II.2Создание и понимание программного кода

TinyStarCoderPy — компактная авторегрессионная модель для генерации кода, разработанная BigCode. Она содержит 164 млн параметров и обучена примерно за 50 тысяч шагов на 100 млрд токенов Python-кода из StarCoderData, сформированных на основе GitHub. Модель использует архитектуру GPTBigCode с multi-query attention и поддерживает заполнение пропусков в коде (Fill-in-the-Middle, FIM); длина контекста — 8192 токена. Модель предназначена для помощи при написании и дополнении Python-кода, включая генерацию по началу функции и заполнение фрагмента между заданными частями кода. Разработчики рекомендуют для чистого автодополнения кода более крупные StarCoder или StarCoderBase, поэтому возможности TinyStarCoderPy ограничены её небольшим размером. Репозиторий распространяется в форматах PyTorch и Safetensors; лицензия — BigCode OpenRAIL-M.

Tri-70B-preview-SFT — исследовательская предварительная версия крупной языковой модели компании Trillion Labs. Это плотная авторегрессионная модель на архитектуре Transformer Decoder с 69,5 млрд параметров, обученная с нуля на 1,5 трлн токенов и затем прошедшая supervised fine-tuning. В архитектуре используются iRoPE, скользящее внимание с окном 4096 токенов, SwiGLU, RMSNorm и GQA; размер контекста — 32 768 токенов. Модель предназначена для генерации текста в диалогах, рассуждений по шагам, ответов на вопросы, решения математических задач и программирования. Она специально оптимизирована для английского, корейского и японского языков. Выпуск прошёл только supervised fine-tuning без обширного RLHF, поэтому модель может быть полезна для исследований и экспериментов с методами выравнивания, но ответы могут быть менее отполированными и безопасно настроенными, чем у моделей с более полной постобработкой. Модель выпущена под лицензией Apache-2.0. Заявленная дата отсечения знаний — февраль 2025 года; качество на языках, отличных от английского, корейского и японского, может быть ниже.

Trinity-13B — модель серии Trinity от WhiteRabbitNeo, предназначенная для программирования и создания автономных агентов. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, рассчитанная на контекст до 16 384 токенов. Карточка демонстрирует ответы с примерами кода на Python и пояснениями по созданию API-сервера и работе с аутентификацией AWS S3. Модель подходит для генерации и объяснения кода, а также для текстовых сценариев, связанных с программными агентами. Заявлена лицензия Llama 2; условия карточки возлагают ответственность за результаты использования на пользователя и предоставляют модель без гарантий. По приведённым примерам нельзя установить качество на разных языках программирования и устойчивость к ошибкам или небезопасным запросам.

Trinity-Large-Thinking — ориентированная на рассуждения и агентные сценарии модель семейства Trinity-Large от Arcee AI. Это дообученная на базе arcee-ai/Trinity-Large-Base разреженная MoE-модель для генерации текста; по README, в семействе около 398 млрд параметров и примерно 13 млрд активных параметров на токен, используется 256 экспертов, включая одного общего. Метаданные указывают 8,7 млрд параметров, поэтому точный размер данного чекпойнта в источниках расходится. Модель предназначена для многошагового планирования, вызова инструментов, диалогов и задач, требующих развёрнутых рассуждений. Она формирует трассы рассуждений в специальных блоках, которые следует сохранять в контексте при многоходовом взаимодействии и циклах агента. Поддерживает 262 144 токена контекста и языки en, es, fr, de, it, pt, ru, ar, hi, ko и zh. Метаданные указывают лицензию other; конкретные условия использования следует сверять с карточкой модели.

Trinity Mini — открытая по весам разговорная языковая модель от Arcee AI, дообученная на базе arcee-ai/Trinity-Mini-Base. Это MoE-модель семейства AFMoE с 26 млрд параметров и 3 млрд активных параметров; в README указаны 128 экспертов, из которых активны 8 и один общий. Модель предназначена для диалогов и задач рассуждения, включая математику и программирование. Модель обучена на 10 трлн токенов. Длина контекста составляет 128 тыс. токенов. Метаданные указывают поддержку английского, испанского, французского, немецкого, итальянского, португальского, русского, арабского, хинди, корейского и китайского языков. Для запуска заявлена совместимость с Transformers, vLLM, llama.cpp, LM Studio и API. Указанная в README лицензия — OpenMDW-1.1; метаданные классифицируют лицензию как other.

Это экспериментальный чекпойнт модели Qwen3-Coder-30B-A3B-Instruct, дообученный командой TaskTrove методом GRPO в эксперименте X10b. Обучение проводилось на датасете DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; конфигурация включала FSDP2 и FlashAttention 2. Из заявленных характеристик базовой модели следует поддержка контекста до 262 144 токенов. Чекпойнт предназначен для генерации текста в диалоговом формате, прежде всего для задач программирования и агентных сценариев, унаследованных от базовой модели. Обучение остановили на шаге 131 из 400 после выхода награды на плато; авторы отмечают исчерпание исследования и отсутствие дальнейшего роста метрик. Репозиторий распространяется под лицензией Apache 2.0.

Tulu 30B — плотная авторегрессионная языковая модель семейства LLaMA с 32,3 млрд параметров, дообученная исследователями Allen Institute for AI на смеси наборов инструкций. Она предназначена для диалогов и выполнения инструкций: ответов на вопросы, рассуждений, решения задач и генерации кода. При обучении использовались FLAN V2, CoT, Dolly, OpenAssistant 1, GPT4-Alpaca, Code-Alpaca и ShareGPT; модель рассчитана на англоязычные запросы и формат промпта, описанный в карточке. Контекст составляет 2048 токенов, веса представлены в формате PyTorch как diff, для восстановления нужны исходные веса LLaMA в формате Hugging Face. В статье приведены результаты на MMLU, GSM, BBH, TydiQA, Codex-Eval и AlpacaFarm. Использование регулируется лицензией AI model license вместе с исходной лицензией LLaMA.

Tulu 65B — языковая модель AllenAI на архитектуре LLaMA с 65 млрд параметров, дообученная на смеси наборов инструкций FLAN V2, CoT, Dolly, OpenAssistant 1, GPT4-Alpaca, Code-Alpaca и ShareGPT. Модель предназначена для ответов на инструкции и запросы, решения задач с рассуждением, ответов на вопросы, а также генерации кода. Для работы используется формат ввода Tulu, описанный в карточке; модельный репозиторий содержит diff и требует доступа к исходной модели LLaMA в формате Hugging Face. Контекст составляет 2048 токенов. В карточке авторы называют её сильнейшей моделью проекта по совокупности исследованных бенчмарков; приведены результаты по языковым знаниям, математике, рассуждениям, вопросам и генерации кода. Модель работает с текстом и ориентирована прежде всего на английский язык. Лицензирование регулируется лицензией модели Tulu и исходной лицензией LLaMA; перед использованием необходимо учитывать условия обеих лицензий.

UIGEN-T1.5 — языковая модель, созданная smirki и дообученная на базе Qwen2.5-Coder-7B-Instruct для генерации интерфейсов веб-приложений. Модель построена на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и принимает текстовые запросы, выдавая HTML- и CSS-код. Контекстное окно — до 120 000 токенов. В карточке указаны английский язык и лицензия Apache-2.0. Модель предназначена для создания адаптивных макетов панелей управления, посадочных страниц и экранов регистрации или входа. Она ориентирована на структурированный код и современное визуальное оформление; для запуска доступны веса Safetensors и требуется Transformers. README рекомендует 12 ГБ видеопамяти. Модель может ограниченно реализовывать интерактивность на JavaScript, повторять дизайн-паттерны и допускать мелкие артефакты в сложных макетах. Для качественного результата может потребоваться точная формулировка запроса.

UIGEN-X-32B-0727 — дообученная Tesslate модель на архитектуре Qwen3-32B для планирования и генерации пользовательских интерфейсов. Она принимает текстовые запросы и генерирует код интерфейсов для веб-, мобильных и настольных приложений, а также Python-приложений с графическим интерфейсом. Модель поддерживает широкий набор современных фреймворков, библиотек компонентов, систем стилей и визуальных направлений; заявлены диалоговый режим и поддержка вызова инструментов. Архитектура — плотная причинная языковая модель Qwen3 с 29,7 млрд параметров и контекстом 40 960 токенов. Карточка ориентирует модель на англоязычные запросы; лицензия — Apache-2.0. Модель подходит для создания компонентов и многостраничных интерфейсов, выбора структуры приложения и дизайн-системы, а также генерации HTML, CSS и кода для популярных стеков. Её сильная сторона — сочетание планирования с реализацией и широкий охват технологий. Ограничения: рассуждения увеличивают расход токенов, а бизнес-логика, серверная интеграция и проверка сгенерированного кода требуют отдельной работы; доступность рекомендуется проверять вручную.

UIGEN-X-4B-0729 — языковая модель Tesslate для планирования и генерации пользовательских интерфейсов. Это дообученная плотная модель семейства Qwen3 с 3,7 млрд параметров и контекстом до 40 960 токенов; она принимает текстовые запросы и генерирует текст с кодом. Модель рассчитана на создание интерфейсов для веба, мобильных и настольных приложений, а также Python-приложений с использованием распространённых фреймворков, библиотек компонентов и систем стилей. Модель выстраивает ответ через анализ требований, проектирование структуры компонентов, выбор визуальной системы и последовательную реализацию. Поддерживает генерацию интерфейсов в разных визуальных стилях и заявляет поддержку вызова инструментов. README отмечает, что рассуждения увеличивают расход токенов, а бизнес-логику, интеграцию серверных функций, тестирование и доступность может потребоваться дорабатывать вручную. Распространяется по лицензии Apache-2.0.

UltraLink-LM — мультиязычная авторегрессионная языковая модель на архитектуре Transformer, разработанная OpenBMB. Это дообученная модель семейства Llama-2 размером около 13 млрд параметров, предназначенная для генерации текста по инструкциям и многораундового диалога на английском, французском, русском, испанском и китайском языках. Модель ориентирована на ответы в чате, написание кода и решение математических задач. При дообучении использовались UltraLink, UltraChat, наборы Magicoder, MetaMathQA и англоязычная часть ShareGPT; карточка сообщает о сравнительных оценках на мультиязычных бенчмарках кода, математики и диалога. Контекст модели — 4096 токенов. Веса опубликованы в формате safetensors под лицензией MIT. Заявленные возможности и качество основаны на оценках из карточки; бенчмарки для части языков были переведены с помощью GPT-3.5, а сама карточка отмечает возможную предвзятость оценок. Модель имеет 12,9 млрд параметров, поэтому для запуска требуется соответствующая вычислительная память.

usermma/Vibe-Coding-Claude-Fable-5-mlx-fp16 — конвертированная в формат MLX версия модели sakmkmk2/Vibe-Coding-Claude-Fable-5. По метаданным это плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов. Репозиторий предназначен для запуска с mlx-lm на совместимых устройствах Apple Silicon; карточка указывает версию mlx-lm 0.31.2. Модель ориентирована на генерацию текста и, судя по названию базовой модели, на сценарии вайб-кодинга. Метаданные также помечают её как text-classification, однако классификатор каталога определяет основную задачу как text-generation. Поддерживаемый язык карточки — английский. Лицензия — Apache-2.0.

Wukong-0.1-Mistral-7B-v0.2 — чат-модель, созданная RESMPDEV путём дообучения Mistral-7B-v0.2 от Mistral. Она предназначена для диалогов и генерации ответов по инструкциям; обучение проводилось на OpenHermes-2.5, наборах данных для кода от Multimodal Art Projection и наборе Dolphin от Cognitive Computations. Модель использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Автор описывает настройку как «dealigned», но не уточняет её практический эффект; примеры выходов в карточке не приведены.

Мультимодальная диалоговая модель darkc0de/XORTRON.CriminalComputing.Qwen3.5-27B-Claude-Opus-4.6-Distill-darkc0de-heretic создана на базе unsloth/Qwen3.5-27B и дообучена на наборах данных с примерами рассуждений, включая данные, оформленные в стиле Claude Opus 4.6. Разработчик также применил abliteration, чтобы снизить частоту отказов: в приведённом тесте модель отказала в 3 случаях из 100 против 92 из 100 у исходной модели для сравнения. Модель предназначена для диалогов общего назначения, программирования, творческого письма и визуального анализа. Архитектура Qwen3.5 — плотная модель с 27 млрд параметров; она принимает текст и изображения, поддерживает интерфейс вызова инструментов и выдаёт текст. Карточка рекомендует длину генерации до 32 768 токенов для обычных запросов и до 81 920 для сложных задач; это рекомендации по выходу, а не подтверждённая длина контекста. В README приведены результаты отдельных тестов, но они не гарантируют качество на других задачах. Снижение отказов означает, что модель может отвечать на запросы, которые базовая версия отклоняет. Лицензия — Apache-2.0.

Yi-1.5-6B-Chat — диалоговая языковая модель от 01.AI, основанная на архитектуре Llama и содержащая 5,8 млрд параметров. Модель предназначена для генерации ответов в чате, следования инструкциям, понимания текста, рассуждений, решения математических задач и помощи с программированием. Семейство Yi-1.5 прошло дополнительное предварительное обучение на 500 млрд токенов и тонкую настройку на 3 млн примеров; карточка конкретной модели подтверждает контекст 4096 токенов. Модель работает с текстом и выдаёт текст. README отмечает улучшения в программировании, математике, рассуждениях и следовании инструкциям, а также способности к пониманию языка, здравому смыслу и чтению. Лицензия — Apache 2.0. README не приводит отдельные оценки качества именно версии 6B; результаты больших вариантов семейства нельзя напрямую переносить на неё.

Yi-Coder-1.5B-Chat-GGUF — квантизированная в формате GGUF версия чат-модели Yi Coder 1.5B-Chat, разработанной компанией 01-ai. Квантизацию выполнил bartowski на базе llama.cpp; модель предназначена для генерации текста и диалога по вопросам программирования. Модель имеет около 1,5 млрд параметров, поддерживает контекст длиной до 128 тыс. токенов и обучена работе с 52 языками и форматами, включая Python, JavaScript, TypeScript, C/C++, C#, Java, Go, Rust, SQL, HTML, CSS, JSON, YAML, Shell и другие. Большое контекстное окно подходит для анализа крупных исходных кодов и репозиториев. Для работы в LM Studio рекомендуется использовать шаблон ChatML. Сильными сторонами модели являются компактный размер, широкий охват языков программирования и возможность обрабатывать большие объёмы кода в одном запросе. Модель настроена именно для общения и ответов на вопросы о программировании, поэтому не оптимизирована для автодополнения кода. Как и другие языковые модели, она может генерировать неточные или неподходящие ответы, которые требуют проверки. Лицензия — Apache 2.0.

Mungert/Youtu-LLM-2B-GGUF — GGUF-версия языковой модели Youtu-LLM-2B, разработанной Tencent. Это авторегрессионная causal language model для генерации текста; семейство включает базовую и instruct-версии. Данная сборка создана с использованием llama.cpp, однако конкретный уровень квантования в README не указан. Модель содержит 1,96 млрд параметров, 32 слоя и использует плотную архитектуру MLA с 16 attention heads для Q/K/V. Поддерживается контекст до 131 072 токенов, размер словаря — 128 256. Модель ориентирована на рассуждения, следование инструкциям, STEM-задачи, программирование, работу с длинным контекстом и агентские сценарии с инструментами; для instruct-версии заявлен режим reasoning. В представленных тестах она показывает особенно сильные результаты в генерации кода, математике, обработке длинного контекста и ряде end-to-end агентских задач, но результаты зависят от версии модели и настроек запуска. README не указывает поддерживаемые языки, точные требования к ресурсам и ограничения безопасности. Лицензия обозначена как other; условия следует уточнять по файлу лицензии Tencent.

Zrald/Zrald-qwen3.8-27b-v2 — выпуск GGUF модели Qwen3.8-27B от Zrald, предназначенный для локального запуска через llama.cpp. Это плотная модель с 27,2 млрд параметров; в репозитории представлены три варианта с разным соотношением размера и точности: accuracy, balance и compressed. README сообщает о сравнительных испытаниях на AMD Instinct MI300X и CPU, однако эти результаты относятся к оценке автора и не гарантируют аналогичное качество на других задачах и системах. Модель рассчитана на генерацию текста в диалогах, программирование, анализ документов, ответы на вопросы и многошаговые рассуждения. README описывает локальное обслуживание через OpenAI-совместимый API и приводит рекомендации по памяти и видеопамяти. В метаданных базовая модель указана как Qwen/Qwen3.8-27B, а формат файлов — GGUF; лицензия — Apache-2.0. Карточка не сообщает длину контекста или языковой охват, поэтому эти характеристики здесь не уточняются.

ZynDwarf-1.1 — компактная текстовая языковая модель общего назначения, разработанная Zyn Models / itsZyn на основе Liquid AI LFM2.5-350M. Модель содержит около 354,5 млн параметров и предназначена прежде всего для локального запуска на CPU-ориентированном оборудовании, встраивания в локальные инструменты и использования в агентских системах. Модель ориентирована на повседневный диалог на испанском и английском языках, объяснение и генерацию кода, отладку, преобразование программ, лёгкое планирование, структурированный вывод, выбор инструментов и обработку результатов их работы. Она поддерживает сценарии с function calling и многошаговыми агентскими циклами, при этом выполнение инструментов и проверка их результатов остаются ответственностью внешнего приложения. Доступны форматы Transformers Safetensors, GGUF F16 и GGUF Q4_K_M, совместимые с Transformers, llama.cpp и Ollama. Архитектура модели — Lfm2ForCausalLM, тип lfm2. Архитектурный максимум контекста составляет 128 000 токенов, однако рекомендуемый рабочий контекст — 32 768 токенов, а максимальная длина обучающих последовательностей — 768 токенов. Модель поддерживает только текст и не имеет возможностей работы с изображениями или аудио. Её сильные стороны — малый размер, низкие требования к ресурсам, поддержка испанского и английского языков, программирования и структурированных агентских взаимодействий. Ограничения связаны с компактным масштабом: модель не позиционируется как крупная система рассуждений, исследовательская модель или замена значительно более мощным моделям; для надёжной работы агентов необходимы внешний runtime, валидация и контроль выполнения инструментов. Распространяется по лицензии Apache-2.0.

CausalLM/35b-beta2ep — разговорная языковая модель на архитектуре Cohere, разработчик в карточке не уточнён. Модель содержит 35 млрд параметров, распространяется в формате safetensors и использует шаблон диалога ChatML. Метаданные указывают контекст 8192 токена; упоминание в README обучения на длинных данных не означает, что эта версия рассчитана на контекст 128K. Модель предназначена для генерации текста в диалоге, общих вопросов, задач на знания и программирование. В README указано обучение на синтетических данных и веб-корпусе в течение одной эпохи; метаданные перечисляют среди обучающих наборов данные для диалогов, математики, инструкций и кода. Поддерживаемые языки по карточке — английский, китайский, японский и немецкий. Модель выпущена под лицензией GPL-3.0. README отмечает, что эта версия не ориентирована на очень длинный контекст; дополнительных сведений о качестве и ограничениях применения в карточке нет.

AceReason-Nemotron-14B-GGUF — GGUF-версия модели AceReason-Nemotron-14B, разработанной NVIDIA и подготовленной Unsloth. Модель создана для задач математического и программного рассуждения, включая решение математических задач, генерацию и анализ кода, а также задачи, требующие пошагового вывода. В основе лежит DeepSeek-R1-Distilled-Qwen-14B; обучение выполнялось с применением reinforcement learning сначала на математических, затем на программных задачах. Модель относится к текстовым авторегрессионным генеративным моделям и поддерживает английский язык. Заявленные результаты включают 78,6% на AIME 2024, 67,4% на AIME 2025, 61,1% на LiveCodeBench v5, 54,9% на LiveCodeBench v6 и рейтинг 2024 на Codeforces. По приведённым данным, её сильная сторона — специализированное рассуждение в математике и программировании; при этом README не содержит сведений о длине контекста, точной архитектуре GGUF-квантизации, требованиях к оборудованию и качестве работы на других языках или модальностях. Модель предназначена для текстового ввода и вывода. Использование регулируется NVIDIA Open Model License; тип лицензии указан как other, поэтому перед применением необходимо ознакомиться с полным текстом лицензии NVIDIA. Рекомендуется не использовать системный prompt, а формулировать инструкции непосредственно в пользовательском запросе; для математических задач предлагается пошаговое рассуждение с финальным ответом в формате \boxed{}.

jgalego/ada-coder-qwen2.5-7b — языковая модель для генерации кода на Ada 2022 и SPARK по описанию задачи, спецификации или сигнатуре. Она создана дообучением Qwen/Qwen2.5-Coder-7B-Instruct с помощью LoRA; адаптер объединён с базовой моделью. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для написания и дополнения исходного кода Ada, в том числе завершения фрагментов без чат-шаблона. В тесте HumanEval-Ada на 157 задачах pass@1 составил 0,414, а доля компиляции — 0,771. Обучение проводилось на 6 110 парах «инструкция/код», которые компилируются с GNAT. Результаты относятся к небольшим функциям в стиле HumanEval и не подтверждают качество на полноценных программах или пакетах. Вывод необходимо проверять и тестировать; для SPARK следует выполнять формальное доказательство. Модель не квалифицирована для сертификационных процессов, включая DO-178C, EN 50128 и ISO 26262. Лицензия — Apache-2.0.

DeepCoder-1.5B-Preview-GGUF — это GGUF-квантизированная версия языковой модели DeepCoder-1.5B-Preview, разработанной agentica-org и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации текста и прежде всего ориентирована на задачи программирования, включая решение проверяемых задач на написание кода. При обучении использовались наборы PrimeIntellect/verifiable-coding-problems, likaixin/TACO-verified и livecodebench/code_generation_lite. Модель содержит 1,5 млрд параметров, поддерживает английский язык и работает в текстовой модальности. Доступны варианты от BF16 до различных форматов квантования Q2–Q8 и IQ, размером примерно от 0,92 до 3,56 ГБ. Это позволяет запускать её локально, в том числе через LM Studio, llama.cpp и другие совместимые проекты; конкретное качество и требования к памяти зависят от выбранного варианта. Рекомендуемый шаблон запроса указан в README. Сильными сторонами модели являются небольшой размер, возможность локального запуска и специализация на генерации кода. Ограничениями выступают относительно малое число параметров, поддержка только английского языка и неизбежное снижение качества в более агрессивных вариантах квантования; точные характеристики контекста и архитектуры в README не указаны. Модель распространяется по лицензии MIT.

airoboros-l2-13b-3.0 — экспериментальная языковая модель jondurbin на архитектуре Llama 2 с 12,9 млрд параметров. Она дообучена на преимущественно синтетическом наборе airoboros-3.0, продолжающем airoboros-2.2.1; в данных также есть созданные человеком многоходовые диалоги для ролевого общения. Модель предназначена для генерации текста и выполнения инструкций, особенно для ответов на вопросы по заданному контексту, суммаризации, программирования и подготовки структурированных ответов. Модель поддерживает диалоговый шаблон Llama 2 Chat и контекст до 4096 токенов. Для математических запросов она может формулировать решения в формате MathJSON, которые затем вычисляются внешним инструментом. В README отмечено, что ответы по контексту следует явно оформлять специальными разделителями, а для MathJSON рекомендуется низкая температура генерации. Указанная лицензия — Llama 2; модель не следует считать надёжным средством вычислений, а генерацию MathJSON нужно проверять внешним вычислителем.

Карточка модели jondurbin/airoboros-l2-7b-gpt4-2.0 на Hugging Face совпадает с карточкой jondurbin/airoboros-65b-gpt4-2.0, поэтому описание составлено по ней. airoboros-65b-gpt4-2.0 — плотная языковая модель семейства LLaMA на 65 млрд параметров, дообученная jondurbin для следования инструкциям на синтетических примерах, созданных GPT-4. Серия 2.0 использует данные GPT-4 версии 0614; вариант m2.0 дополнительно объединяет набор данных 1.4.1 без дубликатов и категории system. Модель предназначена для диалоговых ответов, вопросов по предоставленному контексту, программирования, построения планов и генерации структурированных аргументов функций в JSON или YAML. Для диалога используется текстовый шаблон с ролями USER и ASSISTANT; заявленная длина контекста — 2048 токенов. В README для моделей 65B отмечено QLoRA-дообучение. Это текстовая модель, и качество её ответов не гарантирует точность: карточка рекомендует явно просить не придумывать ответ при недостатке данных. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; коммерческое использование запрещено.

ApexCoder-1.5B — дообученная модель генерации кода на архитектуре Qwen2, разработанная Gianloko для задач Salesforce. Она предназначена для написания и редактирования кода Apex и связанных технологий Salesforce, включая LWC, Visualforce, Aura и SOQL. Модель содержит 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов; карточка указывает английский язык и возможность диалогового использования. В README описана версия с объединёнными 16-битными весами, полученная обучением QLoRA и последующим слиянием адаптера с базовой моделью; также упоминаются отдельный LoRA-адаптер и вариант GGUF Q4_K_M для локального запуска. Лицензия — Apache-2.0. README приводит оценку LLM-as-judge 12,6 из 15 и perplexity 1,14, но не раскрывает методику и состав оценки.

Apriel-1.5-15b-Thinker-GGUF — это GGUF-версия мультимодальной модели рассуждений Apriel-1.5-15b-Thinker, разработанной ServiceNow AI и подготовленной в формате GGUF командой Unsloth. Модель предназначена для генерации текста, решения математических и научных задач, программирования, следования инструкциям, работы с API и функциями, диалоговых сценариев, а также понимания и рассуждений по изображениям и смешанным текстово-графическим данным. Модель содержит 15 млрд параметров и рассчитана на эффективное локальное развёртывание: по заявлению разработчиков, она помещается на одной GPU. Она обучалась с использованием продолжительного предварительного обучения на текстовых и мультимодальных данных, а также supervised fine-tuning более чем на 2 млн текстовых примеров. Для постобучения не применялись reinforcement learning и специализированное обучение на изображениях. Заявлены результаты 52 балла в Artificial Analysis, 68 в Tau2 Bench Telecom и 62 в IFBench, однако конкретные сведения о контекстном окне, поддерживаемых языках и архитектуре в README не указаны. Сильными сторонами модели являются сочетание компактного размера, развитого текстового рассуждения, возможностей работы с изображениями и ориентация на корпоративные задачи. Ограничениями могут быть повышенный расход токенов и более длительное время ответа из-за подробного рассуждения по умолчанию, а также отсутствие image SFT, что может влиять на отдельные визуальные сценарии. Модель распространяется по лицензии MIT.

Jebadiah/Aria-CodeQwen-stone — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе Jebadiah/Aria-7b-128k-v4 с включением Qwen/CodeQwen1.5-7B-Chat. Модель с архитектурой Mistral и примерно 7,1 млрд параметров предназначена для генерации текста, включая диалоговые и связанные с программированием сценарии. В README указаны параметры слияния и формат bfloat16; метаданные сообщают о контексте длиной 32 768 токенов и использовании Transformers. Модель может применяться для генерации и объяснения кода, исправления программ и преобразования запросов в SQL — эти возможности следуют из описания базовой CodeQwen. Карточка не содержит оценок качества самого слияния или детальных результатов тестирования, поэтому пригодность для конкретного проекта следует проверять отдельно. Репозиторий не указывает лицензию.

Athene CodeGemma 2 7B v1.1 — дообученная EpistemeAI модель для программирования на основе Athene-codegemma-2-7b-it-alpaca-v1. Это плотная decoder-only языковая модель семейства Gemma с 8,2 млрд параметров, предназначенная для генерации кода по текстовому запросу, ответов на вопросы о фрагментах кода и диалога о программировании и технических задачах. Модель принимает текстовые инструкции и выдаёт код или текст; карточка указывает поддержку английского языка. Модель обучена с учителем на наборах данных для программирования и поддерживает чатовый формат. Контекст составляет 8192 токена. Карточка приводит пример успешного создания игры «Змейка», но не содержит систематических оценок качества или подробностей о данных обучения. Лицензия — Apache 2.0. Для автодополнения кода в IDE README рекомендует использовать предварительно обученные варианты CodeGemma.