II.2Создание и понимание программного кода

Карточка модели dendriteholdings/albedo-qwen3.6-35b-king-genesis на Hugging Face совпадает с карточкой Qwen/Qwen3.6-35B-A3B, поэтому описание составлено по ней. Qwen3.6-35B-A3B — открытая модель весов от Qwen, представленная как языковая модель с энкодером изображений и архитектурой смеси экспертов. В ней 35 млрд параметров, из которых при генерации активируются около 3 млрд; конфигурация включает 40 слоёв и 256 экспертов. Модель предназначена для диалогов, программирования и работы с изображениями, а также поддерживает вызов инструментов через соответствующий интерфейс. Основные сценарии — агентное программирование, анализ репозиториев, создание веб-интерфейсов и итеративная разработка с сохранением контекста рассуждений между сообщениями. Модель принимает текст и изображения и генерирует текст. Нативное окно контекста составляет 262 144 токена, с расширением до 1 010 000 токенов. В README приведены англоязычные и китайскоязычные примеры оценки веб-разработки; полная таблица поддерживаемых языков опущена. Веса доступны в формате Safetensors и совместимы с Transformers, vLLM, SGLang и другими указанными средами. Для работы с длинным контекстом требуются значительные вычислительные ресурсы; README рекомендует уменьшать окно при нехватке памяти и современные серверные движки для производительных нагрузок. Лицензия — Apache 2.0.

Карточка модели dendriteholdings/albedo-qwen3.6-35b-king-LXXXII на Hugging Face совпадает с карточкой Qwen/Qwen3.6-35B-A3B, поэтому описание составлено по ней. Qwen3.6-35B-A3B — открытая модель весов от Qwen, представленная как языковая модель с энкодером изображений и архитектурой смеси экспертов. В ней 35 млрд параметров, из которых при генерации активируются около 3 млрд; конфигурация включает 40 слоёв и 256 экспертов. Модель предназначена для диалогов, программирования и работы с изображениями, а также поддерживает вызов инструментов через соответствующий интерфейс. Основные сценарии — агентное программирование, анализ репозиториев, создание веб-интерфейсов и итеративная разработка с сохранением контекста рассуждений между сообщениями. Модель принимает текст и изображения и генерирует текст. Нативное окно контекста составляет 262 144 токена, с расширением до 1 010 000 токенов. В README приведены англоязычные и китайскоязычные примеры оценки веб-разработки; полная таблица поддерживаемых языков опущена. Веса доступны в формате Safetensors и совместимы с Transformers, vLLM, SGLang и другими указанными средами. Для работы с длинным контекстом требуются значительные вычислительные ресурсы; README рекомендует уменьшать окно при нехватке памяти и современные серверные движки для производительных нагрузок. Лицензия — Apache 2.0.

AlchemistCoder-DS-6.7B-GGUF — квантованная в формате GGUF версия модели AlchemistCoder DS 6.7B, разработанной InternLM и основанной на DeepSeek-Coder-Base. Квантование выполнено bartowski с использованием llama.cpp. Модель предназначена прежде всего для генерации, понимания, анализа и ревью программного кода, а также других задач, связанных с разработкой программного обеспечения. Модель содержит 6,7 млрд параметров и работает с текстовыми входными и выходными данными. Она дообучалась на 200 млн токенов гармонизированных данных шести типов, включавших развитие инструкций, фильтрацию данных и задачи проверки кода. Для работы в LM Studio рекомендуется пресет Alpaca с шаблоном запроса «### Instruction» и «### Response». Согласно README, модель показывает высокие результаты на шести бенчмарках программирования, превосходит открытые модели сопоставимого размера и может конкурировать с более крупными моделями; также отмечены улучшения на MMLU, BBH и GSM8K. При этом конкретные поддерживаемые языки программирования, размер контекстного окна и характеристики отдельных вариантов квантования не указаны, а результаты зависят от выбранного варианта GGUF и условий запуска. Модель распространяется по лицензии Apache-2.0.

Apollo-v1-7b — языковая модель на архитектуре Mistral с 7,1 млрд параметров, представленная nextai-team. Она создана на основе Mistral-7b-Instruct-0.2 и предназначена для ответов на вопросы и запросы, связанные с программированием. Модель принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Модель подходит для помощи в написании и проверке кода, технической поддержки и обучения программированию. Карточка указывает на слияние моделей семейства Mistral, но метаданные классифицируют происхождение как дообучение базовой модели. Доступна по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование. Модель может наследовать предвзятости обучающих данных и хуже отвечать на вопросы за пределами своей области обучения. Результаты следует критически проверять, особенно при использовании в чувствительных или критически важных сценариях.

AReaL-boba²-8B — языковая модель для генерации текста и решения задач программирования, созданная командой RL Lab, Ant Research. Она основана на Qwen3 и обучена с помощью обучения с подкреплением в системе AReaL; в README приведены результаты на LiveCodeBench, Codeforces и CodeContests. Модель предназначена для генерации и объяснения кода, решения задач по программированию и диалогового взаимодействия с инструментами. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Она принимает текст и генерирует текст; интерфейс поддерживает чат и вызов инструментов. Лицензия — Apache-2.0. README не сообщает конкретные поддерживаемые естественные языки.

Aurora-Code-1 — языковая модель для программирования, разработанная канадской компанией Perciqa на базе Qwen3.6-35B-A3B. Это дообученная методом LoRA SFT модель архитектуры Transformer с механизмом Mixture-of-Experts: в README указано 35 млрд параметров всего и 3 млрд активируемых на токен; метаданные каталога указывают 2,9 млрд параметров. Модель предназначена для генерации и анализа кода, отладки, ревью и многошаговой работы агентных систем с кодовыми базами. Обучение проводилось на 2 700 инструкционных примерах для задач программирования. README заявляет поддержку более 40 языков программирования и перечисляет Python, TypeScript, Go и Rust. Модель принимает текстовые запросы и выдаёт текст, включая код. Контекстное окно — 262 144 токена. Её можно развернуть на собственной инфраструктуре; указана совместимость с Transformers, vLLM и Ollama. Лицензия — Apache-2.0. Независимые оценки на LiveCodeBench, SWE-bench Verified, HumanEval+ и MBPP+ на момент карточки ещё не опубликованы, поэтому качество на этих тестах не подтверждено. Для запуска README ориентирует примерно на 60–65 ГБ VRAM, например одну карту A100/H100 на 80 ГБ или две карты по 48 ГБ; также упоминается CPU offload.

BerkeliumGPT2-Coder-3b — компактная языковая модель для программирования от Berkelium AI, построенная на архитектуре Qwen2. Она содержит 3,1 млрд параметров, рассчитана на генерацию кода и диалоговый режим; заявленная длина контекста — 32 768 токенов. Модель распространяется в формате safetensors и ориентирована на локальный запуск на потребительском и разработческом оборудовании. Модель предназначена для генерации и дополнения кода, отладки, рефакторинга, объяснения исходников, создания тестов и документации, а также анализа контекста репозитория. В README описан фокус обучения на задачах разработки и работе с реальными программными проектами. Указанная лицензия — Apache-2.0. Это компактная модель, поэтому её ответы могут содержать ошибки, пропускать граничные случаи, выдумывать API или неверно понимать требования. Сгенерированный код следует проверять и тестировать; для чувствительного к безопасности ПО нужны дополнительные проверки. Интерфейс вызова инструментов и автономные агентные возможности обозначены как планы, а не как готовые функции.

BerkeliumGPT2-Coder-3b — дообученная на коде модель генерации текста на архитектуре Qwen2.5 с 3,1 млрд параметров. Разработчик обучал её на наборе BerkeliumCoding, составленном из 176 репозиториев с разрешительными лицензиями. Модель предназначена для генерации кода и диалоговой работы с запросами о программировании. Модель распространяется в формате SafeTensors с точностью bfloat16 и поддерживает запуск через Apple MLX и Transformers; в метаданных также указана совместимость с vLLM. Карточка README указывает контекст 4096 токенов, тогда как метаданные каталога — 32768 токенов, поэтому фактическую длину контекста следует проверять для используемой конфигурации. Лицензия — Apache-2.0.

mlx-community/bigcode-starcoder2-15b-fp32 — конвертированная в формат MLX модель StarCoder2-15B, опубликованная mlx-community. Она предназначена для генерации и автодополнения программного кода по текстовому контексту, в том числе для заполнения пропусков внутри кода. В карточке указано, что исходная модель bigcode/starcoder2-15b преобразована с помощью mlx-lm 0.21.1; метаданные описывают архитектуру StarCoder2ForCausalLM и 21,7 млрд параметров. Модель принимает текстовый контекст и генерирует код или продолжение текста. Поддерживает контекст до 16 384 токенов. В метаданных указана лицензия BigCode OpenRAIL-M; перед использованием следует учитывать её условия и ограничения. Конкретные языки программирования и результаты оценки качества для этой сборки в карточке не приведены.

Blitzar-Coder-4B-F.1-GGUF — модель для генерации кода, разработанная prithivMLmods. Это GGUF-версия Blitzar-Coder-4B-F.1, дообученной на базе Qwen3-4B с использованием расширенных наборов трассировок программирования. Модель предназначена для генерации и отладки кода, а также решения задач, требующих рассуждений, особенно при ограниченных вычислительных ресурсах. Модель ориентирована на работу более чем с десятью языками программирования, включая Python, Java, C#, C++, C, Go, JavaScript, TypeScript и Rust. Точные сведения об архитектуре, размере контекста и поддерживаемых естественных языках, кроме английского, в карточке не указаны. Доступны варианты от Q2_K до Q8_0, а также F16, BF16 и F32; размер файлов составляет примерно от 1,67 до 16,1 ГБ. Q4_K_M и Q5_K_M рекомендуются как сбалансированные варианты, а Q6_K, Q8_0 и версии с плавающей точностью обеспечивают более высокое качество ценой большего потребления ресурсов. Сильными сторонами модели являются специализация на программировании, поддержка нескольких языков программирования и широкий выбор вариантов квантования для запуска на оборудовании с разными ограничениями. Более компактные варианты обеспечивают более быструю инференцию, но могут уступать в качестве; для F16, BF16 и особенно F32 требуется больше видеопамяти. Модель распространяется по лицензии Apache-2.0.

petedavis/bmk-models — квантизированная версия KAT-Coder-V2.5-Dev, подготовленная для bare-metal движка инференса bmk. Модель основана на MoE-архитектуре Qwen3.5: около 34,7 млрд параметров всего и примерно 3 млрд активных; в ней 40 слоёв, 256 маршрутизируемых экспертов с выбором top-8 и один общий эксперт. Используется гибридное внимание GDN/SSM, заявленный контекст — 262 144 токена. Веса представлены в формате GGUF с асимметричной квантизацией: экспертные gate/up слои — IQ2_XXS, down слои — Q2_K, а внимание, общий эксперт, эмбеддинги и выходная голова — Q8_0. Квантизация откалибрована importance matrix. Модель рассчитана на генерацию кода и агентные сценарии программирования; потоковая загрузка экспертов предназначена для запуска на видеокартах с 8, 12 или 16 ГБ VRAM. Лицензия — Apache-2.0.

CAC-v0.1 — языковая модель CodeMate объёмом 6,6 млрд параметров, дообученная на базе deepseek-ai/deepseek-coder-6.7b-base для автодополнения и генерации кода. Она принимает текстовые инструкции в формате Alpaca/Vicuna и выдаёт текст, в том числе фрагменты программного кода. В README указано обучение на внутреннем наборе из 1,8 млрд токенов программных задач и решений; использовалась последовательность длиной 8096 токенов, а для обучения применялась Flash Attention 2. Контекст модели составляет до 16 384 токенов. Модель предназначена для дополнения кода и связанных задач: генерации, суммаризации, перевода и оптимизации кода, ответов на вопросы, отладки и ревью. Заявлена поддержка Python, C/C++, TypeScript, Java и других языков программирования. Это ранняя версия 0.1, находящаяся в разработке, и она прошла ограниченное тестирование. Лицензия в предоставленных данных не указана.

Cipher-20B — плотная причинная языковая модель на 19,8 млрд параметров семейства Qwen2, представленная HelpingAI. Она предназначена прежде всего для генерации кода и работы в формате диалога с техническими запросами. Модель обучена на коде, задачах программирования и технической документации, а также дообучена для работы с несколькими языками программирования, включая Python, JavaScript и C++. Cipher-20B может создавать код, находить и исправлять распространённые ошибки и объяснять фрагменты кода. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Метаданные указывают на интерфейс вызова инструментов. Язык карточки — английский, а теги также отмечают поддержку английского. Возможные ограничения: ответы могут быть многословными, длинная генерация кода может упереться в лимит токенов, а неоднозначные запросы могут приводить к неполным или ошибочным решениям. README заявляет, что модель избегает вредоносного кода. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

Claude Opus 4.1 — обновлённая флагманская модель Anthropic с улучшенными возможностями программирования, рассуждений и выполнения агентных задач. Её можно применять для помощи при разработке ПО, решения сложных задач и сценариев, где модель выполняет последовательные действия от имени пользователя. В README указано, что модель набрала 74,5% на SWE-bench Verified. Данных о размере, архитектуре, модальностях, языках, контексте и лицензии в предоставленных материалах нет.

Claude Sonnet 4.5 — модель Anthropic, оптимизированная для автономных агентов и рабочих процессов программирования. В карточке она описана как наиболее продвинутая на момент выпуска модель семейства Sonnet и как модель с высокими результатами на тесте SWE-bench Verified. Каталог классифицирует модель как image-text-to-text. Доступные сведения не подтверждают детали архитектуры, размер, контекстное окно, языки, лицензию или конкретные возможности работы с изображениями, поэтому эти характеристики не приводятся.

Code-13B — полноценно дообученная модель Ajibawa на базе Llama 2 для генерации кода и подробных объяснений к нему. Модель содержит 12,9 млрд параметров, использует плотную архитектуру Llama и принимает запросы в текстовом формате Vicuna/ShareGPT; родной контекст — 4096 токенов. Модель обучена на наборе Code-74k-ShareGPT, включающем примерно 74 тысячи примеров с кодом и диалогами. В карточке названы Python, Java, JavaScript, Go, C++, Rust и другие языки программирования. Модель подходит для создания фрагментов кода с пояснениями и ответов на вопросы по программированию. Модель распространяется под лицензией CC BY-NC-ND 4.0, которая запрещает коммерческое использование и распространение производных версий. Генерация кода может содержать ошибки, поэтому результаты следует проверять; обучение и оценка не гарантируют корректность кода для конкретной задачи.

Code-33B — полноценно дообученная модель на базе Llama-1, созданная ajibawa-2023 для генерации кода с подробными объяснениями. Модель обучена на наборе Code-74k-ShareGPT, содержащем около 74 тысяч примеров диалогов с кодом. Она принимает запросы в формате Vicuna/ShareGPT и предназначена для ответов помощника на вопросы о программировании. Модель генерирует код на Python, Java, JavaScript, Go, C++, Rust и других языках программирования, сопровождая его объяснениями. Это плотная авторегрессионная Llama-модель с 32,3 млрд параметров и контекстом 2048 токенов. Репозиторий содержит веса PyTorch; автор также ссылается на отдельные квантованные версии. Лицензия — CC-BY-NC-ND-4.0, которая ограничивает коммерческое использование и распространение производных версий.

CodeFuse-13B — модель генерации кода, разработанная командой CodeFuse и построенная на архитектуре GPT-NeoX. В метаданных указано 17,3 млрд параметров, а карточка описывает модель как 13B; она обучена на корпусе из кода, китайских и английских текстов и дообучена на CodeFuse-Evol-instruction-66k. Модель рассчитана на генерацию кода более чем на 40 языках программирования и поддерживает контекст до 4096 токенов по метаданным; README отдельно указывает последовательности кода до 4096 символов. Модель подходит для генерации фрагментов кода по текстовым инструкциям и решения задач программирования. В карточке заявлен результат Pass@1 37,1% на HumanEval при Beam Search с размером луча 3. Для работы описан стек PyTorch и Transformers. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

CodeFuse-StarCoder2-15B — языковая модель для программирования, разработанная CodeFuse и дообученная с помощью LoRA на нескольких задачах, связанных с кодом, на базе bigcode/starcoder2-15b. Она предназначена для генерации кода и диалогового взаимодействия при решении задач программирования. В README приведены результаты HumanEval pass@1 73,17% и оценки HumanEval-X для Python, JavaScript, Java, C++, Go, а также MBPP-500; эти показатели относятся к указанным тестам и не гарантируют качество в других сценариях. Модель использует плотную архитектуру StarCoder2 и содержит 21,7 млрд параметров; длина контекста — 16 384 токена. Репозиторий содержит веса Safetensors, а метаданные указывают поддержку чата. Для запуска README перечисляет PyTorch, Transformers, SentencePiece и CUDA. Лицензия в предоставленных данных не указана.

CodeGemma 1.1 7B IT — инструкция-дообученная языковая модель Google из семейства Gemma, предназначенная для программирования. Это декодерная модель с 7 млрд параметров; она принимает текстовые запросы и генерирует код или ответы на естественном языке. Модель рассчитана на диалог о коде, выполнение инструкций и генерацию программ по текстовому описанию. Модель подходит для ответов на вопросы по фрагментам кода, генерации кода по описанию, обсуждения технических задач и интерактивного обучения программированию. Для использования в диалоге следует применять встроенный шаблон чата токенизатора. В README указано, что для автодополнения кода в IDE рекомендуются предварительно обученные варианты CodeGemma. Модель обучена на базе Gemma и дополнительно на данных из открытых репозиториев кода, математических наборов данных и синтетически созданного кода; обучающие данные преимущественно англоязычные. Лицензия — Gemma. Как и другие большие языковые модели, она может ошибаться; подробности ограничений отсылаются к карточке Gemma.

CodeGemma 7B IT — инструкция-дообученная модель для кода, разработанная Google на основе Gemma. Это декодерная языковая модель с 7 млрд параметров, принимающая текстовые запросы и генерирующая код или текст. Она предназначена для ответов на вопросы о коде, генерации программ по описанию на естественном языке и диалогов о программировании и технических задачах. Модель подходит для разговорных помощников по программированию, обучения и практики написания кода, а также для исправления синтаксиса и генерации кода в IDE. Для автодополнения кода в редакторе Google рекомендует предварительно обученные варианты CodeGemma, а не эту инструкционную версию. Модель работает через Transformers и поставляется в формате safetensors; для диалога следует применять шаблон чата из токенизатора. Обучающие данные включают преимущественно англоязычные публичные репозитории кода, открытые математические наборы данных и синтетически созданный код. Модель может ошибаться, поскольку наследует общие ограничения больших языковых моделей и ограничения, описанные для Gemma. Лицензия — Gemma; использование регулируется условиями Google.

CodeGen-Mono 16B — авторегрессионная языковая модель для синтеза программного кода, разработанная Salesforce. Вариант Mono инициализирован из CodeGen-Multi 16B и дополнительно обучен на наборе BigPython, содержащем 71,7 млрд токенов кода на Python. Размер модели — 16 млрд параметров; архитектура — плотная CodeGenForCausalLM, формат весов — PyTorch, контекст — 2048 токенов. Модель предназначена для генерации исполняемого кода по подсказкам на естественном языке, представленным в виде комментариев, а также для продолжения частично написанного кода. В карточке приведена оценка на HumanEval и MTPB. Лицензия — BSD-3-Clause. Модель может ошибаться и не оценивалась для всех вариантов применения; перед использованием результата следует проверять код. Разработчик выпустил её для исследовательских целей в поддержку академической статьи и рекомендует учитывать вопросы точности, безопасности и справедливости.

CodeGen2-16B_P — авторегрессионная языковая модель для синтеза программного кода из семейства CodeGen2, разработанного Salesforce. Это плотная модель класса CodeGenForCausalLM с 16 млрд параметров; она принимает текст и генерирует продолжение, а также поддерживает заполнение пропусков в коде по контексту до 2048 токенов. Модель предназначена прежде всего для генерации исполняемого кода по подсказкам на английском языке в виде комментариев и для завершения частично написанных программ. Обучение проводилось на permissive-подмножестве дедуплицированного Stack v1.1. В карточке перечислена поддержка языков программирования C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, shell, SQL, Swift, TypeScript и Vue. Проверка включала HumanEval и HumanEval-Infill. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Авторы указывают, что выпуск предназначен для исследовательских целей; перед применением следует оценить точность и безопасность результатов. Модель лучше всего подходит для синтеза кода, а качество и уместность сгенерированных программ требуют проверки.

Salesforce CodeGen2-1B_P — авторегрессионная языковая модель семейства CodeGen2 с плотной архитектурой CodeGenForCausalLM и примерно 1 млрд параметров. Она предназначена прежде всего для генерации программного кода по текстовым подсказкам на английском языке, продолжения фрагментов кода и заполнения пропусков внутри кода. Модель поддерживает несколько языков программирования, включая Python, JavaScript, Java, C++, Go, Rust и SQL; длина контекста — 2048 токенов. Модель обучена на разрешённой для использования под permissive-лицензиями части дедуплицированного набора Stack v1.1 и оценивалась на HumanEval и HumanEval-Infill. Она подходит для генерации и дополнения кода, но результаты требуют проверки на корректность, безопасность и соответствие задаче. Разработчик указывает исследовательское назначение выпуска; лицензия репозитория — Apache-2.0.

CodeGen2 — авторегрессионная языковая модель Salesforce для синтеза программного кода. Эта версия содержит 3,7 млрд параметров, построена на плотной архитектуре CodeGenForCausalLM и работает с контекстом до 2048 токенов. Модель принимает текстовые подсказки на естественном языке и фрагменты кода, продолжает код и умеет заполнять пропуски внутри него. Модель обучена на очищенном наборе Stack v1.1 и рассчитана на генерацию исполняемого кода по подсказкам на английском языке, а также на дополнение существующих фрагментов. В карточке перечислены C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Веса доступны в формате PyTorch; лицензия — Apache 2.0. Результаты генерации следует проверять: модель может выдавать ошибочный или небезопасный код, а авторы рекомендуют оценивать точность и риски перед внедрением. Карточка указывает исследовательское назначение выпуска; это само по себе не означает, что чекпойнт является промежуточным исследовательским экспериментом.

CodeGen2.5-7B-instruct — авторегрессионная языковая модель для генерации программного кода, разработанная Salesforce. Модель содержит 6,7 млрд параметров, построена на плотной архитектуре Llama и обучена на инструкционных данных после CodeGen2.5-7B-mono; контекст — 2048 токенов. Предобучение семейства включало 1,4 трлн токенов StarCoderData. Модель предназначена для создания исполняемого кода по запросам на английском языке, автодополнения фрагментов программ и заполнения пропусков в коде. Она поддерживает несколько языков программирования и формат infilling. Репозиторий содержит веса PyTorch; карточка указывает исследовательское применение. Лицензия в метаданных обозначена как other, поэтому условия использования следует проверять для конкретной версии модели. Модель может воспроизводить фрагменты исходного кода из обучающих данных; лицензия такого кода может требовать указания авторства или соблюдения других условий. Качество, безопасность и корректность результатов не оценены для всех сценариев использования, поэтому сгенерированный код требует проверки.

CodeGen2-7B_P — авторегрессионная языковая модель семейства CodeGen2, разработанная Salesforce для генерации программного кода. Модель с плотной архитектурой CodeGenForCausalLM содержит 7 млрд параметров, работает с контекстом до 2048 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Модель генерирует код по текстовым подсказкам, продолжает незавершённые фрагменты и поддерживает заполнение пропусков внутри кода. В обучении использовался очищенный набор Stack v1.1; заявлена поддержка языков C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. В первую очередь она предназначена для синтеза программ по англоязычным комментариям и завершения кода. Качество и безопасность сгенерированного кода требуют проверки: модель не оценивалась для всех сценариев применения и может допускать ошибки. Авторы рекомендуют оценивать риски перед внедрением; карточка указывает исследовательскую направленность релиза.

Code Llama 13B — базовая генеративная модель Meta для синтеза и понимания кода. Это авторегрессионный трансформер семейства Llama с плотной архитектурой, содержащий 12,9 млрд параметров. Данная версия представлена в формате Transformers и принимает текст, выдавая текст; она поддерживает контекст до 16 384 токенов. Модель предназначена для продолжения и дополнения кода, включая infilling, а также для адаптации к разным задачам генерации и анализа кода. Она рассчитана на английский язык и языки программирования; это базовая версия, а не вариант для следования инструкциям или специализированная Python-модель. Модель может генерировать неточный или нежелательный код, поэтому результаты требуют проверки и тестирования в целевом приложении. Использование регулируется лицензией Meta Llama 2; карточка указывает на наличие коммерческой лицензии Meta.

CodeLlama 13B Instruct — языковая модель для генерации и объяснения программного кода, разработанная Meta. В данном репозитории опубликованы её квантизированные файлы в формате GGUF, подготовленные TheBloke на основе оригинальной модели codellama/CodeLlama-13b-Instruct-hf. Модель предназначена для решения задач программирования по текстовому описанию, включая написание кода с учетом ограничений и примеров тестов. Она относится к семейству Llama, имеет размер 13 млрд параметров и работает в режиме text-generation. Указана модальность работы с текстом и кодом; конкретные языки программирования и максимальная длина контекста в README не перечислены. Для запросов рекомендуется шаблон CodeLlama с инструкцией в формате [INST]...[/INST]. Формат GGUF обеспечивает совместимость с llama.cpp и рядом пользовательских интерфейсов и библиотек, включая text-generation-webui, LM Studio, KoboldCpp, llama-cpp-python и другие. Доступны варианты квантизации от 2 до 8 бит для запуска с использованием CPU и GPU, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Ограничениями являются возможная потеря качества из-за квантизации и специализация прежде всего на задачах, связанных с кодом; сведения о результатах тестирования и производительности отсутствуют. Лицензия указана как Llama 2.

Code Llama 34B — базовая авторегрессионная языковая модель Meta на архитектуре Transformer, представленная в формате для Hugging Face Transformers. Она содержит 33,5 млрд параметров и предназначена для генерации и понимания кода; эта версия не является вариантом Python или Instruct и не ориентирована на диалоговые инструкции. Модель принимает текст и генерирует текст. Её можно применять для автодополнения кода и адаптировать к другим задачам синтеза и понимания программ. Для работы с длинными запросами поддерживается контекст до 16 384 токенов. Основной язык карточки — английский; модель также работает с релевантными языками программирования. Модель обучена на статическом наборе данных, поэтому её ответы могут быть неточными или нежелательными; перед внедрением требуется проверка и настройка под конкретное применение. Использование регулируется лицензией Meta Llama 2, включая её условия и ограничения.