II.2Создание и понимание программного кода

DeepSeek-Coder-V2-Lite-Base-GGUF — набор GGUF-квантизаций базовой модели DeepSeek-Coder-V2-Lite-Base, разработанной командой DeepSeek и преобразованной в GGUF пользователем bartowski. Квантизация выполнена с помощью llama.cpp, релиз b3166, с использованием imatrix и специализированного набора данных. Модель относится к классу text-generation и предназначена прежде всего для генерации и обработки программного кода, а также других сценариев локальной генерации текста. Доступны варианты квантизации от Q8_0 и Q8_0_L до Q2_K и IQ2_S, размером примерно от 6,00 до 17,09 ГБ. Старшие варианты обеспечивают очень высокое качество, тогда как младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Для ряда вариантов указана поддержка контекстного формата с системным сообщением, запросом пользователя и ответом ассистента. Архитектура, число параметров, поддерживаемые языки программирования, максимальная длина контекста и дополнительные модальности в README не указаны, поэтому модель следует рассматривать как текстовую. Основные преимущества — широкий выбор уровней сжатия, возможность запуска через llama.cpp и хорошее сохранение качества у вариантов Q5–Q8; варианты Q6_K и Q5_K рекомендованы автором как сбалансированные. Ограничения связаны с потерей качества при низких уровнях квантизации и с тем, что некоторые варианты имеют экспериментальный статус. Модель распространяется по лицензии DeepSeek License; точные условия следует уточнять в файле LICENSE исходного репозитория.

DeepSeek-Coder-V2-Lite-Instruct — языковая модель для генерации текста и программного кода, разработанная компанией DeepSeek и представленная в GGUF-квантизации сообществом LM Studio. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для выполнения инструкций по программированию, завершения кода, решения задач в области информатики и математического рассуждения. Модель использует архитектуру Mixture of Experts (MoE): общий объём составляет 16 млрд параметров, из которых при обработке активируются 2,4 млрд. Она дообучалась на 6 трлн высококачественных токенов с кодом и поддерживает контекст длиной до 128k токенов. В README языки явно не перечислены; указано, что официальный шаблон иногда приводит к генерации текста на китайском языке. К сильным сторонам относятся специализация на программировании, следовании инструкциям, завершении кода и высокая скорость вывода благодаря разреженной активации параметров. Для работы в LM Studio требуется версия 0.2.25 или новее, а Flash Attention необходимо отключить. Модель распространяется по лицензии DeepSeek License; конкретные условия следует уточнять в файле LICENSE исходного репозитория. README не содержит подробных результатов бенчмарков и не описывает ограничения по безопасности или точности, поэтому сгенерированный код и ответы требуют проверки.

DeepSeek-V2-Chat — диалоговая языковая модель компании DeepSeek AI на архитектуре Mixture-of-Experts (DeepSeekMoE) с механизмом внимания MLA. В README указаны 236 млрд параметров всего и 21 млрд активируемых на каждом токене; метаданные репозитория сообщают 18,1 млрд параметров. Модель дообучена методами supervised fine-tuning и reinforcement learning на базе предварительно обученной DeepSeek-V2. Модель предназначена для диалога, генерации текста, ответов на вопросы, рассуждений и задач по программированию. Она поддерживает контекст до 128 тысяч токенов по README; механизм MLA сокращает KV-кэш. В README приведены результаты оценки на английских и китайских тестах и описаны сильные результаты в открытой генерации и кодировании. Для локального запуска в BF16 README требует восемь GPU по 80 ГБ. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с лицензией репозитория.

DeepSeek-V3.1-Terminus — языковая модель, разработанная командой DeepSeek-AI. Это обновлённая версия DeepSeek-V3.1, построенная на той же архитектуре, что и DeepSeek-V3, и основанная на DeepSeek-V3.1-Base. Обновление сохраняет исходные возможности модели, улучшает согласованность языка, снижая смешение китайского и английского текста и появление аномальных символов, а также повышает эффективность Code Agent и Search Agent. Модель предназначена для рассуждений без инструментов, генерации и анализа кода, работы поисковых агентов и агентских сценариев с использованием инструментов. По данным сравнительных тестов, улучшения особенно заметны в BrowseComp, SimpleQA, SWE Verified, SWE-bench Multilingual и Terminal-bench, хотя на отдельных задачах результаты немного ниже, чем у DeepSeek-V3.1. В README не указаны точный размер модели, число параметров, поддерживаемые языки, модальности и размер контекста. Для локального запуска предусмотрены материалы на базе репозитория DeepSeek-V3 и обновлённый пример инференса; отмечена известная проблема с форматом данных FP8 для параметров self_attn.o_proj, которую планируют исправить в будущих релизах. Модель и веса распространяются по лицензии MIT.

DeepSeek-V4-Flash-0731 — официальная версия модели DeepSeek-V4-Flash, разработанная DeepSeek AI. Она предназначена прежде всего для агентных сценариев, включая работу с инструментами, автоматизацию, разработку программного обеспечения, задачи Code Agent и full-stack разработку. По данным README, модель превосходит DeepSeek-V4-Pro (Preview) на приведённых тестах и сопоставима с сильнейшими проприетарными моделями по ряду агентных и программных задач. Модель имеет ту же структуру, что и DeepSeek-V4-Flash-DSpark, с подключённым модулем speculative decoding. Количество параметров, число активируемых параметров, поддерживаемые языки, модальности и размер контекста в README не указаны. Для работы используется библиотека Transformers, а запуск поддерживается через vLLM и SGLang. Предусмотрены уровни reasoning_effort low, high и max, регулирующие объём рассуждений перед ответом. К сильным сторонам относятся улучшенные агентные возможности, высокая результативность в задачах программирования, автоматизации и работы с инструментами, а также поддержка ускоренного speculative decoding через DSpark. Ограничения включают отсутствие Jinja-шаблона чата: для кодирования сообщений и разбора ответов требуется использовать предоставленные Python-скрипты из папки encoding. Для развёртывания необходима специализированная конфигурация инференса и совместимое оборудование; в README приведён пример запуска на узле с 4 GPU GB300. Модель распространяется по лицензии MIT.

DeepSeek-V4-Pro-0813 — официальная версия модели DeepSeek-V4-Pro, разработанная DeepSeek AI. Она заменяет предварительный выпуск и ориентирована на задачи с агентами, включая использование инструментов, автоматизацию, разработку программного обеспечения, работу в терминале, кибербезопасность и полнофункциональную разработку. По данным README, модель особенно улучшена для производственных сценариев и демонстрирует высокие результаты в тестах агентских и coding-agent задач. Модель построена на архитектуре DeepSeek-V4-Pro (Preview) с подключённым модулем спекулятивного декодирования DSpark. Точные сведения о размере, числе параметров, поддерживаемых языках, модальностях и длине контекста в README не указаны. Для взаимодействия используется OpenAI-совместимый формат сообщений; Jinja-шаблон чата отсутствует, вместо него предоставлены отдельные скрипты кодирования и разбора ответов. Параметр reasoning_effort поддерживает уровни low, high и max. Сильными сторонами модели являются улучшенные агентские возможности, производительность в задачах программирования, автоматизации и работы с инструментами, а также возможность ускорения инференса через DSpark в vLLM и SGLang. Ограничения включают необходимость специального кодирования сообщений и потенциально сложные требования к инфраструктуре: README описывает запуск на узлах с GPU GB300 и рекомендуемые настройки для vLLM, но не приводит полный диапазон совместимого оборудования. Модель распространяется по лицензии MIT.

Devstral Small 1.1 — языковая модель для агентных задач разработки ПО, созданная в сотрудничестве Mistral AI и All Hands AI. Она дообучена на Mistral-Small-3.1-24B-Instruct-2503 и имеет плотную архитектуру Mistral с 23,4 млрд параметров. Модель принимает текст и выдаёт текст; зрительный энкодер базовой мультимодальной модели удалён до дообучения. Длина контекста составляет до 131 072 токенов, поддерживается интерфейс вызова функций. Модель предназначена для программных агентов, которые исследуют репозитории, редактируют несколько файлов, анализируют тестовое покрытие и выполняют другие задачи программной инженерии. В README рекомендована работа в связке с OpenHands; также описана совместимость с Cline и локальный запуск через vLLM, mistral-inference, Transformers, LM Studio, llama.cpp и Ollama. Карточка сообщает о результате 53,6% на SWE-Bench Verified. Лицензия Apache 2.0 разрешает коммерческое и некоммерческое использование и модификацию.

Devstral Small 1.1 — языковая модель для агентных задач в разработке программного обеспечения, созданная в сотрудничестве Mistral AI и All Hands AI. Модель предназначена для работы с программными кодовыми базами: она умеет исследовать проекты с помощью инструментов, редактировать несколько файлов и служить основой программных агентов. Рекомендуемый сценарий использования — интеграция с OpenHands; также доступны API и локальное развертывание. Модель дообучена на базе Mistral-Small-3.1 и содержит 24 млрд параметров. Она работает только с текстом: визуальный энкодер был удалён до этапа дообучения. Поддерживается контекст до 128 тысяч токенов, используется токенизатор Tekken со словарём размером 131 тысяча токенов, а также формат function calling Mistral. В метаданных README указана поддержка языков от английского и французского до русского, китайского, японского, арабского и других языков. Сильные стороны модели — специализация на агентном программировании, улучшение относительно Devstral Small 1.0 и возможность запуска на одной RTX 4090 или Mac с 32 ГБ оперативной памяти. В SWE-Bench Verified она получила 53,6% при использовании OpenHands Scaffold. Ограничения включают текстовую, а не мультимодальную обработку и необходимость учитывать ресурсы для локального запуска. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое и некоммерческое использование и модификацию.

Dolphin 2.6 Mixtral 8x7b — языковая модель для диалогов и генерации текста, разработанная Eric Hartford при спонсорской поддержке Convai. Это дообученная версия Mixtral-8x7b с архитектурой MixtralForCausalLM типа Mixture of Experts; в обучении использовались qLoRA и Axolotl, а карточка указывает 7,1 млрд параметров. Модель принимает текст и выдаёт текст, использует формат диалога ChatML и поддерживает контекст до 32 768 токенов по метаданным; автор сообщает, что дообучение проводилось на последовательностях длиной 16 тыс. токенов. Модель предназначена для диалогового помощника, написания и объяснения кода, а также ответов на общие вопросы. Автор характеризует её как особенно сильную в задачах программирования и отмечает, что она следует инструкциям; обучение охватывало наборы данных для диалогов, программирования и инструкций. Модель не проходила DPO-настройку и описана автором как uncensored и highly compliant, поэтому для публичного сервиса потребуется отдельная настройка безопасности. Лицензия — Apache 2.0.

Dolphin 2.9.1 Llama 3 70B — диалоговая языковая модель, подготовленная Эриком Хартфордом, Лукасом Аткинсом, Фернандо Фернандесом и Cognitive Computations на основе Meta-Llama-3-70B. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров и контекстом 8192 токена; веса опубликованы в формате Safetensors. Полное дообучение проводилось с длиной последовательности 4K, модель использует шаблон ChatML. Модель предназначена для генерации ответов по инструкциям, диалогов, задач программирования и математики, а также сценариев с вызовом функций и начальными агентными возможностями. В обучении использованы наборы инструкций, диалогов, кода и математики. Основной язык — английский; карточка не заявляет отдельную языковую специализацию. Разработчики описывают Dolphin как модель без встроенных ограничений на содержание, поэтому перед предоставлением её пользователям рекомендуется добавить собственный слой модерации. Использование, включая коммерческое, разрешено в рамках лицензии Meta Llama 3 Community License Agreement.

Dolphin 2.9.2 Qwen2 72B — диалоговая языковая модель, созданная Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations на основе Qwen2-72B. Модель с плотной архитектурой Qwen2 содержит 71,5 млрд параметров и предназначена для генерации текста в формате ChatML; базовая модель поддерживает контекст до 131 072 токенов, а дообучение проводилось на последовательностях длиной 8 000 токенов. Модель подходит для инструктивного диалога, написания и анализа кода, решения задач и работы с вызовами функций. В карточке также отмечены начальные агентные возможности. Модель описана разработчиками как uncensored и может с высокой готовностью выполнять запросы, в том числе небезопасные; перед использованием в сервисе рекомендуется добавить собственный слой выравнивания. Лицензия — Tongyi Qianwen; README разрешает коммерческое использование в соответствии с её условиями.

Dolphin 2.9.4 Llama 3.1 8B — диалоговая модель на архитектуре Llama 3.1, дообученная Эриком Хартфордом и Cognitive Computations на базе Meta-Llama-3.1-8B. Она содержит около 7,5 млрд параметров, использует формат ChatML и поддерживает контекст до 131 072 токенов; при дообучении использовалась длина последовательности 8 192 токена. Модель предназначена для диалога и следования инструкциям, написания и разбора кода, математических задач и сценариев с агентными функциями и вызовом инструментов. В карточке заявлена поддержка инструкций на многих языках и высокая подчиняемость системным инструкциям. Это неконтент-фильтрованная модель, поэтому для публичного сервиса разработчик рекомендует самостоятельно добавить слой выравнивания. Распространяется по лицензии Llama 3.1.

ori-ai-fabric/ds-trinity-7b-v1 — объединённая языковая модель на базе DeepSeek Coder, созданная методом TIES с помощью mergekit. В объединение вошли deepseek-ai/deepseek-coder-6.7b-instruct и m-a-p/OpenCodeInterpreter-DS-6.7B; базой служит deepseek-ai/deepseek-coder-6.7b-base. Модель содержит 6,6 млрд параметров, использует архитектуру Llama с причинной языковой моделью и работает через Transformers. Нативный контекст — 16 384 токена. Модель предназначена для генерации кода и диалоговых сценариев, связанных с программированием: например, для написания и дополнения фрагментов кода, ответов на вопросы о коде и его объяснения. Информация о конкретных языках программирования и сравнительных преимуществах в карточке отсутствует. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

FIM-7B — языковая модель для программирования и задач coding-агентов, разработанная TIGER-Lab. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на базе Qwen/Qwen2.5-Coder-7B-Instruct: сначала на данных function-aware fill-in-the-middle, затем на траекториях агентов R2E-Gym. Модель предназначена для работы в агентном сценарии, включая решение задач из репозиториев и исправление программного кода; README приводит результаты оценки на SWE-Bench-Verified и SWE-Bench-Lite. Модель принимает текстовые запросы и генерирует текст и код. Заявленная нативная длина контекста — 32 768 токенов; в инструкции по оценке упоминается запуск с длиной до 65 536 токенов. В сравнении с воспроизведением R2E-Gym на той же базовой модели FIM-7B показала улучшение на 2,8 пункта на SWE-Bench-Verified и на 3,67 пункта на SWE-Bench-Lite. Для воспроизведения оценки использовался фиксированный каркас агента R2E-Gym. Распространяется по лицензии Apache-2.0.

Fireball-12B — языковая модель EpistemeAI для генерации текста, дообученная на базе EpistemeAI/Fireball-Mistral-Nemo-Base-2407-sft-v2.2a. Это плотная трансформерная модель семейства Mistral с архитектурой MistralForCausalLM и 12,1 млрд параметров. Для ответов рекомендуется формат инструкций Alpaca; модель дополнительно дообучалась методом ORPO на предпочтениях и на наборах с примерами программирования и инструкций. Модель предназначена для ответов на инструкции и помощи с программированием. В карточке указано контекстное окно 128k токенов, а метаданные каталога сообщают native context в 1 024 000 токенов; эти значения расходятся, поэтому фактический доступный контекст следует проверять для используемой версии и программного стека. Доступны веса в формате Safetensors, лицензия Apache 2.0. Автор предупреждает, что встроенных механизмов модерации нет; для развертывания с пользовательским вводом рекомендуется отдельно настроить фильтрацию.

GLM-4.6 от Zhipu AI представлен в репозитории Unsloth с исправлениями шаблона чата. Это диалоговая языковая модель семейства GLM-4 MoE с 23,4 млрд параметров, предназначенная для генерации текста и кода, рассуждений и агентных сценариев с вызовом инструментов. Модель принимает контекст до 202 752 токенов и поддерживает английский и китайский языки. По сравнению с GLM-4.5 в карточке отмечены улучшения в программировании, рассуждениях, работе с инструментами и поисковыми агентами, а также более естественный стиль письма. Репозиторий содержит веса safetensors; для запуска через llama.cpp README рекомендует использовать параметр --jinja. Лицензия — MIT.

GLM-5.1 — флагманская модель Z.ai для агентной разработки и инженерных задач. Это языковая модель с архитектурой GLM MoE DSA и 30,4 млрд параметров; она доступна в формате safetensors и совместима с Transformers. Модель принимает текст и предназначена для генерации кода, решения задач по разработке программного обеспечения и работы с инструментами в длительных сессиях. GLM-5.1 рассчитана на сложные и неоднозначные задачи: она может разбивать работу на этапы, проводить эксперименты, анализировать результаты и менять стратегию в ходе многократных итераций. Разработчик сообщает о сильных результатах на SWE-Bench Pro, NL2Repo и Terminal-Bench 2.0. Модель поддерживает английский и китайский языки и контекст до 202 752 токенов. Для локального запуска перечислены SGLang, vLLM, xLLM, Transformers и KTransformers. Модель распространяется по лицензии MIT. Описание подчёркивает её возможности в агентных сценариях и бенчмарках, но не приводит независимых оценок качества или гарантий результата; практическая работа с инструментами зависит также от используемой системы запуска.

Карточка модели baerquant/GLM-5.3 на Hugging Face совпадает с карточкой unsloth/GLM-5.3, поэтому описание составлено по ней. GLM-5.3 — текстовая диалоговая модель Z.ai, представленная в репозитории Unsloth. По карточке модели, она использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе постобучения. В каталожных метаданных производная отмечена как слияние с zai-org/GLM-5.3 и zai-org/GLM-5.3-BF16; архитектура относится к семейству GLM MoE DSA, размер — 30,4 млрд параметров. Модель предназначена для генерации текста в диалогах, сложного программирования и длительных агентских задач. Карточка сообщает о высоких результатах на тестах кодирования, работы с терминалом, уязвимостей и эксплуатации, но эти результаты не гарантируют аналогичного качества в каждом сценарии. Поддерживаются английский и китайский языки, а контекст составляет до 1 048 576 токенов. Параметр reasoning_effort управляет глубиной рассуждений и принимает значения low, high и max; по умолчанию используется max. Для локального развёртывания перечислены SGLang, vLLM, Transformers, KTransformers, Unsloth и другие среды. Формат файлов — safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

GLM-5.3 — текстовая диалоговая модель Z.ai, представленная в репозитории Unsloth. По карточке модели, она использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе постобучения. В каталожных метаданных производная отмечена как слияние с zai-org/GLM-5.3 и zai-org/GLM-5.3-BF16; архитектура относится к семейству GLM MoE DSA, размер — 30,4 млрд параметров. Модель предназначена для генерации текста в диалогах, сложного программирования и длительных агентских задач. Карточка сообщает о высоких результатах на тестах кодирования, работы с терминалом, уязвимостей и эксплуатации, но эти результаты не гарантируют аналогичного качества в каждом сценарии. Поддерживаются английский и китайский языки, а контекст составляет до 1 048 576 токенов. Параметр reasoning_effort управляет глубиной рассуждений и принимает значения low, high и max; по умолчанию используется max. Для локального развёртывания перечислены SGLang, vLLM, Transformers, KTransformers, Unsloth и другие среды. Формат файлов — safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

GPT-5.6 Sol — флагманская модель серии GPT-5.6 от OpenAI. Она предназначена для сложных рассуждений, программирования и агентных сценариев. Модель особенно хорошо подходит для задач в командной строке и многоэтапной разработки: например, для анализа задачи, планирования изменений и подготовки кода. Данных об архитектуре, размере, модальностях, поддерживаемых языках и контексте в предоставленной карточке нет. Карточка также не сообщает лицензионные условия.

GPT-5.6 Terra — языковая модель OpenAI общего назначения, предназначенная для рабочих сценариев, где важен баланс возможностей и стоимости. Она поддерживает рассуждение с настраиваемым уровнем усилий, вызов функций, структурированный вывод и работу с инструментами через Responses API. Модель принимает текст и изображения, а выдаёт текст; заявленное окно контекста — 1 050 000 токенов, максимальный объём ответа — 128 000 токенов. Terra подходит для программирования, анализа и создания документов, поиска по информации и выполнения многошаговых задач с инструментами. В API доступны веб-поиск, поиск по файлам, интерпретатор кода и управление компьютером. OpenAI указывает, что аудио- и видеовходы не поддерживаются. Модель предоставляется через API и сервисы OpenAI; открытая лицензия на веса не указана.

Granite-20B-Code-Instruct-8K — языковая модель IBM Research с 20 млрд параметров, дообученная на основе Granite-20B-Code-Base-8K. Она предназначена для выполнения инструкций по программированию и создания помощников для разработки; обучение включало данные о коммитах, примеры инструкций по коду и вызову функций, математические задачи и общие инструкции. Модель использует архитектуру GPTBigCode и поддерживает контекст до 8192 токенов. Модель может помогать с написанием и объяснением кода, решением задач по программированию, запросами SQL и задачами на математические рассуждения. Карточка отмечает, что качество может снижаться для языков программирования за пределами обучающих данных; перед применением в критически важных системах рекомендуется проверка безопасности и настройка под целевую задачу. Новые проекты IBM направляет к более свежим моделям Granite. Лицензия — Apache 2.0.

Granite-20b-code-instruct-GGUF — квантизированная версия модели granite-20b-code-instruct, разработанной IBM и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для генерации и анализа программного кода, выполнения инструкций, решения математических задач, работы с SQL-контекстами и сценариев, связанных с function calling и ассистентами для разработки. Модель содержит около 20 миллиардов параметров и относится к текстовым моделям генерации. В карточке указаны датасеты для обучения и дообучения, включая Code Прикладные наборы, MathInstruct, MetaMathQA, наборы для SQL и function calling. Доступны варианты от F16 до квантизаций Q3–Q8 в формате GGUF, совместимые с llama.cpp и рекомендованные для запуска, в частности, через LM Studio. Размер файлов варьируется примерно от 11,5 до 40,2 ГБ. Сильными сторонами являются специализация на программировании, поддержка инструкционного режима и наличие вариантов квантизации для различного объёма оперативной памяти; для оценки HumanEvalSynthesis(Python) в README приведены значения pass@1 до 60,4%. Ограничения включают высокие требования к памяти для полноразмерной версии, возможное снижение качества у более сильных квантизаций и отсутствие в карточке сведений о поддерживаемых языках, размере контекста и мультимодальности. Базовая модель распространяется по лицензии Apache-2.0.

Granite-4.2-30B — большая языковая модель IBM Granite Team для рассуждений, диалога и работы с инструментами. Это дообученная на основе ibm-granite/granite-4.1-30b-base плотная decoder-only Transformer-модель с архитектурой GraniteForCausalLM и 28,9 млрд параметров. Она поддерживает режимы полного, отключённого и облегчённого рассуждения, а также контекст до 131 072 токенов. Модель предназначена для ответов на сложные вопросы, математики, программирования, многошаговых задач и агентных сценариев с вызовом инструментов. Модель поддерживает английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. README заявляет архитектурные компоненты GQA, RoPE, SwiGLU и RMSNorm; веса представлены в формате safetensors и используются через Transformers. Лицензия Apache 2.0 допускает коммерческое и академическое применение. Производительность на других языках может уступать английской; ответы могут содержать ошибки, предвзятость или небезопасные сведения, а промежуточные рассуждения не всегда отражают итоговый ответ.

QuantFactory/granite-8b-code-instruct-4k-GGUF — квантованная версия Granite-8B-Code-Instruct-4K, разработанная IBM Research и преобразованная в формат GGUF с использованием llama.cpp. Модель содержит около 8 млрд параметров и дообучена на базе Granite-8B-Code-Base-4K на наборах данных с разрешительными лицензиями для улучшения следования инструкциям, логического рассуждения и решения задач, связанных с программированием. Модель предназначена для генерации, объяснения и исправления кода, а также для создания программных ассистентов. В карточке приведены результаты HumanEvalPack для Python, JavaScript, Java, Go, C++, и Rust; показатели pass@1 различаются в зависимости от языка и типа задачи. Контекстное окно составляет 4K токенов. Модель относится к текстовым генеративным моделям и не предназначена для обработки изображений или других мультимодальных данных. Ключевые преимущества — специализация на задачах программирования, поддержка нескольких языков программирования, улучшенное следование инструкциям и возможность локального запуска благодаря квантованию. Ограничения включают ограниченный контекст в 4K токенов, зависимость качества от языка и задачи, а также необходимость проверять сгенерированный код перед использованием; заявленные результаты бенчмарков не отмечены как верифицированные. Модель распространяется по лицензии Apache 2.0.

duyntnet/granite-8b-code-instruct-imatrix-GGUF — набор GGUF-квантизаций модели Granite-8B-Code-Instruct, разработанной IBM Research. Модель создана на основе Granite-8B-Code-Base-4K и дообучена на наборе инструкционных данных с разрешительными лицензиями для улучшения следования инструкциям, логического рассуждения и решения задач. Модель предназначена для генерации кода по инструкциям и создания ассистентов программирования. Она содержит около 8 млрд параметров, относится к авторегрессионным моделям генерации текста и поддерживает контекст до 4K токенов. В карточке указана поддержка английского языка и текстовая модальность. GGUF-квантизации можно запускать через llama.cpp, KoboldCPP, Ollama и text-generation-webui. К сильным сторонам относятся специализация на задачах программирования, следование инструкциям и навыки рассуждения. Ограничения включают контекст в 4K токенов, ориентацию на английский язык и зависимость характеристик производительности и качества от выбранного варианта квантизации. Для использования доступны клиенты и интерфейсы, совместимые с GGUF. Исходная модель распространяется по лицензии Apache 2.0; для конкретных квантизованных файлов в карточке также указана лицензия other.

InCoder 1B — авторегрессионная модель для работы с кодом, разработанная Daniel Fried, Armen Aghajanyan, Jessy Lin, Sida Wang, Eric Wallace, Freda Shi, Ruiqi Zhong, Wen-tau Yih, Luke Zettlemoyer и Mike Lewis и опубликованная под организацией Facebook. Это декодерный Transformer архитектуры XGLM с 1,5 млрд параметров, обученный на коде с причинно-маскирующей целью: модель умеет продолжать код слева направо и заполнять пропуски внутри фрагмента. Модель предназначена для генерации и редактирования кода, в том числе дополнения незавершённых фрагментов и вставки кода в заданный контекст. Обучающие данные включали открытые репозитории GitHub и GitLab с разрешительными лицензиями, а также Stack Overflow; среди языков особенно представлены Python и JavaScript, наряду с кодом на 28 языках. Контекст модели — 2048 токенов. Для запуска в карточке указаны PyTorch, tokenizers и Transformers; токенизатор требует tokenizers версии 0.12.1 или новее. Ограниченный контекст и смещение обучающих данных к Python и JavaScript могут снижать качество на длинных задачах или менее представленных языках. Лицензия модели — CC BY-NC 4.0, предусматривающая некоммерческое использование.

Instinct — открытая модель для предсказания следующего изменения в коде, разработанная Continue. Она дообучена на Qwen2.5-Coder-7B на наборе реальных изменений кода и предназначена для подсказок разработчику о следующем редактировании, чтобы поддерживать рабочий поток. Модель построена на плотной архитектуре Qwen2ForCausalLM, содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Для запуска доступны веса Safetensors и упомянутая в README квантизация GGUF Q4_K_M через Ollama. Модель распространяется по лицензии Apache-2.0.

IQuest-Coder-V1-40B-Loop-Instruct — вариант семейства языковых моделей для кода IQuest-Coder-V1, разработанного IQuestLab. Это плотная авторегрессионная модель с архитектурой IQuestLoopCoder и рекуррентным механизмом Loop, в котором параметры используются в двух итерациях. Вариант Instruct предназначен для следования инструкциям и общей помощи в программировании; модель также поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Модель насчитывает 39,4 млрд параметров и поддерживает контекст до 131 072 токенов. Семейство обучалось с использованием последовательностей изменений кода и репозиториев, что ориентирует его на задачи разработки ПО, понимание кода и работу с инструментами. В карточке заявлены результаты семейства на бенчмарках программирования, но отдельные оценки именно для этого варианта не приведены. Модель принимает текст и генерирует текст, включая код. Возможны ошибки и результаты могут различаться на специализированных или закрытых технологиях; сгенерированный код необходимо проверять, поскольку модель его не исполняет. Для работы с пользовательским кодом указан английский язык. Репозиторий использует Transformers и формат safetensors; лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели.

Карточка модели IQuestLab/IQuest-Coder-V1-40B-Thinking на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.