II.2Создание и понимание программного кода

trohrbaugh/gemma-4-31b-it-heretic-ara — разговорная мультимодальная модель на архитектуре Gemma 4, размещённая пользователем trohrbaugh. По метаданным она работает через Transformers и принимает изображения вместе с текстом, поддерживая диалог и визуальное понимание. README описывает семейство Gemma 4: его модели предназначены для рассуждений, агентных сценариев, программирования и мультимодальных задач; модель 31B относится к варианту с контекстом до 256K токенов. В описании семейства указаны гибридное внимание с локальными и глобальными слоями, распознавание текста и документов на изображениях, понимание графиков и интерфейсов, а также вызов функций. Аудиовозможности README относит только к версиям E2B и E4B. Метка heretic и теги uncensored, decensored и abliterated указывают на модификацию, нацеленную на ослабление отказов, однако README не объясняет точную методику или проверенные характеристики именно этой сборки. Семейство Gemma 4 поддерживает более 35 языков, но конкретный список языков этой модели не приведён. Лицензия репозитория — Apache-2.0. Как и другие генеративные модели, она может выдавать фактические ошибки, отражать смещения обучающих данных и хуже справляться с неоднозначными или сложными запросами.

Карточка модели dealignai/Gemma-4-31B-it-qat-MXFP4-CRACK на Hugging Face совпадает с карточкой Ishowbackup/Gemma-4-31B-it-qat-MXFP4-CRACK, поэтому описание составлено по ней. Gemma 4 31B MXFP4 CRACK — мультимодальная модель на архитектуре Gemma 4, опубликованная dealignai и основанная на google/gemma-4-31b-it. Это дообученная версия с удалёнными отказами, предназначенная для диалогов, ответов на вопросы, многошаговых рассуждений, генерации кода и работы с изображениями. Модель плотная, использует гибридное скользящее и глобальное внимание и квантизацию MXFP4; для запуска автор рекомендует vMLX на Apple Silicon с достаточной общей памятью. В карточке заявлены сохранение возможностей работы с изображениями и проверка генерации кода и рассуждений. По приведённым авторами оценкам, MMLU составляет 82,9% против 88,6% у базовой модели, а соответствие запросам из категорий HarmBench — 95%; это указывает на заметное снижение отказов, в том числе для опасных запросов. Метаданные указывают лицензию Gemma. Автор обозначает модель как исследовательскую; пользователю следует учитывать лицензионные условия Gemma и применимое законодательство.

Gemma 4 E4B Agentic Opus Reasoning GeminiCLI MLX 4bit — дообученная и объединённая с весами модель на базе deadbydawn101/gemma-4-E4B-mlx-4bit, разработанная RavenX AI Labs. Модель предназначена для агентских сценариев, программирования, отладки, структурированного диалога и работы с инструментами через tool calling и function calling, включая интеграцию с OpenHarness, OpenClaw, Hermes Agent и Gemini CLI. Модель поддерживает текст и изображения, ориентирована на английский язык и использует архитектуру Gemma 4 E4B. Веса содержат встроенное рассуждение в стиле Opus и Claude Code с поддержкой тегов <think>, поэтому отдельный адаптер не требуется. Заявлены контекст до 131K токенов, размер около 10,5 ГБ и 4-битная MLX-квантизация для Apple Silicon, однако в README также указано, что объединённые веса имеют формат bfloat16, что может влиять на фактический размер файлов. Сильные стороны модели — встроенные паттерны рассуждения, агентское поведение, вызов инструментов, поддержка vision и совместимость с экосистемой MLX. Ограничения включают заявленную ориентацию на английский язык, зависимость от MLX и Apple Silicon для описанного сценария использования, а также отсутствие подробных независимых оценок качества. Модель распространяется по лицензии Gemma; условия приведены по ссылке на документацию Google.

MassivDash/Gemma-4-RUST-CODER-12B — специализированная дообученная версия Google Gemma-4-12B-it, разработанная для задач программирования на Rust. Модель обучалась с использованием QLoRA, Unsloth Studio и набора данных Fortytwo-Network/Strandset-Rust-v1. Она ориентирована на системное программирование, отладку, разработку высокопроизводительных приложений и генерацию лаконичных ответов с акцентом на код. Модель улучшена в области идиоматичного Rust, включая работу с Result и Option, обработку ошибок, правилами borrow checker, lifetimes, трейты Send и Sync, а также асинхронными runtime, такими как Tokio. Заявлен размер базовой модели — 12B параметров. В README не указаны контекстное окно, полный список поддерживаемых языков и модальностей; по назначению модель ориентирована прежде всего на текстовые запросы и код на Rust. Сильными сторонами являются специализация на экосистеме Rust, понимание паттернов безопасности памяти, конкурентного и асинхронного программирования. При этом возможна деградация качества в других языках программирования и вне технических задач из-за узкой специализации. Модель не гарантирует компилируемость и корректность сгенерированного кода, поэтому результаты необходимо проверять и тестировать. Указанная лицензия — MIT.

TIGER-Lab разработала General-Reasoner-Qwen2.5-14B — дообученную причинно-следственную языковую модель семейства Qwen2.5 с 14 млрд параметров. Она предназначена для диалоговой генерации текста и решения задач, требующих рассуждений в разных областях: математике, программировании, физике, химии, финансах и гуманитарных дисциплинах. Модель обучена на наборе из более чем 230 тысяч проверяемых вопросов; подход General-Reasoner использует проверку ответов компактной генеративной моделью-верификатором и не включает отдельный этап RL-обучения. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и рассчитана прежде всего на английский язык. Репозиторий использует формат safetensors и библиотеку Transformers; метаданные указывают интерфейс для диалога и вызова инструментов. Лицензия — Apache-2.0. Карточка сообщает о результатах на нескольких бенчмарках, но не приводит конкретных значений в предоставленном фрагменте; ответы модели могут требовать проверки.

General-Reasoner-Qwen3-14B — языковая модель TIGER-Lab, дообученная на базе Qwen/Qwen3-14B-Base для развития рассуждений в широком круге областей. Она предназначена для ответов на вопросы и решения задач, требующих анализа, включая математику, программирование, физику, химию, финансы и гуманитарные дисциплины. Для обучения использованы более 230 тысяч проверяемых вопросов из веб-источников и модельный верификатор; README описывает подход как обучение без промежуточного этапа supervised fine-tuning. Модель имеет плотную архитектуру Qwen3ForCausalLM, 14 млрд параметров и контекст до 32 768 токенов; репозиторий содержит веса в формате safetensors. Поддерживаются чат и интерфейс вызова инструментов. Лицензия — Apache-2.0. Карточка сообщает о результатах на разнообразных бенчмарках рассуждений, но не приводит здесь подробных численных оценок.

Genji-python 6B — языковая модель компании NovelAI, дообученная на базе EleutherAI GPT-J 6B на наборе Python-кода объёмом около 4 ГБ. Это плотный авторегрессионный трансформер GPT-J с 28 слоями и размерностью модели 4096; модель содержит около 6,8 млрд параметров. Она генерирует продолжение текста и кода, используя контекст длиной до 2048 токенов. Модель предназначена для помощи в написании кода на Python и экспериментов с генерацией кода. README отмечает, что для использования требуется форк библиотеки Transformers; результаты оценки качества не приведены. Лицензия — Apache 2.0.

Это плотная языковая модель Qwen3-32B, дообученная авторами репозитория на датасете open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Модель предназначена для генерации текста и диалогового взаимодействия; датасет указывает на настройку для ответов на технические вопросы и задач, связанных с программными песочницами и рассуждениями. Модель содержит 29,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors. Указанная длина контекста — 40 960 токенов. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория и у правообладателей. README не приводит результатов оценки и подробностей о качестве.

Модель laion/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning_global-batch-size_64_Qwen3-32B — дообученная командой LAION плотная языковая модель семейства Qwen3 на базе Qwen/Qwen3-32B. Она предназначена для генерации текста в диалоговом формате; название и датасет обучения указывают на настройку для задач Stack Exchange и Stack Overflow, включая ответы на вопросы и рассуждения о коде. Модель содержит 29,7 млрд параметров, использует архитектуру Qwen3ForCausalLM, файлы весов представлены в safetensors, а нативный контекст составляет 40 960 токенов. Модель может применяться для ответов на технические вопросы, объяснения решений и помощи с программированием. Карточка не приводит результаты оценки, подробное описание поведения или условия лицензии; в метаданных указана лицензия other, поэтому перед использованием следует проверить её условия. Также README не раскрывает возможные ограничения набора данных и качество на задачах вне Stack Exchange и Stack Overflow.

unsloth/GLM-4.7-Flash-NVFP4 — это версия модели GLM-4.7-Flash, подготовленная Unsloth в формате квантования NVFP4. Исходную модель разработала команда GLM компании Z.ai. Она предназначена для генерации текста, диалоговых приложений, программирования, решения задач рассуждения и агентских сценариев, где важны сочетание производительности и эффективности локального развертывания. Модель имеет MoE-архитектуру с заявленным размером 30B-A3B: 30 миллиардов параметров при активации примерно 3 миллиардов на отдельный запрос. В карточке указаны английский и китайский языки, поддержка библиотеки Transformers и запуск через vLLM или SGLang. Длина контекста и другие архитектурные характеристики не указаны. Мультимодальные возможности для этой версии не заявлены; в карточке она описана как text-generation модель. К сильным сторонам относятся компактная вычислительная нагрузка для класса 30B, возможность эффективного инференса на совместимом оборудовании и высокие результаты, заявленные для ряда тестов, включая AIME 25, GPQA, SWE-bench Verified и τ²-Bench. Ограничения связаны с использованием NVFP4-квантизации, требованиями к актуальным версиям программного обеспечения и поддержке соответствующих ядер; для запуска рекомендуются современные версии vLLM и специализированные компоненты NVIDIA. Карточка также предупреждает, что backend Marlin работает примерно вдвое медленнее. Лицензия модели указана как MIT. В карточке не приведены данные о длине контекста, требованиях к видеопамяти, качестве на русском языке и влиянии NVFP4-квантизации на точность, поэтому эти характеристики нельзя оценить по имеющейся информации.

GLM-5.2-EXL3-TR3-3.40bpw-KVarN-K4V2 — это локально ориентированный serving-чекпойнт на базе GLM-5.2 от zai-org, подготовленный jpsequeira. Модель предназначена для генерации текста, прежде всего для задач программирования, рассуждений и агентских сценариев, с акцентом на эффективное развертывание на четырёх GPU RTX PRO 6000 Blackwell по 96 ГБ. Чекпойнт рассчитан на использование с форком local-inference-lab/vllm и специализированными компонентами b12x, KVarN и sparkinfer. Модель использует архитектуру GLM-5.2 размером 756B параметров с MoE и маршрутизацией экспертов. Применена смешанная EXL3-квантизация примерно 3,40 бит на вес, а для KV-кэша используется формат KVarN K4V2 с затратами 290 байт на токен на слой. Поддерживаются sparse MLA attention, paged top-k indexer и MTP3 speculative decoding. Для данного класса оборудования подтверждён контекст до 819K токенов; модель относится к текстовым моделям, однако сведения о поддерживаемых языках в README не указаны. Сильными сторонами являются высокая экономичность KV-кэша, большой практически проверенный контекст и оптимизация под локальное инференс-развёртывание. При этом качество квантизации зависит от домена: заявленные низкие значения KLD на калибровочном наборе не обобщаются на отложенные данные, где модель уступает некоторым общественным чекпойнтам GLM-5.2. Кроме того, для работы требуются совместимые GPU, специализированный runtime и соответствующие backend-компоненты. Чекпойнт распространяется по лицензии MIT.

GLM-5.3-AWQ-INT4 — квантизированная версия модели GLM-5.3, разработанной организацией Z.ai. Модель предназначена для генерации текста и ориентирована прежде всего на сложные задачи программирования, работу с инструментами, агентские сценарии и выполнение длительных многоэтапных задач. В README заявлены высокие результаты в бенчмарках по coding, автоматизации, поиску уязвимостей и эксплуатации, однако эти показатели приведены разработчиками и могут зависеть от методики тестирования. Модель работает с текстом, поддерживает языки English, Chinese, Hindi, Arabic, Russian, Japanese, Korean, Dutch, French и Spanish. Указан размер файлов модели 488,18 ГБ; архитектура, число параметров и размер контекстного окна в README не раскрыты. Квантизация AWQ с форматом INT4 снижает требования к хранению и вычислениям по сравнению с полноразмерной моделью, но может сопровождаться потерей точности. Для локального развёртывания заявлена совместимость с SGLang, vLLM, TokenSpeed и Transformers. Сильными сторонами модели являются заявленные возможности в программировании, агентной автоматизации и кибербезопасности, включая обнаружение уязвимостей. Ограничения включают отсутствие подробностей об архитектуре, контекстном окне и требованиях к оборудованию, а также потенциальное снижение качества из-за квантизации. Модель распространяется по лицензии glm-5.3; точные условия лицензии в README не приведены.

davidsyoung/GLM-5.3-EXL3-TR3-3.25bpw — квантизированная версия GLM-5.3 от zai-org, подготовленная в формате EXL3/TR3 с использованием смешанной точности. В основе лежит MoE-модель GLM-5.3 объёмом 755 млрд параметров с архитектурой glm_moe_dsa: 78 слоёв и 256 маршрутизируемых экспертов на слой, включая MTP. Модель предназначена для генерации текста, сложного программирования и задач с длинной цепочкой рассуждений. Заявлены английский и китайский языки, а также поддержка библиотеки Transformers на уровне метаданных модели. Маршрутизируемые эксперты в слоях 3–78 квантизированы методом EXL3 с усреднённой точностью 3,25 бит на параметр: 192 эксперта на слой используют K3, а 64 наиболее чувствительных к ошибке — K4. Внимание, эмбеддинги, нормализации, lm_head и ранние плотные MLP сохранены в BF16; shared experts хранятся в BF16 и обслуживаются с online K6. Квантизация выполнена без калибровочных данных, с использованием trellis-поиска и детерминированных параметров. По измерениям README, отклонение от BF16-учителя при FP8 KV-кэше составило KLD 0,026103 на проверочных окнах. Главное преимущество — существенное снижение требований к памяти: модель рассчитана на запуск в конфигурации TP4 на четырёх GPU с 96 ГБ памяти и FP8 KV-кэшем, что делает крупную GLM-5.3 доступнее для локального сервинга. Ограничения связаны с нестандартным форматом: требуется стек на базе exllamav3-b12x или sparkinfer-lineage, поддерживающий смешанные projection tiers, TP4, DCP4/MTP3 и FP8 KV-кэш. Стандартный загрузчик vanilla exllamav3 несовместим и может выдавать некорректный текст; README также не указывает максимальную длину контекста. Лицензия обозначена как glm-5.3; подробные условия приведены по ссылке на лицензию базовой модели.

Solstice-AI/GLM-5.3-Flash-UNCENSORED-mlx-oQ8e — Apple Silicon-версия мультимодальной модели GLM-5.3-Flash. Исходную архитектуру разработала Zhipu AI / ZAI, uncensored-веса предоставлены dealignai, а смешанную квантизацию oQ8e подготовила Solstice-AI. Модель распространяется в формате MLX и предназначена для локального запуска на чипах Apple Silicon M2, M3, M4 и M5. Это разреженная MoE-модель общим объёмом 320 млрд параметров, из которых около 18 млрд активируются для каждого токена; используется 288 маршрутизируемых экспертов. Модель поддерживает текст, изображения и видео, заявлены языки English и Chinese, а также нативное контекстное окно до 1 048 576 токенов. В релиз включён DFlash2 speculative drafter, который, по данным README, может обеспечивать прирост пропускной способности генерации до 3 раз. Ключевая особенность — смешанная точность около 8,6 bpw: критичные для маршрутизации и вывода компоненты защищены 8-битным или полным представлением, а vision tower и мультимодальный aligner сохранены в BF16. Модель ориентирована на рассуждения, программирование, математические задачи, анализ изображений и видео, а также работу с длинным контекстом. README заявляет высокие результаты на MMLU, SWE-bench Pro, LiveCodeBench, MATH-500, MMMU и VideoQA, но эти показатели не подтверждены независимыми источниками. Пометка UNCENSORED указывает на отсутствие обычного поведения отказа, что расширяет спектр допустимых сценариев, но может повышать риски небезопасных ответов. Лицензия — MIT.

unsloth/GLM-Z1-32B-0414-GGUF — GGUF-версия 32-миллиардной reasoning-модели GLM-Z1-32B-0414, разработанной командой THUDM на основе GLM-4-32B-0414 и подготовленной в формате GGUF проектом Unsloth. Модель предназначена для локального текстового диалога и генерации текста, особенно для задач, требующих глубокого рассуждения: математики, программирования, логики и решения сложных многоэтапных задач. Модель поддерживает китайский и английский языки и относится к задачам text-generation. Заявлены улучшенные математические способности и общее качество решения сложных задач по сравнению с базовой моделью. В README указано 32 миллиарда параметров; архитектура подробно не описана. Для работы с длинным контекстом предусмотрен YaRN: при длине входа свыше 8192 токенов рекомендуется включать масштабирование RoPE, исходный максимальный размер позиционных эмбеддингов составляет 32768 токенов. Модель подходит для локального развертывания через совместимые инструменты, включая llama.cpp; для корректной обработки системного промпта в llama.cpp рекомендуется параметр --jinja. Для генерации рекомендованы temperature 0.6, top_p 0.95, top_k 40 и max_new_tokens 30000. Ограничения включают значительные требования к вычислительным ресурсам из-за размера 32B и возможное небольшое ухудшение качества на коротких текстах при постоянном включении YaRN. Лицензия — MIT.

GPT-neo-Custom 7B — диалоговая языковая модель, дообученная Szymon-Wachelko на базе Qwen2.5-7B-Instruct методом QLoRA. Она предназначена для генерации ответов на польском и английском языках, рассуждений, программирования и решения математических и логических задач. Репозиторий распространяет веса в формате GGUF для локального запуска через Ollama, LM Studio и совместимые инструменты; поддерживается шаблон диалога ChatML. В метаданных указана лицензия Apache-2.0. Заявленные сильные стороны — естественная генерация на польском, помощь с кодом и структурированными техническими ответами. Это модель на 7 млрд параметров, поэтому качество рассуждений и решений может варьироваться; заявления о «полном мастерстве» и идентичности квантованных вариантов точностью FP16 приведены автором и не подкреплены в карточке оценками. Версии GGUF различаются размером и точностью, что влияет на требования к памяти и качество генерации.

hokar3361/gpt-oss-coderjs-v0.1 — экспериментальная модель генерации кода на JavaScript, созданная hokar3361 на базе openai/gpt-oss-20b. Это причинная языковая модель архитектуры GPT-OSS с MoE; её дообучили методом LoRA на небольшом отобранном наборе JavaScript-кода, а веса адаптера объединили с базовой моделью. В метаданных указан размер 1,6 млрд параметров и контекст до 131 072 токенов; для запуска автор рекомендует vLLM и длину контекста 16 000 токенов. Модель предназначена для дополнения и генерации фрагментов кода на JavaScript ES6+, небольших рефакторингов, исправления ошибок, написания тестовых заготовок и JSDoc. Для взаимодействия рекомендуются запросы на английском языке. Первичная оценка на небольшом наборе задач показала улучшение относительно базовой модели, однако полная проверка качества ещё продолжается. Модель выпущена по лицензии Apache-2.0. Из-за малого объёма данных обучения она может хуже справляться с редкими библиотеками и API, придумывать несуществующие API или типы и генерировать неполный либо небезопасный код; результаты следует проверять перед использованием.

Granite-4.0-H-Tiny-Base — базовая языковая модель IBM Granite Team для генерации текста и кода. Это декодерный гибридный MoE-трансформер примерно на 500,2 млн параметров с компонентами GQA и Mamba2; модель обучена с нуля на смеси открытых и проприетарных данных. Контекст — до 131 072 токенов. Модель предназначена для суммаризации, классификации и извлечения информации, ответов на вопросы, генерации текста с длинным контекстом и автодополнения кода, включая Fill-in-the-Middle. В первую очередь поддерживает английский, а также немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Весы доступны в формате safetensors; лицензия Apache 2.0. Модель не прошла safety alignment, поэтому может генерировать проблемные ответы. Возможны предвзятость, дезинформация, галлюцинации и дословное воспроизведение фрагментов обучающих данных.

Granite-8B-Code-Instruct-4K — языковая модель IBM Research с 8,1 млрд параметров, дообученная на базе ibm-granite/granite-8b-code-base-4k. Она предназначена для выполнения инструкций по программированию и создания помощников для разработчиков. Модель также обучалась на данных с математическими задачами и примерами вызова функций. Архитектура — плотная LlamaForCausalLM; модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и распространяется в формате Safetensors. Модель обучалась на инструкциях по коду и ряду распространённых языков программирования, а также на математических и общих инструкционных данных. Для языков программирования вне обучающего охвата качество может быть ниже; в таких случаях README рекомендует использовать примеры в контексте. Перед применением в критически важных системах необходимы проверки безопасности и настройка под целевую задачу. IBM не рекомендует выбирать эту модель для новых проектов и указывает, что она предоставлена для исторических и научных целей. Лицензия — Apache 2.0.

Grok 4.6 — модель SpaceXAI, предназначенная для задач программирования, интеллектуальной работы и STEM. По карточке модели, её сменила более новая версия Grok 4.7. Доступные сведения не описывают архитектуру, размер, модальности, поддерживаемые языки, длину контекста или лицензию, поэтому их нельзя надёжно указать. Метаданные каталога классифицируют модель как image-text-to-text, но README не подтверждает работу с изображениями.

grug-9b — дообученная ProCreations версия dense-модели Ornith-1.0-9B семейства Qwen3.5 с 9 млрд параметров. Модель предназначена для генерации текста и кода, диалогов и сценариев с агентами и вызовами инструментов. Дообучение на датасете ProCreations/grug-think учит модель формулировать рассуждения кратко: по данным автора, медианная длина рассуждения в датасете составляет 11 слов, а в тестах модели сократилось число токенов рассуждения. В сравнительных тестах автора grug-9b быстрее исходной модели и показывает близкий результат на MBPP, но уступает на HumanEval; корректность формата вызовов инструментов в тесте снизилась с 100% до 88,9%. Заявлена поддержка обработки изображений благодаря сохранённой vision tower, однако метаданные относят модель к генерации текста, поэтому качество зрительных задач по этим сведениям оценить нельзя. Для запуска требуется Transformers версии 5.8 или новее. Лицензия — MIT.

Grug v1.1 — диалоговая модель ProCreations на базе Qwen3.8-27B, дообученная на корпусе из 1 млн примеров и скорректированная LoRA-адаптером ранга 32, применённым с силой 0,5. Она предназначена для генерации текста с рассуждениями и работы в агентных сценариях, особенно для выбора подходящего инструмента. Автор сообщает о сокращении числа токенов рассуждения на некоторых тестах и высоких результатах выбора инструмента; для модели рекомендуется средний уровень reasoning_effort. README также описывает оценки на задачах программирования и математики и тесты на повторения. Модель использует плотную архитектуру семейства Qwen3.5 с 27 млрд параметров; в репозитории указаны веса SafeTensors и библиотека Transformers. Метаданные указывают английский язык карточки. Базовая модель мультимодальна, а README упоминает GGUF-вариант с mmproj для зрения, однако у этой модели в метаданных отмечена только генерация текста, поэтому мультимодальные возможности самого указанного репозитория не подтверждены. Среди ограничений автор указывает снижение результата на GSM8K относительно базовой модели, более слабое восстановление выбора инструмента после сбоя по сравнению с предыдущей версией и дополнительные затраты токенов на MBPP. Результаты в README получены на конкретных наборах и настройках, а агентные тесты проводились при температуре 0,6; они не гарантируют аналогичного качества в других сценариях. Лицензия — Apache-2.0.

Hercules-2.0-Mistral-7B — языковая модель на архитектуре Mistral, разработанная Locutusque и дообученная на базе Mistralai/Mistral-7B-v0.1. Она предназначена для выполнения инструкций, диалогов и вызова функций в научных и технических темах, включая биологию, химию, физику, математику, медицину и информатику. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке заявлены возможности генерации кода и вызова функций. Модель подходит для специализированных чат-ботов, учебных помощников, ответов на технические вопросы и генерации кода. Она распространяется в формате safetensors по лицензии Apache-2.0. Возможны фактические ошибки и галлюцинации, в том числе в специализированных областях; обучающие данные могут содержать токсичные примеры и предубеждения.

Locutusque/Hercules-5.0-Qwen2-7B — языковая модель на архитектуре Qwen2, дообученная Locutusque на наборе hercules-v5.0. Модель содержит 7,1 млрд параметров, работает с текстом и рассчитана на диалог, следование сложным инструкциям и вызов функций. Заявленная длина контекста — 131 072 токена. Модель предназначена для научных и технических бесед, пошаговых учебных подсказок, специализированных чат-ботов, а также генерации кода и взаимодействия с инструментами через вызовы функций. В карточке перечислены биология, химия, физика, математика, медицина и информатика; конкретные языки естественного языка не заявлены. Модель выпущена в формате Safetensors и распространяется по лицензии Apache-2.0. README предупреждает о токсичных примерах в данных обучения, возможных фактических ошибках и риске неправильного применения возможностей вызова функций.

bartowski/huihui-ai_Qwen3-Coder-Next-abliterated-GGUF — набор GGUF-квантизаций модели Huihui-Qwen3-Coder-Next-abliterated, разработанной huihui-ai. Квантизации выполнены bartowski с использованием llama.cpp и метода imatrix. Модель относится к классу text-generation и предназначена для локального запуска генеративных сценариев, включая работу с кодом и текстом. Модель доступна в различных вариантах квантования от Q3 до Q8, включая Q4_K_M, Q5_K_M, Q6_K и Q8_0. Размер файлов варьируется примерно от 42,67 до 84,81 ГБ; некоторые варианты разделены на несколько файлов. Для запуска указаны llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и LoLLMs. Используется шаблон диалога ChatML с маркерами system, user и assistant. README не сообщает точные архитектурные характеристики исходной модели, число параметров, контекстное окно, поддерживаемые языки или модальности, поэтому эти сведения нельзя достоверно определить. Более низкие уровни квантования экономят память, но могут снижать качество; варианты Q5 и выше обозначены как высококачественные, а Q4_K_M — как стандартный вариант для большинства сценариев. Модель имеет статус abliterated и uncensored, что может означать изменённые ограничения поведения по сравнению с исходной моделью. Лицензия — Apache-2.0.

Карточка модели MyRayy/Huihui-gemma-4-12B-coder-fable5-composer2.5-v1-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-gemma-4-12B-coder-fable5-composer2.5-v1-abliterated, поэтому описание составлено по ней. Huihui-gemma-4-12B-coder-fable5-composer2.5-v1-abliterated — версия Gemma 4 12B coder-fable5-composer2.5-v1 от huihui-ai, у которой методом abliteration снижено число отказов на запросы. Это экспериментальная, грубая реализация с открытым описанием метода; модель предназначена для генерации кода и диалоговых ответов на основе текста. Модель использует плотную архитектуру Gemma4Unified и распространяется в формате safetensors для Transformers. Базовая модель дообучена для алгоритмических задач и генерации кода на Python, проверенного тестами. Карточка не описывает отдельное обучение этой версии для новых задач и не сообщает длину контекста или список естественных языков. Уменьшение защитных отказов может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Модель доступна по лицензии Apache 2.0.

Hy3-GGUF — набор GGUF-квантизаций модели Tencent Hy3, подготовленный пользователем vcruz305. Это MoE-модель для генерации текста, диалогов, программного кода и задач рассуждения. Базовая модель имеет 295 млрд параметров, из которых 21 млрд активируются на токен, использует 192 эксперта с выбором top-8, включает 80 основных слоёв и дополнительный MTP/NextN-слой объёмом 3,8 млрд параметров. Заявлена длина контекста до 256K токенов. Модель работает с текстом; сведения о поддерживаемых языках в README не указаны. Репозиторий содержит варианты от IQ1_M и IQ2_M до Q8_0 размером примерно от 92 до 318 ГБ, рассчитанные на системы с большим объёмом памяти и, для некоторых вариантов, на конфигурации из двух узлов. Квантизации используют importance matrix, рассчитанную на корпусе с примерами программирования, рассуждений и диалогов. Для части вариантов проверена генерация кода и диалогов на реальном оборудовании; также поддерживается speculative decoding через MTP, которое в приведённых измерениях заметно повышало скорость генерации. Для запуска требуется llama.cpp с поддержкой архитектуры Hy3: до включения соответствующих изменений в основную ветку необходима специальная ветка с PR #25364. Для корректного применения шаблона чата требуется параметр --jinja. Ограничениями являются значительные требования к памяти, необходимость совместимого оборудования и специальной сборки llama.cpp; часть квантов не проходила индивидуальное нагрузочное тестирование. Модель распространяется по лицензии Apache-2.0.

HyperCLOVA X SEED 14B Think — плотная языковая модель семейства HyperCLOVAX, разработанная командой HyperCLOVA X. Она предназначена для диалогов и генерации текста с возможностью пошагового рассуждения, в том числе для математических и кодовых задач. Разработчики использовали pruning и дистилляцию знаний, а затем многоэтапное обучение: SFT, обучение с проверяемыми наградами, настройку длины рассуждений и совместное обучение с обратной связью от людей и проверяемыми наградами. В README приведён размер 14,74 млрд параметров; метаданные указывают 14,1 млрд параметров и контекст 131 072 токена. Архитектура основана на Transformer, Peri-Layer Normalization и μP; модель принимает и выдаёт текст. README сообщает о сильных результатах на корейском языке и знании корейской культуры, а также о конкурентных результатах в математике и программировании. Длину рассуждений можно задавать текстовой инструкцией; поддерживается многоходовый диалог и описан сценарий вызова инструментов. Модель подходит для корейскоязычных диалоговых помощников, решения задач на рассуждение и ответов на вопросы, а также для генерации и объяснения кода. README приводит контекст 32 тыс. токенов, тогда как метаданные указывают 131 072 токена. Лицензия помечена как other, поэтому конкретные условия использования следует проверять в файлах репозитория модели.

InCoder-32B — плотная авторегрессионная языковая модель на 31,6 млрд параметров для анализа и генерации кода в промышленных сценариях. В карточке модель представлена как разработка проекта Industrial-Coder; она охватывает проектирование микросхем на Verilog и RTL, оптимизацию CUDA- и Triton-ядер, встроенные системы, компиляторы и 3D-моделирование через CadQuery и OpenCascade. Модель предназначена для генерации кода, ответов на технические вопросы и помощи в оптимизации программ с учётом аппаратных ограничений. Она поддерживает контекст до 131 072 токенов и диалоговый режим. В README описан трёхэтапный процесс обучения с промышленным кодом, расширением контекста и дообучением на примерах с проверкой исполнения. Метаданные указывают библиотеку Transformers и архитектуру IQuestCoderForCausalLM. README приводит результаты общих и отраслевых бенчмарков, но они не гарантируют качество для конкретной задачи. Модель может выдавать ошибочный или небезопасный код; для RTL, прошивок и GPU-ядер необходима экспертная проверка. Для использования с Transformers требуется trust_remote_code=True. Лицензия обозначена как other, поэтому перед применением следует проверить условия в карточке модели.

ISOM-R1-Coder-16B-MoE — экспериментальная модель для генерации кода и работы с большими контекстами репозиториев, разработанная Prannessh K.V.A. на основе DeepSeek-Coder-V2-Lite-Instruct. Автор заявляет архитектуру Mixture-of-Experts с 64 маршрутизируемыми и 2 общими экспертами, активацией TopK=6 и Multi-Head Latent Attention. Метаданные указывают 2,5 млрд параметров, тогда как README приводит 15,71 млрд параметров всего и 2,36 млрд активных на токен. Модель предназначена для генерации и дополнения кода, диалоговой помощи по программированию и анализа репозиториев в контексте до 163 840 токенов. В README описан механизм ISOM с проекцией состояний внимания на изометрическое многообразие для ограничения роста памяти; приведённые характеристики расхода памяти являются теоретическими оценками, а эмпирическая проверка на последовательностях длиной 160K не заявлена. Поддерживаемые языки по метаданным — английский и китайский. Модель опубликована в формате safetensors и доступна по лицензии CC-BY-NC-ND-4.0 согласно метаданным; README также ссылается на лицензию DeepSeek Model License для исходных весов. Модель не аффилирована с DeepSeek AI. Перед использованием следует учитывать ограничения лицензий и проверять применимость условий к производной модели.