточняет поддерживаемые естественные языки и конкретные ограничения качества.

Tiel-Coder-35B-A3B-GGUF — это локальная GGUF-квантизованная версия модели Ornith-1.5-35B-A3B, опубликованная npario и основанная на разработке ornith-ai. Модель предназначена прежде всего для агентного программирования, исправления задач в существующих кодовых базах и длительных многошаговых диалогов. Она использует MoE-архитектуру с 35 млрд параметров и примерно 3 млрд активных параметров, а также гибридную структуру SSM/attention с двумя KV-головами. Модель поддерживает текстовые и визуальные сценарии: она может анализировать скриншоты, трассировки ошибок и дизайн-макеты. Заявлены английский и китайский языки. Vision tower унаследован от Ornith-1.5; для него требуется отдельный файл mmproj-BF16.gguf размером около 903 МБ. Доступны варианты квантизации от 2 до 8 бит, размером примерно от 12,3 до 38,5 ГБ. Точный размер контекстного окна в README не указан, но благодаря гибридной архитектуре и двум KV-головам кэш контекста занимает меньше памяти, чем у плотной модели сопоставимого размера. Сильные стороны модели — скорость, эффективность на задачах программирования, стабильность в многоходовых диалогах и поддержка локального запуска через llama.cpp. По приведённым тестам, 4-битная версия решила 12 из 25 задач SWE-bench-Live и показала результат 67,2 в Claw-Eval. Ограничения — заметно более слабые результаты в знаниях и сложном рассуждении: результат MMLU-Pro составляет 73,7, а авторы отдельно отмечают слабость в trivia-задачах. Модель распространяется по лицензии MIT.

Whittle-Next-27B-A3B — экспериментальная языковая модель, созданная автором проекта Whittle на основе Qwen3.6-35B-A3B и предыдущей Whittle-Next-26B-A3B. Это причинная модель генерации текста архитектуры Qwen4-Next (qwen4_exp) с архитектурой mixture-of-experts: около 2,9 млрд параметров по метаданным, примерно 3 млрд активных на токен и дополнительная хешированная память n-грамм на 2 млрд строк. Контекст — до 262 144 токенов. Модель обучалась с дистилляцией рассуждений от Qwen3.8-27B и предназначена как исследовательская основа для дальнейшей работы с этой архитектурой, в том числе для генерации кода и математических рассуждений. Карточка сообщает о запуске на штатном llama.cpp и рекомендует включать режим рассуждений; результаты полной оценки актуальной версии v4.4 ещё не представлены, а опубликованная оценка v3 не подтверждает качество v4.4 в полном масштабе. Модель распространяется под лицензией Apache-2.0.

dominguesm/xlm-roberta-base-lora-language-detection — мультиязычная модель для автоматического определения языка текста. Она разработана на базе xlm-roberta-base и дообучена методом PEFT-LoRA с классификационной головой для задач классификации последовательностей. Модель поддерживает 20 языков: арабский, болгарский, немецкий, современный греческий, английский, испанский, французский, хинди, итальянский, японский, нидерландский, польский, португальский, русский, суахили, тайский, турецкий, урду, вьетнамский и китайский. Дообучение проводилось на датасете papluca/language-identification: 70 тысяч обучающих, 10 тысяч валидационных и 10 тысяч тестовых примеров. На тестовой выборке заявлены accuracy и F1 на уровне 99,43–99,4%. Сильной стороной является высокая точность при поддержке нескольких языков и сниженные вычислительные и требования к хранению затраты благодаря LoRA, которая изменяет лишь небольшое число дополнительных параметров. Ограничение модели — классификация только указанных 20 языков; качество на текстах, отличающихся от распределения исходного датасета, в README отдельно не оценено. Лицензия — CC BY 4.0.

ZYR3 v1 — модель-ассистент для агентного программирования, разработанная автором или командой zyr-AGENT. Она реализована как LoRA-адаптер для Qwen/Qwen2.5-Coder-7B-Instruct и предназначена для самостоятельного развёртывания на пользовательском оборудовании; размещённого API модели не предоставляется. Модель ориентирована на генерацию, объяснение и редактирование кода, отладку, поиск ошибок, рефакторинг, обработку граничных случаев и итеративное решение многошаговых задач. В комплекте предусмотрен агентный режим Planner + Coder: планировщик разбивает задачу на последовательные этапы, а кодировщик реализует их с учётом уже созданных файлов. Поддерживается интеграция с инструментами и клиентами через OpenAI-совместимый API после самостоятельного развёртывания. Архитектурно это адаптер для 7-миллиардной текстовой модели Qwen2.5-Coder-Instruct. Модель работает с текстом и кодом; конкретный набор языков программирования и размер контекстного окна в README не указаны. Для работы требуется базовая модель объёмом около 15 ГБ в формате fp16 и адаптер размером около 80 МБ. Возможны запуск через Transformers и PEFT, 4-битная загрузка, а также объединение и конвертация в GGUF для Ollama или llama.cpp. Рекомендуется NVIDIA GPU; запуск на CPU возможен для квантованных вариантов, но будет медленным. Модель удобна для локальной разработки и подключения к coding-agent инструментам, однако качество и скорость зависят от базовой модели, доступных ресурсов и выбранного способа квантования. Лицензия указана как zyr3-free-use-1.0; подробные условия приведены в файле LICENSE по ссылке, указанной в README.

onnx-community/all-MiniLM-L6-v2-ONNX — модель для получения векторных представлений предложений и оценки их семантического сходства. Она основана на sentence-transformers/all-MiniLM-L6-v2, а ONNX-веса подготовлены сообществом onnx-community для совместимости с Transformers.js. Модель предназначена для задач feature extraction, включая семантический поиск, сравнение текстов, кластеризацию и построение систем извлечения информации. Модель работает с английским языком и преобразует предложения в эмбеддинги размерностью 384. В README указано использование mean pooling и нормализации векторов; поддерживается обработка нескольких предложений. Архитектурные детали ограничены принадлежностью к семейству MiniLM с шестью слоями, при этом точный размер модели и максимальная длина контекста не указаны. Модель не является генеративной и не предназначена для создания текста. Сильными сторонами являются компактное представление, удобство локального использования в JavaScript-приложениях через Transformers.js и ориентация на широкий набор задач семантического сопоставления. Ограничения включают поддержку только английского языка и отсутствие сведений о точной производительности в конкретных сценариях. Модель распространяется по лицензии Apache-2.0.