II.2Создание и понимание программного кода

TrustSQL-8B — дообученная модель AIJian на основе Qwen3-8B для преобразования запросов на естественном языке в SQL при работе с ранее неизвестными схемами баз данных. Она построена на архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров по метаданным и поддерживает контекст до 40 960 токенов. Модель обучали в два этапа: начальное дообучение с учителем и оптимизация Phase-Aware GRPO с многошаговым взаимодействием с инструментами по протоколу Explore → Propose → Generate → Confirm. Модель предназначена для использования в цикле агента с доступом к инструментам: она исследует схему, формирует и уточняет SQL-запрос. В README приведены результаты на BIRD-Dev, Spider-Test и Spider-DK для сценария неизвестной схемы. Базовая модель Qwen3-8B — многоязычная, однако языки, на которых TrustSQL-8B проверена для Text-to-SQL, отдельно не перечислены. Модель распространяется под лицензией Apache-2.0. README указывает, что обучение и оценка проводились на бенчмарках с SQLite; для работы требуется доступная и безопасная среда получения метаданных и выполнения запросов. Сгенерированный SQL следует проверять, а доступ к базе по умолчанию ограничивать режимом чтения.

Typhoon2-Qwen2.5-7B-Instruct — инструктивная языковая модель, разработанная командой Typhoon AI и дообученная на базе Qwen2.5-7B. Это плотная авторегрессионная модель архитектуры Qwen2 с 7,1 млрд параметров, предназначенная для диалога и выполнения инструкций на тайском и английском языках. Метаданные указывают контекст до 32 768 токенов; для более длинных текстов README описывает расширение контекста с помощью YaRN. Модель подходит для диалоговых помощников, вызова функций, решения математических задач, программирования и работы с длинными текстами. В приведённых разработчиками оценках она показывает результаты на тайском и английском языках, включая задачи следования инструкциям и переключения между языками. Модель принимает текст и генерирует текст. Это развивающаяся модель: ответы могут быть неточными, предвзятыми или нежелательными, поэтому её следует оценивать применительно к конкретному сценарию. Расширение контекста YaRN может ухудшить качество на коротких запросах при статическом масштабировании. Распространяется по лицензии Apache-2.0.

UI2Code^N — визуально-языковая модель, разработанная для генерации и доработки пользовательских интерфейсов по изображениям. Она создана на основе GLM-4.1V-9B-Base и обучалась в несколько этапов: предварительное обучение, дообучение и обучение с подкреплением. Модель поддерживает генерацию кода интерфейса по изображению, редактирование и визуальную полировку интерфейсов с использованием итеративной обратной связи. Модель предназначена для сценариев, где нужно преобразовать визуальный макет в код, внести изменения в существующий интерфейс или улучшить его внешний вид. Архитектура GLM-4V — плотная мультимодальная модель с обработкой изображений и текста; репозиторий содержит веса в формате safetensors и использует Transformers. Карточка указывает поддержку китайского и английского языков. Лицензия — MIT.

UIGEN-T1.5 — языковая модель на архитектуре Qwen2, разработанная Tesslate и дообученная для генерации пользовательских интерфейсов. Она создаёт структурированный HTML и CSS для веб-страниц, включая панели мониторинга, лендинги и формы регистрации и входа. Модель содержит 32 млрд параметров, принимает текстовые запросы, поддерживает контекст до 120 000 токенов и распространяется в формате Safetensors. В метаданных указан английский язык; лицензия — Apache-2.0. Модель ориентирована на создание современных адаптивных макетов и может быть полезна при подготовке фронтенд-заготовок по текстовому описанию. README отмечает ограниченную интерактивность и минимальную функциональность JavaScript, возможное повторение дизайнерских решений и артефакты в сложных макетах. Для получения нужного результата иногда требуется уточнять формулировку запроса.

UIGEN-T3-4B-Preview — модель Tesslate для генерации пользовательских интерфейсов по текстовым запросам. Она создаёт отдельные компоненты и целые веб-страницы, выдавая HTML и CSS с дизайн-токенами для настройки оформления. По карточке модели, архитектура основана на Qwen3; метаданные указывают 3,7 млрд параметров и дообучение Qwen/Qwen3-4B. Для генерации предусмотрены режимы /think с анализом макета и /no_think для более быстрого вывода. Модель предназначена для прототипирования интерфейсов, страниц и компонентов, например для MVP и библиотек компонентов. README сообщает о контексте в 20 тысяч токенов как рекомендуемом для режима рассуждения; метаданные указывают нативный контекст 40 960 токенов. Поддержка изображений как входных данных не заявлена; изображения в примерах предполагается задавать пользователю или через placehold.co. Лицензия ограничивает использование исследовательскими и некоммерческими целями; для коммерческого применения Tesslate предлагает связаться с ними по поводу пилотной программы. README также отмечает отсутствие поддержки Bootstrap и непостоянное качество адаптивной настройки в зависимости от сложности результата.

USER2-1C-code-GGUF — GGUF-представление векторной модели PruhaNLP/USER2-1C-code, подготовленное Unimikes для локального запуска в llama.cpp, llama-server и LM Studio. Основа — ModernBERT-base, дообученная на кодовой базе 1С:Предприятие, включая язык BSL, структуру конфигураций и типовые библиотеки БСП. Модель предназначена для получения эмбеддингов и семантического поиска по коду 1С, построения RAG-систем и поиска похожих или дублирующихся процедур и функций. Она принимает текстовые запросы и фрагменты кода и выдаёт векторы размерностью 256 или 768; поддерживает контекст до 8192 токенов и CLS-пулинг. Репозиторий содержит веса GGUF в формате F16. Карточка описывает специализацию на 1С и BSL; метаданные указывают русский язык. Лицензия — Apache-2.0.

VibeThinker-3B-GGUF — GGUF-версия языковой модели VibeThinker-3B, разработанной WeiboAI на основе Qwen2.5-Coder-3B. Это текстовая autoregressive-модель примерно на 3 млрд параметров, ориентированная на рассуждения и генерацию текста. Модель обучалась с использованием двухэтапного curriculum-based SFT, reinforcement learning по нескольким доменам с методом MaxEnt-Guided Policy Optimization, offline self-distillation и instruct RL. Заявленный основной язык — английский. Модель предназначена прежде всего для решения математических задач, программирования, STEM-задач, reasoning и instruction-following, особенно в сценариях с проверяемыми ответами: соревновательная математика, coding contests и задачи на алгоритмы. Для инференса рекомендуются vLLM или SGLang; заявлены temperature 1.0, top_p 0.95 и поддержка до 102K выходных токенов. Репозиторий содержит варианты GGUF с точностями от Q2_K до Q8_0, а также BF16, F16 и F32, что позволяет выбирать между размером файла, требованиями к памяти и качеством. Сильной стороной модели является специализация на проверяемом рассуждении при компактном размере; в README также заявлены высокие результаты на бенчмарках по математике и программированию. Ограничение состоит в том, что модель оптимизирована для задач с ясными критериями проверки и может уступать более крупным универсальным моделям в широких open-domain сценариях и работе с общими знаниями. Указана лицензия MIT.

chhao/Weak-Driven-Learning — языковая модель, дообученная по методу Weak-Driven Learning на базе Qwen3-4B-Base. Это причинная Transformer-модель семейства Qwen3 примерно с 3,7 млрд параметров и контекстом 32 768 токенов; для обучения использовалась последовательность длиной до 8 192 токенов. Репозиторий содержит веса PyTorch, а карточка указывает библиотеку Transformers и лицензию MIT. Модель предназначена прежде всего для генерации текста с упором на математические рассуждения и написание кода; также поддерживает диалоговый сценарий. Метод обучения использует слабые исторические контрольные точки как сигналы ошибок и совместную оптимизацию логитов. В README заявлены улучшения относительно стандартного SFT на сложных математических и программных задачах без дополнительных вычислительных затрат при инференсе. Качество на других типах задач может отличаться; результат зависит от обучающего набора AM-1.4M и ограничений базовой Qwen3.

Tesslate разработала WEBGEN-4B-Preview — компактную языковую модель для генерации веб-страниц по текстовому описанию. Она дообучена на Qwen/Qwen3-4B-Instruct-2507 и специализируется на создании цельных адаптивных страниц и отдельных блоков интерфейса в HTML, CSS и Tailwind CSS. Модель рассчитана прежде всего на лендинги, маркетинговые страницы и простую документацию. Она ориентируется на семантическую HTML-разметку, мобильную адаптивность, последовательные отступы и типовые секции вроде hero-блока, сетки функций, тарифов, FAQ и подвала. README указывает эффективный контекст около 64 тыс. токенов; метаданные модели указывают нативное окно в 262 144 токена. Для генерации предлагается библиотека Transformers, также приведены примеры запуска через vLLM и SGLang. Модель по умолчанию старается обходиться без внешнего JavaScript. Покрытие ARIA может требовать проверки, а виджеты с JavaScript остаются простыми, если явно не попросить иначе. Это предварительная исследовательская версия; качество и доступность сгенерированной разметки стоит проверять перед публикацией. Лицензия — Apache-2.0.

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

Whittle-Next-27B-A3B-GGUF — это GGUF-квантизированная версия модели Whittle-Next-27B-A3B, разработанной logic65 и подготовленной квантизатором mradermacher. Модель основана на архитектуре mixture-of-experts и предназначена для генерации текста, диалоговых сценариев, рассуждений, программирования и математических задач. В метаданных заявлена поддержка английского, китайского и других языков, а также сценариев с длинным контекстом. Модель содержит около 27 млрд параметров в общей конфигурации и обозначает архитектуру с примерно 3 млрд активных параметров, однако точные сведения о механизме активации, размере контекста и мультимодальных возможностях не указаны. Среди заявленных архитектурных особенностей — hyper-connections, n-gram memory, per-layer embeddings, knowledge distillation и online distillation. Доступны варианты GGUF с разными уровнями квантизации от Q2_K до Q8_0 и IQ4_XS; версии Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с наилучшим качеством среди представленных. К сильным сторонам относятся поддержка локального запуска через совместимые инструменты, включая llama.cpp, широкий выбор компромиссов между размером, скоростью и качеством, а также ориентация на рассуждения, код и математику. К ограничениям относятся неизбежная потеря качества в более агрессивно квантизированных вариантах, отсутствие опубликованных в README бенчмарков и точных характеристик контекстного окна, а также отсутствие сведений о поддержке изображений или других модальностей. Модель распространяется по лицензии Apache-2.0.

Wichtel-Qwen3.6-27B — локальная диалоговая модель Schneewolf Labs на архитектуре Qwen3.5, предназначенная для управления инструментами и написания кода на Hemlock. Модель объединяет четыре адаптера в один набор весов; в репозитории указаны возможности работы с изображениями и кодом. Размер модели и длина контекста в предоставленных данных не указаны. Основные сценарии — выбор и вызов инструментов, передача обычных инженерных задач кодовому агенту и генерация программ на Hemlock. В README сообщается результат 47 из 47 на внутреннем тесте использования инструментов и 67,6% на Hembench; это результаты тестов разработчика, а не независимая оценка. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README также описана сборка для llama.cpp с MTP-головой, но метаданные указывают safetensors как формат файлов репозитория.

Wizard Mega 13B — языковая модель OpenAccess AI Collective, дообученная на базе LLaMA 13B на данных ShareGPT, WizardLM и Wizard-Vicuna. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров, предназначенная для генерации текста и ответов на инструкции; доступный контекст составляет 2048 токенов. В карточке приведён пример генерации Python-кода. Модель обучалась два эпоха: релиз основан на чекпойнте второй эпохи, поскольку оценочная ошибка росла на третьей. Данные обучения очищали от некоторых отказов и стандартных фраз вроде «As an AI language model». Модель не проходила RLHF и не имеет встроенной фильтрации ответов, поэтому может выдавать проблемный контент. Лицензия в предоставленных данных не указана.

Wukong-0.1-Mistral-7B-v0.2-GGUF — это набор квантизированных версий текстовой генеративной модели Wukong-0.1-Mistral-7B-v0.2, опубликованный и подготовленный пользователем bartowski с использованием llama.cpp. Исходная модель разработана RESMPDEV. В README также указаны наборы данных OpenHermes-2.5, CodeFeedback-Filtered-Instruction и Code-Feedback, использованные в связанном с моделью обучении или подготовке. Модель предназначена для генерации текста, выполнения инструкций и задач, связанных с программным кодом. Доступны файлы в формате GGUF с различными уровнями квантизации — от Q8_0 до IQ1_M — что позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти. Размер исходной модели составляет 7B параметров, однако точные архитектурные характеристики, поддерживаемые языки и длина контекста в README не указаны. Модель работает через llama.cpp; формат шаблона чата явно не задан, поэтому приведённый шаблон может быть неточным. К сильным сторонам относятся широкий выбор квантизаций и возможность локального запуска на устройствах с ограниченными ресурсами. Варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M отмечены как рекомендуемые благодаря высокому качеству при меньшем размере, тогда как низкоразрядные варианты экономят память ценой заметного снижения качества. Лицензия — Apache-2.0.

Anyze Ze1.5 Automotive Embedded Instruct — компактная инструкционная языковая модель, разработанная Anyze для автомобильной разработки и встроенного ПО. Она предназначена для генерации и объяснения кода на C/C++, работы с микроконтроллерами STM32, RTOS, драйверами и интерфейсами UART, SPI, I2C, CAN и LIN, а также для вопросов об UDS/OBD, MISRA C и AUTOSAR. Модель также справляется с типичными задачами на Python, Linux и командных оболочках и поддерживает вызов инструментов. Модель построена на плотной архитектуре Qwen2 с 1,5 млрд параметров и 28 слоями трансформера. Заявленное контекстное окно — 131 072 токена с YaRN; доступны веса в Safetensors и GGUF F16. Карточка указывает английский язык. Лицензия — Apache-2.0. Это небольшая специализированная модель, а не универсальный помощник передового уровня. Для точных значений спецификаций README рекомендует использовать поиск в интернете, а сгенерированный код следует проверять до прошивки устройства.

zephyr-7b-sft-math_code — дообученная модель для генерации текста и диалогов, созданная на базе Mistral-7B-v0.1. Она предназначена для ответов на вопросы по математике и помощи с программированием; обучение также включало диалоговый датасет UltraChat 200k. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель дообучена на UltraChat 200k, Glaive Code Assistant и форматированном наборе MetaMathQA. В карточке приведено значение loss 0,9659 на оценочном наборе, но подробности методики оценки отсутствуют. Лицензия — Apache-2.0. The model card provides little detail about intended uses and limitations.

ZeryEasyCoder-27B — текстовая генеративная модель на архитектуре Qwen, созданная zagy1234. В карточке она описана как гибридная merge-модель для программирования, рассуждений и технических задач; метаданные указывают дообучение на Altworld/Hemmingway-1, а README сообщает о слиянии Hemmingway-1 и NEO-CODER MAX через mergekit. В репозитории представлены веса bfloat16 в формате Safetensors для Hugging Face Transformers; метаданные указывают 22,3 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации и объяснения кода, написания скриптов и помощи с Linux и системным администрированием, а также для технического диалога. README заявляет поддержку Python, C++, Bash/Fish и C# и отсутствие ограничений на технические темы. Эти заявления не сопровождаются результатами оценки качества. Лицензия — Apache-2.0.

0pen — экспериментальная разговорная модель от 0penAGI для совместного инженерного проектирования и решения задач. Это LoRA-дообучение Google Gemma 4 E4B с 4 млрд параметров; опубликованная версия представлена в формате GGUF Q4_K_M и рассчитана на запуск через llama.cpp или Ollama. По карточке, обучение проводилось на 4-битной MLX-конверсии базовой модели с адаптацией 12 из 34 слоёв. Модель предназначена для диалогов, в которых нужно быстро предложить практичный план, спроектировать систему или алгоритм и учитывать заданные ограничения. Разработчик отмечает естественные ответы на русском и работу на русском и английском языках; сильная сторона модели — прямой инженерный стиль в ответ на конкретные проектные запросы. Лицензия — MIT. Это исследовательский предварительный выпуск, не рекомендованный автором для использования в производстве без дополнительной проверки. В длинных цепочках рассуждений модель может отклоняться от темы или повторяться, быть излишне краткой в творческих задачах и предпочитать упрощённые инженерные решения глубокому теоретическому разбору.

AceInstruct-1.5B — языковая модель NVIDIA для диалогов и выполнения инструкций, дообученная на базе Qwen2.5-1.5B-Base методом supervised fine-tuning. Она предназначена для генерации кода, решения математических задач и ответов на вопросы общего характера. Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов; принимает и генерирует текст, в том числе в чат-сценариях. В приведённых в карточке тестах AceInstruct-1.5B показывает результаты выше Qwen2.5-1.5B-Instruct по отдельным задачам кодирования и математики. Это компактная модель общего назначения, поэтому качество может уступать более крупным моделям, а заявленные результаты бенчмарков не гарантируют точность в конкретном сценарии. Карточка указывает английский язык. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

AceReason-Nemotron-1.1-7B-GGUF — GGUF-версия языковой модели AceReason-Nemotron-1.1-7B, разработанной NVIDIA. Модель предназначена для генерации текста с акцентом на рассуждения в задачах математики и программирования. Она создана на базе Qwen2.5-Math-7B и обучалась в два этапа: supervised fine-tuning (SFT) на математических и кодовых задачах, затем reinforcement learning (RL). В карточке указано, что модель поддерживает английский язык и работает в режиме text generation. Размер модели составляет 7B параметров. Ключевая специализация — решение сложных математических задач и генерация программного кода. По приведённым результатам, модель показывает сильные показатели на бенчмарках AIME 2024, AIME 2025 и LiveCodeBench, превосходя предшественника AceReason-Nemotron-1.0-7B и другие сопоставимые модели на некоторых тестах. Версия GGUF предназначена для использования в совместимых средах локального инференса, однако конкретный вариант квантования и требования к памяти в README не указаны. Ограничения включают специализацию преимущественно на математике и коде, возможные ошибки в рассуждениях и отсутствие гарантии корректности сгенерированных ответов или программ. Размер контекста, список поддерживаемых языков сверх английского и точные характеристики архитектуры в карточке не указаны. Модель распространяется по NVIDIA Open Model License; дополнительные условия следует проверять в тексте лицензии NVIDIA.

Карточка модели falloutxvats/Aero-DeepSeek-R1-Distill-Qwen-32B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

airoboros-33b-gpt4-1.3 — плотная авторегрессионная модель семейства LLaMA на 32,3 млрд параметров, разработанная Jon Durbin и дообученная методом QLoRA на синтетических данных, созданных GPT-4. Она предназначена для генерации текста в формате диалога и выполнения инструкций, включая задачи на рассуждение и программирование. В обучающий набор вошли инструкции в стиле Orca с рассуждением перед ответом, варианты запросов на программирование в формате PLAINFORMAT и экспериментальные многоходовые взаимодействия с действиями и репликами персонажей. Модель использует шаблон диалога на основе Vicuna; в карточке указан контекст длиной 2048 токенов. Доступны веса PyTorch. Автор предупреждает, что в версии есть проблемы и рекомендует использовать её на свой риск либо дождаться версии 1.4. Модель лицензирована по CC BY-NC 4.0, которая ограничивает коммерческое использование.

openhands-lm-32b-v0.1 — языковая модель для генерации текста и задач, связанных с программированием и агентными сценариями. Исходную модель разработала команда all-hands, а данная версия представляет собой набор квантованных сборок GGUF, подготовленных bartowski с использованием llama.cpp и imatrix. В качестве обучающего набора указан SWE-Gym/SWE-Gym. Модель содержит 32 миллиарда параметров и предназначена для работы с текстом; заявлен английский язык. README не содержит сведений об архитектуре базовой модели, размере контекста, дополнительных модальностях или результатах benchmark-тестов. Доступны варианты от BF16 до различных квантовок Q8, Q6, Q5, Q4, Q3 и IQ4 с размером файлов примерно от 17,7 до 65,5 ГБ. Более качественные варианты требуют больше памяти, а младшие квантовки рассчитаны на более ограниченные ресурсы. Сборки можно запускать через LM Studio, llama.cpp и совместимые проекты. Для применения указан формат prompt с ролями system, user и assistant. Основные ограничения — необходимость значительного объёма памяти для 32B-модели и возможное снижение качества при использовании сильной квантовки; точные характеристики исходной модели в README не приведены. Лицензия — MIT.

AraCode-7B — специализированная языковая модель для генерации и объяснения кода на арабском языке, представленная разработчиком как открытая модель. Она также предназначена для отладки, перевода инструкций на естественном языке в код и выполнения строгих инструкций по формату ответа. Модель построена на плотной архитектуре Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; метаданные указывают поддержку арабского и английского языков, чат-возможности и интерфейс вызова инструментов. В README приведены результаты собственных тестов генерации кода, объяснения, отладки и следования инструкциям, однако методика и независимая проверка этих оценок не описаны. Метаданные указывают формат safetensors, тогда как README озаглавлен как AraCode-7B-GGUF и описывает запуск через инструменты GGUF. Лицензия репозитория — Apache-2.0. Модель ориентирована на программирование с арабоязычным взаимодействием; заявленные результаты не гарантируют корректность или исполнимость каждого ответа.

Arch-Function-1.5B — компактная языковая модель компании Katanemo, предназначенная для вызова функций и взаимодействия с API. Она дообучена на базе Qwen/Qwen2.5-Coder-1.5B-Instruct и использует плотную архитектуру Qwen2 с 1,5 млрд параметров. Модель принимает текстовые инструкции и описания функций, определяет подходящие функции и параметры и формирует результат вызова в JSON-подобном формате. Модель рассчитана на сценарии, где приложение связывает запрос пользователя с API или серверными функциями, включая многошаговый диалог с передачей результатов выполнения функций обратно модели. Для вызова функций рекомендуется использовать формат промпта из карточки модели. Заявления о производительности и качестве приведены разработчиком; карточка не содержит подробных численных результатов в доступном тексте. Контекстное окно составляет 32 768 токенов. В метаданных указан английский язык, библиотека Transformers и формат весов safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории модели.

AynCoding-Qwen3-8B-Slim — модель генерации текста и кода от разработчика, указанного в репозитории enver. Она основана на Qwen3-8B и, согласно карточке, дообучена с акцентом на синтез программного обеспечения, архитектурные рассуждения, классическую арабскую логику Mantiq и морфологию арабских корней. Карточка также заявляет об удалении части знаний и структурном прореживании; файлы модели представлены в формате GGUF и занимают около 2,8 ГБ. Модель предназначена для генерации кода, проектирования программных компонентов и решения задач на логику, в том числе на английском и арабском языках. В README описаны механизмы черновой генерации, проверки логики и уточнения кода, а также приведены высокие результаты на HumanEval и EvalPlus; эти показатели являются заявлениями карточки. Метаданные указывают задачу text-generation и базовую модель Qwen/Qwen3-8B. Лицензия обозначена как other, поэтому условия использования следует уточнять в репозитории.

BASH-Coder-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 и BASH-Coder-Mistral-7B методом SLERP. Она предназначена для генерации текста и ответов на инструкции с дополнительным уклоном в задачи программирования и работу с Bash. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров; заявленная длина контекста — до 32 768 токенов. Модель принимает текст и генерирует текст. Карточка не сообщает о специальных языках программирования, наборах данных или результатах оценки качества, поэтому преимущество в кодировании нельзя считать подтверждённым для конкретных языков или сценариев. Модель распространяется под лицензией Apache-2.0.

Bonsai-2-27B-CRACK-Ternary-JANG — дообученная dealign.ai версия тернарно-квантованной модели PrismML Ternary-Bonsai-2-27B на архитектуре Qwen 3.5, предназначенная для генерации текста, диалога и агентных сценариев. Модель рассчитана на запуск в vMLX на компьютерах Apple Silicon; использует формат JANG с 2-битными аффинными весами, групповой квантизацией 128 и сохранённым Hadamard-преобразованием. В карточке указаны контекст до 262 тыс. токенов, режимы рассуждения low, medium и xhigh, XML-вызовы инструментов, а также поддержка изображений и видео. Модель ориентирована на англо-китайские сценарии, включая ответы на вопросы, кодирование и работу с инструментами. По заявлению автора, поведение отказов удалено на уровне весов; приведены результаты MMLU и HarmBench на данной сборке. Для запуска требуется vMLX с JANG-Hadamard runtime: стандартный путь загрузки MLX, согласно карточке, выдаёт некорректные результаты. Лицензия — Apache 2.0.

AmberYifan/capsd-marin-8b-base-code_random_b12000_s0 — дообученная модель семейства Llama на базе marin-community/marin-8b-base. По названию и карточке она обучалась на смеси данных с кодом; метаданные указывают архитектуру LlamaForCausalLM, плотную модель с 7,5 млрд параметров и контекст до 4096 токенов. Модель предназначена для генерации и продолжения текста, включая сценарии работы с кодом. В README не приведены результаты оценки, подробности обучающей смеси или конкретные языки программирования. Базовая модель описана как англоязычная, поэтому нельзя уверенно считать, что эта версия хорошо работает на других естественных языках. Лицензия указана как other, без дополнительных условий в доступных сведениях.

Это GGUF-квантизованная версия модели Qwen3-Coder-REAP-25B-A3B, разработанной командой Cerebras. Репозиторий с квантизациями подготовлен bartowski с использованием llama.cpp и imatrix-калибровки. Модель относится к категории text-generation и предназначена для генерации текста, включая сценарии программирования, однако подробные сведения о специализации исходной модели в представленном README отсутствуют. Доступны варианты от исходных BF16-весов размером 49,76 ГБ до низкобитных форматов размером примерно 11,5–26,5 ГБ. Представлены форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, IQ4 и IQ3; некоторые варианты оптимизированы по качеству, размеру или производительности на ARM и Apple Silicon. Модель можно запускать через LM Studio, llama.cpp и другие проекты на его основе. Архитектура, число параметров и активных параметров, поддерживаемые языки, модальности и размер контекста в README не указаны. Для модели не задан chat template, поэтому используется шаблон по умолчанию, который может быть некорректным. Сильной стороной является широкий выбор уровней квантизации: варианты Q6 и Q5 заявлены как обеспечивающие очень высокое или высокое качество, а Q4_K_M — как компромиссный вариант для большинства сценариев. Более компактные варианты позволяют работать при ограниченном объёме оперативной памяти, но сопровождаются снижением качества. Лицензия в представленном README не указана.