II.2Создание и понимание программного кода

lexi-coder-v4.2 — дообученная Reallexi модель для генерации текста и кода на основе Microsoft Phi-4-mini-instruct. LoRA-адаптер объединён с базовыми весами, поэтому запускать отдельный PEFT-адаптер не требуется. Модель содержит около 3,85 млрд параметров, использует архитектуру Phi-3 для авторегрессионной генерации и обучена на контекстном окне 2048 токенов; метаданные каталога указывают нативный контекст 4096 токенов. Модель рассчитана на диалоговое использование и задачи кодирования, однако README не приводит результатов оценки, перечня поддерживаемых языков или подробного описания обучения. Репозиторий содержит веса safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии на странице модели.

lexi-coder-v4.4 — языковая модель Reallexi LLC, созданная на платформе Reallexi AI Model Builder для генерации кода и диалогового взаимодействия. Это плотная авторегрессионная модель семейства Phi-3 с 3,85 млрд параметров; README описывает дообучение LoRA с последующим объединением адаптера с базовыми весами, поэтому отдельный PEFT-адаптер при запуске не требуется. Базовая модель — reallexi/lexi-coder-v4.3. Модель принимает текст и генерирует текст. В README указана обученная длина контекста 2 048 токенов, тогда как метаданные каталога указывают нативный контекст 4 096 токенов. Репозиторий содержит веса Safetensors и GGUF Q4_K_M. Примеры сравнивают ответы на программные запросы до и после обучения, но прямо обозначены как иллюстрации, а не бенчмарк. Лицензия обозначена как other; README указывает авторские права Reallexi LLC, но не приводит подробных условий лицензии. Оценка качества на независимых тестах и гарантии пригодности для конкретных сценариев не представлены.

OpenIntelligenceNet заявляет, что это плотная инструктивная языковая модель семейства LFM2 примерно с 2,4 млрд параметров. Она дообучена на базе huihui-ai/Huihui-LFM2-2.6B-Exp-abliterated на синтетических диалоговых данных; в карточке указаны направления обучения: программирование и системные задачи, рассуждения и кибербезопасность. Модель предназначена для генерации текста и диалогов, в том числе для технических вопросов и работы на устройствах с ограниченными ресурсами. Метаданные указывают контекст до 128 000 токенов, формат весов safetensors и интерфейс чата с поддержкой вызова инструментов. README приводит иное значение контекста — 2 048 токенов — и описывает обучение на 200 000 примерах, но не раскрывает данные полностью. В тегах указан английский язык. Модель распространяется по лицензии Apache-2.0. README сообщает об удалении отказов и защитных шаблонов, поэтому модель может отвечать на запросы, от которых другие модели отказываются; это также означает, что она не подходит для сценариев, требующих надёжных встроенных ограничений безопасности.

light-coder — компактная инструктивная модель для программирования, созданная Миладом Асгари дообучением Qwen/Qwen2.5-0.5B-Instruct на примерно 122 тысячах пар «инструкция — ответ» по программированию. Это плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров; веса LoRA объединены с базовой моделью. Репозиторий содержит веса safetensors, размер модели по карточке — около 988 МБ, длина контекста — 32 768 токенов. Модель предназначена для генерации и рефакторинга кода, а также выполнения инструкций по программированию на английском языке. Компактный размер позволяет запускать её на потребительских GPU и CPU; заявлена совместимость с Transformers, vLLM и Ollama. Лицензия — Apache-2.0. Карточка не приводит результатов сравнительной оценки качества; как модель на 494 млн параметров, она может уступать более крупным кодовым моделям в сложных задачах и работе с длинным контекстом. Указанная языковая поддержка — английский и несколько языков программирования.

SC117 подготовил квантизированные GGUF-варианты Ling-3.0-tiny с удалённым направлением отказа (abliteration). Базовая модель inclusionAI/Ling-3.0-tiny — гибридная MoE-модель на архитектуре BailingMoE: 7,9 млрд параметров всего и около 1,3 млрд активных на токен. Варианты APEX применяют смешанную точность с учётом типа и чувствительности тензоров; для калибровки использовались данные чатов, кода, рассуждений и вызова инструментов. Модель предназначена для диалоговой генерации текста, рассуждений, программирования, перевода и других типичных задач языковой модели. Abliteration уменьшает частоту отказов; автор сообщает о 15 отказах из 100 запросов против 98 из 100 у исходной модели и об отсутствии заметного ухудшения в выборочных проверках математики, логики, кода, перевода и знаний. Для запуска подходят llama.cpp и Ollama; для поддержки архитектуры BailingMoE3 требуется llama.cpp версии b10470 или новее. Модель распространяется по лицензии MIT. README не сообщает перечень поддерживаемых естественных языков и длину контекста.

LLaDA2.0-mini-preview — диффузионная языковая модель с архитектурой Mixture-of-Experts от InclusionAI. Это предварительная instruction-tuned версия семейства LLaDA, предназначенная для диалогов и практических задач генерации текста. README указывает 16 млрд параметров всего и около 1,4 млрд активных при инференсе; в метаданных Hugging Face указан размер 1,2 млрд параметров. Модель содержит 20 слоёв, использует RoPE и поддерживает контекст до 8192 токенов согласно метаданным; README указывает 4096 токенов. Модель подходит для генерации кода, математических рассуждений, ответов на вопросы и сценариев с вызовом инструментов. В README заявлено обучение на серии Ling2.0 примерно на 20 трлн токенов и приведены результаты бенчмарков, но их детализация в доступном фрагменте неполная. Репозиторий содержит веса safetensors и рассчитан на работу через Transformers. Лицензия — Apache-2.0. README обозначает модель как preview, поэтому её качество и поведение следует оценивать для конкретных задач; при повышении температуры авторы предупреждают о возможном смешении языков и снижении качества.

OpenAssistant/llama2-13b-megacode2-oasst — дообученная плотная языковая модель семейства Llama 2 с 12,9 млрд параметров, разработанная при участии andreaskoepf; для обучения использовался тренер epfLLM/Megatron-LLM. Модель предназначена для генерации текста, в том числе ответов в формате диалога ChatML, и задач, связанных с кодом: обучение включало набор LosslessMegaCodeTrainingV2_1m_Evol_Uncensored. Модель принимает текст и генерирует текст. В README приведён шаблон диалога с ролями user и assistant; нативный контекст составляет 2048 токенов. Доступен формат PyTorch. В метаданных указана лицензия other, поэтому условия использования следует сверять с карточкой модели и её лицензией. README не содержит оценок качества или подробных результатов тестирования.

Модель davidsi/Llama3_1-8B-Instruct-AMD-python разработана David Silverstein и представляет собой дообученную инструктивную Llama 3.1 для помощи с технологиями AMD и программированием на Python. Она предназначена для работы в роли помощника разработчика, в том числе в локальных и on-premise средах, и поддерживает диалоговый режим и интерфейс вызова инструментов. Архитектура — плотная авторегрессионная модель LlamaForCausalLM с 7,5 млрд параметров; модель распространяется в формате safetensors и имеет контекстное окно 131 072 токена. Модель дообучена на базе meta-llama/Meta-Llama-3.1-8B-Instruct с применением дистилляции знаний, однако подробности обучающих данных и методики не приведены. Для использования действуют условия лицензии Llama 3.1; автор указывает отсутствие гарантий. Карточка ориентирует модель на английский язык, Python и вопросы по технологиям AMD.

Llama3.1-8B-Titanium-Forge — языковая модель, созданная ZeroXClem методом слияния четырёх моделей ValiantLabs на базе семейства Llama 3.1. Она объединяет диалоговые навыки ShiningValiant2, математические способности Cobalt, генерацию кода Enigma и структурированный вывод Fireplace2. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст; заявленная длина контекста — 131 072 токена. Модель предназначена для технических консультаций, решения математических задач, написания и объяснения кода, создания SQL-запросов и JSON, а также для диалоговых помощников и творческого письма. Карточка заявляет поддержку вызова инструментов через интерфейс модели. Основной язык — английский; метаданные не содержат отдельного перечня поддерживаемых языков. Весовые файлы опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Заявленные специализации происходят из карточки и не сопровождаются результатами оценивания; точность ответов, качество на длинном контексте и надёжность структурированного вывода следует проверять для конкретного применения.

NVIDIA разработала Nemotron-UltraLong-8B как серию языковых моделей на базе Llama 3.1; этот вариант рассчитан на контекст до 2 млн токенов. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате, следования инструкциям и работы с очень длинными последовательностями. Модель прошла продолженное предварительное обучение на длинных последовательностях и дообучение на инструкциях по общим задачам, математике и программированию. В README заявлена работа с длинным контекстом и конкурентные результаты на стандартных тестах. Метаданные указывают английский язык; карточка также описывает интерфейс вызова инструментов. Для запуска README рекомендует Transformers версии 4.43.0 или выше. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

hardcoreerik выпустил декензурированную версию Llama-3.1-Nemotron-Nano-4B-v1.1, созданную с помощью Heretic v1.3.0. По карточке это плотный decoder-only Transformer семейства Llama, дообученный на базе nvidia/Llama-3.1-Minitron-4B-Width-Base; размер — 3,9 млрд параметров, контекст — до 131 072 токенов. Модель принимает и выдаёт текст, поддерживает чат, рассуждения, следование инструкциям и вызов инструментов. Она предназначена для чат-ботов, агентных систем, RAG и общих задач, включая программирование, математику и рассуждения. Основной язык — английский; также заявлена поддержка немецкого, французского, итальянского, португальского, хинди, испанского и тайского. В сравнении с исходной моделью в README указано меньше отказов на тесте из 100 запросов, что отражает её декензурированную настройку. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия указана как other, а README заявляет готовность исходной модели к коммерческому использованию, но условия лицензии именно этой версии следует проверять отдельно.

Llama-3.1-Nemotron-Nano-8B-v1 — языковая модель NVIDIA, опубликованная в репозитории Unsloth в формате Safetensors. Это плотный декодерный Transformer на архитектуре Llama 3.1, дообученный для рассуждений, диалогов, следования инструкциям, математики, программирования, RAG и вызова инструментов. В метаданных указано 7,5 млрд параметров, а контекстное окно составляет до 131 072 токенов. Модель принимает и генерирует текст. Она рассчитана прежде всего на английский язык и также поддерживает немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Режим рассуждений включается системным промптом; для локального запуска карточка указывает, что модель помещается на одну RTX GPU. Поддерживаются диалоговый режим и интерфейс вызова инструментов. Модель предназначена для чат-ботов, агентных систем, RAG-приложений и типовых задач по инструкциям. README заявляет коммерческую готовность, однако метаданные указывают лицензию «other» без конкретных условий в предоставленных сведениях; перед использованием следует сверить лицензионные условия исходной карточки. Результаты оценки зависят от режима рассуждений и формата промпта, а русская поддержка не заявлена.

Llama 3.1 Tulu 2 8B — языковая модель-помощник, разработанная AI2 и дообученная на базе Meta-Llama-3.1-8B. Модель с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Она обучена на смеси открытых, синтетических и созданных людьми данных, включая набор инструкций и диалогов Tulu V2; основной язык — английский. Модель предназначена для диалогового общения и выполнения пользовательских инструкций: она генерирует ответы на вопросы, помогает с рассуждениями и решает разнообразные текстовые задачи. В опубликованных оценках показаны результаты по знаниям, математическим задачам, программированию, следованию инструкциям и безопасности ответов. Модель распространяется под лицензией Apache 2.0; README также указывает на включённую лицензию Meta Llama 3.1. Tulu не проходила этап RLHF для выравнивания безопасных ответов и не использует фильтрацию ответов во время работы, поэтому может выдавать проблемный контент, особенно при соответствующих запросах.

Модель skshmjn предназначена для генерации запросов MongoDB по запросу на естественном языке. Она дообучена на базе unsloth/Llama-3.2-1B-Instruct и поддерживает создание CRUD-запросов, aggregation pipeline, запросов для индексации и запросов с вложенными структурами и операцией $lookup. Можно передать схему MongoDB, чтобы учитывать структуру данных; без схемы модель генерирует общие запросы. Это плотная языковая модель семейства Llama, доступная для Transformers и в форматах GGUF, включая варианты квантизации. Карточка указывает английский язык. Лицензия — Apache-2.0. Компактный размер базовой модели позволяет запускать её на CPU или GPU, однако карточка не приводит отдельной оценки качества или гарантии корректности сгенерированных запросов.

MergeBench опубликовала эту текстовую авторегрессионную модель для генерации кода и других текстовых продолжений. По метаданным, это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 3,2 млрд параметров; репозиторий содержит веса Safetensors и использует Transformers. Карточка Hugging Face автоматически сгенерирована и не уточняет обучение, языки, контекст или лицензию. Название и принадлежность к коллекции моделей Llama-3.2-3B указывают на кодовую специализацию, но подробности о её качестве и ограничениях не приведены.

Карточка модели SakanaAI/Llama-3-8B-Instruct-OS-Expert на Hugging Face совпадает с карточкой SakanaAI/Llama-3-8B-Instruct-Coding-Expert, поэтому описание составлено по ней. Sakana AI разработала Llama-3-8B-Instruct-Coding-Expert — экспериментальную авторегрессионную языковую модель семейства Llama на 7,5 млрд параметров, основанную на Llama-3-8B-Instruct. Модель предназначена для генерации текста в диалоговом режиме и ориентирована на задачи программирования; в README указаны обучающие данные Magicoder-Evol-Instruct-110K и Magicoder-OSS-Instruct-75K. Модель принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 8192 токенов. В README модель представлена как один из экспертных компонентов набора Llama-3-CycleQD. Это экспериментальный прототип для исследований и разработки: авторы не рекомендуют коммерческое использование и развертывание в критически важных средах, а качество результатов не гарантируется. Лицензия — Meta Llama 3 Community License.

Llama-3-8B-Magpie-Align-SFT-v0.2 — разговорная языковая модель, дообученная командой Magpie-Align на базе meta-llama/Meta-Llama-3-8B. Для обучения использованы наборы Magpie-Pro-MT-300K-v0.1 и Magpie-Reasoning-150K с примерами математики, программирования и рассуждений. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. Модель предназначена для ответов на инструкции и диалоговых сценариев, включая задачи на рассуждение, математику и код. В README сообщаются результаты на MT-Bench, Alpaca Eval 2 и Arena Hard, но они не гарантируют качество на конкретных запросах. Для лучшей работы рекомендуется официальный шаблон чата Llama 3. Модель рассчитана прежде всего на английский язык. Распространяется по лицензии Meta Llama 3 Community License; применяются условия этой лицензии.

Llama DEUS v3 — языковая модель семейства Llama, разработанная автором репозитория teknium и основанная на Llama 7B. Это объединённая с базовой моделью версия LoRA-дообучения: адаптер не требуется подключать отдельно. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовые инструкции в формате «### Instruction: … ### Response:». Контекст — до 2048 токенов. Модель дообучена на наборах общих инструкций, программирования, ролевого общения, а также биологии, физики, химии и математики. Она предназначена для генерации ответов и выполнения инструкций в этих сценариях. В README автор характеризует датасеты и модель как uncensored, что может приводить к выдаче нежелательного или небезопасного содержания. Модель распространяется по лицензии MIT.

LumenX1-Sept26-Release — текстовая авторегрессионная модель семейства Lumen Dense, опубликованная dusersad12 на Hugging Face. Она предназначена для диалогов и генерации ответов, особенно для сложных задач на рассуждение, математику, программирование и общую логику. В карточке заявлены улучшенные рассуждения, снижение числа галлюцинаций и поддержка вызова функций; для ответа на вопрос AIME 2026 указано в среднем 31 тыс. токенов рассуждения. Модель использует архитектуру LumenDenseForCausalLM и распространяется в формате PyTorch для Transformers. Репозиторий выпущен под лицензией MIT. Карточка не сообщает размер модели, длину контекста и поддерживаемые естественные языки. Заявления о качестве приведены в README, но детали бенчмарков описаны частично.

makeitwork-1 v13 — дообученная модель Akahsizrr для поиска информации в кодовых базах. Это декодерный трансформер Retriever500M в стиле LLaMA примерно с 497 млн параметров, обученный выполнять многошаговый поиск по запросам на естественном языке и работать с интерфейсом вызова инструментов поиска. Модель разбивает запрос на подзапросы, анализирует результаты поиска и при необходимости уточняет поиск, затем возвращает найденный фрагмент кода, путь к файлу и имя символа. Она рассчитана на точечный поиск определений, типов и функций, а также на расплывчатые и косвенные запросы, связанные с вызовами или поведением кода. В README приведена оценка точности поиска 92% на тестовом наборе из 50 запросов по 20 репозиториям; описаны отдельные случаи, когда модель пропускает дополнительный шаг поиска или ошибается в похожем имени символа. Для работы требуется внешняя система поиска по кодовой базе, которая предоставляет результаты модели через специальный формат взаимодействия. Метаданные указывают формат safetensors и язык en; лицензия в предоставленных данных не указана.

Mamba-Codestral-7B-v0.1-python_coding_assistant_16bit — локально запускаемый генератор кода, опубликованный Agnuxo (Francisco Angulo de Lafuente) и связанный в карточке с экосистемой P2PCLAW. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает текстовый ввод, выдавая текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель предназначена прежде всего для помощи в написании и генерации кода, включая Python, JavaScript, TypeScript, Rust, Go и C++, а также примеры задач научных вычислений и машинного обучения с NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. README также заявляет навыки координации агентов и интеграции MCP и A2A. Языки карточки — английский и испанский; качество генерации кода на перечисленных языках программирования в материалах не подтверждено независимыми оценками.

Mellum2-12B-A2.5B-Thinking-GGUF — GGUF-квантизированная версия модели Mellum2-12B-A2.5B-Thinking, разработанной JetBrains. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, решения задач с пошаговым рассуждением, программирования, математического анализа и работы с инструментами. В README указано, что поддерживается английский язык. Модель имеет обозначение 12B-A2.5B-Thinking; точная архитектура, длина контекста и распределение параметров в README не раскрыты. Доступны варианты от BF16 до различных уровней квантизации GGUF, включая Q8_0, Q6_K, Q5_K и Q4_K; размеры файлов составляют примерно от 8 до 24 ГБ для перечисленных вариантов. Для запуска поддерживаются llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Используется специальный chat-шаблон с маркерами im_start и im_end. Среди сильных сторон заявлены высокие результаты на задачах программирования, математики, общих знаний и следования инструкциям: например, 69,9% pass@1 на LiveCodeBench v6, 87,0% exact match на GSM-Plus и 86,2% accuracy на MMLU-Redux. Эти результаты помечены как непроверенные. Ограничения включают зависимость качества и требований к памяти от выбранной квантизации, неизвестную длину контекста и отсутствие данных о мультимодальности; README описывает модель как текстовую. Лицензия — Apache-2.0.

Модель merged-schema-forg-ai разработана Эдсоном Карвальо Интурией для генерации и преобразования схем API в экосистеме TypeScript. Это объединённая плотная языковая модель на архитектуре Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; она принимает текстовые описания, JSON и спецификации OpenAPI, а генерирует код Zod и zod-to-openapi, а также спецификации OpenAPI в JSON и YAML. Модель предназначена для автоматизации подготовки схем запросов и ответов, компонентов, параметров и описаний REST API. Модель обучалась на синтетических примерах преобразования JSON, Zod и OpenAPI и специализируется на этих задачах, а не на общей генерации кода. README описывает её как образовательный исследовательский проект. Репозиторий распространяется по лицензии Apache-2.0.

TroyDoesAI/Mermaid-Flow-MoE-Expert2 — текстовая модель генерации на архитектуре Llama с 10,6 млрд параметров. Она создана слиянием методом SLERP моделей TroyDoesAI/Mermaid-Solar и TroyDoesAI/Mermaid_PythonCoder; в конфигурации указана базовая модель TroyDoesAI/Mermaid-Solar. Модель предназначена для генерации текста по запросу и объединяет возможности исходных моделей, одна из которых ориентирована на код Python и Mermaid. Модель принимает текст и выдаёт текст. Нативное окно контекста составляет 4096 токенов. Репозиторий содержит веса Safetensors, для работы указана библиотека Transformers. Данных о конкретном качестве, поддерживаемых языках и лицензии в доступных источниках нет.

Meta-Llama-3.1-8B-Instruct_CODE_Python_English_Asistant-16bit-v2-GGUF — GGUF-квантизированная версия модели Agnuxo, подготовленная mradermacher. Модель основана на Meta Llama 3.1 с 8 млрд параметров и предназначена для генерации текста и кода, прежде всего для задач программирования на Python, работы в роли ассистента разработчика и локального использования. В обучении или дообучении указаны наборы данных jtatman/python-code-dataset-500k и Vezora/Tested-143k-Python-Alpaca. Заявлены английский и испанский языки; модальность — текстовая. Размер контекста и дополнительные архитектурные характеристики в README не указаны. Репозиторий предоставляет варианты GGUF-квантизации от Q2_K до Q8_0, а также f16, с размером файлов примерно от 3,3 до 16,2 ГБ. Более компактные варианты требуют меньше памяти, но могут уступать по качеству; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q8_0 — как вариант высокого качества. Модель подходит для локального запуска при наличии совместимого ПО для GGUF, однако README не содержит результатов бенчмарков, подробной оценки качества, ограничений по безопасности или описания точности генерации. Лицензия указана как Apache-2.0. В README не приведены сведения о специальных требованиях к аппаратному обеспечению, поддерживаемых языках программирования помимо Python или точном происхождении базовой архитектуры за пределами ссылки на Meta Llama 3.1.

Карточка модели median-group/Meta-Llama-3-8B-logits на Hugging Face совпадает с карточкой NousResearch/Meta-Llama-3-8B, поэтому описание составлено по ней. Meta Llama 3 8B — плотная авторегрессионная языковая модель семейства Llama 3, разработанная Meta. Эта версия принимает текст и генерирует текст, в том числе код; карточка репозитория описывает предварительно обученные и настроенные варианты семейства, но не уточняет, какой именно вариант представлен в этом репозитории. Модель предназначена для генерации текста на английском языке. Предварительно обученную версию можно адаптировать для разных задач генерации естественного языка, а настроенные варианты предназначены для диалоговых сценариев. Архитектура основана на оптимизированном Transformer и использует Grouped-Query Attention; размер модели — 7,5 млрд параметров, длина контекста — 8192 токена. Модель подходит для создания разговорных помощников, генерации и продолжения текста и кода. Результаты требуют проверки, а для приложения следует настроить дополнительные меры безопасности под конкретную аудиторию и сценарий. Лицензия — специальная коммерческая лицензия Meta Llama 3 с условиями использования и ограничениями; перед внедрением необходимо ознакомиться с её текстом и Acceptable Use Policy.

MiMo-7B-RL — языковая модель XiaomiMiMo на 7 млрд параметров, обученная с нуля как часть семейства MiMo-7B, а затем дообученная с подкреплением на основе SFT-модели. Она предназначена прежде всего для пошаговых рассуждений в математике и программировании. По карточке, при обучении использовались проверяемые математические и кодовые задачи с оценкой по правилам; модель поддерживает чат и интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Архитектура — плотная причинная модель MiMoForCausalLM; контекстное окно по метаданным — 32 768 токенов. В README описана поддержка спекулятивного декодирования с одним MTP-слоем. Карточка приводит результаты на математических и кодовых бенчмарках, но они не гарантируют аналогичного качества на произвольных запросах. README не сообщает языки обучения или подробные ограничения в использовании. Лицензия — MIT.

MiMo-Negentropy-9B-AGSI — плотная модель семейства Qwen3.5 примерно на 9 млрд параметров, созданная слиянием MiMo-V2.6-Distill-Qwen-9B от Xiaomi MiMo и Negentropy-claude-opus-4.7-9B от Jackrong. В README слияние названо AGSI Pipelined Fusion и описано как адаптивная спектральная интерполяция весов с защитой от конфликтов параметров. Модель предназначена для диалоговых и агентных сценариев, включая программирование, рассуждения и работу с терминалом. Метаданные указывают поддержку английского и китайского языков; репозиторий содержит веса в формате safetensors. Лицензия — MIT. Это текстовая генеративная модель с возможностью чата. Карточка не приводит результатов сравнительной оценки и не подтверждает практические гарантии качества; мультимодальные возможности базовой модели не следует автоматически считать возможностями этой версии.

MiMo-Ornith-9B-AGSI — объединённая языковая модель OliviaRossi, созданная слиянием XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B и ornith-ai/Ornith-1.5-9B. Она предназначена для генерации текста в диалоге, рассуждений, программирования и агентных сценариев с вызовом инструментов, включая работу с терминалом и CLI. В метаданных указана плотная архитектура семейства Qwen 3.5; репозиторий содержит веса Safetensors и рассчитан на Transformers. README описывает метод слияния AGSI, а также рекомендует запускать модель с контекстом до 131 072 токенов. Модель ориентирована на сочетание математических и программных рассуждений с выполнением агентных задач и самоотладкой. Карточка сообщает о шаблоне чата Qwen и форматировании, отделяющем внутренние рассуждения от итогового ответа. Поддерживаемые языки по данным карточки — английский и китайский. Лицензия — Apache-2.0. Практические результаты и рекомендуемые параметры запуска из README не являются независимой оценкой качества; заявленный длинный контекст зависит от используемого сервера и конфигурации.

MiMo-V2.6-Distill-Qwen-9B-GGUF — GGUF-версия агентной модели MiMo-V2.6-Distill-Qwen-9B, разработанной Xiaomi MiMo. Модель представляет собой результат supervised fine-tuning Qwen3.5-9B на данных, сгенерированных MiMo, и предназначена для дальнейших исследований в области агентного обучения с подкреплением. Модель ориентирована на программирование, общие агентные задачи, визуальное программирование и кибербезопасность, а также поддерживает использование инструментов. Объём модели составляет 9 млрд параметров. В README указана поддержка английского языка и pipeline image-text-to-text, а наличие мультимодального проекционного файла указывает на сценарии работы с изображениями и текстом. Доступны варианты квантования от BF16 до Q3_K_L, что позволяет выбирать между качеством и требованиями к памяти; рекомендованными названы Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S и Q6_K. Сильными сторонами заявлены заметные улучшения относительно базовой Qwen3.5-9B в задачах автоматизации, кибербезопасности, работы в терминале и программирования, включая SWE-bench. Ограничения включают зависимость качества и требований к памяти от выбранного варианта квантования, а также отсутствие в README точных сведений о размере контекстного окна и подробностей о поддерживаемых языках помимо английского. Лицензия указана как other; базовая модель Qwen3.5-9B распространяется под Apache-2.0, но условия лицензирования данного репозитория требуют отдельной проверки.