II.2Создание и понимание программного кода

QWQ-Rombos-ties-TEST2 — экспериментальное объединение двух предварительно обученных языковых моделей, созданное сообществом mergekit-community. Модель использует плотную архитектуру Qwen2ForCausalLM и объединена методом SLERP из Qwen/QwQ-32B-Preview и rombodawg/Rombos-LLM-V2.5-Qwen-32b. Модель содержит 32 млрд параметров, принимает текст и предназначена для генерации диалоговых ответов, математических рассуждений и программирования. Поддерживает контекст до 32 768 токенов; в метаданных также отмечен интерфейс для вызова инструментов. Языковая поддержка отдельно не перечислена. Веса доступны в формате safetensors, библиотека для работы — Transformers. Это экспериментальная сборка слияния, поэтому её качество и поведение могут отличаться от исходных моделей. Лицензия в предоставленных данных не указана.

ReasonFlux-F1 — дообученная Gen-Verse языковая модель для генерации текста с акцентом на пошаговые рассуждения. Она создана на базе DeepSeek-R1-Distill-Qwen-32B с использованием траекторий рассуждений, дополненных шаблонами; архитектура — плотная Qwen2, размер — 32 млрд параметров, контекст — до 131 072 токенов. В карточке заявлены результаты на математических и научных тестах, включая MATH500, AIME и GPQA-Diamond. Модель рассчитана на диалоговое решение задач, особенно по математике и программированию; метаданные также отмечают интерфейс вызова инструментов. Поддерживает генерацию текста через Transformers и распространяется в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и её базовой модели.

Ring-1T — большая языковая модель для диалога и сложных рассуждений, разработанная командой Bailing и опубликованная под лицензией MIT. Она использует архитектуру Ling 2.0 с механизмом Mixture of Experts: в карточке Hugging Face указано 49,6 млрд параметров, а README описывает исходную основу как модель с 1 трлн параметров и 50 млрд активируемых параметров. Модель принимает текст, поддерживает контекст до 65 536 токенов по метаданным и предоставляет интерфейс для вызова инструментов. Ring-1T предназначена для математических и логических задач, генерации кода, ответов на вопросы и творческого письма. Разработчики сообщают о результатах на олимпиадных задачах по математике и программированию, но эти оценки основаны на собственных тестах и не гарантируют качество в других сценариях. README также предупреждает о возможной предвзятости при распознавании собственной идентичности, смешивании языков и повторениях; эффективность вывода на длинном контексте ограничена архитектурой внимания GQA.

Ring-flash-linear-2.0 — открытая языковая модель от InclusionAI, полученная дальнейшим обучением inclusionAI/Ling-flash-base-2.0 на дополнительном триллионе токенов. Она предназначена для диалога и генерации текста, включая задачи рассуждения, математики, программирования, науки и творческого письма; также поддерживает интерфейс вызова инструментов. Модель на 5,5 млрд параметров построена на разреженной MoE-архитектуре Bailing с гибридным вниманием: линейное внимание сочетается со стандартным, а для ускорения генерации используются MTP-слои. По данным разработчика, активируется 6,1 млрд параметров, заявлена производительность на уровне плотной модели 40B и контекст до 128 тысяч токенов. Метаданные указывают английский язык; в README заявлены высокая эффективность инференса и результаты на уровне сопоставимых моделей в выбранных тестах. Для запуска README приводит варианты на Transformers, SGLang и vLLM с дополнительными пакетами и версиями зависимостей. Модель распространяется по лицензии MIT. Заявления о скорости и качестве основаны на оценках разработчика; README не приводит в представленном тексте подробностей о наборах данных и ограничениях ответов.

Saba1.5-Coder — языковая модель Sakalti на архитектуре Qwen2, дообученная на основе Sakalti/Saba1.5-Pro. Модель содержит 1,5 млрд параметров и поддерживает контекст длиной до 256 000 токенов. Модель предназначена для генерации текста и диалогов; название и обучающий набор HachiML/alpaca_jp_python указывают на применение в задачах программирования на Python. В метаданных также отмечен интерфейс для вызова инструментов. Модель обучалась с использованием Unsloth и TRL и распространяется в формате Safetensors. Модель лицензирована по Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о языках программирования и точном наборе навыков, поэтому пригодность для конкретных задач разработки следует проверять на собственных примерах.

bigcode/santacoder-fast-inference — вариант SantaCoder, опубликованный BigCode и предназначенный для быстрого инференса. Это плотная авторегрессионная модель семейства GPTBigCode; карточка Hugging Face задаёт для неё задачу fill-mask и контекст 2048 токенов. Модель может использоваться для заполнения пропусков в коде и текста, включая сценарии завершения фрагментов кода. Репозиторий содержит веса PyTorch и имеет лицензию OpenRAIL. Карточка не сообщает размер модели и языки программирования. В доступных сведениях нет сравнительных оценок скорости или качества; назначение для быстрого инференса отражено в названии модели.

SmallThinker-21BA3B-Instruct — языковая модель с архитектурой Mixture-of-Experts, разработанная совместно IPADS и School of AI при Shanghai Jiao Tong University и компанией Zenergize AI. Она предназначена для локального запуска на устройствах с ограниченными ресурсами, чтобы генерировать ответы без обращения к облаку. Модель содержит 21 млрд параметров, из которых активируются 3 млрд; использует 52 слоя и поддерживает контекст длиной до 16 384 токенов. Репозиторий содержит веса в формате safetensors, а карточка указывает библиотеку Transformers и возможности чата и интерфейса вызова инструментов. Модель обучена преимущественно на английском языке и подходит для диалога, ответов на вопросы, рассуждений и генерации кода. В отчёте разработчиков приведены результаты тестирования на академических и программных бенчмарках; скорость и расход памяти на CPU показаны для версии с квантованием Q4_0, тогда как в этом репозитории указаны веса safetensors. Среди ограничений — возможные фактические ошибки, предвзятость и устаревшие сведения; точность ответов необходимо проверять. Лицензия — Apache-2.0.

buelfhood/SOCO-Java-CodeBERT-ST — модель Sentence Transformer, созданная дообучением microsoft/codebert-base. Она преобразует текстовые фрагменты в плотные векторы размерности 768 для сравнения семантической близости с помощью косинусного сходства. Архитектура состоит из RoBERTa-трансформера и mean pooling; модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов по метаданным (в README указан предел 512 токенов). Модель предназначена для семантического поиска и сопоставления фрагментов кода и текста. Среди возможных применений также поиск парафразов, кластеризация и классификация на основе эмбеддингов. При обучении использовались 33 411 примеров и BatchAllTripletLoss. Карточка не сообщает лицензию, поэтому условия использования по доступным данным описать нельзя.

Speechless Instruct Mistral 7B v0.2 GGUF — это квантизированная версия инструкционной языковой модели speechless-instruct-mistral-7b-v0.2, опубликованная в формате GGUF пользователем bartowski. Исходная модель размещена uukuguy. Модель предназначена для генерации текста по инструкциям, включая задачи программирования и выполнения общих текстовых запросов. Модель основана на архитектуре Mistral и содержит 7 миллиардов параметров. Она работает с текстом, заявлена для английского языка и поддерживает сценарии text-generation через llama.cpp и совместимые инструменты. В README указан формат промптов в стиле [INST] с системным сообщением, однако отмечено, что официальная chat template не задана и приведённый формат может быть неточным. Доступны варианты квантизации Q2–Q8 и IQ, различающиеся размером файла и компромиссом между качеством и потреблением памяти; наиболее качественными и рекомендуемыми названы Q6_K, Q5_K_M, Q5_K_S и варианты Q4. Обучение или дообучение исходной модели связано с наборами jondurbin/airoboros-2.2, Open-Orca/OpenOrca, Open-Platypus, WizardLM/WizardLM_evol_instruct_V2_196k и TokenBender/python_eval_instruct_51k. В качестве сильных сторон указаны поддержка инструкций, задач программирования и широкий выбор квантизаций для запуска на устройствах с разным объёмом памяти. Ограничения включают снижение качества на низких уровнях квантизации, отсутствие подтверждённого значения pass@1 для HumanEval и неопределённость с шаблоном чата. Лицензия — Apache-2.0.

Speechless Tora Code 7B v1.0 GGUF — это языковая модель для генерации текста и программного кода, разработанная Jiangwen Su и квантованная TheBloke в формате GGUF. Модель основана на архитектуре Llama и содержит около 7 млрд параметров. В карточке указан английский язык, а исходный вариант доступен в формате PyTorch FP16. GGUF-файлы предназначены для локального запуска с использованием llama.cpp и совместимых интерфейсов и библиотек, включая text-generation-webui, LM Studio, KoboldCpp, ctransformers и llama-cpp-python. Модель ориентирована на программирование, генерацию кода и выполнение инструкций в текстовом формате. При обучении использовались наборы данных jondurbin/airoboros-2.2, Open-Orca/OpenOrca, garage-bAInd/Open-Platypus, WizardLM/WizardLM_evol_instruct_V2_196k и TokenBender/python_eval_instruct_51k. Для HumanEval указан результат pass@1 51,829%, однако он отмечен как непроверенный. Данные о размере контекста, поддерживаемых модальностях и специализированных языках программирования не приведены. Ключевое преимущество версии GGUF — возможность запуска на CPU и GPU с различными уровнями квантования от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Ограничения включают возможную потерю качества из-за квантования, отсутствие подтверждённых результатов оценки и неизвестный размер контекста. В карточке указана лицензия llama2.

sqrl-35b-a3b — специализированная модель text-to-SQL от feyninc, дообученная на базе Qwen/Qwen3.6-35B-A3B методом CISPO RL. Это MoE-модель на 35 млрд параметров с примерно 3 млрд активных параметров; полный слитый чекпойнт включает LoRA-дообучение. Модель отвечает на вопросы на естественном языке по схемам баз данных SQLite и может перед финальным ответом выполнять read-only исследовательские запросы, чтобы проверить значения, связи таблиц и фильтры. Модель рассчитана на работу с заданным в карточке протоколом диалога и может сразу выдать SQL либо сначала запросить результаты исследования базы. Визуальная часть унаследована от базовой модели без изменений, но обучение для SQL было только текстовым. Лицензия — Apache-2.0. Модель не настроена на другие диалекты SQL; соглашения об экранировании идентификаторов ориентированы на SQLite. Сгенерированные запросы следует проверять и выполнять в режиме только для чтения.

Stable Code Instruct 3B — языковая модель для генерации текста и программного кода, разработанная Stability AI. Представленная версия распространяется в формате GGUF и была квантована bartowski на основе llama.cpp. Модель создана для диалоговой помощи в программировании, автодополнения кода, генерации SQL-запросов и объяснения решений. Она подходит для лёгких сценариев разработки, где важны небольшие требования к ресурсам и высокая скорость работы. Модель содержит около 3 миллиардов параметров и основана на Stable Code 3B, дополнительно обученной с использованием Direct Preference Optimization (DPO). Это causal language model с поддержкой текстового ввода и вывода; заявлен английский язык. Для взаимодействия в LM Studio рекомендуется шаблон ChatML и указанный системный промпт. В README не приведены сведения о размере контекста и полном перечне поддерживаемых языков программирования, однако приведены результаты MultiPL-E для Python, C++, Java, JavaScript, PHP и Rust: pass@1 составляет от 23,0 до 32,4, причём эти показатели не были верифицированы. Сильными сторонами модели являются специализация на коде и SQL, компактный размер, высокая потенциальная скорость и наличие инструкционного и conversational-тюнинга. Ограничения включают сравнительно небольшой размер, что может снижать качество на сложных задачах, а также непроверенные опубликованные метрики. Модель предназначена прежде всего для локального использования и лёгких задач программирования. В карточке указана лицензия other; конкретные условия лицензии не раскрыты.

Duyntnet/stable-code-instruct-3b-imatrix-GGUF — набор imatrix-квантизованных версий модели Stable Code Instruct 3B, разработанной Stability AI. Модель предназначена для генерации текста и выполнения инструкций, связанных прежде всего с программированием, например для написания HTML-кода и других фрагментов программ. Поддерживаемый язык — английский. Модель содержит около 3 миллиардов параметров и распространяется в формате GGUF, что ориентировано на запуск с использованием совместимых локальных средств инференса. В README не указаны точная архитектура, размер контекстного окна, перечень поддерживаемых модальностей и конкретные варианты квантизации. Пример использования предусматривает диалоговый шаблон, генерацию до 1024 новых токенов и настройку параметров sampling. Сильной стороной модели является специализация на инструкциях для задач программирования и возможность локального запуска в квантизованном формате. Ограничения включают англоязычную специализацию, отсутствие заявленной поддержки других модальностей и неполное описание технических характеристик. В метаданных указана лицензия other, однако её точные условия в README не приведены.

QuantFactory/starcoder2-7b-GGUF — квантованная версия модели StarCoder2-7B, разработанной проектом BigCode и преобразованной с использованием llama.cpp. Модель предназначена для генерации и дополнения программного кода, включая сценарии автодополнения, редактирования кода и работы с фрагментами в режиме Fill-in-the-Middle. Она не является instruction-моделью, поэтому плохо подходит для выполнения команд, сформулированных как обычные инструкции на естественном языке. Модель содержит около 7 млрд параметров и обучена более чем на 3,5 трлн токенов из набора The Stack v2, включая данные на 17 языках программирования; также использовались отдельные материалы из Arxiv и Wikipedia. Она использует Grouped Query Attention, контекстное окно 16 384 токена и sliding window attention размером 4 096 токенов. Квантование снижает требования к памяти по сравнению с полноразмерной версией, что упрощает локальный запуск, однако конкретные характеристики зависят от варианта квантования. В README приведены результаты на задачах генерации и понимания кода, включая HumanEval, HumanEval+, DS-1000, CruxEval-I и RepoBench. К ограничениям относятся слабая пригодность для диалогового следования инструкциям, возможные ошибки и небезопасные или неэффективные фрагменты кода, а также потери качества, связанные с квантованием. Для модели указана лицензия bigcode-openrail-m.

Starlight Mini — диалоговая языковая модель для генерации текста и помощи с программированием, разработанная arthu1 в подразделении AI компании North ML. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на основе arthu1/astrocoder-star-merge; для диалоговой настройки в метаданных указан датасет HuggingFaceH4/ultrachat_200k. Модель рассчитана прежде всего на английский язык, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Разработчик позиционирует её как помощника для задач кодирования и сообщает о результате 60–65% на SWE-Benchmark, но не приводит подробностей методики оценки. Модель можно запускать локально; лицензия — MIT. Карточка описывает её как первую версию проекта и отмечает, что качество ниже Claude Haiku 3.5.

st-codesearch-distilroberta-base — модель Sentence-Transformers на базе DistilRoBERTa-base, опубликованная в репозитории codecompletedeployment/st-codesearch-distilroberta-base. Она преобразует текстовые запросы и описания векторов предложений в плотные эмбеддинги размерности 768 и предназначена прежде всего для семантического поиска по программному коду на основе текстового запроса. Модель обучалась на датасете CodeSearchNet в течение 10 тысяч шагов с MultipleNegativesRankingLoss; архитектура — RoBERTa, размер — 95,2 млн параметров, максимальный контекст — 514 токенов. Её можно применять для поиска фрагментов кода по естественно-языковому описанию, ранжирования кандидатов по сходству, а также кластеризации текстовых представлений кода. README характеризует модель как предварительную: качество и обучение не были тщательно проверены, поэтому результаты следует оценивать на целевых данных. Лицензия в предоставленных данных не указана.

SuperQwen-2.5-1.5B — объединённая плотная языковая модель семейства Qwen2, созданная сообществом с помощью mergekit и метода TIES. В качестве основы использована Qwen/Qwen2.5-1.5B-Instruct; в объединение также вошли Qwen2.5-Coder-1.5B-Instruct и Qwen2.5-Math-1.5B-Instruct. Модель содержит 1,5 млрд параметров, работает через Transformers и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалогов; объединение инструктивной, программной и математической моделей ориентировано на широкий круг запросов, включая код и математику. В метаданных также отмечен интерфейс вызова инструментов. Опубликованные веса представлены в формате safetensors. Карточка не сообщает лицензию и не приводит отдельные оценки качества; результаты для задач программирования и математики могут зависеть от запроса и требуют проверки.

SynapseLLM 7B Mistral v0.4 Preview3 — языковая модель WebraftAI, дообученная на Mistral-7B-v0.1. Это плотный декодерный трансформер с 7,1 млрд параметров и контекстом до 32 768 токенов; веса доступны в формате safetensors для Transformers. Модель принимает текст и генерирует текст, поддерживает диалоговый формат Mistral Instruct и ориентирована на английский язык. Модель предназначена для ответов на вопросы, математических инструкций и генерации кода, включая Python. Дообучение выполнено на ограниченном наборе данных из 770 тысяч примеров с помощью QLoRA; опубликованная модель объединена с обученными адаптерами. Разработчик предупреждает, что ответы могут содержать фактические ошибки, модель может не следовать системным инструкциям и иногда ошибочно представляться как GPT. Лицензия — Apache 2.0.

Terminus-Qwen3-8b — дообученная OrionLLM модель на базе Qwen/Qwen3-8B, разработанная для агентных задач в терминале. Она предназначена для рассуждений в командной строке, программной инженерии и работы с инструментами в средах вроде Codex и OpenCode. Модель с плотной архитектурой Qwen3 содержит 7,6 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Для обучения использован набор данных OrionLLM/OpenAgentInstruct. В README приведены результаты на Terminal-Bench 2.0 и SWE-Bench Verified, однако условия и воспроизводимость этих оценок не описаны. Модель распространяется по лицензии Apache-2.0.

NoxNotreve/Ternary-Bonsai-2-27B-gguf — компактная GGUF-версия Bonsai 2 27B, разработанная проектом Prism ML на основе Qwen3.8-27B. Это авторегрессионная языковая модель для генерации текста, рассуждений, программирования и агентских сценариев с вызовом инструментов. Она предназначена для локального запуска через llama.cpp на CPU, GPU с CUDA или устройствах Apple с Metal, включая стандартные ноутбуки и одноплатформенные конфигурации. Модель содержит около 27,36 млрд параметров и использует гибридную архитектуру с примерно 75% линейного и 25% полного внимания, SwiGLU, RoPE и RMSNorm. Заявленная длина контекста составляет 262 тысячи токенов. Языковая часть, включая эмбеддинги, проекции внимания, MLP и выходную голову, представлена в троичном формате со значениями −1, 0 и +1, групповым масштабированием FP16 и эффективной плотностью около 1,72 бита на параметр. Доступны упаковки PTQ1_0 размером около 5,95 ГБ и PQ2_0 размером около 7,21 ГБ. Для обработки изображений предусмотрена отдельная vision tower в формате Q8_0, поэтому модель поддерживает текстовый режим и опциональный мультимодальный ввод при наличии соответствующего пакета. Сильные стороны модели — существенно меньший размер по сравнению с FP16, сохранение возможностей рассуждения, математики, программирования и агентского поведения в сверхнизкой разрядности, а также пригодность для локального использования. Согласно README, она сохраняет 98,2% показателей FP16 на наборе из 14 тестов, однако эти результаты зависят от методики оценки и совместимых низкоразрядных ядер. Для работы требуются версии llama.cpp с поддержкой кастомных троичных ядер; стандартные реализации могут не загрузить файл или не обеспечить заявленную производительность. Модель распространяется по лицензии Apache 2.0.

Jebadiah/Tess-gradient-ruby-p1 — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом DARE linear. В качестве основы использована Jebadiah/Tess-gradient-ruby, в слияние также включена defog/llama-3-sqlcoder-8b; архитектура — плотная Llama с классом LlamaForCausalLM, размер — 7,5 млрд параметров. Модель предназначена для генерации текста в диалоговом формате. Благодаря включению SQLCoder её можно использовать для генерации SQL-запросов по вопросам пользователя и описаниям таблиц, в том числе для баз PostgreSQL, Redshift и Snowflake. Контекст составляет 8192 токена; модель работает с текстом и выдаёт текст. Веса опубликованы в формате safetensors и имеют тип bfloat16. Лицензия в предоставленных сведениях не указана.

ThinkingCap-Qwen3.6-27B — мультимодальная модель Bottlecap AI, полученная дообучением Qwen/Qwen3.6-27B. Она предназначена для диалогов и задач рассуждения с изображениями и текстом, включая вопросы с вариантами ответа, математику, программирование и агентные сценарии. Разработчики сообщают, что модель в среднем использует примерно на 50% меньше токенов рассуждения, чем базовая Qwen3.6-27B, при сохранении качества ответов; в лучших случаях экономия превышает 90%. В тестах также отмечено меньшее число незавершённых ответов из-за ограничения генерации, а показатели отказа на вредоносные запросы статистически не отличались от базовой модели. Модель загружается через Transformers как AutoModelForImageTextToText и AutoProcessor; репозиторий содержит веса safetensors и использует архитектуру Qwen с поддержкой изображений. В README приведены оценки на наборах для рассуждения, вопросов по знаниям, повседневного диалога, безопасности, математики, кода и агентных задач. Указанная лицензия — Apache-2.0. Результаты зависят от задачи и настроек генерации; README отмечает вариативность качества рассуждений при рекомендуемой температуре Qwen и возможное загрязнение обучающих данных в тестах безопасности.

Tinytron-ORCA-7B-TinyLlama-Instruct_CODE_Python-extra_small_quantization_GGUF_3bit — локальная модель генерации кода, опубликованная Francisco Angulo de Lafuente под именем Agnuxo. В карточке она описана как помощник по программированию на базе семейства Llama; метаданные указывают плотную архитектуру LlamaForCausalLM, 6,6 млрд параметров и контекст до 4096 токенов. README заявляет версию GGUF с 3-битной квантизацией и рекомендует запуск через Ollama. Модель предназначена для генерации кода и помощи с задачами научных вычислений и машинного обучения. В README перечислены Python, JavaScript, TypeScript, Rust, Go и C++, а также NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Метаданные указывают английский и испанский языки; модель принимает текстовые запросы и генерирует текст, включая код. Репозиторий описывает модель как локального помощника по программированию, однако подробные результаты оценки качества не приведены. README указывает лицензию Apache-2.0; из названия и карточки следует, что это квантизованная версия модели TinyLlama Instruct, но точный идентификатор исходной модели в метаданных не приведён.

Карточка модели CollectionStudio/Trinity-Large-Thinking на Hugging Face совпадает с карточкой arcee-ai/Trinity-Large-Thinking, поэтому описание составлено по ней. 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 Nano Preview — экспериментальная чат-модель семейства Trinity от Arcee AI, созданная дообучением Trinity-Nano-Base. В README она описана как разреженная MoE-модель с архитектурой AfmoeForCausalLM, 6 млрд параметров и примерно 1 млрд активных параметров; метаданные указывают 880,3 млн параметров. Поддерживает контекст до 131 072 токенов и работает с текстом на нескольких языках. Модель предназначена для диалогов и генерации текста. Разработчики описывают её как открытую по весам модель для предприятий и энтузиастов, обученную на 10 трлн токенов с дополнительным акцентом на математике и коде. README предупреждает, что в этой предварительной экспериментальной версии возможна нестабильность в отдельных сценариях. Указанная в README лицензия — OpenMDW-1.1; метаданные Hugging Face обозначают её как other.

Tesslate UIGEN-FX-4B-RL-Preview — экспериментальная текстовая модель генерации веб-интерфейсов от Tesslate, дообученная на базе Tesslate/UIGEN-FX-4B-Preview. Она создаёт адаптивные веб-страницы и компоненты по текстовым спецификациям, включая HTML, CSS и Tailwind-разметку; ориентирована на React, JavaScript, статические генераторы сайтов и веб-интерфейсы на Python. Модель семейства Qwen3 с плотной архитектурой содержит 3,7 млрд параметров, работает с текстом и рассчитана на контекст до 262 144 токенов по метаданным; в карточке указан эффективный контекст около 64 тыс. токенов. Для практических сценариев предусмотрены короткие генерации отдельных страниц и компонентов, а JavaScript по умолчанию используется минимально. Модель обучалась на примерах HTML, CSS, Tailwind и библиотек компонентов, а также на оценках доступности, Axe и Lighthouse. Она нацелена на семантическую структуру, адаптивную вёрстку, визуальную согласованность и более чистую разметку для дальнейшей разработки. Доступна под лицензией Apache-2.0. Это предварительная исследовательская версия: результаты требуют проверки перед публикацией; доступность и ARIA-разметка могут быть неполными, а сложные интерактивные виджеты часто требуют доработки.

Salience-27B-R5-GGUF — это квантизированная версия мультимодальной модели Salience-27B-R5, разработанной vectionlabs и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель содержит около 28 млрд параметров и поддерживает обработку текста и изображений; для работы с изображениями требуется файл mmproj. Заявлена поддержка speculative decoding через MTP. Модель предназначена для задач рассуждения, эффективного пошагового анализа, программирования и software engineering, а также для агентских сценариев с использованием терминала и инструментов. В карточке указана поддержка английского языка и большой длины контекста, однако точный размер контекстного окна и подробности архитектуры не приведены. Основное преимущество — широкий выбор вариантов квантизации с разным балансом между качеством, размером и требованиями к памяти. Рекомендуемым универсальным вариантом назван Q4_K_M размером около 17,77 ГБ, а варианты Q5 и Q6 обеспечивают более высокое качество при больших требованиях к ресурсам. Более сильная квантизация экономит память, но может снижать качество ответов; точные результаты тестирования и измерения perplexity или KLD не указаны. Модель распространяется по лицензии Apache-2.0.

Salience-27B-R6-GGUF — это квантизированная версия мультимодальной модели Salience-27B-R6, разработанной vectionlabs и опубликованной в формате GGUF пользователем bartowski. Модель содержит около 28 млрд параметров и предназначена для запуска через llama.cpp. Она поддерживает текстовый и визуальный ввод; для работы с изображениями требуется дополнительный файл mmproj. Модель ориентирована на рассуждения, эффективное пошаговое мышление, следование инструкциям, программирование и задачи software engineering. Заявлена поддержка агентных сценариев, терминального взаимодействия, tool use и function calling. Также доступны speculative decoding с использованием MTP и квантизация с imatrix. Указан английский язык, однако точные сведения о размере контекстного окна и внутренней архитектуре в предоставленных данных отсутствуют. Репозиторий предлагает варианты от BF16 и Q8_0 до компактных IQ3 и Q3, что позволяет выбирать между качеством, скоростью и требованиями к памяти. В качестве универсального варианта рекомендован Q4_K_M размером около 17,44 ГБ; более высокие уровни квантизации обеспечивают лучшее сохранение качества, но требуют больше памяти. Ограничениями являются необходимость совместимого рантайма llama.cpp, отдельного mmproj для изображений и отсутствие в предоставленной карточке подробных результатов оценки. Лицензия модели — Apache-2.0.

VibeThinker-3B-heretic — текстовая генеративная модель, разработанная пользователем saidutta69. Это вариант WeiboAI/VibeThinker-3B без встроенного поведения отказа, полученный из Qwen/Qwen2.5-Coder-3B с помощью Heretic v1.4.0 методом направленной абляции весов. Модель предназначена для локального использования на компьютерах с ограниченными ресурсами, агентских систем и периферийных устройств, а также для задач программирования, рассуждений, математики, диалогов и генерации текста с режимом явного пошагового мышления VibeThinker. Модель имеет архитектуру Qwen2.5-Coder и размер около 3,1 млрд параметров. Поддерживает текстовую модальность и заявлена для английского языка. Доступны версии GGUF, включая F16 и различные варианты квантования, совместимые с llama.cpp, Ollama, LM Studio и Jan; объём весов в зависимости от варианта составляет примерно от 1,19 до 5,75 ГБ, без учёта дополнительной памяти под контекст. Контекстное окно в README не указано. К сильным сторонам относятся малый размер, возможность запуска на CPU и видеокартах с небольшим объёмом памяти, сохранение заявленных способностей базовой модели к рассуждениям, программированию и следованию инструкциям, а также отсутствие защитных отказов. При этом удаление отказов снижает встроенные ограничения безопасности: модель может генерировать контент, от которого базовая версия отказалась, поэтому требуется ответственное и законное использование. Производитель не заявляет улучшения возможностей по сравнению с VibeThinker-3B. Лицензия — MIT.

coderavi/VibeThinker-3B-mlx-fp16 — преобразованная в формат MLX версия модели WeiboAI/VibeThinker-3B, подготовленная автором репозитория coderavi с помощью mlx-lm 0.31.2. Это плотная причинная языковая модель семейства Qwen2 на 3,1 млрд параметров для генерации текста в диалоговом режиме, следования инструкциям, программирования и STEM-рассуждений. Она принимает текст и генерирует текст; заявленная длина контекста составляет 131 072 токена. Метаданные указывают английский язык и лицензию MIT. Карточка подтверждает преобразование формата, но не приводит отдельные результаты оценки качества этой копии.