II.2Создание и понимание программного кода

Карточка модели tomhu/Qwen3-Coder-Next-SWE-Prune-ACTIVATION-70 на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Карточка модели tomhu/Qwen3-Coder-Next-SWE-Prune-GATE-70 на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Карточка модели tomhu/Qwen3-Coder-Next-SWE-Prune-REAP-70 на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Qwen3 Coder Plus — проприетарная версия Alibaba модели Qwen3 Coder 480B A35B. Она предназначена для программирования и работы в роли автономного агента, в том числе с вызовом инструментов. Модель подходит для генерации и редактирования кода, а также для сценариев, где агент выполняет программные задачи с помощью инструментов. В доступной карточке указаны специализация на программировании и поддержка tool calling; другие технические характеристики и подробности обучения не приведены. Модель проприетарная; условия лицензии и использования в доступных данных не описаны.

Qwen3-Coder-REAP-246B-A35B — сжатая модель Cerebras на архитектуре Sparse Mixture-of-Experts, созданная из Qwen3-Coder-480B-A35B-Instruct методом REAP (Router-weighted Expert Activation Pruning). Из 160 экспертов удалена половина; в модели осталось 246 млрд параметров, из которых 35 млрд активируются на каждом токене. Веса представлены в FP8, контекст составляет 262 144 токена, а лицензия — Apache 2.0. Модель предназначена для генерации кода, агентного программирования, работы с большими репозиториями и вызова функций. Карточка заявляет почти такое же качество, как у исходной модели, и совместимость с vLLM; калибровка включала примеры генерации кода, вызова функций и многошаговые агентные сценарии. Результаты оценки указаны только для варианта FP8, а результаты для BF16 ещё не приведены.

Qwen3-Coder-REAP-25B-A3B — сжатая версия инструктивной модели Qwen3-Coder-30B-A3B-Instruct, созданная Cerebras с помощью метода REAP (Router-weighted Expert Activation Pruning). Это разреженная причинно-языковая MoE-модель для генерации кода, агентного программирования и вызова функций; она также сохраняет понимание репозиториев и работу с длинным контекстом. В модели заявлено 25 млрд параметров, из которых около 3 млрд активируются на токен; в метаданных каталога указано 2,4 млрд параметров. Архитектура включает 48 слоёв и 103 эксперта, из которых активируются 8 на токен. REAP удаляет 20% экспертов без дополнительного дообучения. Нативный контекст — 262 144 токена; README также указывает возможность расширения до 1 млн токенов с YaRN. Модель принимает текст и генерирует текст, поддерживает английский язык и доступна в формате Safetensors для Transformers. Модель предназначена для локального развёртывания и сценариев с ограниченными ресурсами; README заявляет близкую к исходной модели производительность на задачах генерации кода, агентного программирования и вызова функций. Для развёртывания описана совместимость с vLLM. Лицензия — Apache 2.0. Заявления о качестве приведены в карточке модели; результаты и методика оценки требуют сверки с указанной там публикацией.

Qwopus3.6-35B-A3B-Coder-vram13-GGUF — квантизированная GGUF-сборка кодовой версии Qwopus3.6-35B-A3B-Coder от автора репозитория xero0000. Она предназначена для генерации и редактирования кода, отладки и агентных сценариев программирования. Основа — дообученная Jackrong/Qwopus3.6-35B-A3B-Coder, созданная на базе Qwen3.6-35B-A3B; архитектура MoE, а для ускорения генерации сохранена обученная голова multi-token prediction (MTP). Вес файла составляет 13,53 ГБ, заявленный контекст — до 128 тыс. токенов. Модель упакована в GGUF с imatrix-квантизацией: экспертные слои используют преимущественно 2-битное представление, а важные для каждого токена компоненты — 5–6-битное. README сообщает о высокой скорости на двух видеокартах с суммарно 18 ГБ VRAM при использовании ik_llama.cpp и MTP; эти результаты относятся к описанной конфигурации оборудования. Карточка предупреждает, что 2-битные эксперты могут несколько ухудшить рассуждения в нетипичных случаях; для максимального качества предлагается более крупная смешанная квантизация с выгрузкой части модели в CPU. Лицензия — Apache-2.0.

Refact-1.6B-fim — плотная авторегрессионная языковая модель Refact AI для генерации и дополнения кода. Она предназначена прежде всего для заполнения пропусков в коде по контексту до и после места вставки (Fill-in-the-Middle), например в IDE; также поддерживает диалоговый формат для вопросов о программировании. Модель содержит 1,6 млрд параметров, построена на архитектуре GPTRefact с multi-query attention, ALiBi и LayerNorm и принимает контекст длиной до 4096 токенов. Модель дообучена на синтетических примерах и отфильтрованных наборах инструкций для кода; в карточке отмечены датасеты The Stack Dedup и CommitPackFT. По заявлению авторов, настройка улучшила генерацию коротких, однострочных и многострочных дополнений, в том числе пустых. Основной язык обучающих текстовых данных — английский, хотя в комментариях к коду встречаются другие языки; качество на неанглийском языке ниже. Лицензия — BigScience OpenRAIL-M.

replit-code-v1-3b — языковая модель Replit, Inc. с архитектурой MPT и примерно 2,7 млрд параметров, предназначенная прежде всего для автодополнения кода. Она обучена на 525 млрд токенов из смеси данных, основанной на очищенной дедуплицированной версии The Stack; среди языков и форматов в обучающей смеси указаны Python, JavaScript, Java, TypeScript, SQL, C++, Rust, Go, HTML и Markdown. Модель использует токенизатор SentencePiece Unigram с кодо-ориентированным словарём на 32 768 токенов и позиционные встраивания ALiBi. Модель подходит как базовая для прикладной тонкой настройки и для дополнения фрагментов кода в редакторах и инструментах разработчика. В README отмечены возможные неподходящие или оскорбительные фрагменты в обучающих данных и рекомендация проверять результаты перед использованием в производственных системах. Лицензия — CC BY-SA 4.0.

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.

Rombos-Coder-V2.5-Qwen-32b — дообученная разработчиком Rombodawg модель для генерации и работы с кодом на основе Qwen2.5-Coder-32B-Instruct. Модель использует плотную архитектуру Qwen2 и содержит 32 млрд параметров; заявленная длина контекста — 131 072 токена. Она принимает текст и рассчитана на диалоговое взаимодействие, включая сценарии с интерфейсом вызова инструментов. Модель предназначена для написания, анализа и исправления кода. Автор заявляет о более высокой производительности по сравнению с исходной instruct- и базовой моделями, однако бенчмарки в карточке пока отсутствуют. Репозиторий содержит веса в формате Safetensors; варианты GGUF и EXL2 обозначены как готовящиеся. Лицензия — Apache-2.0.

Salience 1.5 Flash — мультимодальная модель Vection Labs для работы с текстом, изображениями и видео. Она построена на архитектуре Qwen3-VL Mixture-of-Experts: всего 30 млрд параметров, из которых для каждого токена активны около 3,3 млрд. Модель рассчитана на использование через Transformers и поддерживает контекст до 1 млн токенов; в README указан нативный контекст 256 тыс. токенов с расширением посредством interleaved multimodal RoPE. Модель предназначена для генерации и отладки кода, работы с репозиториями, создания интерфейсов, вызова инструментов и агентных сценариев. Она также принимает изображения и видео для ответов на вопросы и анализа диаграмм, графиков, документов и экранов, а длинный контекст подходит для анализа больших документов. Указаны поддержка английского языка, чата, кода и интерфейса вызова инструментов; аудио модель не поддерживает. Модель может ошибаться в фактах и математических рассуждениях, а сгенерированный код может быть неверным или небезопасным. Длинные контексты и видеовходы увеличивают задержку и расход памяти; результаты и код требуют проверки человеком. Лицензия — Apache-2.0.

Salience-27B-R6 — мультимодальная плотная модель на 27,8 млрд параметров от Vection Labs, созданная на базе Qwen/Qwen3.8-27B и дообученная для инженерных задач. Она принимает текст, изображения и видео и выдаёт текст; поддерживает контекст до 1 048 576 токенов. Гибридный стек линейного и полного внимания, MTP-голова и режим рассуждений, встроенный в веса, рассчитаны на эффективную генерацию и решение сложных задач. Модель предназначена прежде всего для генерации, объяснения, отладки и проверки кода, изменений в масштабах репозитория, работы через терминальные инструменты, проектирования систем и количественных рассуждений. Она также анализирует схемы, скриншоты, документы и видео в инженерных сценариях; предусмотрен интерфейс вызова инструментов. Лицензия — Apache-2.0. Модель может выдумывать API и факты при недостатке контекста, а длинный вложенный Python-код может содержать ошибки отступов; сгенерированный код следует проверять перед запуском. Умеренный уровень рассуждений по умолчанию может давать более короткие цепочки на сложных задачах, а сниженное число отказов требует собственных ограничений на уровне приложения. Для работы с инструментами README указывает на необходимость актуального Transformers и применения шаблона чата модели.

SantaCoderPack — предварительно обученная модель для генерации и дополнения кода, разработанная в рамках проекта BigCode. Она использует архитектуру GPTBigCode с multi-query attention и обучалась на данных CommitPack в формате, связывающем код до сообщения об изменении, само сообщение и код после него. Карточка указывает 250 тысяч шагов обучения и 131 млрд токенов предобучения; модель представлена в формате PyTorch и поддерживает контекст до 8192 токенов. Модель предназначена для генерации кода по инструкциям, исправления ошибок и работы с изменениями кода. В README перечислены Python, JavaScript, Java, C++, Go и Rust. Она рассчитана на сценарии программирования, однако качество может различаться по языкам и задачам; инструкция к примеру показывает, что полезно формулировать запрос в контексте фрагмента кода. Лицензия — BigCode OpenRAIL-M.

speechless-codellama-34b-v2.0 — дообученная модель для генерации кода, созданная на базе CodeLlama-34B. В README указано, что авторы использовали 153 013 примеров из наборов Airoboros, OpenOrca, Open-Platypus и WizardLM, отобранных для задач программирования, рассуждений и планирования. Модель построена на авторегрессионной архитектуре Llama и содержит 33,5 млрд параметров; контекст — до 16 384 токенов. Модель предназначена для генерации и дополнения кода, заполнения пропусков в коде, а также задач по SQL и программированию по инструкциям в формате Alpaca. README приводит результаты HumanEval pass@1 75,61% и SQL-EVAL 125 из 175. Репозиторий содержит веса PyTorch; в карточке также описаны варианты квантизации AWQ, GPTQ и GGUF для инференса на GPU или CPU+GPU. Разработчик исходного семейства Code Llama — Meta; конкретное дообучение опубликовано под именем uukuguy. Основной язык карточки — английский. Указана лицензия llama2. Как и другие языковые модели, модель может выдавать неточный или нежелательный код; перед использованием в приложениях её следует проверять и адаптировать к сценарию.

uukuguy выпустил дообученную модель speechless-codellama-dolphin-orca-platypus-34b на основе Phind/Phind-CodeLlama-34B, используя наборы Dolphin, Orca и Platypus. Это плотная авторегрессионная Transformer-модель семейства Llama с 33,5 млрд параметров и контекстом 16 384 токена; репозиторий содержит веса PyTorch для Transformers. Модель предназначена для генерации и понимания кода, включая автодополнение и заполнение пропусков в коде. В README приведён результат 70,12 на HumanEval-Python pass@1. Модель принимает и генерирует текст; данные каталога указывают английский язык. Лицензия — llama2, а использование производной модели регулируется условиями лицензии Llama 2. Как и другие языковые модели, она может выдавать ошибочный или нежелательный код; перед применением в продукте её следует проверить и настроить для конкретного сценария.

Stable-DiffCoder-8B-Instruct — инструктивная модель генерации кода от ByteDance-Seed, построенная на архитектуре Seed-Coder и дообученная на базе Stable-DiffCoder-8B-Base. Это плотная языковая модель с 7,6 млрд параметров и маскированной диффузионной генерацией; карточка указывает обучение на открытых и синтетических данных и настройку для следования пользовательским инструкциям. Модель предназначена для генерации, дополнения, редактирования и анализа кода, включая задачи рассуждения о коде. Контекст составляет 8192 токена. В README заявлены улучшения на ряде кодовых бенчмарков по сравнению с авторегрессионными и другими диффузионными моделями близкого размера; диффузионный подход также помогает обрабатывать структурированный код и языки программирования с меньшим количеством данных. Для запуска README описывает использование Transformers и параметры пошаговой генерации, включая длину блоков, стратегию повторного маскирования и порог декодирования. Модель распространяется по лицензии MIT. README не перечисляет поддерживаемые языки программирования, поэтому конкретные языки здесь не указаны.

StarCoder2-15B-Instruct-v0.1 — языковая модель для генерации кода по инструкциям, созданная командой BigCode. Её дообучили на StarCoder2-15B на синтетических парах «инструкция — ответ», которые исходная модель сгенерировала и отфильтровала выполнением кода; человеческая разметка и данные дистилляции от крупных закрытых моделей не использовались. Модель предназначена для одношаговых ответов на запросы, связанные с программированием: например, генерации функций, исправления и объяснения кода. Это плотная causal language model семейства StarCoder2 с 21,7 млрд параметров и контекстом 16 384 токена. Она принимает текстовые инструкции и генерирует текст, в том числе код; языковые коды естественных языков в метаданных не указаны. Модель распространяется в формате Safetensors и рассчитана на использование через Transformers. Лицензия — BigCode OpenRAIL-M; перед использованием следует учитывать её условия и ограничения. В карточке отмечено, что инструкции не связанные с программированием могут давать менее точные ответы; заявленный сценарий — один ход, поэтому диалоговые возможности не следует считать подтверждёнными.

Это 4-битная конверсия для MLX модели StarCoder2-15B-Instruct-v0.1, подготовленная сообществом mlx-community из bigcode/starcoder2-15b-instruct-v0.1 с помощью mlx-lm 0.10.0. Модель предназначена для генерации кода и диалоговой работы с инструкциями; её можно использовать для написания и дополнения программного кода. Основа семейства StarCoder2 также поддерживает заполнение пропусков внутри кода. В метаданных указаны архитектура Starcoder2ForCausalLM, 21,7 млрд параметров и контекст до 16 384 токенов. Репозиторий описывает вариант MLX с 4-битными весами; каталог связывает модель с bigcode/starcoder2-15b и набором инструкционных примеров self-oss-instruct-sc2-exec-filter-50k. Лицензия — BigCode OpenRAIL-M. Языки программирования в карточке не перечислены.

sweepai/sweep-next-edit-v2-7B — модель на 7,1 млрд параметров, разработанная Sweep и дообученная на базе Qwen/Qwen2.5-Coder-7B для предсказания следующего изменения в коде. Она получает текущий файл и положение курсора, недавние diff-фрагменты и контекст из связанных файлов, после чего генерирует изменённый блок кода. Обучение включало SFT, GRPO и DPO. Модель предназначена для предсказания и автодополнения правок в редакторе кода с учётом контекста файла, истории изменений и связанных файлов. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

ValidateAI-3-33B-Ties — объединённая модель для генерации программного кода и диалогов о нём. В README указано слияние DeepSeek Coder 33B Instruct, WizardCoder-33B-V1.1 и CodeFuse-DeepSeek-33B методом TIES с помощью LazyMergekit; метаданные описывают архитектуру как плотную LlamaForCausalLM с 33,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 16 384 токенов и рассчитана на диалоговое взаимодействие. Модель подходит для генерации и дополнения кода, ответов на вопросы по программированию и объяснения кода. В карточке указана лицензия Apache-2.0. README содержит несоответствие в названии: заголовок называет модель ValidateAI-2-33B-Ties, тогда как идентификатор репозитория — ValidateAI-3-33B-Ties.

Viper-Coder-Hybrid-v1.3 — дообученная модель для генерации кода и технических текстов, созданная на базе Viper-Coder-v1.1. В карточке указано, что она использует архитектуру Qwen 2.5 с 14 млрд параметров; метаданные относят её к семейству Qwen2 и указывают контекст до 131 072 токенов. Модель работает с текстом и поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Модель предназначена для написания, анализа и отладки кода, решения алгоритмических и логических задач, математических рассуждений, обработки структурированных данных и подготовки технической документации. README заявляет поддержку программирования на Python, JavaScript, C++, Java, SQL и других языках, а также документации на более чем 29 естественных языках; метаданные карточки указывают английский и китайский. Заявленная длина генерации — до 8 000 токенов. Модель может требовать мощных вычислительных ресурсов. README предупреждает о возможных ошибках в длинных ответах, разнице качества между языками программирования, зависимости результата от формулировки запроса и отсутствии доступа к актуальной информации из интернета. Лицензия — Apache-2.0.

Viper-Coder-v1.1 — дообученная prithivMLmods 14-миллиардная языковая модель семейства Qwen2 для генерации кода и решения задач рассуждения. В карточке указана архитектура Qwen 2.5 14B, а метаданные определяют архитектуру как Qwen2ForCausalLM; модель распространяется в формате safetensors и использует библиотеку Transformers. Она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для написания и отладки кода, решения алгоритмических и математических задач, следования инструкциям, работы со структурированными данными и создания технической документации. README заявляет контекст до 128K токенов и генерацию до 8K токенов, однако метаданные указывают нативный контекст 32768 токенов. Заявлены поддержка программирования на Python, JavaScript, C++, Java, SQL и других языках, а также документации на 29+ естественных языках; языковые теги карточки — английский и китайский. Модель содержит 14 млрд параметров, поэтому для инференса требуются значительные вычислительные ресурсы. Возможны ошибки в длинных ответах, чувствительность к формулировке запроса и неодинаковое качество для разных языков программирования; модель не располагает актуальными данными из интернета. Лицензия — Apache-2.0.

Viper-Coder-v1.7-Vsm6 — дообученная PrithivMLmods языковая модель семейства Qwen2 с 14 млрд параметров для генерации кода и решения технических задач. Она предназначена для разработчиков и учащихся: помогает писать, рефакторить и отлаживать программы, решать математические и алгоритмические задачи, объяснять технические концепции и формировать структурированные данные. Модель работает с текстом и поддерживает диалоговый режим. В README заявлена поддержка контекста до 128 тысяч токенов и генерации до 8 тысяч токенов, тогда как метаданные указывают native context в 1 010 000 токенов. Эти сведения расходятся, поэтому фактическую длину контекста следует проверять для используемой конфигурации. Карточка описывает оптимизацию использования памяти и сокращение лишнего текста; языком модели в метаданных указан английский. Лицензия — Apache-2.0. Модель может ошибаться в коде и объяснениях, чувствительна к формулировке запроса и не располагает актуальной информацией о событиях после обучающих данных. Для работы с большим числом параметров и длинным контекстом нужны значительные вычислительные ресурсы; качество на творческих и нетехнических запросах может быть непостоянным.

WaveCoder-DS-6.7B — языковая модель для задач программирования из семейства WaveCoder, разработанная авторами проекта WaveCoder. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, предназначенная для выполнения инструкций по коду. Она обучена на синтетических данных, созданных с помощью генератора и дискриминатора на основе больших языковых моделей и сформированных из части CodeSearchNet. Данные охватывают генерацию кода, его краткое изложение, перевод между языками программирования и исправление ошибок. Модель подходит для генерации и объяснения кода, перевода и ремонта программ. В README приведены результаты на HumanEval и MBPP, а также оценки для исправления и объяснения кода на HumanEval; результаты зависят от сценария и не гарантируют качество для конкретного проекта. Контекст составляет 16 384 токена, загрузка и запуск предусмотрены через Transformers и PyTorch. Карточка указывает лицензию MIT. README также обращает внимание на условия OpenAI при использовании модели и наборов данных, созданных синтетически с помощью моделей OpenAI.

WaveCoder-Pro-6.7B — языковая модель для программирования из серии WaveCoder, разработанной авторами работы «WaveCoder: Widespread And Versatile Enhanced Instruction Tuning with Refined Data Generation». Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 6,6 млрд параметров; она предназначена для генерации кода и выполнения инструкций по задачам программирования. Контекст составляет 16 384 токена, модель работает с текстом и выдаёт текст. Обучение проводилось на синтетических данных, созданных моделями OpenAI на основе подмножества CodeSearchNet. Данные охватывают генерацию, краткое описание, перевод и исправление кода. В README приведены результаты WaveCoder-Pro-6.7B на HumanEval, MBPP, HumanEvalFix и HumanEvalExplain; численные результаты являются оценками авторов карточки. Модель доступна под лицензией MIT. При использовании следует учитывать условия OpenAI, относящиеся к синтетическим данным и их наборам.

WaveCoder Ultra 6.7B — языковая модель для программирования из серии WaveCoder, разработанной Microsoft. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, доступная в формате PyTorch и предназначенная для генерации кода по инструкциям и диалоговых сценариев. Она рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации и исправления кода, составления кратких описаний кода и перевода между языками программирования. В обучении использовались синтетические данные, созданные моделями OpenAI, на основе подмножества CodeSearchNet; в карточке также приведена оценка на HumanEval. Доступна по лицензии MIT. При использовании следует учитывать условия OpenAI для синтетических обучающих данных.

WizardCoder-Python-13B-V1.0 — языковая модель семейства Llama, предназначенная для генерации кода Python по инструкциям. Модель содержит 12,9 млрд параметров, имеет контекст до 16 384 токенов и представлена в формате PyTorch для Transformers. Карточка описывает семейство WizardCoder, обученное с использованием Evol-Instruct, но не приводит отдельные сведения о тренировочных данных и результатах именно этой версии 13B. Модель подходит для написания фрагментов Python-кода по текстовым запросам, помощи с программированием и генерации ответов на инструкции о коде. Она принимает текст и генерирует текст; языки естественного общения не заявлены, поскольку в метаданных указан только код. Лицензия — Llama 2; условия её применения определяются этой лицензией.

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.

aiXcoder-7B Base — базовая большая языковая модель для кода, разработанная командой aiXcoder. Модель с архитектурой Llama содержит 7,2 млрд параметров и обучена на 1,2 трлн уникальных токенов. Она предназначена для автодополнения, понимания и генерации кода на нескольких языках программирования; контекстное окно составляет 32 768 токенов. Модель ориентирована на сценарии разработки и, по заявлению авторов, показывает сильные результаты в автодополнении кода и мультиязычном NL2Code среди моделей сопоставимого размера. Это базовая версия без специального instruction-тюнинга, поэтому она может хуже справляться с высокоуровневыми задачами вроде отладки и генерации тестов. Опубликованные веса доступны в форматах PyTorch и safetensors; лицензия в предоставленных данных не описана.