II.2Создание и понимание программного кода

Virtuoso-Lite-PreDistill — экспериментальная текстовая модель для генерации и диалогов от Arcee AI. Согласно карточке, это предварительная версия Virtuoso-Lite: вариант стандартного обучения SFT и объединения с RLHF, подготовленный для проверки перед дополнительными этапами обучения. В README описана дистилляция логитов Deepseek-V3 на примерно 1,1 млрд токенов и архитектура Llama-3; метаданные Hugging Face указывают архитектуру LlamaForCausalLM, 9,9 млрд параметров и базовую модель tiiuae/Falcon3-10B-Base. Доступны веса в формате safetensors, библиотека Transformers и контекстное окно до 32 768 токенов по метаданным. Модель предназначена для чат-ботов и виртуальных помощников, анализа данных, исследовательских прототипов и STEM-обучения. В README заявлены возможности рассуждения, генерации и отладки кода, а также решения математических задач; метаданные отмечают интерфейс вызова инструментов. Основной язык не указан, поэтому язык не классифицируется. Лицензия обозначена как falcon-llm-license в README и как other в метаданных; перед использованием следует проверить условия распространения в карточке модели.

Voilum-1 — компактная языковая модель Elise Paul из Independent AI Research & Systems для генерации Python-кода в задачах вычислительной математики, научных вычислений и реализации систем машинного обучения. Это авторегрессионная разреженная архитектура Mixture-of-Experts с 463,6 млн параметров, из которых около 100,8 млн активны на токен; используются Grouped-Query Attention, RoPE, RMSNorm и SwiGLU. Модель обучалась на алгоритмических и математических данных, прошла инструкционное дообучение в формате ChatML и обучение с подкреплением GRPO на основе выполнения кода. В README заявлены контекстно-зависимая генерация кода и успешное прохождение ряда тестов на реализацию алгоритмов, слоёв PyTorch и функций машинного обучения. Модель предназначена для генерации детерминированного Python-кода по техническим спецификациям, включая численные алгоритмы, компоненты глубокого обучения и классические ML-методы. Поддерживаемый язык по карточке — английский. Лицензия Apache-2.0. Заявленные в README результаты оценки приведены разработчиком; они не являются независимой гарантией качества. Размер контекста в предоставленных данных не указан.

Webby Wahle 33B V1 — языковая модель, разработанная ibivibiv как дообучение DeepSeek Coder 33B с уклоном в веб-программирование. Она предназначена для генерации ответов и помощи в технических задачах, особенно связанных с веб-технологиями. Модель построена на плотной архитектуре Llama и содержит 33,1 млрд параметров. Она принимает текст, поддерживает диалоговый режим и имеет контекстное окно до 16 384 токенов. В карточке указана поддержка английского языка. Веса опубликованы в формате safetensors. Модель ориентирована на задачи веб-разработки, однако README не приводит результатов оценки качества или подробностей о конкретных фреймворках и языках программирования. Условия распространения указаны как MIT с включённой лицензией DeepSeek; при использовании необходимо учитывать обе лицензии.

Карточка модели roskosmos19/Whale-4B-Thinking-2507 на Hugging Face совпадает с карточкой roskosmos19/Orca-4B-Thinking, поэтому описание составлено по ней. Orca-4B-Thinking — языковая модель для диалогов и задач, требующих многошаговых рассуждений. Согласно README, модель разработана на основе Qwen3-4B и дообучена в стиле DeepSeek-R1 на наборах OpenThoughts-114k и Mixture-of-Thoughts; метаданные связывают её с Qwen/Qwen3.5-4B. Карточка описывает причинную плотную архитектуру Qwen3, а метаданные указывают 3,7 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации развёрнутых рассуждений и ответов в математике, программировании, естественных науках и головоломках, а также для следования инструкциям и работы с инструментами. README сообщает о режиме Thinking и приводит оценочные результаты бенчмарков, поэтому заявленные улучшения производительности не следует считать независимой проверкой. Поддерживаются английский, немецкий, испанский, французский и китайский языки по тегам метаданных. Лицензия — Apache-2.0.

WhiteRabbitNeo-V3-7B-GGUF — это квантизированная GGUF-версия языковой модели WhiteRabbitNeo-V3-7B, разработанной компанией Kindo и опубликованной в исходном виде WhiteRabbitNeo. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и кода, прежде всего для задач DevOps и кибербезопасности, включая анализ и написание программного кода и работу с техническими запросами. Модель имеет около 7 миллиардов параметров, поддерживает текстовую модальность и английский язык. В репозитории доступны варианты от BF16 до низкобитных форматов Q8, Q6, Q5, Q4, Q3 и IQ4 с размером файлов примерно от 4,1 до 15,2 ГБ. Для запуска подходят llama.cpp, LM Studio и другие совместимые приложения. Размер контекста и точная архитектура в README не указаны. Сильными сторонами являются специализация на кибербезопасности, DevOps и коде, а также широкий выбор квантизаций для различного объёма памяти; варианты с более высокой разрядностью обычно лучше сохраняют качество, а низкобитные требуют меньше ресурсов. Ограничения включают отсутствие в README результатов тестирования, подробных характеристик контекста и информации о качестве на других языках. Указанная лицензия — Apache 2.0.

Yi-Coder-1.5B-GGUF — это GGUF-квантизированная версия базовой модели Yi-Coder-1.5B, разработанной компанией 01-ai. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена прежде всего для автодополнения и генерации программного кода, а не для диалогового общения; у неё нет встроенного шаблона prompt. Модель обучалась на 52 основных языках программирования и поддерживает контекст длиной до 128 тысяч токенов. В README не указаны точный размер GGUF-файлов, используемый метод или уровень квантизации, а также дополнительные модальности, поэтому её следует рассматривать как текстовую модель для работы с кодом. Длинный контекст может быть полезен при анализе и дополнении крупных исходных файлов, однако как базовая модель она может требовать корректного форматирования входных данных и не гарантирует точность, безопасность или работоспособность сгенерированного кода. Модель распространяется по лицензии Apache-2.0. LM Studio не является её разработчиком или владельцем и не гарантирует полноту, точность, безопасность или пригодность результатов. Для коммерческого и иного использования необходимо учитывать условия лицензии и самостоятельно проверять сгенерированный код.

Yuan2.0-M32-HF — языковая модель семейства Yuan, разработанная командой Yuan и опубликованная в формате Hugging Face. Это разреженная архитектура Mixture of Experts с 32 экспертами, из которых для каждого токена активируются два; в README указано 40 млрд общих и 3,7 млрд активных параметров. Метаданные репозитория указывают 1,9 млрд параметров, поэтому размер конкретной HF-сборки расходится с описанием семейства в README. Модель обучена с нуля на 2000 млрд токенов и предназначена для генерации текста, в том числе написания кода, математических вычислений и рассуждений, а также ответов на вопросы общего характера. В карточке модели заявлены результаты на HumanEval, GSM8K, MMLU, Math и ARC-Challenge, а архитектура с разреженной активацией призвана снизить вычислительные затраты при работе. Метаданные указывают контекст 4096 токенов, тогда как README для Yuan2.0-M32 сообщает длину последовательности 16K; эти значения относятся к разным описаниям и не совпадают. Модель принимает текст и генерирует текст. Репозиторий использует PyTorch и лицензию Apache 2.0; README также отсылает к отдельному лицензионному соглашению Yuan2.0. Авторы предупреждают, что ответы могут быть неточными и модель может поддаваться вводящим в заблуждение инструкциям.

zen4-coder-i1-GGUF — это набор GGUF-квантизированных версий модели zenlm/zen4-coder, подготовленный пользователем mradermacher. Модель предназначена прежде всего для генерации и обработки программного кода, а также для сценариев локального запуска через совместимые инструменты, поддерживающие формат GGUF. В метаданных указана поддержка английского языка и библиотека Transformers. Доступны варианты с различными типами и уровнями квантизации — от IQ1 и IQ2 до Q6_K — размером примерно от 16,3 до 65,6 ГБ. README не содержит сведений об архитектуре, общем числе параметров, длине контекста, точных возможностях программирования, результатах тестирования или поддерживаемых модальностях, поэтому эти характеристики нельзя определить достоверно. Варианты различаются компромиссом между размером, скоростью и качеством: наиболее компактные квантизации могут заметно терять в качестве, тогда как Q4_K_M отмечен как быстрый и рекомендуемый, а IQ-варианты часто предпочтительнее сопоставимых по размеру стандартных квантизаций. Модель подходит для локального инференса при наличии достаточного объёма оперативной или видеопамяти, причём требования зависят от выбранного файла. Ограничениями являются возможное ухудшение качества на низких уровнях квантизации и отсутствие подробных данных о базовой модели. В метаданных указана лицензия Apache-2.0; квантизации подготовлены mradermacher.

MexIvanov/zephyr-python-ru-merged — экспериментальная модель, разработанная C.B. Pronin, A.V. Volosova, A.V. Ostroukh, Yu.N. Strogov, V.V. Kurbatov и A.S. Umarova. Это дообученная версия Zephyr-7B-β на архитектуре Mistral: веса Zephyr объединены с LoRA-адаптером для задач программирования на Python и инструкций по программированию на русском языке. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации кода Python по инструкциям на русском и английском языках, а также для ответов на вопросы о Python. В обучении использовались открытые и синтетические наборы данных по программированию, включая материалы Stack Overflow на русском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Это экспериментальное дообучение; качество на конкретных задачах может различаться. У модели нет механизмов модерации, и она может выдавать небезопасные или проблематичные ответы.

Zeta — модель компании Zed Industries для предсказания правок в редакторе кода Zed. Она дообучена на базе Qwen2.5-Coder-7B и предназначена для генерации изменений в коде с учётом содержимого файла и контекста в запросе. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Zeta подходит для встроенных подсказок при редактировании кода. Для обслуживания в README приведены примеры запуска через vLLM, включая префиксное кэширование, обработку длинных запросов частями, FP8-квантизацию и спекулятивное декодирование на основе n-грамм. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на предсказание правок, а не на широкий круг диалоговых задач; качество зависит от контекста и сценария редактирования. README не перечисляет поддерживаемые языки программирования или результаты оценки качества.

Карточка модели RatanK/23B0059-Week05-Track1-40-Submission01 на Hugging Face совпадает с карточкой Qwen/Qwen3.5-4B, поэтому описание составлено по ней. Qwen3.5-4B — мультимодальная модель компании Qwen на 4 млрд параметров, представленная в формате Hugging Face Transformers и дообученная на базе Qwen/Qwen3.5-4B-Base. Это причинная языковая модель с визуальным энкодером, предназначенная для диалога, анализа изображений, рассуждений, программирования и вызова инструментов. Модель использует гибридную архитектуру Gated Delta Networks и gated attention; в README указано 32 слоя. Нативная длина контекста — 262 144 токена с возможностью расширения до 1 010 000. Семейство заявляет поддержку 201 языка и диалекта. По умолчанию модель работает в режиме рассуждения, а для развёртывания доступны Transformers, vLLM, SGLang и KTransformers. Модель подходит для ответов на вопросы по изображениям и тексту, многошаговых диалогов и агентных сценариев с инструментами. Репозиторий распространяется по лицензии Apache-2.0. Реальная скорость и пропускная способность зависят от среды инференса; длинный контекст может приводить к нехватке видеопамяти.

AAIKR 3.1 mini — компактная мультимодальная модель семейства Gemma 4, дообученная AI-исследовательской командой LOOP на базе google/gemma-4-e2b-it. Карточка указывает размер 2 млрд параметров и усиленную поддержку рассуждений на корейском языке; метаданные отмечают архитектуру Gemma4ForConditionalGeneration, чат и работу с изображениями. Модель предназначена для быстрых ответов на вопросы, рассуждений, генерации кода, поиска общих знаний и краткого пересказа документов, в том числе на устройствах с ограниченными ресурсами. К заявленным сценариям относятся системы вопросов и ответов в реальном времени, лёгкий помощник по коду, быстрое резюмирование документов и развёртывание на периферийных устройствах. Карточка предупреждает о возможных небольших смещениях в рассуждениях и сбоях памяти в очень длинных диалогах; для важных решений ответы следует проверять. Модель выпущена под лицензией Apache-2.0.

Agnuxo/Agente-GPT-Qwen-2.5-7B_GGUF_16bit — локальная чат-модель на базе семейства Qwen 2.5, представленная Francisco Angulo de Lafuente в экосистеме P2PCLAW. По README, модель рассчитана на работу в роли автономного агента и может запускаться локально через Ollama; в карточке указаны 7 млрд параметров и архитектура Qwen2. Формат весов — GGUF F16, лицензия — Apache-2.0. Модель предназначена для генерации текста и кода, декомпозиции задач и взаимодействия с агентными системами через MCP и A2A. README описывает навыки для Python, JavaScript, TypeScript, Rust, Go и C++, а также научных вычислений и машинного обучения. При запросе на подготовку научной статьи README предписывает перенаправлять задачу в P2PCLAW; это ограничивает её самостоятельное использование для генерации таких текстов. Языки карточки — английский и испанский; сведения о контекстном окне и независимых оценках качества не приведены.

AgenticCoder‑4B — компактная языковая модель, созданная yasserrmd слиянием Menlo/Jan-nano и ertghiu256/qwen3-4b-code-reasoning методом SLERP. Это плотная Qwen3-архитектура для генерации текста и диалоговых сценариев; размер — 3,7 млрд параметров, контекст — до 40 960 токенов. Репозиторий использует Transformers и формат safetensors. Модель предназначена для агентных сценариев, рассуждений о коде и помощи в разработке: она может генерировать и объяснять Python-код, помогать декомпозировать задачи и вести многошаговый диалог. В примерах также показаны сценарии анализа CSV, извлечения текста из изображений и разбора файлов через код и имитацию взаимодействия с инструментами. Карточка заявляет ориентацию на MCP, однако это не подтверждает наличие встроенного интерфейса вызова инструментов. Модель поддерживает текстовый ввод и выдаёт текст; сведения о конкретных естественных языках не приведены. Карточка характеризует её как компактную для экономичного развёртывания и интеграции в устройства с ограниченными ресурсами, но фактические показатели качества и скорости не указаны. Лицензия в предоставленных данных не приведена.

jondurbin/airoboros-110b-3.3 — экспериментальная чат-модель Джона Дурбина, дообученная на базе Qwen1.5-110B преимущественно на синтетических данных Airoboros. Это плотная авторегрессионная языковая модель с архитектурой Qwen2ForCausalLM; она использует шаблон диалога ChatML и принимает текстовые запросы. По метаданным, размер модели — 110 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для диалогов, ответов на вопросы по предоставленному контексту, суммаризации, генерации кода, следования инструкциям и выдачи аргументов для вызова функций в JSON или YAML. Карточка описывает настройку для контекстных ответов, призванную ограничивать ответы сведениями из источника, а также планирование многошагового выполнения задач; для контекстных запросов рекомендуется низкая температура. Автор отмечает, что иногда в конце ответов появляются лишние токены. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели. Автор характеризует модель как экспериментальную; карточка не приводит количественных оценок качества.

jondurbin/airoboros-65b-gpt4-1.3 — плотная языковая модель семейства LLaMA с 65 млрд параметров, дообученная автором методом QLoRA на синтетических инструкциях, созданных GPT-4. Она предназначена для диалогов с ассистентом, выполнения инструкций, генерации кода и ответов с рассуждением перед итоговым ответом. Для общения используется шаблон Vicuna с ролями USER и ASSISTANT; модель принимает текст и генерирует текст. Указанная длина контекста — 2048 токенов. README предупреждает о проблемах в этой версии и рекомендует использовать её с осторожностью или дождаться версии 1.4. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

airoboros-7b-gpt4-1.2 — плотная причинно-языковая модель семейства LLaMA примерно на 6,6 млрд параметров, дообученная Джоном Дёрбином методом QLoRA на синтетических инструкционных данных, созданных GPT-4. Она предназначена для диалоговых ответов и генерации текста по инструкциям; карточка описывает формат общения с ролями USER и ASSISTANT и шаблон Vicuna. Модель рассчитана на программирование, математические задачи и рассуждения, викторины, ролевые диалоги, вопросы с вариантами ответа и заполнением пропусков, а также ответы с учётом заданного контекста. Для запросов на генерацию кода обучалась выводить код без Markdown-разметки при добавлении маркера PLAINFORMAT, но это поведение не гарантируется. Контекст — 2048 токенов; формат репозитория — PyTorch. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

airoboros-l2-7b-2.2 — экспериментальная текстовая языковая модель на архитектуре LLaMA, разработанная jondurbin и дообученная преимущественно на синтетических данных набора airoboros-2.2. Она предназначена для ответов на инструкции и вопросы, генерации текста и кода, ответов по заданному контексту, а также формирования планов и структурированных аргументов для вызова функций. Модель содержит 6,6 млрд параметров, принимает и генерирует текст, а её нативный контекст составляет 4096 токенов. Карточка описывает шаблон диалога с метками USER и ASSISTANT и рекомендации по остановке генерации; для ответов по предоставленным источникам предусмотрен формат с явными разделителями контекста. Модель в основном ориентирована на выполнение инструкций, а не на свободный чат или ролевую игру. В README отмечены частичное выравнивание для обычного использования и возможность переопределения этого поведения системным промптом. Ответы по контексту могут галлюцинировать, поэтому автор советует явно просить не придумывать неизвестные ответы. Модель распространяется под лицензией Llama 2; опубликована в формате PyTorch.

airoboros-m-7b-3.1.2 — экспериментальная языковая модель jondurbin для диалогов и выполнения инструкций. Она основана на архитектуре Mistral с плотной причинно-языковой моделью на 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель обучена преимущественно на синтетических данных набора airoboros-3.1 и использует формат чата Llama 2. Модель подходит для ответов на вопросы по заданному контексту, суммаризации, следования многошаговым инструкциям, генерации кода и структурированных ответов. В набор обучения также входили математические задачи с выдачей MathJSON, извлечение сведений из логов и анонимизация текста. Разработчик отмечает, что модель особенно ориентирована на выполнение инструкций, а не на непринуждённый чат или ролевую игру. В README модель названа экспериментальной; для MathJSON рекомендуется низкая температура, а формат чата важно настроить корректно. Репозиторий распространяется по лицензии Apache-2.0.

AlchemistCoder-DS-6.7B-GGUF — набор GGUF-квантизаций модели AlchemistCoder-DS-6.7B, первоначально разработанной командой InternLM. Квантизации подготовлены пользователем bartowski с помощью llama.cpp релиза b3024 и метода imatrix. Модель предназначена прежде всего для генерации и обработки программного кода, включая сценарии локального запуска через llama.cpp и совместимые инструменты. README не содержит сведений о поддерживаемых языках программирования и естественных языках. В набор входят варианты с разной точностью и размером: от Q8_0 объёмом 7,16 ГБ до IQ2_XS объёмом 2,03 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, тогда как низкие требуют меньше RAM или VRAM, но сильнее теряют в качестве; в README рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Архитектура, размер контекста, модальности и другие параметры исходной модели не указаны. Распространение заявлено по лицензии Apache-2.0. Для работы необходимо учитывать формат промпта, приведённый в README, и выбирать файл с учётом доступной памяти. Ограничения включают зависимость качества от уровня квантизации и отсутствие в доступных данных подробных характеристик, результатов оценки и описания исходного обучения.

openhands-lm-7b-v0.1-GGUF — это квантизированная GGUF-версия языковой модели openhands-lm-7b-v0.1, разработанной all-hands и подготовленной bartowski с использованием llama.cpp. Модель предназначена для генерации текста и сценариев, связанных с агентным программированием и разработкой программного обеспечения; среди указанных данных обучения присутствует SWE-Gym. Поддерживаемый язык — английский. Модель имеет размер 7B параметров и поставляется в нескольких вариантах точности, включая BF16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K. Квантизация позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти: рекомендуемые варианты обеспечивают высокое или хорошее качество, а варианты с меньшим размером экономят ресурсы за счёт снижения качества. Доступны запуск через LM Studio, llama.cpp и другие проекты на базе llama.cpp; для работы следует использовать указанный формат промпта с ролями system, user и assistant. Сильными сторонами являются специализация на задачах программирования, агентных сценариях и возможность локального запуска в различных квантизированных конфигурациях. Ограничения включают отсутствие сведений о точной архитектуре, размере контекста, мультимодальности и результатах оценки; модель заявлена только для английского языка. Лицензия — MIT.

BoghdadyJR/al-MiniLM-L6-v2 — модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, дообученная разработчиком на датасете code-search-net/code_search_net. Архитектура MPNet кодирует текст в плотные векторы размерности 768; для представления используются усреднение токенов и нормализация, а сходство измеряется косинусом. Модель насчитывает 136,7 млн параметров и рассчитана на последовательности до 384 токенов по README; метаданные указывают контекст до 514 токенов. Модель предназначена для семантического поиска по коду, сопоставления названий функций с их реализациями, сравнения предложений и абзацев, поиска перефразировок, кластеризации и классификации текстов. README приводит оценку Spearman 0,881 на sts-dev, однако эти результаты сами по себе не гарантируют аналогичное качество на других данных. Карточка указывает язык обучения как code; естественные языки, для которых модель специально рассчитана, не заявлены. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Absolute Zero Reasoner-Coder-3b-GGUF — квантизированная версия модели Absolute_Zero_Reasoner-Coder-3b, разработанной andrewzh и подготовленной пользователем bartowski в формате GGUF для llama.cpp. Модель предназначена для генерации текста, включая задачи рассуждения и программирования, и может использоваться локально через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до 3-битных и IQ-квантизаций размером примерно от 1,5 до 6,18 ГБ. В README не указаны точная архитектура исходной модели, размер контекста, поддерживаемые языки и модальности, поэтому модель следует рассматривать как текстовую, без подтверждённой поддержки изображений или других типов данных. Старшие варианты квантизации обеспечивают более высокое качество, а младшие снижают требования к оперативной памяти ценой заметной потери качества; рекомендуемыми названы варианты Q4–Q6. Лицензия в предоставленных данных не указана. Это локальная квантизированная сборка, поэтому её практическая ценность особенно высока для запуска на пользовательском оборудовании без облачного сервиса, однако производительность и качество зависят от выбранного варианта квантизации и совместимого программного обеспечения.

Atom-Z-Tiny-7B — языковая модель из набора Atom, разработанного для точного вызова функций. По README, эта версия дообучена на 100 тысячах примеров; набор данных проекта включает более 20 миллионов примеров. Модель основана на архитектуре Mistral, содержит 7,1 млрд параметров и использует библиотеку NeMo. Контекстное окно составляет 32 768 токенов. Модель предназначена для диалоговых сценариев, где нужно сформировать вызов функции, а также для генерации текста и кода. В метаданных указан английский язык. Указанная лицензия — Apache-2.0. Заявленная в README поддержка зрения относится к будущей разработке проекта, поэтому её нельзя считать возможностью этой модели.

baichuan-vicuna-7b — диалоговая модель, созданная командой fireballoon путём полного дообучения базовой Baichuan-7B на данных ShareGPT в формате Vicuna. Модель основана на плотной архитектуре LLaMA и содержит 6,7 млрд параметров; для обучения использовался FastChat. Нативная длина контекста — 4096 токенов. Модель предназначена для диалогов и генерации ответов на китайском и английском языках. В обучающую смесь также включены данные Chain-of-Thought и решения задач LeetCode на Python, чтобы улучшить рассуждения и программирование. Репозиторий содержит веса PyTorch и поддерживает загрузку через Transformers. Карточка указывает, что базовая Baichuan-7B допускает коммерческое использование, но отдельные условия лицензии этой производной модели здесь не приведены. Качество ответов, рассуждений и кода не гарантируется; длина контекста ограничена 4096 токенами.

Beyonder-4x7B-v3 — разговорная языковая модель mlabonne, созданная как смесь экспертов (MoE) с помощью LazyMergekit. В объединение вошли AlphaMonarch-7B, CodeNinja-1.0-OpenChat-7B, Kunoichi-DPO-v2-7B и NeuralDaredevil-7B; архитектура — MixtralForCausalLM. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов, тогда как README рекомендует окно 8 тысяч токенов и шаблон чата Mistral Instruct. Модель предназначена для диалогов общего назначения, ролевого общения, задач с кодом и математикой. По README, при генерации задействуются два эксперта, что позволяет сочетать эти способности. Автор отмечает хорошие результаты на нескольких наборах оценок, но предупреждает, что модель не нацелена на превосходство в традиционных бенчмарках; результаты оценки не гарантируют качество в конкретных приложениях. Модель принимает текст и генерирует текст. Языки отдельно не перечислены. Репозиторий распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

AXCXEPT разработала эту инструкционную чат-модель на базе Phi-3.5-mini-Instruct, применив несколько методов настройки. В карточке отмечено улучшение генерации кода и извлечения информации, а также особое внимание к японскому языку. Архитектура — плотная Phi-3, размер — 3,7 млрд параметров, формат весов — safetensors; модель принимает и генерирует текст, контекст — до 4096 токенов. Модель подходит для диалоговых ответов, помощи с кодом и извлечения сведений из текста. В карточке приведены примеры запуска через Transformers и рекомендации по использованию FlashAttention 2. Заявлена лицензия MIT; для коммерческого применения разработчик настоятельно рекомендует связаться с ним. README также характеризует модель как экспериментальную и предназначенную для исследований и разработок, без гарантий качества и пригодности для критически важных систем.

claude-yolo-vibes-v4-dpo — дообученная David Nichols версия инструкционной Qwen2.5-Coder-7B-Instruct с настройкой стиля ответов и предпочтений методом DPO. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров; репозиторий содержит веса BF16 в формате Safetensors, а заявленная длина контекста — 32 768 токенов. Модель предназначена для диалоговой генерации и работы с кодом. В режиме Vibes она отвечает с острым юмором и может использовать грубоватый стиль, сохраняя способность писать код; в режиме Code выдаёт код без лишних пояснений. По README, обучение включало SFT на сессиях агента и DPO на парах предпочтений. Автор заявляет результат HumanEval Pass@1 88,4%, совпадающий с базовой моделью; это заявление карточки, а не независимая оценка. Модель принимает текст и генерирует текст. Указан английский язык. Лицензия — Apache-2.0. Для локального запуска на Apple Silicon автор предлагает отдельную 4-битную MLX-версию, а также упоминает сборку Ollama в формате GGUF; они не являются файлами этого BF16-репозитория.

Экспериментальный чекпойнт языковой модели Qwen3-4B, созданный командой автора репозитория методом обучения с подкреплением OpenRLHF GRPO на базе Qwen/Qwen3-4B-Instruct-2507. Модель предназначена прежде всего для генерации кода и решения задач программирования: награда при обучении зависела от прохождения тестов сгенерированной программой. Чекпойнт выбран как лучший по pass@8 в описанном запуске; численные метрики оценки для него не приведены. Модель плотная, содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Обучение проводилось на задачах, которые исходная модель решала редко, с GRPO, без KL-штрафа и с дополнительными штрафами за обрезанные и чрезмерно длинные ответы. Указана библиотека Transformers и формат весов safetensors. Лицензия в доступных данных не указана.

Это экспериментальный чекпойнт языковой модели Qwen3-4B, дообученный командой agurung методом обучения с подкреплением GRPO с помощью OpenRLHF. Модель предназначена для генерации кода: она обучалась решать задачи программирования, отобранные по низкой успешности базовой модели, а награда зависела от прохождения тестов сгенерированной программой. Чекпойнт сохранён на шаге 48 и показал лучший pass@8 в рамках этого запуска; численные метрики оценки в карточке отсутствуют. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров. Она принимает текст и генерирует текст, включая код; использует контекст до 262 144 токенов. Обучение проводилось на англоязычных задачах программирования, но карточка не заявляет отдельный перечень поддерживаемых естественных языков. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.