II.2Создание и понимание программного кода

OpenBuddy-deepseekcoder-33b-v16.1-32k — OpenBuddy әзірлеген көптілді чат-модель. Ол LlamaForCausalLM архитектурасына негізделген, dense құрылымды және 33,1 млрд параметрі бар autoregressive модель; Hugging Face карточкасында text-generation міндеті көрсетілген. Карточкадағы атау 32k контекстті меңзегенімен, метадеректерде native контекст ұзындығы 16 384 токен деп берілген. Модель мәтіндік диалог пен кодқа қатысты сұрауларға жауап беруге арналған. Карточкада қытай, ағылшын, француз, неміс, жапон, корей, итальян, орыс және фин тілдері көрсетілген; көптілді чат-сценарийлерде қолдануға болады. Модельдің күшті жақтары — үлкен параметр саны мен бірнеше тілді қолдауы, бірақ README нақты бағалау нәтижелерін сипаттамайды. Лицензия метадеректерде «other», ал README-де «deepseek» деп көрсетілген; пайдалану шарттарын бастапқы лицензиядан тексеру қажет. README модельдің қате, зиянды немесе жағымсыз жауаптар беруі мүмкін екенін ескертеді және медициналық, қаржылық, құқықтық не өзге де жоғары тәуекелді шешімдер үшін пайдаланбауды ұсынады.

OpenCodeReasoning-Nemotron-32B — большая языковая модель, разработанная NVIDIA на основе Qwen2.5-32B-Instruct и дообученная для рассуждений при генерации кода. Модель ориентирована прежде всего на решение задач программирования, включая competitive programming, написание программ и генерацию решений на Python. Обучение проводилось на датасете OpenCodeReasoning, содержащем вопросы по соревновательному программированию и ответы, сгенерированные DeepSeek-R1. Модель построена на плотной архитектуре decoder-only Transformer и содержит 32 млрд параметров. Она работает только с текстом: принимает строковый ввод и генерирует текстовый вывод. Заявлена поддержка контекста до 32 768 токенов, язык обучения и применения в карточке указан как английский. В сравнительных оценках OpenCodeReasoning-Nemotron-32B показывал высокие результаты на LiveCodeBench и CodeContest среди сопоставимых 32B-моделей, однако конкретные показатели относятся к вариантам OCR-Qwen-32B и OCR-Qwen-32B-Instruct, а не обязательно непосредственно к GGUF-версии. Для работы рекомендованы Linux и NVIDIA GPU с архитектурами Ampere или Hopper; указана интеграция с NeMo 2.3.0. Модель рассчитана на коммерческое и некоммерческое использование по лицензии Apache-2.0. Ограничения включают специализацию на англоязычных задачах программирования, высокие требования к вычислительным ресурсам из-за размера и отсутствие заявленной поддержки изображений или других модальностей.

Open-Instruct Human-mix 7B — языковая модель семейства LLaMA, дообученная командой Allen Institute for AI на смеси созданных людьми инструкционных данных: FLAN V2, CoT, Dolly и OpenAssistant 1. Это плотная авторегрессионная модель примерно с 6,6 млрд параметров; для неё указаны библиотека Transformers и контекст до 2048 токенов. Модель предназначена для генерации текста по инструкциям: ответов на вопросы, выполнения текстовых заданий, рассуждений и генерации кода. Она обучена преимущественно на англоязычных данных, а карточка приводит результаты по нескольким академическим и прикладным бенчмаркам. Для лучшего качества следует соблюдать формат входного запроса, описанный в карточке. Репозиторий содержит diff весов, поэтому для использования нужна исходная модель LLaMA в формате Hugging Face. Указаны лицензия AI model license и исходная лицензия LLaMA; перед применением необходимо учитывать условия обеих лицензий. Модель не описана как мультимодальная и имеет ограниченное контекстное окно.

Open-Instruct SNI 7B — языковая модель на архитектуре LLaMA, дообученная исследователями Allen Institute for AI на наборе Super-Natural Instructions. Она предназначена для генерации ответов на инструкции и выполнения разнообразных текстовых задач, включая вопросы и ответы, рассуждения, задачи по математике и генерацию кода. Модель содержит 6,6 млрд параметров, использует формат PyTorch и имеет контекст длиной 2048 токенов. Модель обучалась в рамках исследования состояния instruction tuning на открытых ресурсах; в README приведены результаты на MMLU, GSM, BBH, TyDiQA, Codex-Eval и AlpacaFarm. Для качественной генерации следует соблюдать указанный в карточке формат запросов с переводами строк. Репозиторий содержит diff весов: для использования нужна доступная базовая модель LLaMA в формате Hugging Face. Условия использования определяются лицензией AI model и исходной лицензией LLaMA.

OpenModel-1T-A50B-Instruct — разговорная языковая модель NeXTHub на архитектуре Transformer с разреженной смесью экспертов (MoE). В карточке заявлены 1 трлн общих параметров и 50 млрд активных параметров на проход, однако метаданные Hugging Face указывают 49,6 млрд параметров; для размера ориентиром служат метаданные. Репозиторий содержит веса в формате safetensors, а метаданные указывают контекст 32 768 токенов; заявленные в README 128K токенов расходятся с этим значением. Модель предназначена для диалогов и инструкций, рассуждений, математических задач, генерации и отладки кода, научной работы, анализа данных и использования интерфейса вызова инструментов. README описывает обучение с упором на длинные рассуждения и инструкционную настройку; заявленные в карточке качества и результаты тестов не подтверждены приведёнными метаданными. Языки модели не указаны в доступных данных. Лицензия — Apache-2.0. Ограничения, прямо следующие из источников: сведения о размере и длине контекста в README расходятся с метаданными, а независимая проверка заявленных характеристик и результатов оценки не представлена.

Open-MOPD-SmolLM3-3B-MixSFT — языковая модель на архитектуре SmolLM3ForCausalLM, подготовленная командой Open-MOPD как начальный чекпойнт для последующего обучения специализированных RL-моделей и итоговой модели-дистиллята. Она создана дообучением HuggingFaceTB/SmolLM3-3B-Base на математических задачах, коде и данных для следования инструкциям; параметры обучения сбалансированы по числу токенов ответов. Модель содержит около 3,1 млрд параметров, распространяется в формате safetensors и рассчитана на генерацию текста и диалоговое применение. Метаданные указывают контекст до 65 536 токенов; в описанном обучении и оценке использовалась максимальная длина последовательности 32 768 токенов. Карточка приводит результаты на математических, кодовых и инструкционных тестах, но не уточняет методику их интерпретации для практических сценариев. Указанный в метаданных язык — английский. Лицензия Apache-2.0.

Mungert/OpenReasoning-Nemotron-14B-GGUF — GGUF-квантованная версия большой языковой модели OpenReasoning-Nemotron-14B, производной от Qwen2.5-14B-Instruct. Модель разработана на базе семейства OpenReasoning-Nemotron; данный репозиторий содержит конвертацию в формат GGUF, выполненную с использованием llama.cpp. Указанный вариант предназначен для локального запуска и генерации текста, кода и решений с применением совместимых инструментов GGUF и llama.cpp. Модель ориентирована на рассуждения в задачах математики, программирования и естественных наук. Для исходной версии заявлена оценка с длиной вывода до 64K токенов. Это текстовая, англоязычная модель с размером 14B параметров; мультимодальные возможности не указаны. Для квантования применён подход с выборочным повышением точности отдельных важных слоёв, что, по описанию автора, может улучшать точность при сохранении преимуществ уменьшенного размера файла, хотя увеличивает его размер. Конкретный тип квантования и характеристики отдельных файлов GGUF в README не приведены. Сильными сторонами являются специализация на сложном reasoning, математике, коде и научных задачах, а также возможность эффективного локального использования в квантованном формате. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантования, а также отсутствие подробных данных о контекстном окне, скорости, аппаратных требованиях и поддерживаемых языках помимо английского. Использование разрешено для коммерческих и некоммерческих исследовательских целей на условиях Creative Commons Attribution 4.0 International (CC-BY-4.0); дополнительно упоминается Apache 2.0 для базовой модели Qwen2.5.

OpenThinkerAgent-32B-SFT-1K — плотная языковая модель на архитектуре Qwen3, разработанная в рамках открытого проекта OpenThoughts-Agent. Она дообучена полным параметрическим SFT на базе Qwen/Qwen3-32B с использованием 1 000 примеров из набора OpenThoughts-Agent-SFT-1K. Модель содержит 29,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для агентных сценариев, программирования и работы в терминальной среде: она генерирует текстовые ответы и продолжения, а также может выдавать код и последовательности действий для инструментов в поддерживающей их оболочке. В оценке на Terminus-2 она показала результаты pass@1 19,0 на SWE-Bench-Verified-100, 21,0 на OpenThoughts-TBLite и 10,9 на Terminal-Bench 2.0; на SWE-Bench-Verified-100 показатель ниже базовой Qwen3-32B, тогда как на двух других наборах — выше. Весы доступны в формате Safetensors; лицензия — Apache-2.0. Модель является дообученной производной Qwen/Qwen3-32B, а не самостоятельной базовой моделью. Обучение на небольшом наборе из 1 000 примеров ограничивает широту специализации, а результаты оценки зависят от конкретного агентного стенда и не гарантируют качество в других сценариях.

WithinUsAI/Opus4.7-GODs.Ghost.Codex-4B.GGuF — компактная специализированная на программировании языковая модель, разработанная WithinUsAI на базе Qwen/Qwen3.5-4B. Модель распространяется в формате GGUF и предназначена для локального запуска через совместимые среды, включая llama.cpp и LM Studio. Заявленный объём — около 4 миллиардов параметров; для работы требуется примерно 3–8 ГБ оперативной памяти в зависимости от уровня квантования Q4_K_M, Q5_K_M или Q8_0. Указан английский язык, а поддержка контекста в README приведена как рекомендуемый размер 8192 токенов. Основные сценарии применения — генерация, объяснение, отладка и рефакторинг кода, проектирование алгоритмов, написание скриптов, обучение программированию и интеграция в локальные AI-IDE. В качестве сильных сторон заявлены структурированное рассуждение, пошаговое объяснение логики и возможность эффективного запуска на локальном оборудовании без обращения к облачной инфраструктуре. Модель ориентирована прежде всего на задачи разработки и лучше работает с чёткими структурированными промптами; фактическое качество для конкретных языков и задач в README не подтверждено результатами тестирования. В README не указана точная лицензия модели. Предполагается наследование лицензии базовой модели, однако перед коммерческим или иным распространением необходимо проверить условия в репозитории.

Ornith-1.0-35B-FP8-BLOCK — это квантизированная версия языковой модели Ornith-1.0-35B, разработанной командой DeepReinforce. Артефакт опубликован shisa-ai и изменяет только представление чекпойнта, не добавляя дополнительного дообучения. Модель относится к семейству Qwen3.5 MoE и предназначена для рассуждений, агентных сценариев и генерации кода, включая работу через совместимый с OpenAI API сервер. Квантизация выполнена методом model-free PTQ без калибровочных данных с помощью llm-compressor. Веса Linear-модулей представлены в статическом симметричном FP8 с блоками 128×128, а активации квантизуются динамически в FP8 с группами размера 128; формат хранения — compressed-tensors FP8_BLOCK. Размер исходной модели — 35B параметров, но другие характеристики, включая точный контекст и языковой охват, в карточке не указаны. Эмбеддинги, lm_head, маршрутизация MoE, линейное внимание и визуальные модули оставлены без квантизации. Модель не содержит MTP-head и не заявляет поддержку speculative decoding. Основные преимущества — уменьшенное представление весов и возможность запуска в современных средах, поддерживающих Qwen3_5MoeForConditionalGeneration и FP8_BLOCK, например vLLM. Ограничения — необходимость значительных ресурсов KV-кэша при длинном контексте и отсутствие опубликованных отдельных бенчмарков для квантизированной версии; качество и задержку рекомендуется проверять относительно исходной BF16-модели на целевой нагрузке. Артефакт распространяется по лицензии MIT.

Soulfate24/Ornith-1.5-9B-MTP-ASHQ1-Remix-GGUF — квантованная в формате GGUF версия Ornith-1.5-9B от Ornith AI. Репозиторий описывает вариант ASHQ1-Remix: активационно-ориентированную квантовку, параметры которой основаны на измерениях; указана поддержка линии AutoRound с ограничениями насыщения. Модель предназначена для генерации текста и диалогового использования. Базовая модель рассчитана на программирование, агентные задачи и работу с инструментами в длинном контексте. Ключевая характеристика этой версии — квантованное представление весов GGUF. В метаданных указаны задача text-generation, библиотека Transformers и лицензия MIT. README не приводит размер квантованных файлов или оценки качества именно этой сборки; результат может зависеть от выбранного файла и среды запуска.

Ornith-1.5 Cyclos 1M Uncensored GGUF — это квантованная Q4_K_M-версия LoRA-файнтюна модели Ornith-1.5-35B-A3B. Репозиторий abhaymin содержит изменения файнтюна, расширение контекста и квантование; базовая архитектура, постобучение, визуальный модуль и основные возможности разработаны командой Ornith. Модель основана на семействе Qwen3.5 и использует архитектуру Mixture-of-Experts с заявленным размером 35B-A3B. Для работы с изображениями и видео требуется отдельный vision projector в формате F16. Модель предназначена для программирования, агентских сценариев, анализа рынков и трейдинга, классификации контента, вызова инструментов и работы с изображениями и видео. Файнтюн ориентирован на coding, market/trading analysis, content classification и tool/function calling. Контекст расширен с 262 144 до 1 048 576 токенов с помощью YaRN, однако длина в 1M токенов является экстраполяцией и не прошла валидацию: качество может снижаться за пределами исходного окна. Поддержка аудио отсутствует; для аудиодиалогов требуется внешний ASR, например Whisper. Модель распространяется под лицензией Apache-2.0. GGUF-файлы протестированы с llama.cpp, Ollama и LM Studio; для изображений и видео необходимы оба GGUF-файла — модели и vision projector. vLLM с GGUF в указанной конфигурации не работает из-за отсутствия адаптера для гибридной архитектуры, хотя BF16-версия поддерживается с выгрузкой части весов в оперативную память. Ограничения также включают потери качества из-за квантования Q4_K_M, отсутствие заявленных бенчмарков для этой сборки и унаследованное от базовой модели снижение отказов, которое не гарантирует выполнение любого запроса.

Palmyra-mini-thinking-b — англоязычная чат-модель генерации текста компании Writer, дообученная на NVIDIA OpenReasoning-Nemotron-1.5B. Это плотная причинно-языковая модель семейства Qwen2 примерно на 1,5 млрд параметров с контекстом до 131 072 токенов. Модель предназначена для пошаговых рассуждений, решения математических задач и задач по программированию, включая генерацию и отладку кода. В README приведены результаты на математических и программных бенчмарках; они зависят от методики оценки и параметров генерации и не гарантируют аналогичного качества в других сценариях. Модель принимает текст и генерирует текст. README отмечает риск предвзятых или неточных ответов. Лицензия — Apache-2.0.

Карточка модели pipizhao/Pandalyst_13B_V1.0 на Hugging Face совпадает с карточкой pipizhao/Pandalyst-7B-V1.1, поэтому описание составлено по ней. Pandalyst-7B-V1.1 — языковая модель для анализа данных с помощью библиотеки pandas, разработанная авторами проекта Pandalyst. Она дообучена на CodeLlama-7b-Python и предназначена для генерации кода и ответов, помогающих работать с таблицами разной структуры и выполнять задачи анализа данных. Версия V1.1 не поддерживает построение графиков. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров. Она принимает текст и выдаёт текст; заявленная длина контекста — 16 384 токена. В карточке указан английский язык. Авторы сообщают результат 76,1 exec@1 на PandaTest_V1.0, однако это заявление из README, а независимая проверка здесь не представлена. Модель распространяется с лицензией Llama 2.

AnkitAI/Parable-Qwen3-4B-Claude-Fable-5-GGUF — компактная локальная языковая модель для генерации текста, программирования и агентских сценариев. Она дообучена на базе Qwen/Qwen3-4B автором Ankit Aglawe с использованием QLoRA и данных о реальных многошаговых сессиях Claude Fable 5, а также транскриптов gpt5.5-terminal. Модель распространяется в формате GGUF и предназначена для запуска через llama.cpp, Ollama и LM Studio. Модель имеет около 4 млрд параметров и ориентирована на планирование, выбор инструментов, терминальные рабочие процессы и решение задач программирования. Рекомендуемая квантизация Q4_K_M занимает около 2,5 ГБ, доступны также варианты Q5_K_M, Q6_K, Q8_0 и F16. По приведённым оценкам, версия v3.1 сопоставима или превосходит базовую Qwen3-4B на тестах HumanEval, MBPP и их расширенных вариантах, а также чаще выдаёт содержательные ответы без чрезмерного скрытого рассуждения. Сильные стороны модели — небольшой размер, возможность офлайн-запуска, выраженная специализация на агентском поведении и структурированных задачах разработки. Ограничения включают меньшую точность в некоторых сценариях вызова функций по сравнению с базовой Qwen3-4B и отсутствие в README сведений о поддерживаемых языках, размере контекста и мультимодальности; заявлена только текстовая генерация. Базовая модель распространяется по лицензии Apache-2.0, однако при использовании производной модели необходимо учитывать условия лицензий обучающих наборов: AGPL-3.0 для Fable-5-traces и MIT для gpt5.5-terminal, а также возможные ограничения поставщиков исходных трасс.

Это компактная языковая модель Phi-3 Mini Instruct семейства Phi-3, представленная в репозитории tuong-nguyen-prd. Модель имеет плотную архитектуру Phi3ForCausalLM и около 3,7 млрд параметров; она дообучена следовать инструкциям с помощью supervised fine-tuning и direct preference optimization. В README вариант назван 128K, однако метаданные этой копии указывают длину контекста 4096 токенов. Модель предназначена для генерации текста в диалоговом формате, включая рассуждения, математику и программирование. Её позиционируют для сценариев с ограниченными вычислительными ресурсами и требованиями к низкой задержке; карточка также описывает улучшения в следовании инструкциям, структурированном выводе и понимании длинного контекста. Основной заявленный язык — английский. Репозиторий содержит веса в формате safetensors. Модель выпущена под лицензией MIT. Как и другие языковые модели, она может выдавать неточные, ненадёжные, предвзятые или оскорбительные ответы; её качество и безопасность следует оценивать для конкретного применения, особенно в сценариях с высокими рисками.

win10/phi-3.5-sakura-yuzu-v3.0 — объединённая авторами модель генерации текста на архитектуре Phi-3.5, созданная с помощью mergekit и метода TIES. В качестве основы использована win10/Phi-3.5-mini-instruct-24-9-29; в слияние также вошли модели для ролевого общения, программирования, медицинских вопросов и адаптеры EvolKit и System. Размер модели — 3,7 млрд параметров, длина контекста — 4096 токенов. Модель предназначена для диалоговой генерации текста и может применяться для ролевых бесед, ответов на вопросы, помощи с кодом и медицинской тематикой. Метаданные указывают поддержку чата и нескольких языковых вариантов в моделях, вошедших в слияние, но основной язык этой модели отдельно не установлен. Модель распространяется в формате safetensors для библиотеки Transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

duyntnet/Phi-3-mini-128k-instruct-imatrix-GGUF — это набор пере-квантизированных GGUF-файлов модели Phi-3 Mini-128K-Instruct, разработанной Microsoft и повторно опубликованной пользователем duyntnet. Модель предназначена для генерации текста в диалоговом формате, следования инструкциям, многошагового общения, решения задач и работы с длинным контекстом. Указана поддержка английского языка и текстовой модальности. Версия ориентирована на улучшенное понимание кода на Python, C++, Rust и TypeScript, более структурированные ответы, многоэтапное следование инструкциям, рассуждения и обработку длинного контекста. В README заявлена длина контекста 128K токенов; также указано, что модель поддерживает системный тег <|system|>. Формат GGUF позволяет запускать её через llama.cpp, JanAI, KoboldCPP, text-generation-webui и Ollama. Данные о точной архитектуре, количестве параметров и конкретных вариантах квантизации не приведены, поэтому характеристики производительности и требования к ресурсам определить нельзя. Модель подходит для локального запуска, чат-ассистентов, генерации и анализа текста, программирования и сценариев, требующих обработки больших документов или продолжительного диалога. Ограничения включают отсутствие заявленной поддержки других языков, а также возможные потери качества, связанные с квантизацией. Лицензия обозначена как other, но её условия в README не раскрыты; перед использованием необходимо ознакомиться с лицензией исходной модели и опубликованного набора файлов.

Карточка модели ThomasComics/Phi-3-mini-128k-instruct-LLaMAfied на Hugging Face совпадает с карточкой vonjack/Phi-3-mini-4k-instruct-LLaMAfied, поэтому описание составлено по ней. vonjack/Phi-3-mini-4k-instruct-LLaMAfied — текстовая генеративная модель на 3,7 млрд параметров, опубликованная vonjack. В метаданных указана архитектура LlamaForCausalLM; карточка описывает исходную модель Phi-3 Mini-4K-Instruct и её настройку для следования инструкциям. Контекст составляет 4096 токенов, формат весов — safetensors. Модель предназначена для диалогов и генерации текста, включая задачи на логику, математику и программирование. Компактный размер подходит для сред с ограниченными ресурсами и сценариев, где важна задержка; заявленная ориентация — коммерческое и исследовательское применение на английском языке. Лицензия — MIT. README указывает, что качество на языках кроме английского ниже; ответы могут быть неточными, устаревшими, предвзятыми или оскорбительными. Сгенерированный код и API следует проверять, особенно вне Python. Для чувствительных и высокорисковых сценариев необходимы дополнительные проверки и меры защиты.

vonjack/Phi-3-mini-4k-instruct-LLaMAfied — текстовая генеративная модель на 3,7 млрд параметров, опубликованная vonjack. В метаданных указана архитектура LlamaForCausalLM; карточка описывает исходную модель Phi-3 Mini-4K-Instruct и её настройку для следования инструкциям. Контекст составляет 4096 токенов, формат весов — safetensors. Модель предназначена для диалогов и генерации текста, включая задачи на логику, математику и программирование. Компактный размер подходит для сред с ограниченными ресурсами и сценариев, где важна задержка; заявленная ориентация — коммерческое и исследовательское применение на английском языке. Лицензия — MIT. README указывает, что качество на языках кроме английского ниже; ответы могут быть неточными, устаревшими, предвзятыми или оскорбительными. Сгенерированный код и API следует проверять, особенно вне Python. Для чувствительных и высокорисковых сценариев необходимы дополнительные проверки и меры защиты.

phixtral-2x2_8 — языковая модель с архитектурой Mixture of Experts, созданная Mlabonne из двух моделей Microsoft Phi-2. Она объединяет cognitivecomputations/dolphin-2_6-phi-2 и lxuechen/phi-2-dpo с помощью модифицированной версии mergekit и вдохновлена архитектурой Mixtral-8x7B. Автор сообщает, что модель превосходит каждого из отдельных экспертов; в README также приведены результаты оценки на наборе Nous suite. Модель предназначена для генерации текста в диалогах и задач с кодом. Она принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 2048 токенов. Репозиторий содержит веса в формате safetensors; указана лицензия MIT. Для модели предлагается запуск в 4-битной точности на GPU T4.

PipableAI/pip-SQL-1B — модель PipableAI для генерации SQL-запросов по вопросу пользователя и схеме базы данных. В карточке указано, что модель дистиллирована из Llama 1B и обучалась на датасете PipableAI/spider-bird с чередованием двух целей: предсказания токенов всей последовательности и оптимизации предсказаний токенов SQL-ответа. Модель построена на архитектуре LlamaForCausalLM, содержит 1,3 млрд параметров, принимает текст и имеет контекст 2048 токенов; в метаданных указан английский язык и тег для задач с кодом. Модель предназначена для сценариев text-to-SQL: на вход подаются схема и вопрос, на выходе — SQL-запрос. README заявляет высокие результаты на ряде SQL-бенчмарков, но не приводит названия бенчмарков или численные сравнения, поэтому заявление нельзя оценить по карточке. Лицензия — MIT.

thealper2/plbart-docstring-generation — модель семейства PLBART, созданная дообучением uclanlp/plbart-base на датасете semeru/code-text-python. Она генерирует англоязычные docstring для функций на Python по их коду; модель доступна для использования через Transformers и принимает контекст до 1024 токенов. На тестовой выборке из 14 918 примеров указаны BLEU 5,94 и ROUGE-L 32,04. Генерации в среднем короче эталонных описаний: 6,35 токена против 11,20. Модель рассчитана на краткие однофразовые резюме функций; сгенерированные описания могут ошибочно передавать назначение параметров или поведение функции, поэтому их следует проверять перед использованием. Лицензия в предоставленных данных не указана.

Q36-35B-A3B-Opus4.7-Ablit-Heretic-OBLITERATUS-Hermes-MTP-Vision-Llama — мультимодальная модель семейства Qwen3.6-35B-A3B, опубликованная пользователем oktayd. Это производный вариант, собранный на основе Qwen3.6-35B-A3B с использованием нескольких этапов reasoning-дистилляции, ablation, Heretic и OBLITERATUS Nuclear, а также дообучения Hermes для function calling, агентских сценариев, работы с кодом, терминалом, файлами и репозиториями. Указанная в названии связь с Opus 4.7 относится только к унаследованной линии дистилляции и не означает включение проприетарной модели Claude. Модель предназначена для генерации текста, анализа изображений и текста, рассуждений, программирования, использования инструментов и агентских задач. Архитектура — mixture-of-experts Qwen3.6, представленная в GGUF как qwen35 или qwen3_5_moe: всего около 35 млрд параметров, из которых активируется около 3 млрд. Поддерживаются контекст до 262 144 токенов, английский язык и мультимодальный ввод через отдельный F16 vision projector. Доступны варианты квантования MXFP4_MOE и Q4_K_M для запуска в llama.cpp. По приведённым тестам модель особенно сильна в соблюдении сложных инструкций: в IFEval она получила 9/10 по строгим промптам и 17/18 по строгим инструкциям. На небольших выборках она показала сопоставимые с базовым сравнением результаты в HumanEval+, MMLU-Pro, GSM8K и BBH, однако уступила в MBPP+ и продемонстрировала проблемы с зацикливанием или усечением вывода в отдельных задачах MuSR. Поддержка одновременного использования Vision и MTP, финальная проверка FreeToken-сервинга и комбинированные мультимодальные сценарии ещё не подтверждены. Модель распространяется по лицензии Apache-2.0. Для работы с изображениями требуется основной GGUF-файл вместе с соответствующим vision projector; заявленная поддержка относится к llama.cpp.

Quill 1 Preview — компактная модель семейства Minsore, разработанная для автодополнения кода Python в редакторах. Она дообучена методом QLoRA на базе Qwen/Qwen2.5-Coder-0.5B-Instruct и предназначена прежде всего для заполнения пропусков в коде по префиксу и суффиксу (Fill-in-the-Middle, FIM), а не для диалогов с пользователем. Модель семейства Qwen2 с архитектурой Qwen2ForCausalLM содержит около 494 млн параметров. Она принимает текстовый контекст кода и генерирует текстовое продолжение; репозиторий включает GGUF F16, GGUF Q4_K_M и safetensors. Для Q4_K_M заявлен размер около 400 МБ и работа на потребительском оборудовании. В метаданных указан контекст 32 768 токенов, тогда как README сообщает о контексте 1 024 токена и обрезке длинных файлов, поэтому фактическое ограничение зависит от используемой версии или конфигурации. Основной сценарий — интерактивное дополнение функций и фрагментов Python. В README приведены результаты тестов FIM и генерации кода, однако они не гарантируют качество на произвольных проектах. Известные ограничения: модель не предназначена для чата, может добавлять тесты после функции, повторять большие числа и ошибаться при использовании незнакомых API; обучающие данные ориентированы на Python. Лицензия — Apache 2.0.

mergekit-community/Qwen2-2B-RepleteCoder-Upscaled — языковая модель, полученная сообществом с помощью mergekit из слоёв Replete-AI/Replete-Coder-Qwen2-1.5b. Это плотная авторегрессионная модель архитектуры Qwen2 с 1,9 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Конфигурация passthrough собирает слои базовой модели в изменённой последовательности; веса сохранены в формате safetensors и bfloat16. Заявленная длина контекста — 131 072 токена. Модель подходит для генерации и продолжения кода, а также для диалоговых сценариев с программированием. Карточка не приводит результаты оценивания качества или перечень поддерживаемых языков, поэтому такие характеристики нельзя надёжно уточнить. Лицензия в предоставленных данных не указана.

Qwen2.5-7B-CySecButler-v0.1 — объединённая языковая модель, созданная с помощью mergekit на основе Qwen/Qwen2.5-7B и четырёх других моделей: Vapor_v2_7B, Qwen-2.5-7b-TitanFusion-v5-Exp, Qwen2.5-7B-HyperMix и WhiteRabbitNeo-2.5-Qwen-2.5-Coder-7B. Разработчик позиционирует её для задач программирования и кибербезопасности. Модель имеет архитектуру Qwen2 dense с 7,1 млрд параметров и контекстом до 131 072 токенов; работает с текстом и поддерживает диалоговый интерфейс. Карточка не приводит отдельного описания измеренных возможностей или качества для конкретных задач. Модель может использоваться для генерации кода, ответов на вопросы по кибербезопасности и диалогового взаимодействия по техническим темам. Метаданные перечисляют поддержку китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Доступна по лицензии Apache-2.0.

Qwen-2.5-7b-TitanFusion-v5-Exp — объединённая языковая модель на базе архитектуры Qwen2, созданная сообществом с помощью mergekit и метода TIES. В объединение вошли huihui-ai/Qwen2.5-7B-Instruct-abliterated-v2, Cran-May/T.E-8.1, Qwen/Qwen2.5-Coder-7B, Qwen/Qwen2.5-Math-7B, happzy2633/qwen2.5-7b-ins-v3 и katanemo/Arch-Function-7B. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и принимает текст для генерации текста; поддерживает диалоговый режим и интерфейс вызова инструментов. Контекстное окно составляет 32 768 токенов. Включение кодовой, математической и функционально ориентированных моделей предполагает применение для программирования, решения математических задач и диалогов с инструментами, однако README не приводит отдельных результатов оценки этих возможностей. Репозиторий содержит веса в формате safetensors и предназначен для Transformers. Лицензия в предоставленных данных не указана.

Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-gregarious_mottled_gorilla — компактная инструкционная языковая модель для генерации текста и кода, опубликованная в формате, совместимом с библиотекой Transformers. По идентификатору модель относится к семейству Qwen2.5-Coder и имеет около 494 млн параметров; в метаданных она отмечена как text-generation и связана с проектами Gensyn, RL Swarm, GenRL Swarm и методом GRPO. Модель предназначена для генерации ответов на текстовые запросы, включая создание и дополнение программного кода, объяснение кода и другие сценарии, поддерживаемые инструкционным режимом. Заявленное нативное контекстное окно составляет 32 768 токенов, что позволяет обрабатывать достаточно длинные запросы и фрагменты исходного кода. README не содержит подтверждённых сведений о разработчике, языках, обучающих данных, результатах оценки, архитектурных деталях и лицензии. Поэтому возможности модели, качество генерации, фактическая языковая поддержка и условия распространения следует проверять отдельно перед использованием в продуктивных системах.

Qwen2.5-Coder-0.5B-Instruct-GGUF — инструкционная языковая модель для работы с исходным кодом из семейства Qwen2.5-Coder, разработанного командой Qwen. Она предназначена для генерации, анализа и исправления кода, задач кодового рассуждения, чат-сценариев и создания приложений на базе кодовых агентов. Модель сохраняет возможности для математических и общих языковых задач. Указанный репозиторий содержит версию в формате GGUF, ориентированную на локальный запуск, в том числе через llama.cpp. Модель является авторегрессионной causal language model с архитектурой на базе transformers, RoPE, SwiGLU, RMSNorm, смещениями в QKV внимания и связанными эмбеддингами слов. Она содержит около 0,49 млрд параметров, из которых 0,36 млрд — без учёта эмбеддингов, 24 слоя и GQA с 14 головами для Q и 2 для KV. Полная длина контекста составляет 32 768 токенов. Поддерживаются варианты квантизации q2_K, q3_K_M, q4_0, q4_K_M, q5_0, q5_K_M, q6_K и q8_0. В карточке явно указан английский язык; другие языки не заявлены. К сильным сторонам относятся небольшой размер, возможность локального запуска и специализация на программном коде. Ограничениями являются существенно меньшая мощность по сравнению с крупными моделями семейства и отсутствие подтверждённых в карточке характеристик мультимодальности или поддержки дополнительных языков. Для расширения контекста до 131 072 токенов рекомендуется использовать не GGUF-версии, поскольку для GGUF заявлена длина до 32 768 токенов, а поддержку YARN для экстраполяции указывает только vLLM. Модель распространяется по лицензии Apache-2.0.