II.2Создание и понимание программного кода

sarvam-m — текстовая многоязычная модель Sarvam AI на архитектуре Mistral-Small, дообученная на базе mistralai/Mistral-Small-3.1-24B-Base-2503. Модель содержит 23,4 млрд параметров, принимает и генерирует текст и поддерживает контекст до 32 768 токенов; для работы с Transformers используются веса в формате Safetensors. Модель предназначена для диалогов на английском и индийских языках, а также для решения математических задач, программирования и логических рассуждений. В режиме think она ориентирована на сложные задачи, а режим non-think подходит для обычного общения. Поддерживаются индийские языки как в родной письменности, так и в латинской транслитерации. Разработчик сообщает об улучшениях относительно базовой модели на тестах индийских языков, математики и программирования. Модель выпущена под лицензией Apache-2.0. В карточке заявлены текстовый ввод и вывод; работа с изображениями и другими модальностями не заявлена.

SemCoder S 1030 — языковая модель для генерации кода, представленная проектом SemCoder из лаборатории ARiSE. Она предназначена для сценариев, где требуется создавать код с учётом семантики и рассуждений о программе. Модель основана на архитектуре Llama, содержит 6,6 млрд параметров и поддерживает контекст до 16 384 токенов; доступна в формате safetensors для библиотеки Transformers и имеет возможность диалогового взаимодействия. Модель обучалась на синтетических данных, созданных моделями OpenAI. README отсылает за подробным описанием к репозиторию проекта; конкретные поддерживаемые языки программирования и результаты оценки здесь не приведены. В метаданных указана лицензия other, поэтому перед использованием следует проверить условия лицензии и учитывать условия OpenAI, относящиеся к синтетическим данным и наборам данных.

SFR-Embedding-Code-2B_R — плотная модель эмбеддингов от Salesforce Research для многоязычного поиска по коду и тексту. Она предназначена для получения векторных представлений, которые можно использовать для поиска и сопоставления запросов с фрагментами кода или текстами. Модель содержит 2,7 млрд параметров, принимает последовательности длиной до 8192 токенов и распространяется в формате safetensors. В README сообщается о результатах на нескольких задачах поиска по коду и о среднем показателе CoIR 67,4 NDCG@10; модель показала более высокие результаты, чем приведённые в сравнительной таблице открытые модели для эмбеддингов кода. Карточка описывает семейство как многоязычное и многозадачное, но конкретные естественные языки не перечисляет. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; разработчики также рекомендуют оценивать точность, безопасность и справедливость перед применением, особенно в сценариях высокого риска.

Signal 3.8 27B — дообученная AgentionAI мультимодальная модель на архитектуре Qwen3.5 с 27 млрд параметров, предназначенная для более краткой и быстрой генерации ответов. По данным разработчика, при сохранении качества на их проверочных наборах модель сокращала число токенов в ответах и рассуждениях; после обновления весов 13 сентября 2026 года эти показатели ещё не были повторно измерены. Изменена только матрица выходного слоя lm_head, остальные веса, включая vision encoder, проектор и MTP draft head, совпадают с Qwen/Qwen3.8-27B. Модель поддерживает диалог, анализ изображений и интерфейс вызова инструментов. Её можно использовать для лаконичных ответов на вопросы, программирования, рассуждений и задач с изображениями; автор приводит настройки запуска с контекстом до 65 536 токенов. Для стабильной краткой генерации рекомендуются параметры семплирования и кэширования, указанные в карточке модели. Модель распространяется в формате BF16 через Transformers и совместима с vLLM, SGLang и конвейерами квантизации. Лицензия — Apache-2.0. Приведённые сравнения качества и скорости относятся к конкретным тестам разработчика; измерения токеновой экономии для обновлённых весов ещё не завершены.

Это модель Sentence Transformers на базе CodeBERTa-small-v1, дообученная buelfhood на примерах Java-кода из набора SOCO_TRAIN_java. Архитектура включает RoBERTa-трансформер с усреднением токенных представлений; модель кодирует входной текст в плотный вектор размерности 768. Максимальная длина последовательности — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель предназначена для поиска семантически близких фрагментов кода и сравнения Java-примеров. Её можно применять для семантического поиска по коду, поиска дубликатов и похожих реализаций, кластеризации и извлечения эмбеддингов для последующей классификации. Обучение использовало тройки anchor, positive и negative с CachedMultipleNegativesRankingLoss. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Sentence Transformers. Контекст ограничен 512 токенами; модель обучалась на Java-коде, поэтому качество на других языках программирования и обычном тексте может быть ниже или не оценивалось. Лицензия в предоставленных данных не указана.

Merlinoz11/Solar-Open2-Apex-GGUF — GGUF-версия модели Solar Open 2 от Upstage, семейства больших языковых моделей с открытыми весами. Это модель с архитектурой Hybrid-Attention Mixture-of-Experts: всего около 250 млрд параметров, из которых на каждом токене активируются примерно 15 млрд. Гибридное чередование линейного и обычного внимания рассчитано на эффективную генерацию в длинном контексте; базовая модель поддерживает контекст до 1 048 576 токенов. Модель предназначена для агентных сценариев: многошагового рассуждения и выполнения задач, вызова инструментов, работы с документами, офисных задач и программирования. README описывает поддержку английского, корейского и японского языков. В метаданных этой копии указаны задача text-generation, чат-возможности и формат GGUF; отдельная специализация данного репозитория сверх базовой модели не уточняется. Для запуска полной модели README приводит конфигурацию с восемью GPU, каждый с памятью не менее 141 ГБ; фактические требования зависят от длины контекста и настроек. GGUF может быть удобен для локального развёртывания, но карточка этой копии не сообщает точный уровень квантизации или требования к ресурсам. Лицензия обозначена как other, поэтому условия использования следует проверять в исходной карточке и документах лицензии Upstage.

jondurbin/spicyboros-70b-2.2 — экспериментальная инструкционная языковая модель на архитектуре Llama, созданная Jondurbin на основе преимущественно синтетических данных Airoboros 2.2. Модель содержит 68,7 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Карточка описывает формат диалога с ролями USER и ASSISTANT и примерами для ответов по предоставленному контексту, написания текстов, программирования и генерации JSON или YAML для вызова функций. Модель рассчитана на широкий круг инструкционных задач и особенно ориентирована на пары «инструкция — ответ», а не на непринуждённый чат. В обучении использовались синтетические данные, включая примеры с ослабленными ограничениями на ответы. Разработчик предупреждает, что модель может выдавать ненормативную лексику и чувствительный или откровенный контент, а также рекомендует останавливать генерацию при появлении новой реплики USER. Лицензия указана как Llama 2; применение должно соответствовать её условиям.

SQLCoder — языковая модель компании Defog для преобразования вопросов на естественном языке в SQL-запросы. Это дообученная версия StarCoder с архитектурой GPTBigCode и 15 млрд параметров; она принимает текст и генерирует текст SQL. Модель обучали на 10 537 подготовленных людьми вопросах, охватывающих десять схем баз данных, и оценивали на схемах, не встречавшихся при обучении. В тестах Defog сообщала о точности 64,6% на своём наборе оценки sql-eval. Модель предназначена для генерации запросов с группировкой, сортировкой, условиями, объединением таблиц и вычислением отношений. Максимальная длина контекста — 8192 токена. В README указана проверка на GPU A100 с весами bfloat16; 8-битный вариант описан как способ запуска на потребительских устройствах с памятью от 20 ГБ. Репозиторий помечен как устаревший: автор рекомендует более новую модель sqlcoder-7b-2. Лицензия в метаданных указана как other, конкретные условия в предоставленных данных не приведены.

SS-350M-SQL-Strict — компактная языковая модель Саада Салмана для преобразования запросов на естественном языке в SQL. Она основана на LiquidAI/LFM2.5-350M и дообучена методом QLoRA на синтетических примерах text-to-SQL. Модель использует архитектуру LFM 2.5; в карточке указаны 350 млн параметров, а в метаданных — 444,6 млн. Метаданные указывают контекст до 128 000 токенов и формат safetensors; README также описывает 4-битную квантизацию bitsandbytes и оптимизации Unsloth. Модель рассчитана на генерацию только SQL-кода по вопросу пользователя и предоставленной схеме базы данных, в том числе для запросов с соединениями, подзапросами и группировкой. Для строгого вывода README рекомендует передавать запрос в формате ChatML с описанием схемы. Указана лицензия Apache-2.0. Ограничения: лучше подходит для схем менее чем с 20 таблицами; по умолчанию ориентирована на стандартный SQL-диалект. Модель не объясняет сгенерированный запрос, а соблюдение формата ChatML важно для снижения риска постороннего текста.

StarFuse-7B-DARE — диалоговая языковая модель на архитектуре Mistral, созданная объединением четырёх моделей с помощью mergekit и метода dare_ties: openchat/openchat-3.5-0106, FuseAI/FuseChat-7B-VaRM, Nexusflow/Starling-LM-7B-beta и Weyaxi/Newton-7B. Модель содержит 7,1 млрд параметров и принимает текстовые запросы, генерируя текстовые ответы в формате диалога. Она предназначена для общения и генерации текста, включая ответы на общие вопросы, программирование и математические рассуждения. Контекст составляет 8192 токена. Модель опубликована в формате safetensors с точностью bfloat16 и лицензией Apache-2.0. В README не приведены сведения о целевых языках или специальных ограничениях качества.

SWE-agent-LM-7B — языковая модель команды SWE-bench для задач программной инженерии и работы в SWE-agent. Авторы дообучили Qwen/Qwen2.5-Coder-7B-Instruct на 5 тысячах траекторий, созданных SWE-agent совместно с Claude 3.7 Sonnet с помощью инструментария SWE-smith. Модель построена на архитектуре Qwen2 с плотной causal language model, содержит 7,1 млрд параметров и принимает текстовый ввод, выдавая текст. Контекстное окно — 32 768 токенов. Модель предназначена для интеграции с SWE-agent и может применяться в агентных сценариях разработки ПО, включая анализ задач и работу с кодом. В карточке указана совместимость с SWE-agent и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.

Swift-Qwen3.8-27b-BF16-AMD — полноразмерная BF16-версия модели UkisAI Swift, производной от Qwen/Qwen3.8-27B. Это плотная мультимодальная модель с архитектурой Qwen3.5 и классом Qwen3_5ForConditionalGeneration; опубликована в формате safetensors для Transformers и предназначена для AMD/ROCm и рабочих процессов AMD Quark. Веса включают компонент обработки изображений и видео и MTP-голову. Модель ориентирована на диалоги и многошаговые рассуждения, включая программирование, решение математических задач, ответы на вопросы и генерацию структурированного JSON. Метод дообучения нацелен на сокращение избыточных рассуждений: в тестах UkisAI модель использовала на 58,3% меньше токенов мышления при потере качества менее 1% и ускорении до 1,95 раза на ряде задач. Эти результаты относятся к описанным в карточке испытаниям и не гарантируют аналогичных показателей в каждом сценарии. Модель принимает текст и изображения, а также поддерживает визуальные возможности базовой модели для анализа видео; выдаёт текст. Указанная в README длина контекста для приведённых тестов — 262 144 токена. Лицензия обозначена как other; карточка сообщает, что доступ к API бесплатен для исследований, но не задаёт полных условий лицензии весов. Для использования на AMD требуется совместимая среда ROCm; AMD/ROCm-развёртывание и его производительность на момент описания не проверены, а приведённые результаты получены не на оборудовании AMD.

thealper2/t5-small-commitbench — компактная модель T5, дообученная автором репозитория на датасете Maxscha/commitbench для генерации сообщений коммитов по входящему git diff. Она принимает текст с префиксом «generate commit message:» и изменениями в коде, а выдаёт краткое описание изменений на английском языке. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и рассчитана на контекст до 512 токенов. В обучающей выборке представлены diff на Python, JavaScript, PHP, Ruby, Java и Go. В тестировании использовался beam search с четырьмя лучами; карточка приводит метрики ROUGE и BLEU и отмечает, что они не гарантируют фактическую точность описания изменений. Модель может выдавать шаблонные сообщения и специальные токены, а обрезка входа свыше 512 токенов скрывает конец diff. Для символов, не покрытых словарём SentencePiece, возможна потеря деталей. Датасет англоязычный; работа на других языках и очень крупных многофайловых изменениях не проверена. Веса модели опубликованы по лицензии Apache-2.0, а использованный датасет — CC BY-NC 4.0, что ограничивает коммерческое использование данных.

Bonsai 2 27B — производная от Qwen/Qwen3.8-27B модель семейства Prism ML для генерации текста, рассуждений и диалогов. Это плотный трансформер с гибридным вниманием, SwiGLU, RoPE и RMSNorm; языковые веса представлены в троичном формате {-1, 0, +1} с блочной Hadamard-ротацией. Репозиторий содержит веса в формате safetensors для MLX; заявлены 27,36 млрд параметров и контекст до 262 тыс. токенов. Модель также включает башню зрения, однако карточка этого варианта указывает основной задачей генерацию текста. Модель рассчитана на локальный запуск на устройствах Apple Silicon и совместимых GPU, в том числе для продолжительного анализа документов и кода, диалогов, рассуждений и сценариев с вызовом инструментов. Автор заявляет сохранение 98,2% среднего результата FP16-версии на 14 тестах, включая математику, программирование и использование инструментов. Троичное представление сокращает размер весов, но требует специализированных низкоразрядных ядер; скорость зависит от аппаратуры и реализации. Модель основана на Qwen/Qwen3.8-27B и распространяется по лицензии Apache-2.0. Для использования нужны совместимый runtime MLX и соответствующие низкоразрядные ядра; заявленные характеристики скорости и качества являются результатами автора и могут отличаться на конкретном оборудовании.

Youssofal/Ternary-Bonsai-2-27B-MTPLX-Optimized-Speed — сборка модели Prism ML Ternary Bonsai 2 27B для ускоренного запуска через MTPLX на компьютерах Mac с Apple Silicon. В её основе лежит Qwen/Qwen3.8-27B, объединённая с prism-ml/Ternary-Bonsai-2-27B-mlx-2bit. Это плотная мультимодальная модель с поддержкой диалога, анализа изображений и интерфейса вызова инструментов. Весовые коэффициенты языковой части представлены значениями −1, 0 и +1 с масштабированием по группам; пакет для MTPLX занимает 8,85 ГБ и включает зрительную башню Qwen 3.8 27B. MTPLX использует специализированные GPU-ядра и многотокенное спекулятивное декодирование. В README приведены замеры на M5 Max: 64,4 токена/с при запросе на 4 061 токен и 57,1 токена/с при 16 350 токенах; заявлена работа на Mac с объединённой памятью от 16 ГБ. Модель рассчитана на локальные диалоги, анализ изображений, программирование и работу через агентские клиенты, поддерживающие инструменты. README указывает лицензию Apache-2.0. Для запуска требуется MTPLX версии 2.12.0 или новее; для агентских клиентов рекомендуется Mac с памятью от 18 ГБ. Приведённые скорости относятся к конкретной конфигурации M5 Max и не гарантируют такую же производительность на других устройствах.

Это GGUF-квантизованная версия языковой модели OmniCoder-9B, разработанной Tesslate и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и кода, включая агентские сценарии и задачи программирования. Доступна для запуска через llama.cpp и совместимые приложения, в том числе LM Studio, koboldcpp, Jan AI и Text Generation Web UI. Модель содержит около 9 млрд параметров и распространяется в вариантах от BF16 до различных форматов квантизации Q2–Q8 и IQ. Квантизация выполнена с использованием imatrix; варианты различаются размером файла, требованиями к памяти и качеством, при этом в README рекомендуются некоторые форматы Q4–Q6 как баланс качества и ресурсоёмкости. Заявлен английский язык, однако сведения о контекстном окне, точной архитектуре и поддерживаемых модальностях отсутствуют. В качестве ориентира приведены результаты на AIME 2025: pass@1 — 83,8%, pass@3 — 86,4% и pass@5 — 90,0%, но методика оценки подробно не описана. Сильными сторонами являются широкий выбор уровней квантизации и возможность локального запуска на различном оборудовании. Ограничения включают потенциальное снижение качества в младших вариантах квантизации, зависимость совместимости от обновлений используемых инструментов и отсутствие подробных данных о контекстной длине и языковых возможностях сверх заявленного английского. Лицензия модели — Apache-2.0.

Text2SQL-1.5B — компактная языковая модель автора yasserrmd для преобразования запросов на естественном языке в SQL. Это дообученная версия unsloth/qwen2.5-coder-1.5b-instruct-bnb-4bit на синтетическом наборе gretelai/synthetic_text_to_sql; модель семейства Qwen2 имеет плотную архитектуру Qwen2ForCausalLM и 1,5 млрд параметров. Она принимает текстовый запрос вместе со схемой таблиц, заданной через CREATE TABLE, и генерирует SQL, в том числе для запросов с несколькими таблицами. Модель рассчитана на генерацию SQL с пояснением результата; README предлагает возвращать запрос и пояснение раздельно, в том числе в формате JSON. Контекст составляет 32 768 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. В метаданных указан английский язык; качество на других языках и точность на конкретных схемах не подтверждены.

Neo4j/text-to-cypher-Gemma-3-4B-Instruct-2025.04.0 — специализированная языковая модель от Neo4j, дообученная на базе google/gemma-3-4b-it с использованием набора данных neo4j/text2cypher-2025v1. Модель предназначена для генерации запросов Cypher по текстовому описанию задачи и структуре графовой базы данных Neo4j. Модель относится к семейству Gemma 3 и содержит около 4 миллиардов параметров согласно идентификатору базовой модели. Она работает в текстовом режиме и опубликована в формате SafeTensors. В метаданных для неё указан pipeline text-generation, а в README — text2text-generation. Модель подходит для преобразования пользовательских вопросов и описаний аналитических задач в Cypher-запросы, создания естественно-языковых интерфейсов к графовым базам данных и ускорения разработки запросов. Лицензия — Gemma; условия её использования необходимо проверять в официальных лицензионных документах Google.

Ary-007/Text-to-sql-llama-3.2 — дообученная модель на основе Llama-3.2-3B-Instruct, созданная для преобразования вопросов на естественном языке в SQL. На вход подаются схема базы данных и вопрос, а модель генерирует SQL-запрос и краткое объяснение его логики. Для дообучения использовались QLoRA и набор данных gretelai/synthetic_text_to_sql; модель работает через Transformers и распространяется в формате safetensors. Модель содержит 3,2 млрд параметров и имеет контекстное окно до 131 072 токенов. Она рассчитана на генерацию SQL в стиле SQLite и PostgreSQL и может запускаться локально, в том числе после 4-битной квантизации. Лицензия — MIT. Обучение ограничилось 60 шагами и описано как доказательство концепции, поэтому модель может плохо обобщать на сложные или незнакомые схемы. Синтаксически корректный запрос может быть логически неверным; результат следует проверять перед запуском в рабочей базе данных.

Toffee 3B β — языковая модель-ассистент, разработанная zait-ai и дообученная на базе mistralai/Ministral-3-3B-Base-2512. Она предназначена для диалога и выполнения инструкций, включая общие вопросы, математические задачи и программирование. Модель использует плотную архитектуру семейства Mistral, содержит 3,2 млрд параметров и поддерживает контекст до 8192 токенов. Обучение проходило на смесях диалоговых, математических и программных инструкций. В карточке приведены результаты на MMLU, HellaSwag, BoolQ и Winogrande, однако сравнение с другими моделями обозначено как приблизительное из-за различий в настройках оценки. Основной язык — английский. Модель распространяется по лицензии MIT.

Карточка модели CollectionStudio/Trinity-Mini на Hugging Face совпадает с карточкой arcee-ai/Trinity-Mini, поэтому описание составлено по ней. 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.

Trinity Mini GGUF — квантизированная версия модели Trinity-Mini, разработанная Arcee AI. Это открытая по весам языковая модель для генерации текста, ориентированная прежде всего на задачи рассуждения, а также на универсальные сценарии работы с инструкциями. Модель предназначена для запуска на платформах, использующих llama.cpp, включая LM Studio, а также доступна через API. Модель построена на архитектуре AfmoeForCausalLM и использует разреженную MoE-архитектуру: всего 26 млрд параметров, из которых 3 млрд активны при обработке токена. В составе 128 экспертов, 8 активных экспертов и 1 общий эксперт. Контекстное окно составляет 128 тысяч токенов. Модель обучена на 10 трлн токенов с дополнительным акцентом на математику и программный код. Заявлена поддержка английского, испанского, французского, немецкого, итальянского, португальского, русского, арабского, хинди, корейского и китайского языков. К сильным сторонам относятся сочетание крупного общего числа параметров с меньшим числом активных параметров, большой контекст и специализация на рассуждениях при сохранении универсальности. Ограничения включают необходимость совместимого программного обеспечения и аппаратных ресурсов для запуска, а также отсутствие в предоставленных данных подробных количественных результатов тестов и информации о мультимодальности; модель описана как текстовая. Распространяется по лицензии OpenMDW-1.1.

Tulu 13B — языковая модель Allen Institute for AI (AI2), созданная дообучением LLaMA с 13 млрд параметров на смеси наборов инструкций, включая FLAN V2, CoT, Dolly, OpenAssistant, GPT4-Alpaca, Code-Alpaca и ShareGPT. Это плотная авторегрессионная модель для генерации текста, обученная следовать инструкциям и отвечать в заданном формате. Модель подходит для диалоговых ответов, решения задач, вопросов и ответов, а также генерации кода. В карточке приведены результаты тестирования на MMLU, GSM, BBH, TyDiQA и Codex-Eval; качество зависит от задачи и формата запроса. Модель принимает текст и генерирует текст на английском языке; размер контекста — 2048 токенов. Репозиторий содержит diff весов, поэтому для использования требуется доступ к исходной модели LLaMA в формате Hugging Face. Модель распространяется по лицензии AI model license вместе с исходной лицензией LLaMA; условия обеих лицензий следует учитывать при использовании.

Tulu 7B — языковая модель Allen Institute for AI (AI2), полученная дообучением LLaMA 7B на смеси наборов инструкций FLAN V2, CoT, Dolly, OpenAssistant 1, GPT4-Alpaca, Code-Alpaca и ShareGPT. Это плотная авторегрессионная модель семейства LLaMA с 6,6 млрд параметров, представленная в формате PyTorch и рассчитанная на контекст до 2048 токенов. Модель предназначена для генерации ответов на инструкции и диалоговые запросы, а также для задач общего рассуждения и генерации кода. В карточке приведены результаты оценки на тестах знаний, математики, рассуждений, вопросов и ответов и программирования. Для работы требуется исходная модель LLaMA в формате Hugging Face; Tulu 7B опубликована как разность весов, а вход нужно подавать в предусмотренном моделью формате с инструкцией и разделителями. Модель ориентирована на английский язык. Она лицензирована по лицензии AI model license вместе с исходной лицензией LLaMA; условия обеих лицензий следует учитывать при использовании. Контекст ограничен 2048 токенами, а качество генерации зависит от соблюдения формата входа.

Tulu V2.5 PPO 13B — англоязычная диалоговая модель-помощник, разработанная AllenAI. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная на основе Tulu 2 с применением PPO и данных предпочтений UltraFeedback; для обучения использовалась reward-модель на 70 млрд параметров и смесь промптов. Контекст модели — до 4096 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате: её можно применять для вопросов и ответов, помощи с кодом и математическими задачами. В карточке указан шаблон чата с сообщением пользователя между маркерами начала и конца, а токенизатор содержит соответствующий chat template. Модель поддерживает английский язык и распространяется по лицензии Apache 2.0. В карточке отмечено, что модель не обучали выдавать безопасные ответы на этапе RLHF и не снабдили фильтрацией ответов во время работы, поэтому она может генерировать проблемный контент, особенно при соответствующих запросах.

UIGEN-T1.5-14B — дообученная Tesslate языковая модель на архитектуре Qwen2 для генерации интерфейсов. Она создаёт HTML и CSS по текстовому описанию и предназначена для подготовки адаптивных макетов дашбордов, лендингов и экранов регистрации или входа. Модель содержит 14 млрд параметров, использует формат safetensors и поддерживает контекст до 120 000 токенов. README указывает на генерацию структурированного кода с современным визуальным стилем; заявленная лицензия — Apache-2.0. Модель ориентирована на фронтенд-разработку и диалоговые сценарии. В README отмечены ограниченная интерактивность и минимальная функциональность JavaScript, возможное повторение дизайнерских решений и артефакты в сложных макетах; также может потребоваться точная формулировка запроса. README называет базовую модель Qwen2.5-Coder-7B-Instruct, но метаданные указывают Qwen/Qwen2.5-Coder-14B-Instruct; идентификатор базовой модели взят из метаданных.

Uraion Forge 2B MLX — дообученная Uraion Labs модель на базе openbmb/MiniCPM5-2B, подготовленная для запуска с библиотекой MLX на компьютерах Apple Silicon. Это компактная причинная языковая модель архитектуры LlamaForCausalLM с 2,2 млрд параметров и контекстом до 131 072 токенов. Модель предназначена прежде всего для диалогов, рассуждений, генерации кода и многошаговых сценариев с вызовом инструментов; README описывает режимы с включённым и отключённым рассуждением. Карточка заявляет оптимизацию для локального выполнения на чипах Apple M1–M6 и приводит варианты квантования 4 и 8 бит, а также результаты собственных проверок агентных рабочих процессов, кода и извлечения данных из длинного контекста. Эти показатели относятся к тестам и оборудованию, описанным разработчиком, и не гарантируют такую же скорость или точность в других условиях. Указанный в метаданных формат файлов — safetensors; библиотека — MLX. Лицензия — Apache-2.0. Язык карточки и языковой тег указывают на английский; поддержка других языков в предоставленных данных не подтверждена.

USER2-1C-code — модель эмбеддингов от PruhaNLP для семантического поиска по коду и решениям на 1С:Предприятие и BSL. Это би-энкодер на базе ModernBERT, дообученный на парах «вопрос — код 1С» с помощью sentence-transformers; он кодирует запросы и фрагменты кода в векторы для сравнения по cosine similarity. Контекст модели — до 8192 токенов, базовая размерность эмбеддингов — 768, также доступны размерности 512, 384, 256, 128, 64 и 32 благодаря Matryoshka-обучению. Для запросов и документов применяются префиксы search_query и search_document. Модель предназначена для поиска релевантных фрагментов кода 1С по вопросам на естественном языке, включая поиск по форумам и библиотекам сниппетов. В описанном авторами бенчмарке 1C-Ebench она показала средний nDCG@10 0,599; усечённые эмбеддинги до 256 измерений сохраняли близкое качество. Поддерживает русский язык и код BSL. Лицензия — Apache-2.0; авторы предупреждают, что проект независим от ООО «1С» и предоставляется без гарантий.

ValiantLabs_Muse-Glimmer-30B-Esper4-GGUF — это квантизированная версия модели Muse-Glimmer-30B-Esper4, разработанной ValiantLabs и опубликованной в формате GGUF. Квантизацию выполнил bartowski с использованием llama.cpp и imatrix. Модель содержит около 30 млрд параметров и предназначена для локального запуска через совместимые инструменты llama.cpp. Модель поддерживает обработку текста, а также изображений при использовании соответствующего файла mmproj. Она ориентирована на англоязычные сценарии, рассуждения, программирование, разработку и DevOps-задачи, включая работу с Python, JavaScript, TypeScript, Java, C++, C#, Rust, Go, Haskell, Bash, PowerShell, Jenkins, Terraform, Ansible, Docker, Kubernetes, Helm, Grafana, Prometheus и облачными платформами. В README также заявлен высокий уровень рассуждений; MTP не поддерживается. Доступно множество вариантов квантизации от BF16 до Q3 и IQ4. Вариант Q4_K_M размером около 17,31 ГБ указан как сбалансированный по качеству и размеру, а Q5 и Q6 рекомендуются для более высокого качества. Более компактные варианты требуют меньше оперативной памяти, но могут сильнее терять качество из-за квантизации. Размер контекстного окна и подробные результаты оценивания не указаны, поэтому пригодность для длинных контекстов и фактические показатели производительности оценить нельзя. Модель распространяется по лицензии Apache 2.0. Для мультимодального использования требуется отдельный mmproj-файл; конкретные аппаратные требования зависят от выбранного варианта квантизации.

Salience-1.5-Pro — мультимодальная модель класса vision-language, разработанная vectionlabs и представленная в GGUF-квантизациях автором bartowski. Она предназначена для работы с текстом и изображениями, задач рассуждения, программирования, software engineering, агентских сценариев и использования инструментов. В карточке также заявлены архитектура mixture-of-experts (MoE), поддержка длинного контекста и язык English; точный размер исходной модели и максимальная длина контекста не указаны. Модель содержит MTP-слои (Multi-Token Prediction), которые могут использоваться в llama.cpp для self-speculative decoding и ускорения генерации с параметром --spec-type draft-mtp. Доступны варианты от BF16 размером 71,07 ГБ до более компактных квантизаций Q8_0, Q6, Q5, Q4 и Q3; рекомендуемые варианты различаются балансом между качеством и требованиями к памяти. Ограничения включают зависимость от совместимого программного обеспечения и возможную необходимость обновления llama.cpp или других приложений при поддержке новой архитектуры. Распространение указано по лицензии Apache-2.0. Квантизации рассчитаны на запуск через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI.