II.2Создание и понимание программного кода

HyperNova 60B 2602 — языковая модель, разработанная Multiverse Computing на основе open-weight модели OpenAI gpt-oss-120b. Она сжата с помощью проприетарной технологии CompactifAI, которая уменьшает количество параметров и требования к памяти при сохранении заявленных возможностей рассуждения. Модель instruction-tuned и предназначена для эффективного развёртывания через библиотеку Transformers. Модель рассчитана на рассуждение, генерацию кода, приложения с RAG, агентские сценарии и задачи с использованием инструментов. Она поддерживает нативный вызов функций, OpenAI-совместимые схемы инструментов, структурированные ответы и настраиваемый уровень рассуждения. Архитектура — decoder-only Transformer; общий объём составляет 60 млрд параметров против 117 млрд у базовой модели. Основной язык — английский, другие языки формально не оценивались. Мультимодальность и размер контекста в README не указаны. К сильным сторонам относятся уменьшенный объём памяти, гибкость развёртывания, поддержка tool calling и агентских рабочих процессов. Ограничения включают отсутствие формальной оценки других языков и неполные сведения о контекстном окне, а также необходимость использовать trust_remote_code при загрузке. Модель распространяется по лицензии Apache 2.0.

aysinghal/ide-code-retrieval-gpt2-large-llm2vec — модель SentenceTransformer на архитектуре GPT-2 Large, дообученная на наборе пар запрос–код для поиска исходного кода в IDE. Она кодирует короткие запросы на естественном языке и фрагменты кода в общий векторный space размерности 1024; поиск выполняется сравнением косинусного сходства нормализованных эмбеддингов. В карточке указано около 0,6 млрд параметров и максимальная длина последовательности 512 токенов. Модель предназначена для поиска файлов или функций по сообщениям коммитов, описаниям ошибок и запросам на добавление функций. Её можно использовать для предварительного индексирования документов с кодом и последующего поиска ближайших по смыслу фрагментов. Обучение основано на датасете code-retrieval-training-dataset и использует явные сложные отрицательные примеры. Опубликованный чекпойнт отмечен как промежуточный на шаге 0 из 0, при этом README сообщает, что функция потерь продолжала снижаться; качество может быть ниже у более поздних чекпойнтов. Длинные файлы обрезаются, а переносимость на разные языки программирования и стили запросов ограничена обучающим набором. Лицензия — Apache-2.0.

Карточка модели RedHatAI/Inkling-Small на Hugging Face совпадает с карточкой thinkingmachines/Inkling-Small, поэтому описание составлено по ней. Inkling-Small — мультимодальная модель общего назначения от Thinking Machines, построенная на авторегрессионном трансформере с 42 слоями и разреженным MoE-блоком: из 256 экспертов для каждого токена выбираются 6, а 2 общих эксперта активны всегда. Всего модель содержит 276 млрд параметров, из которых активно 12 млрд. Она принимает текст, изображения и аудио, обрабатывая их в общем пространстве представлений, и генерирует текст. Поддерживаются форматы BF16 и NVFP4; для работы предусмотрена библиотека Transformers. Модель предназначена для диалогов, следования инструкциям, мультимодальных запросов, программирования, чат-ботов, агентных систем с использованием инструментов и приложений с поиском по документам. Основной язык — английский; заявлены общие многоязычные возможности, но языки отдельно не перечислены. Для изображений рекомендован размер сторон 40–4096 пикселей, для аудио — WAV с частотой 16 кГц и длительностью менее двух минут. Модель может выдавать фактически неверные ответы, неточно следовать инструкциям и хуже работать в длинных диалогах; качество также может различаться по языкам и предметным областям. Для важных решений необходимы проверка человеком и дополнительные меры безопасности. Весы доступны по лицензии Apache-2.0.

Inkling-Small — мультимодальная модель общего назначения от Thinking Machines, построенная на авторегрессионном трансформере с 42 слоями и разреженным MoE-блоком: из 256 экспертов для каждого токена выбираются 6, а 2 общих эксперта активны всегда. Всего модель содержит 276 млрд параметров, из которых активно 12 млрд. Она принимает текст, изображения и аудио, обрабатывая их в общем пространстве представлений, и генерирует текст. Поддерживаются форматы BF16 и NVFP4; для работы предусмотрена библиотека Transformers. Модель предназначена для диалогов, следования инструкциям, мультимодальных запросов, программирования, чат-ботов, агентных систем с использованием инструментов и приложений с поиском по документам. Основной язык — английский; заявлены общие многоязычные возможности, но языки отдельно не перечислены. Для изображений рекомендован размер сторон 40–4096 пикселей, для аудио — WAV с частотой 16 кГц и длительностью менее двух минут. Модель может выдавать фактически неверные ответы, неточно следовать инструкциям и хуже работать в длинных диалогах; качество также может различаться по языкам и предметным областям. Для важных решений необходимы проверка человеком и дополнительные меры безопасности. Весы доступны по лицензии Apache-2.0.

INTELLECT-1-Instruct — англоязычная инструктивная языковая модель Prime Intellect, созданная на базе INTELLECT-1 и дообученная командой Arcee AI. Она предназначена для диалогов и выполнения инструкций, включая ответы на вопросы, рассуждения, математические задачи и генерацию кода. Модель использует плотную архитектуру Llama с 9,7 млрд параметров и контекстом до 8192 токенов. В README описаны этапы SFT, DPO и объединения вариантов модели; для обучения использовались англоязычные тексты и код, а также данные по математике, инструкциям и многоязычным задачам. Для корректной генерации README рекомендует добавлять BOS-токен в начало каждого примера. Модель принимает текст и генерирует текст. В README приведены результаты тестов на нескольких бенчмарках, но они не гарантируют качество на конкретных пользовательских задачах. Репозиторий распространяется по лицензии Apache 2.0.

QuantFactory/INTELLECT-1-Instruct-GGUF — квантизированная версия инструкционной языковой модели PrimeIntellect/INTELLECT-1-Instruct, созданная QuantFactory с использованием llama.cpp. Модель предназначена для генерации текста, выполнения инструкций, работы с кодом, математическими задачами и общими текстовыми запросами. Основной заявленный язык — английский; модель относится к модальности text-to-text и поддерживает только текстовые данные. Модель содержит около 10 млрд параметров, 42 слоя, 32 attention heads, hidden size 4096, словарь размером 128256 токенов и контекст длиной до 8192 токенов. Базовая INTELLECT-1 обучалась с нуля на 1 трлн токенов английского текста и кода, а затем прошла post-training и instruction tuning на наборах данных для общего следования инструкциям, программирования, математики, агентных сценариев и многоязычных данных. Предобучение выполнялось распределённо сообществом Prime Intellect и партнёров на базе framework prime и алгоритма DiLoCo. Ключевое преимущество этой версии — формат GGUF и квантизация, позволяющие запускать модель через совместимые инструменты llama.cpp с меньшими требованиями к памяти по сравнению с полной версией. Однако конкретный уровень качества, скорость и потребление памяти зависят от выбранного варианта квантизации. Контекст ограничен 8192 токенами, а качество для языков, отличных от английского, в README подробно не охарактеризовано. Для исходной модели требуется добавлять BOS-токен в начало каждого примера, иначе производительность может снизиться; применимость этого требования при использовании GGUF зависит от используемого рантайма и шаблона. Лицензия — Apache 2.0.

ISOM-R1-Coder-1.5B-Instruct — компактная модель для генерации и анализа кода, разработанная Prannessh K.V.A. на основе Qwen2.5-Coder-1.5B-Instruct. Это плотная модель на 1,5 млрд параметров с диалоговым интерфейсом и контекстом до 131 072 токенов. Карточка описывает её как средство для понимания репозиториев и работы с длинными контекстами на устройствах с ограниченными ресурсами; также заявлена ограниченная по памяти обработка KV-кэша. Модель предназначена для вопросов по кодовой базе, извлечения сведений из длинного контекста и агентных сценариев разработки. В README приведены результаты сравнений на Tesla T4 и теста поиска в контексте; это утверждения автора карточки, а не независимо подтверждённые характеристики. Лицензия репозитория указана как CC BY-NC-ND 4.0; README также сообщает об использовании базовой модели под Apache 2.0.

JanusCoderV-7B — мультимодальная модель для задач на стыке визуального понимания и программирования, разработанная авторами семейства JanusCoder. Она основана на Qwen2.5-VL-7B и дообучена на корпусе JANUSCODE-800K с примерами кода, связанных с визуальным содержимым. Модель принимает изображения и текстовые инструкции и предназначена для генерации кода по описанию или изображению, создания визуализаций данных и интерактивных интерфейсов, а также программного редактирования визуальных эффектов и построения анимаций. В метаданных указана архитектура Qwen2.5-VL, около 7,1 млрд параметров, контекст 128 000 токенов и библиотека Transformers. README приводит результаты на бенчмарках визуально-программных задач, но эти оценки не гарантируют качество для конкретного сценария. Модель распространяется под лицензией Apache-2.0. Карточка не уточняет поддерживаемые естественные языки и языки программирования, поэтому их перечень здесь не приводится.

JanusCoderV-8B — мультимодальная модель для задач программирования по тексту и изображениям из семейства JanusCoder. Авторы описывают серию как набор открытых базовых моделей для единого визуально-программного интерфейса; эта версия использует архитектуру InternVL и предназначена для диалога с изображениями. Модель рассчитана на генерацию кода по текстовым инструкциям, визуальным входам или их сочетанию, а также на создание визуализаций данных, интерактивных веб-интерфейсов и анимаций и программное редактирование визуальных эффектов. В README указано обучение серии на мультимодальном корпусе JANUSCODE-800K. Доступная таблица результатов показывает оценку на отдельных задачах, включая построение диаграмм и генерацию и редактирование дизайна. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Размер модели, длина контекста и поддерживаемые естественные языки в предоставленных данных не определены; описанные сценарии включают код на нескольких языках программирования, но они не являются языками интерфейса модели.

J.A.R.V.I.S. Titan M4 Activated — текстовая генеративная модель семейства Jarvis Titan MoE от dhanesh-hf. Она дообучена на базе dhanesh-hf/Jarvis-Titan-V15-MoE-Decoupled и предназначена для диалогов, рассуждений, математических задач, программирования и взаимодействия с инструментами. В карточке заявлены архитектура MoE, механизм M4 Tri-Brid Neural Memory, внимание CSA3 и многотокенное предсказание; метаданные указывают 7,1 млрд параметров, контекст 32 768 токенов и поддержку Transformers. Модель принимает текст и генерирует текст. Карточка заявляет поддержку английского языка и описывает сценарии длинного контекста, однако приведённые в README характеристики 14,8 млрд параметров и контекст до 131 072 токенов расходятся с метаданными, поэтому здесь указаны значения метаданных. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

Jarvis-Titan-M4-MoE-CSA3 — диалоговая языковая модель Dhanesh для генерации текста, рассуждений, математических задач и кода. Она представлена как дообучение Jarvis-Titan-V15-MoE-Decoupled и предназначена для сложных вычислений, синтеза алгоритмов, длинных диалогов и работы с протяжённым контекстом. Метаданные указывают 7,1 млрд параметров, архитектуру JarvisTitanMoEForCausalLM, библиотеку Transformers и контекст 32 768 токенов; README заявляет основу DeepSeekMoE размером 14,8 млрд параметров, память M4 Tri-Brid, механизм внимания CSA3 и предсказание нескольких токенов. Эти заявления о размере и контексте расходятся, поэтому ориентироваться следует на значения метаданных каталога. Модель принимает текст и генерирует текст; карточка заявляет поддержку интерфейса вызова инструментов. Указана лицензия other, условия которой следует проверять в репозитории перед использованием.

J.A.R.V.I.S. Titan V15 MoE — инструкция-настроенная модель для генерации текста, разработанная Dhanesh в рамках программы автономных рассуждений J.A.R.V.I.S. Titan. README указывает базовую модель dhanesh-hf/Jarvis-Titan-M4-Merged и обучение на 121,5 млн токенов с примерами математики, программирования, пошаговых рассуждений и выполнения действий агентами. Метаданные указывают 7,1 млрд параметров, контекст до 32 768 токенов, поддержку диалогов и кода; карточка описывает MoE-архитектуру в стиле DeepSeekMoE с восемью маршрутизируемыми экспертами и общим экспертом, хотя заявленное число параметров в README отличается от метаданных. Модель предназначена для математических рассуждений, синтеза и исправления кода, диалогов и агентных сценариев. В README описаны 28 слоёв, выбор двух маршрутизируемых экспертов и общего эксперта на токен, а также механизм памяти M4 Tri-Brid. Указанный в README режим окна SWA составляет 2048 токенов; метаданные заявляют нативный контекст в 32 768 токенов. Основной язык карточки — английский. Лицензия обозначена как other, поэтому конкретные условия следует сверить с лицензией репозитория.

Jina Code Embeddings 1.5B MLX — порт модели эмбеддингов кода Jina AI для устройств Apple Silicon с ускорением Metal. Модель построена на архитектуре Qwen2.5-Coder-1.5B и содержит около 1,5 млрд параметров; максимальная длина последовательности — 32 768 токенов, размер эмбеддинга — 1536 измерений. Поддерживается усечение эмбеддингов до 128, 256, 512, 1024 или 1536 измерений. Модель предназначена для поиска по коду и техническим материалам: сопоставляет запросы с фрагментами кода или ответами, находит эквивалентные фрагменты и преобразует текст и код в векторы для семантического поиска. В README заявлена поддержка более 15 языков программирования. Для задач используются специальные префиксы запросов и документов. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

JoyAI-LLM Flash — инструктивная языковая модель среднего размера от jdopensource для диалогов, рассуждений, программирования и работы с инструментами. В карточке описаны предварительное обучение на 20 триллионах текстовых токенов, supervised fine-tuning, DPO и обучение с подкреплением в разных средах. Модель использует архитектуру Mixture-of-Experts: в README указаны 48 млрд параметров всего и 3 млрд активируемых параметров; метаданные Hugging Face сообщают 2,7 млрд параметров и класс DeepseekV3ForCausalLM. Эти сведения о размере расходятся. Модель рассчитана на генерацию текста в формате чата, решение задач на рассуждение и код, а также агентные сценарии с вызовом инструментов. README заявляет поддержку контекста до 131 072 токенов согласно метаданным. Указаны китайский и английский языки. Репозиторий содержит веса Safetensors для Transformers. README описывает доступ через API и совместимые с OpenAI и Anthropic интерфейсы; конкретные условия лицензии в предоставленных данных отсутствуют.

WhiskyAKM публикует GGUF-версию K2-Horizon-MoVA-36B-A4B, производной от IFM/K2-Horizon-MoVA-36B-A4B. Это разрежённая языковая модель архитектуры MoE с механизмом внимания Mixture-of-Values: всего 36 млрд параметров, из которых активны 4 млрд на токен. Модель предназначена для генерации текста и диалогов, рассуждений, программирования и агентных задач с использованием инструментов. Репозиторий содержит квантизованные в NVFP4 веса в формате GGUF для запуска через llama.cpp и совместимые движки. Заявленное контекстное окно — 524 288 токенов. Карточка отмечает английский язык. Лицензия — Apache-2.0. Для NVFP4 автор указывает оптимизацию под NVIDIA Blackwell и совместимое оборудование; фактическая производительность и доступность поддержки зависят от движка и аппаратуры.

k3 — дообученная модель для генерации кода, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров. Модель подходит для продолжения кода, автодополнения и генерации фрагментов кода по текстовому запросу; контекст составляет до 16 384 токенов. В карточке указано, что модель обучалась методом KTO, однако датасет обозначен как None, а сведения о назначении и ограничениях не раскрыты. Опубликованы метрики оценки на тестовом наборе, но без описания самого набора их нельзя интерпретировать как гарантию качества. Формат весов — Safetensors; лицензия указана как other, поэтому условия использования следует уточнить у автора репозитория.

k5 — дообученная модель для генерации текста, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; модель сохранена в формате Safetensors. Базовая модель предназначена для продолжения и автодополнения кода, включая заполнение пропусков, поэтому эти сценарии подходят и для k5, хотя карточка не описывает её специализацию подробнее. В README приведены метрики оценки: loss 0,2886 и показатели предпочтений chosen/rejected, но не раскрыты обучающие данные, методика оценки и предназначенное применение. Контекст модели — до 16 384 токенов. Лицензия указана как other, поэтому условия использования следует уточнять на странице модели.

Репозиторий содержит конвертированную и квантизированную в GGUF версию KATCoder-2.5-Dev от Kwaipilot, подготовленную для запуска через llama.cpp на оборудовании AMD. Это разговорная текстовая модель для генерации ответов и кода; README описывает варианты ROCmFP4 и ROCmFP6 и заявляет ускорение генерации на совместимых GPU и APU AMD. В метаданных указаны форматы GGUF и GGUF BF16, тег text-generation и поддержка английского языка. Для запуска требуются подходящая сборка ROCmFPX/llama.cpp и поддерживаемая среда ROCm или Vulkan. Репозиторий описывает конвертацию исходных весов в GGUF и последующую квантизацию; лицензия указана как MIT. Количественная оценка качества и подробные результаты тестирования в карточке не приведены.

KAT-V1-40B (Kwaipilot-AutoThink) — открытая большая языковая модель, разработанная Kwaipilot. Она обучена выбирать, когда явно разворачивать ход рассуждений, а когда отвечать напрямую, чтобы снижать избыточные рассуждения. Модель построена на архитектуре Qwen2, имеет 39,8 млрд параметров и контекстное окно 131 072 токена; для работы с ней указана библиотека Transformers. Модель предназначена для генерации текста в диалогах и решения задач, где полезны как развёрнутые рассуждения, так и краткие ответы. README описывает структурированный формат ответа с режимами включённого и пропущенного рассуждения; метаданные также отмечают интерфейс вызова инструментов. В README сообщается о высоком результате Kwaipilot-AutoThink на LiveCodeBench Pro, но это не раскрывает показатели именно данного чекпойнта KAT-V1-40B. Репозиторий содержит веса Safetensors. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели. README сообщает, что документация AutoThink и дополнительные обучающие ресурсы планируются к публикации; подробности обучения и ограничения качества этой версии в предоставленных данных не раскрыты.

Kiwen1.1-27B-align — дообученная beyoru модель на базе Qwen3.8-27B, предназначенная для диалогов с изображениями, генерации кода и следования системным инструкциям. Это плотная мультимодальная архитектура Qwen; модель поддерживает работу с изображениями и интерфейс вызова инструментов. В README приведён запуск с контекстом 262144 токена и использование режимов рассуждения и без рассуждения. Автор сообщает об улучшении HumanEval+ на 6,7 процентного пункта относительно базовой модели и небольшом улучшении GSM8K и строгой точности IFEval на уровне инструкций. Модель также обучали для устойчивого распознавания собственной идентичности и сохранения заданной системным сообщением роли. Проверки идентичности проводились на внутреннем наборе промптов на вьетнамском и английском языках. Среди ограничений — снижение результата MMLU-Pro на 1,4 пункта относительно базы и MBPP на 1,9 пункта; README рекомендует оценивать модель перед использованием в задачах, требующих широких фактических знаний. Лицензия — Apache-2.0.

kto5k2 — дообученная модель для генерации текста на базе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; формат весов — Safetensors. Модель предназначена для генерации и продолжения текста, в том числе кода, в пределах контекста до 16 384 токенов. В карточке указаны результаты оценки: loss 0,2594 и метрики rewards, log-probabilities и KL. Данные обучения обозначены как None, а подробности о назначении, обучающих данных и ограничениях не приведены. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

L3.1-Moe-4x8B-v0.1 — языковая модель с архитектурой Mixture of Experts, собранная разработчиком moeru-ai с помощью mergekit-moe. Она объединяет четыре модели на базе Llama 3.1, предназначенные для диалогов, творческого письма, работы с кодом и математикой. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов; файлы опубликованы в формате safetensors. Для работы используется библиотека Transformers. Модель предназначена для генерации текста и диалогового общения, включая ролевые сценарии, а также для задач с кодом и математикой. В README приведены результаты оценки на Open LLM Leaderboard, в том числе средняя оценка 19,15 и результат IFEval 43,47. Модель распространяется по лицензии Llama 3.1; следует соблюдать её условия.

Laguna-S-2.1-Uncensored — текстовая MoE-модель Poolside, изменённая SC117 на основе poolside/Laguna-S-2.1. Она предназначена для агентного программирования, длительных задач разработки и диалогового взаимодействия с инструментами. В карточке указана архитектура Laguna с маршрутизацией между экспертами; README описывает исходную модель как 118 млрд параметров всего и около 8 млрд активных на токен, тогда как метаданные каталога указывают 6,8 млрд параметров. Эти значения расходятся, поэтому размер следует проверять по конфигурации конкретной версии. Контекст заявлен до примерно 1 млн токенов. Модель поставляется в BF16 safetensors. Изменение выполнено методом abliterix: к весам применён Trial 16 LoRA с корректировкой маршрутизатора MoE; шаблон чата сохраняет возможность включать рассуждения и работу с инструментами. Основное назначение производной версии — снизить частоту отказов при сохранении значительной части возможностей кодирования и работы с инструментами. README предупреждает, что поведение отказов и выравнивания заметно отличается от официальной модели, а полные бенчмарки производной версии не проводились. Лицензия указана как OpenMDW-1.1, семейство лицензии базовой модели; перед использованием следует учитывать её условия. Для загрузки требуется Transformers с trust_remote_code=True, а полный BF16-репозиторий занимает около 219 ГБ. README отмечает возможные странности идентификации модели и неровный текст на китайском и других языках.

dealignai выпустила Laguna-XS-2.1-JANG_4M-CRACK — текстовую MoE-модель для диалогов и агентного программирования, полученную дообучением Poolside Laguna-XS-2.1, удалением отказов на уровне весов и смешанной квантизацией JANG для MLX. В README указаны 33 млрд параметров всего и около 3 млрд активных; метаданные каталога указывают 2,6 млрд параметров. Модель предназначена для работы на Apple Silicon через vMLX или совместимую среду MLX и поддерживает вызов инструментов. Модель принимает текст, выдаёт текст, поддерживает английский язык и контекст до 262 144 токенов. В README заявлены режимы рассуждения и прямых ответов, а также результаты оценок MMLU и HarmBench; это результаты, сообщённые автором. Для генерации автор рекомендует явно задавать temperature=1.0, top_p=1.0 и top_k=20, поскольку некоторые среды не учитывают параметры из конфигурационных файлов. Удаление отказов означает, что модель может выполнять запросы без стандартного поведения отказа. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Laguna-XS-2.1-JANG_6M-CRACK — текстовая модель dealignai на архитектуре Laguna с Mixture-of-Experts, полученная на основе poolside/Laguna-XS-2.1. Модель предназначена прежде всего для агентного программирования, рассуждений и вызова инструментов; поддерживает режимы с включённым и выключенным пошаговым рассуждением и контекст до 262 144 токенов. Модель представляет собой дообученную и квантизированную версию базовой модели. README описывает исходную Laguna-XS 2.1 как модель на 33 млрд параметров с примерно 3 млрд активных параметров; метаданные репозитория указывают 2,6 млрд параметров. JANG_6M — смешанная по точности аффинная квантизация для MLX и Apple Silicon, с файлами safetensors. Для генерации автор рекомендует явно задавать temperature=1.0, top_p=1.0 и top_k=20, поскольку некоторые среды запуска игнорируют конфигурацию модели. В README приведены результаты MMLU 73,4% и соответствие запросам в HarmBench 99,4%; это результаты оценки автором через vMLX, а не независимая гарантия качества. Автор заявляет, что модель рассчитана на работу через vMLX или совместимую среду MLX. Модель текстовая и ориентирована на английский язык. Её отказное поведение намеренно удалено на уровне весов, поэтому она может выполнять запросы, от которых обычная модель отказалась бы; это существенное ограничение с точки зрения безопасного применения. Лицензия указана как other, а README сообщает о бесплатном выпуске, но не содержит точных условий лицензии.

LateOn-Code-edge-pretrain — компактная модель для поиска по коду, разработанная LightOn в рамках семейства LateOn-Code. Это дообученная на данных CoRNStack модель позднего взаимодействия ColBERT на базе семейства edge-colbert от Mixedbread; в метаданных указан базовый репозиторий mixedbread-ai/mxbai-edge-colbert-v0-17m. Архитектура ModernBERT, размер 16,8 млн параметров, контекст до 7 999 токенов. Модель формирует многовекторные представления и рассчитана на семантический поиск фрагментов кода и оценку их соответствия запросу. Модель предназначена для поиска кода по естественно-языковому запросу или другому фрагменту кода, в том числе как компонент поисковой системы или инструмента для coding agents. README приводит результаты оценки на бенчмарках для поиска по коду и отмечает эффективность небольшой версии edge. Основной язык карточки — английский; также модель работает с кодом. Модель доступна в форматах Safetensors и ONNX, библиотека для работы — PyLate. Лицензия — Apache-2.0. Это предобученная версия: в описании семейства отдельно упоминается дальнейшая тонкая настройка моделей на обучающих наборах CoIR, но для данного чекпойнта она не заявлена.

DuoNeural выпустила GGUF-квантизацию диалоговой модели DuoNeural/LFM2.5-8B-A1B-Abliterated на базе Liquid AI LFM 2.5-8B-A1B. Веса распределены по разным схемам квантования: для проекций внимания и shortconv используются IQ2_XS, для тензоров MoE-экспертов — IQ3_XS и Q3_K_M. По заявлению авторов, такая конфигурация сохраняет компактность и повышает точность в задачах программирования по сравнению с их версией 2.72 bpw; модель предназначена для локальной генерации текста, диалогов, кода и вызовов инструментов. В карточке указаны результаты на HumanEval, GSM8K и Hermes function calling, а также тесты производительности на RTX 4080 Super. Это заявления авторов, и они не гарантируют аналогичного качества или скорости на другом оборудовании и при иных настройках. Модель ориентирована на английский язык; размер контекста в доступных данных не указан. Репозиторий распространяется по лицензии Apache-2.0.

Это квантованная версия MXFP4_MOE модели trohrbaugh/Ling-3.0-flash-heretic в формате GGUF, подготовленная для запуска через llama.cpp. Базовая модель — вариант Ling-3.0-flash с аблитерацией, предназначенный для диалоговой генерации текста, программирования и агентных задач с длинным контекстом. Модель принимает текст и генерирует текст в диалоге. В README приведено сравнение с исходной моделью: KL-дивергенция составляет 0,0526, а в тесте из 100 запросов зафиксировано 0 отказов против 87 у оригинала. Эти результаты относятся только к указанному сравнению; размер модели, поддерживаемые языки и длина контекста в доступных данных не приведены. README рекомендует использовать актуальную версию llama.cpp. Лицензия в доступных данных не указана.

LiteCoder-Terminal-30b-a3b-sft — модель команды LiteCoder для кодовых агентов, дообученная на базе Qwen3-30B-A3B-Instruct-2507 на наборе LiteCoder-Terminal-SFT. Она предназначена для решения задач через терминал в агентных сценариях и показала результаты на бенчмарках Terminal Bench при работе с агентом Terminus 2. Модель использует архитектуру Qwen3 MoE с генерацией текста; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. README сообщает об обучении на 11 255 траекториях и приводит показатели pass@1 и pass@4 для нескольких версий Terminal Bench. Поддерживается диалоговый режим. Лицензия — MIT.

Lizzy 7B — открытая по весам разговорная модель-помощник семейства Lizzy, разработанная Flower Labs. Это плотный авторегрессионный трансформер-декодер класса 7B с 6,9 млрд параметров, поддержкой контекста до 65 536 токенов, локальным и скользящим вниманием и собственными токенами для чата и управления. Модель принимает текстовые запросы и рассчитана на диалог, следование инструкциям, рассуждения, работу с кодом и вызов инструментов; её настройка уделяет особое внимание британскому английскому и знаниям о Великобритании. Модель предназначена для британских ассистентских сценариев, а также для общих задач рассуждения и помощи с кодом. В карточке приведены результаты сравнений на внутренних бенчмарках Flower Labs по британской тематике, математике и рассуждениям. Для много GPU-развёртывания через vLLM с тензорным параллелизмом может потребоваться патч, приложенный к поставке. Модель распространяется по лицензии Apache-2.0. Она может выдавать ошибочные, устаревшие или чрезмерно уверенные ответы; британская настройка может смещать тон и предположения к нормам Великобритании. Для рискованных сценариев рекомендуется проверка человеком и собственные меры модерации.