II.2Создание и понимание программного кода

Jan-code-4b-GGUF — это квантизированная версия языковой модели Jan-code-4b, разработанной janhq. Репозиторий подготовлен bartowski с использованием llama.cpp и метода imatrix; модель предназначена для генерации текста и ориентирована на сценарии работы с кодом и агентами. Модель доступна в формате GGUF с вариантами квантизации от BF16 и Q8_0 до более компактных Q2–Q6 и IQ-вариантов. Размер файлов составляет примерно от 1,98 до 8,83 ГБ. В README указана поддержка английского языка. Архитектура, максимальная длина контекста, точное число параметров и поддерживаемые модальности не описаны; по назначению и формату это текстовая авторегрессионная модель. Сильной стороной является широкий выбор уровней квантизации, позволяющий подобрать баланс между качеством, требованиями к памяти и скоростью работы. В качестве рекомендуемых указаны Q4_K_M, Q5_K_M, Q6_K и близкие варианты. Модель можно запускать через llama.cpp, LM Studio, koboldcpp, Jan AI и другие совместимые инструменты, однако для новых поддерживаемых архитектур может потребоваться обновление программного обеспечения. Лицензия — Apache-2.0.

JanusCoder-14B — языковая модель для генерации кода, разработанная авторами семейства JanusCoder. Она основана на Qwen3-14B и дообучена на корпусе JANUSCODE-800K, который включает мультимодальные примеры программного кода для визуального контента. По карточке Hugging Face, модель имеет плотную архитектуру Qwen3 с 14 млрд параметров, работает через Transformers и принимает контекст до 32 768 токенов. Модель предназначена для создания кода по текстовым инструкциям, в том числе кода визуализаций данных, интерактивных веб-интерфейсов и анимаций. В README приведены результаты на PandasPlotBench, ArtifactsBench и DTVBench; это указывает на ориентацию на генерацию и редактирование визуального контента средствами кода. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Эта версия обозначена как текстовая модель; возможности визуального ввода описаны для семейства JanusCoder в целом, но метаданные не подтверждают их для JanusCoder-14B. README не сообщает конкретные ограничения модели или перечень поддерживаемых естественных языков.

JanusCoder-8B — языковая модель для работы с кодом из серии JanusCoder, разработанной как единый интерфейс для визуальных и программных задач. Модель основана на Qwen3-8B и дообучена на корпусе JANUSCODE-800K, содержащем синтетические примеры кода для графиков, веб-интерфейсов и анимации. Модель принимает текстовые инструкции и генерирует код для визуализаций данных, интерактивных веб-интерфейсов и анимаций. В карточке приведены результаты на PandasPlotBench, ArtifactsBench и DTVBench; отдельная модель JanusCoderV в семействе предназначена для мультимодального ввода, но JanusCoder-8B описана как текстовая модель. Это плотная архитектура Qwen3 с 7,6 млрд параметров и контекстом 32 768 токенов. Для запуска предусмотрена библиотека Transformers; веса опубликованы в формате Safetensors по лицензии Apache-2.0. Качество генерации зависит от сложности задания, а сама модель не принимает изображения напрямую.

jd7 — дообученная модель генерации текста на базе deepseek-ai/deepseek-coder-1.3b-base, созданная автором репозитория на датасете generator. Это плотная авторегрессионная модель архитектуры Llama с 1,3 млрд параметров, рассчитанная на контекст до 16 384 токенов. Метаданные указывают задачу text-generation; базовая модель предназначена для продолжения и автодополнения кода, поэтому jd7 может быть полезна для генерации и дополнения кода. Подробности о специализации дообучения, оценке качества и ограничениях в карточке не раскрыты. Модель опубликована в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

jdpo5k5 — дообученная модель на основе deepseek-ai/deepseek-coder-1.3b-base, созданная на датасете generator. Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста; базовая модель ориентирована на продолжение и автодополнение кода. Для неё указано контекстное окно 16 384 токена, веса доступны в формате Safetensors. Модель может использоваться для генерации и продолжения кода, однако README не описывает назначение дообучения, качество, оценку или специальные ограничения. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и условиями базовой модели.

JevCodeLocator-0.6B — компактная модель-реранкер для поиска подходящих фрагментов кода в репозитории по запросу на естественном языке. Она дообучена разработчиком RowletQwQ на базе Qwen/Qwen3-0.6B и использует плотную архитектуру JevDecisionModel с оценочной головой и механизмом set-attention. Модель ранжирует переданный список кандидатов и выдаёт порядок фрагментов и файлов; самостоятельно извлекать кандидатов или строить векторный индекс она не предназначена. Модель рассчитана на локализацию кода по описанию ошибки или поведения, issue, имени символа либо сообщениям об ошибке. В обучении использовались Python, Go, TypeScript/JavaScript, C, C++, Rust, C#, PHP, Java, Ruby и Bash; метаданные карточки отмечают английский и китайский языки. В оценках показаны улучшения ранжирования для нескольких языков программирования, однако свободные вопросы остаются более сложным сценарием, а языки за пределами обучающего набора не проверялись. Список кандидатов должен содержать нужный файл, а длинные функции могут быть усечены в компактном представлении кандидата. Модель не настроена для диалога и не имеет настройки безопасности. Веса и код распространены по лицензии Apache-2.0. README указывает, что обучающая смесь включает проект AGPL-3.0 и проект с некоммерческой лицензией; коммерческое использование может требовать отдельной проверки условий этих источников.

Nutanix/jina-embeddings-v2-base-code-mbpp — модель Sentence Transformer, дообученная на базе jinaai/jina-embeddings-v2-base-code. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантического сходства, поиска и других задач работы с текстом и кодом. Архитектура основана на BertModel с усреднением токенных представлений; максимальная длина последовательности — 8192 токена, сходство можно оценивать косинусной метрикой. Модель подходит для семантического поиска по исходному коду и техническим текстам, поиска похожих фрагментов и кластеризации. README указывает дообучение с TripletLoss и оценку на sts-dev; приведённые результаты показывают умеренную точность, поэтому качество следует проверять на данных целевого применения. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

Josiefied-Qwen2.5-Coder-7B-Instruct-abliterated-v1 — дообученная Гёкденизом Гюльмезом модель семейства Qwen2 для генерации кода и диалогов с инструкциями. В её основе Qwen/Qwen2.5-Coder-7B-Instruct: плотная причинно-языковая архитектура Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель поддерживает английский и немецкий языки, а в метаданных также заявлены чат и интерфейс вызова инструментов. Автор описывает её как abliterated-модель, дополнительно дообученную на собственном наборе данных для менее ограниченных ответов. Упомянуты варианты квантования GGUF и MLX, однако метаданные этого репозитория указывают формат safetensors. Применять модель можно для генерации и редактирования кода, а также диалоговых задач; заявленная настройка на менее ограниченные ответы не гарантирует точности или безопасности результатов. Модель опубликована под лицензией Apache-2.0. Автор предупреждает использовать её на свой риск; конкретные ограничения качества или результаты оценки в карточке не приведены.

K2-Chat — диалоговая языковая модель на 65 млрд параметров, разработанная MBZUAI и LLM360. Это дообученная версия K2-65B на наборах Infinity-Instruct, JiuZhang3.0-Corpus-SFT и glaive-function-calling-v2-sharegpt; модель построена на архитектуре Llama и распространяется в формате PyTorch. Контекст составляет 8192 токена. Модель предназначена для диалогов, ответов на вопросы, задач по математике и программированию, а также вызова функций по заданным схемам. В README заявлены улучшения в безопасности и результаты бенчмарков, но они не гарантируют качество на конкретных задачах. Примеры использования ориентированы на английский язык; модель описана как отвечающая только на английском. Для вызова функций требуется соблюдать специальный формат промпта; совместная работа режимов обычного диалога и вызова функций отдельно не проверена. Лицензия — Apache-2.0.

Kimi-K2.6-GGUF — версия открытой мультимодальной агентной модели Kimi K2.6 от Moonshot AI, подготовленная Unsloth в формате GGUF с использованием квантования. Модель предназначена для длительных и сложных задач программирования, создания интерфейсов по текстовым и визуальным входным данным, автономного выполнения действий и оркестрации групп специализированных агентов. Модель использует архитектуру Mixture-of-Experts (MoE): около 1 трлн общих параметров, из которых 32 млрд активируются для каждого токена. Она содержит 61 слой, 384 эксперта с выбором 8 экспертов на токен, механизм внимания MLA, активацию SwiGLU и словарь размером 160 тысяч токенов. Контекст составляет 256 тысяч токенов. Для обработки изображений используется vision encoder MoonViT с 400 млн параметров. Заявлены сильные результаты в долгосрочном кодировании на Rust, Go и Python, DevOps, оптимизации производительности, генерации веб-интерфейсов и агентном поиске; поддерживается координация до 300 субагентов и 4000 шагов. Ключевые ограничения связаны с чрезвычайно большими требованиями к ресурсам: например, вариант UD-Q8_K_XL занимает около 595 ГБ. README не содержит полного перечня поддерживаемых языков и подробных требований к оборудованию или программному окружению. Указана лицензия modified-MIT; конкретные условия её применения следует проверять в официальных материалах модели.

Kronumos Aion — модель для автоматизированного исправления программ и работы с кодовыми базами, представленная Tokenectomy Labs. README описывает архитектуру как смесь экспертов на 671 млрд параметров с разделением на нейросетевое рассуждение и детерминированный Rust-компонент для проверки синтаксиса и AST. Заявлены задачи автономного исправления дефектов и синтеза изменений в репозиториях; модель оценивалась на SWE-bench Verified. Метаданные указывают задачу генерации текста и поддержку чата, а README сообщает о формате FP8 и контексте до 32 768 токенов в примере запуска. Модель рассчитана на разработку и исправление ПО в корпоративных репозиториях. README заявляет снижение расхода токенов и проверку изменений перед выдачей, однако приведённые показатели являются заявлениями разработчика и не подтверждены доступными результатами бенчмарка. Для запуска нужны многопроцессорные GPU-системы: в README указаны 8 NVIDIA H100 или A100 как рекомендуемая конфигурация. Указана лицензия Tokenectomy Dual License TDL 1.0: академическое и бенчмарк-использование разрешено бесплатно, коммерческое применение требует корпоративной лицензии. Метаданные не сообщают базовую модель; README упоминает архитектурные основы DeepSeek, но точный идентификатор базового репозитория не приводит.

Myric/Laguna-S-2.1-APEX-GGUF — неофициальная общественная GGUF-квантизация модели poolside/Laguna-S-2.1, разработанная сообществом Myric. Базовая модель представляет собой open-weight агентную MoE-модель для программирования с общим объёмом 118 млрд параметров и примерно 8 млрд активных параметров. Она предназначена для генерации кода, решения задач разработки и агентных сценариев. Доступны варианты с разной степенью сжатия: от APEX-i-quality размером около 73,9 ГБ до экспериментального APEX-i-mini размером около 43,6 ГБ. Для ускорения генерации предусмотрена совместная работа с draft-моделью DFlash в режиме speculative decoding. Архитектура включает 48 слоёв, 256 маршрутизируемых и один общий эксперт, top-10 маршрутизацию, GQA с softplus-гейтингом на уровне голов, а также смешанное sliding-window/global attention. Заявленный контекст составляет 1 млн токенов. APEX распределяет точность квантизации с учётом роли тензора и слоя, сохраняя более высокую точность для общих экспертов и краевых слоёв и сильнее сжимая разреженные маршрутизируемые эксперты. Языки модели в README не указаны. Сильной стороной является существенное уменьшение размера по сравнению с BF16-версией при сохранении потенциально близкого качества, а также возможность локального запуска. DFlash Q4_K_M имеет размер около 652 МБ и в приведённых тестах ускорял генерацию до 1,20 раза для варианта APEX-i-quality; на специализированных задачах разработчики базовой модели заявляют более высокие ускорения, однако эти результаты относятся к отдельной карточке DFlash. Показатели perplexity для APEX-вариантов ещё не измерены, поэтому качество квантизации не подтверждено. Вариант APEX-i-mini обозначен как экспериментальный и может заметно уступать более крупным вариантам. Для DFlash требуется форк llama.cpp от Poolside. Лицензия указана как openmdw-1.1. Квантизация не связана с Poolside или unsloth, предоставляется без гарантий и должна быть проверена перед использованием в критически важных сценариях.

LayerSkip Llama2 70B — языковая модель Meta, созданная на основе Meta Llama 2 70B посредством дальнейшего предобучения с LayerSkip. Она генерирует текст и поддерживает ускоренное декодирование с ранним выходом: ранние слои формируют черновой ответ, а оставшиеся слои его проверяют. Такой режим предназначен для ускорения авторегрессионной генерации, сохраняя качество проверки основной моделью. Модель рассчитана на англоязычные задачи генерации естественного языка и кода. README приводит замеры на восьми GPU NVIDIA A100: 12,49 токена в секунду при self-speculative decoding против 9,89 при обычном декодировании в описанной конфигурации. Для полного выигрыша в памяти и производительности предлагается оптимизированная реализация LayerSkip; вариант через Hugging Face требует дополнительной памяти для KV-кэша и активаций. Модель распространяется в форматах PyTorch и Safetensors; лицензия указана как other, поэтому условия следует уточнять в карточке и лицензии базовой модели.

RESMP.DEV LFM2.5-Encoder-350M-Code-MXFP8-GPTQ — исследовательская производная модель на основе двунаправленного энкодера LiquidAI/LFM2.5-Encoder-350M. Разработчик удалил голову masked language modeling и дообучил весь энкодер контрастивным методом для многоязычного поиска по коду. В метаданных указаны архитектура LFM2, 444,6 млн параметров, контекст до 128 000 токенов и формат safetensors; модель предназначена для получения эмбеддингов через MLX и может использоваться в сервисе API совместимых эмбеддингов. Модель подходит для поиска фрагментов кода по запросу на естественном языке или по другому коду, в том числе в сценариях локального поиска на Apple Silicon. В README приведены результаты на многоязычном тестовом наборе; сравнение показывает, что качество зависит от квантизации, а оценка MXFP8 не подтверждает заметного выигрыша относительно BF16. Для прямого вызова автор рекомендует префиксы `query: ` для запросов и `passage: ` для кандидатов. README называет выпуск исследовательским и неофициальным релизом RESMP.DEV; лицензия в метаданных обозначена как `other`, поэтому перед использованием следует проверить приложенные условия лицензии.

LLaDA2.0-mini-CAP — языковая модель компании InclusionAI, основанная на диффузионной архитектуре Mixture-of-Experts и обученная с применением Confidence-Aware Parallel (CAP). Она предназначена для генерации текста в диалогах, ответов на вопросы, рассуждений, математических задач и программирования. CAP повышает эффективность параллельного декодирования: в README заявлено ускорение генерации в 1,46 раза относительно LLaDA2.0-mini при снижении среднего результата на указанных тестах с 70,15 до 67,32. Модель содержит 1,2 млрд параметров по метаданным; README описывает базовую архитектуру как 16B-A1B MoE, 20 слоёв и 16 голов внимания. Длина контекста — 32 768 токенов. Для инференса предназначен формат safetensors и библиотека Transformers; доступны чат и интерфейс вызова инструментов. README рекомендует температуру 0, block_length 32 и steps 32, предупреждая, что повышенная температура может вызывать смешение языков и немного снижать качество. Лицензия — Apache-2.0.

LLaDA2.2-flash — агентно-ориентированная языковая модель на основе диффузии от InclusionAI. Это MoE-модель семейства LLaDA2 с 32 слоями, 32 головами внимания, RoPE и словарём из 157 184 токенов; в README указано 100 млрд параметров без эмбеддингов, тогда как метаданные Hugging Face указывают общий размер 5,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 128K токенов и предназначена для диалогов, многошагового использования инструментов и агентных сценариев. Механизм Levenshtein Editing с управляющими токенами DELETE и INSERT позволяет модели удалять и вставлять фрагменты при параллельной генерации, что авторы связывают с исправлением ошибок и устойчивостью в многоходовых задачах. В README приведены результаты SWE-bench и высокая пропускная способность в указанных авторами условиях оценки; сравнение с Ling-2.6-flash проводилось с разными настройками для части бенчмарков. Для инференса авторы рекомендуют Transformers и SGLang для длинных агентных сценариев; некоторые пороги декодирования требуют настройки, а слишком низкие значения могут усиливать повторы или нестабильность. Лицензия — Apache-2.0.

Это дообученная методом QLoRA 4-битная модель Llama 2 7B, созданная edumunozsala для генерации кода на Python по инструкциям. Она использует авторегрессионную архитектуру Transformer и обучалась на наборе python_code_instructions_18k_alpaca с примерами описаний задач и кода в формате инструкций. Модель подходит для генерации фрагментов Python-кода и помощи при решении задач программирования по текстовым запросам. Она содержит около 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Модель принимает текст и генерирует текст с кодом; сведения о поддержке других языков программирования не приведены. Базовая модель Llama 2 разработана Meta. Репозиторий распространяется по лицензии Apache-2.0. Поскольку модель специально дообучена на Python-примерах, её применение для других языков программирования и общих диалоговых задач не подтверждено.

RicardoLee разработал эту модель как экспериментальное дообучение Llama2-chat-7B на китайских и англоязычных инструкциях, данных для ревью и исправления Python-кода и примерах логических вопросов и ответов. Цель проекта — изучить, как обучение на коде влияет на диалоговые способности и рассуждения модели. Использован LoRA rank 8 с настройкой embedding и LM Head; адаптер объединён с базовой моделью, поэтому репозиторий содержит готовую к использованию модель на 6,7 млрд параметров. Модель предназначена для генерации ответов в формате диалога, ревью и исправления Python-кода, комментирования и суммаризации кода, а также ответов на логические вопросы. Для вывода следует применять шаблон Stanford Alpaca с начальным приветствием. Контекст составляет 2048 токенов; архитектура — плотная Llama causal language model. В карточке не указана лицензия, поэтому условия распространения и использования следует уточнять по лицензии базовой модели и репозитория.

Llama3.1-TheiaFire-DarkFusion-8B — плотная языковая модель семейства Llama, созданная ZeroXClem слиянием четырёх моделей методом TIES. Она содержит 7,5 млрд параметров и принимает текст для генерации текстовых ответов; заявленная длина контекста — 131 072 токена. Модель рассчитана на диалог, технические рассуждения и генерацию кода, а также на анализ криптовалют и блокчейн-проектов, творческое письмо и ролевые сценарии. В карточке указаны специализация компонентов на криптовалютах, агентных задачах и коде, творческой генерации без ограничений и обобщении на новые задачи. Заявлены инструменты для поиска и вычислений, но доступность этих функций зависит от способа интеграции. README также предупреждает, что токенизатор может испытывать трудности с системными промптами в LM Studio, и отмечает риск предвзятых или неподходящих ответов. Лицензия — Apache 2.0.

Carsen Klock создал эту модель как дообученную версию Meta Llama 3.2 1B. Это плотная авторегрессионная языковая модель на 1,2 млрд параметров для генерации текста и диалогов; в метаданных указан контекст до 131 072 токенов. Модель дообучена на объединённых наборах инструкций, математических задач и примеров работы с кодом, а также настроена на ответы без фильтрации тем. Модель подходит для решения математических задач, генерации и анализа кода, выполнения инструкций и диалогового общения. Доступны веса в safetensors, а в README также перечислены объединённая 16-битная версия и варианты GGUF. Заявленный основной язык — английский. Используется лицензия Llama 3.2; её условия следует учитывать при распространении и применении модели.

A-Kishore/llama-3.2-3b-text2sql — дообученная модель на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit для преобразования вопросов на естественном языке и схем баз данных в SQL-запросы. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров и контекстом до 131 072 токенов. Модель обучена методом LoRA на 50 000 примерах из gretelai/synthetic_text_to_sql; в README указано, что веса объединены и доступны в 16-битной точности. Подходит для генерации SQL по заданной схеме DDL, например для интерфейсов запросов к базам данных на естественном языке и прототипирования аналитических запросов. В тесте на первых 200 примерах набора gretelai/synthetic_text_to_sql автор сообщает ROUGE-L 0,8151, однако эта метрика оценивает текстовое сходство, а не выполнение или логическую корректность SQL. Качество может снижаться на схемах с большим числом сущностей, глубоко вложенных подзапросах и структурах, отличающихся от обучающих данных. Лицензия — Apache-2.0.

Модель dbands/llama-3-8b-instruct_code_instructions_122k_alpaca_style_16bit — дообученная автором dbands языковая модель семейства Llama 3 с архитектурой LlamaForCausalLM. Она предназначена для генерации текста по инструкциям; название репозитория указывает на формат инструкций Alpaca и тематику кода, но README не описывает конкретные возможности или результаты обучения. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель дообучена на базе unsloth/llama-3-8b-bnb-4bit с использованием Unsloth и Hugging Face TRL. В карточке указана лицензия Apache 2.0. Метаданные отмечают английский язык; сведений о гарантированном качестве ответов или ограничениях для отдельных сценариев в карточке нет.

Sakana AI разработала Llama-3-8B-Instruct-Coding-Expert — экспериментальную авторегрессионную языковую модель семейства Llama на 7,5 млрд параметров, основанную на Llama-3-8B-Instruct. Модель предназначена для генерации текста в диалоговом режиме и ориентирована на задачи программирования; в README указаны обучающие данные Magicoder-Evol-Instruct-110K и Magicoder-OSS-Instruct-75K. Модель принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 8192 токенов. В README модель представлена как один из экспертных компонентов набора Llama-3-CycleQD. Это экспериментальный прототип для исследований и разработки: авторы не рекомендуют коммерческое использование и развертывание в критически важных средах, а качество результатов не гарантируется. Лицензия — Meta Llama 3 Community License.

RLHFlow/LLaMA3-SFT-v2 — диалоговый чекпойнт с контролируемой тонкой настройкой (SFT) от команды RLHFlow, подготовленный для проекта Online-RLHF и описанный в работе «RLHF Workflow: From Reward Modeling to Online RLHF». Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов; веса представлены в safetensors и предназначены для использования через Transformers. Модель дообучена от meta-llama/Meta-Llama-3-8B на RLHFlow-SFT-Dataset-ver2 в течение двух эпох. Она предназначена для диалоговой генерации текста и может использоваться для ответов на вопросы, общих рассуждений и задач вроде математических задач и генерации кода. В README приведены результаты академических бенчмарков, включая GSM8K, MATH, HumanEval и MMLU; это результаты оценки, а не гарантия качества для конкретного применения. Карточка не описывает поддержку конкретных естественных языков и не приводит лицензию чекпойнта, поэтому такие сведения здесь не утверждаются. Как и другие языковые модели, она может выдавать фактически неверные ответы; показатели бенчмарков не заменяют проверку на целевых данных.

llm-jp-4.1-32b-a3b-thinking — языковая модель семейства LLM-jp-4.1, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это трансформерная MoE-модель для генерации текста и диалогов; в ней 32 млрд общих параметров, из которых активируются около 3,8 млрд. Контекст составляет 65 536 токенов. Модель обучалась на 11,7 трлн токенов, а версия thinking прошла дообучение с контролируемой настройкой и выравниванием предпочтений DPO. Модель предназначена для диалоговых ассистентов и задач общего назначения: ответов на вопросы, рассуждений, математики, научных вопросов, программирования и перевода между японским и английским языками. Карточка указывает поддержку английского и японского; модель принимает текст и генерирует текст. Чат-шаблон совместим с форматом OpenAI Harmony, но для токенизации следует использовать комплектный токенизатор: токенизатор отличается от ожидаемого библиотекой openai-harmony. Разработчик характеризует релиз как модель для исследований и разработок и не рекомендует напрямую использовать её в производственных сервисах. Ответы могут быть неточными, неподходящими или нежелательными, поэтому модель следует оценивать для конкретного применения. Лицензия — Apache-2.0.

LocoOperator-4B — плотная языковая модель LocoreMind примерно на 4 млрд параметров, дообученная методом дистилляции на трассах работы Qwen3-Coder-Next. Она основана на Qwen/Qwen3-4B-Instruct-2507 и предназначена для многошагового исследования кодовых баз в цикле агента, похожем на Claude Code: чтения файлов, поиска по коду и навигации по структуре проекта. Модель генерирует текст и структурированные JSON-вызовы инструментов Read, Grep, Glob, Bash, Write, Edit и Task. В README сообщается о 100% корректности JSON-вызовов и согласованности по наличию вызова инструмента на тестовой выборке из 65 диалогов; контекстная длина по метаданным — до 262 144 токенов. Указаны поддержка чата и кода, а также лицензия MIT. Для локального запуска автор описывает квантованный формат GGUF с llama.cpp, но в метаданных репозитория указан формат safetensors. Согласно README, модель иногда выбирает другой инструмент, чем эталон, реже инициирует параллельные вызовы и может предпочитать Bash чтению файлов. Оценка проведена на небольшой выборке, поэтому заявленные показатели не гарантируют аналогичное качество на других проектах и сценариях.

LongCat-Flash-Lite-FP8 — языковая модель для генерации текста, разработанная командой Meituan LongCat. Это нерассуждающая модель на архитектуре Mixture-of-Experts (MoE) с 68,5 млрд параметров, из которых при обработке запроса активируется примерно 3 млрд. Модель поддерживает контекст длиной до 256 тысяч токенов благодаря методу YaRN и использует таблицу N-gram embedding объёмом более 30 млрд параметров. Модель предназначена для общего текстового использования, агентских сценариев с применением инструментов и задач программирования. Разработчики отмечают высокую эффективность в агентском взаимодействии и coding-задачах, а также улучшенную скорость и задержку инференса благодаря N-gram Cache и специализированным синхронизированным ядрам. В README не указаны точный список поддерживаемых языков и мультимодальные возможности; по назначению и pipeline_tag модель относится к текстовой генерации. Для запуска через Transformers рекомендуется использовать Python 3.10 или новее, PyTorch 2.6 или новее, Transformers 4.57.6 и Accelerate 1.10.0. Требуется как минимум две видеокарты с 80 ГБ VRAM каждая, например H100 или A100. К ограничениям относятся значительные требования к аппаратным ресурсам, а также отсутствие в представленных данных подробностей о качестве на конкретных языках, мультимодальности и иных аспектах эксплуатации. Модель распространяется по лицензии MIT.

LRM-3.2 — модель рассуждений, разработанная Orion Research и дообученная на базе Qwen3.6-27B. Она предназначена для диалогов, решения задач и многошаговой работы, включая агентные сценарии. Модель сокращает рассуждения во внутреннем ходе мыслей: их длина адаптируется к сложности задачи, а ответы пользователю сохраняют обычную полноту и естественность. Заявленная цель — снизить задержку и расход токенов без ухудшения качества итоговых ответов. Архитектура — плотная Qwen3.5, базовая модель содержит 27 млрд параметров. Дообучение выполнено на наборах ProCreations/grug-think и ProCreations/grug-think-v3-10k с акцентом на траектории рассуждений; README указывает, что токенизатор и длина контекста базовой модели не менялись, но числовое значение контекста не приводит. Модель распространяется в формате safetensors по лицензии Apache-2.0. Описание и примеры сосредоточены на английском языке; поддержка других языков отдельно не заявлена.

LYRA-CODER — компактная разговорная модель генерации текста, разработанная и поддерживаемая Мухаммадом Таки. В метаданных указаны архитектура Qwen2 с причинной языковой моделью, 1,5 млрд параметров и контекст до 32 768 токенов; README также называет LYRAMOON архитектурной основой и заявляет о быстрой генерации ответов. Модель предназначена для чата и задач генерации кода, что отражено в названии и тегах. Модель работает с текстом и может использоваться для диалоговых ответов, генерации кода и вызова инструментов через соответствующий интерфейс. В карточке указан английский язык. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. README не приводит результатов оценки качества или подробностей обучения, поэтому заявленную скорость и пригодность для рассуждений нельзя проверить по предоставленным данным.

Macaron-V1-Tall — модель MindLab Research из семейства Macaron-V1, построенная на Qwen3.6-35B-A3B. Она предназначена для персональных агентных сценариев, работы с инструментами, программирования и генерации интерфейсов GenUI. Модель использует архитектуру Mixture of LoRA: четыре текстовых адаптера для чата, агентных задач, кода и GenUI, а маршрутизатор выбирает специалиста для каждого пользовательского запроса. Для запуска заявлена библиотека Transformers; опубликован чекпойнт BF16 с адаптерами LoRA и контекстом 262K токенов. Базовая модель также обладает мультимодальными возможностями, но специалисты Macaron настроены только для текста. В карточке приведены результаты сравнения системы с базовой конфигурацией, однако они не устанавливают вклад отдельных компонентов или преимущества между вариантами семейства. Известные ограничения включают слабую обработку зависимых вызовов инструментов, маршрутизацию всего хода к одному специалисту и качественное ухудшение стабильности характера в очень длинных сессиях после смены предпочтений. Отдельная оценка безопасности не проводилась; модель не рекомендуется для самостоятельных решений в критически важных областях. Лицензия — MIT.