II.2Создание и понимание программного кода

Juno-N-Coder-25B — модель для генерации кода, разработанная Locai Labs на основе NVIDIA Nemotron 3.5 Lightning 30B. Это производная модель семейства Nemotron-H, полученная структурным удалением нижних 25% экспертов алгоритмом SPACE с перенормировкой маршрутизатора; дополнительное восстановительное дообучение не проводилось. В метаданных указано 1,9 млрд параметров, а заявленная длина контекста составляет 262 144 токена. Модель предназначена для помощи в разработке программного обеспечения: генерации кода и решения задач по программированию. Карточка сообщает о близких к базовой модели результатах на LiveCodeBench v6, HumanEval+ и MBPP+, при этом общие знания и фактическое воспроизведение могут ухудшаться: в частности, приведены снижения на некоторых группах MMLU Redux. Для запуска приведён пример с vLLM и поддержкой вызова инструментов. Репозиторий использует формат Safetensors и лицензию «other»; конкретные условия этой лицензии в доступных сведениях не раскрыты.

Abiray/KAT-Coder-V2.5-Dev-Imatrix-GGUF — набор GGUF-квантизаций модели KAT-Coder-V2.5-Dev, разработанной командой KwaiKAT и основанной на Qwen3.6-35B-A3B. Это текстовая open-weight модель-кодировщик с архитектурой Mixture-of-Experts: всего 35 млрд параметров, из которых 3 млрд активируются для каждого токена. Репозиторий содержит версии с 3-, 4-, 5-, 6- и 8-битной квантизацией, оптимизированные с помощью importance matrix для сохранения качества при уменьшении требований к памяти. Модель предназначена для агентного программирования, генерации и анализа кода, автоматизации задач разработки и работы с инструментами в многошаговых сценариях. Она поддерживает английский и китайский языки, работает только с текстом и не включает компоненты для зрения или других мультимодальных режимов. Доступный контекст может достигать 262 144 токенов при использовании совместимого ПО, например llama.cpp. Среди заявленных сильных сторон — результаты на SWE-bench Verified до 69,40%, поддержка сохранения исторического контекста рассуждений и снижение повторов, нештатных вызовов инструментов и зацикливания. К ограничениям относятся необходимость значительных ресурсов даже для квантизированных вариантов, зависимость качества и скорости от выбранного уровня квантизации и отсутствие мультимодальности. Модель распространяется по лицензии Apache-2.0.

KAT-Ornith-Coder-35B-A3B — специализированная гибридная MoE-модель для автономной разработки ПО с агентами вроде OpenHands, Aider и Cline. Она создана слиянием KAT-Coder-V2.5-Dev и Ornith-1.5-35B-A3B методом асимметричного DARE-TIES: модель сохраняет компоненты KAT, отвечающие за токенизацию и маршрутизацию экспертов, и использует параметры Ornith для усиления планирования и работы с контекстом репозитория. Архитектура — Qwen 3.5 MoE с гибридным вниманием; README указывает около 35 млрд параметров всего и около 3 млрд активных на токен, тогда как метаданные каталога сообщают 2,9 млрд параметров. Контекстное окно составляет 262 144 токена. Модель принимает текст, генерирует текст и код, поддерживает диалог и интерфейс вызова инструментов. В карточке заявлены английский и китайский языки. Модель предназначена для агентного программирования: анализа репозиториев, планирования многошаговых изменений, исправления ошибок и работы с инструментами разработки. Среди преимуществ, заявленных авторами, — сочетание планирования с точечными изменениями кода и сохранение синтаксиса вызовов инструментов. Приведённые в README оценки производительности описаны как целевые или ориентировочные, а не как подтверждённые результаты этой модели. Лицензия — Apache-2.0.

Kimi-Dev-72B — открытая языковая модель для инженерных задач с программным обеспечением, разработанная командой Kimi-Dev. Она дообучена на базе Qwen/Qwen2.5-72B и представляет собой плотную причинную модель Qwen2 с 71,5 млрд параметров. Модель предназначена для решения задач по реальным репозиториям, в частности для поиска и исправления ошибок по описанию проблемы; разработчики сообщают о результате 60,4% на SWE-bench Verified среди открытых моделей. Модель оптимизирована масштабным обучением с подкреплением: она вносит исправления в репозитории в Docker и получает вознаграждение, если проходит весь набор тестов. Поддерживаются генерация текста и интерфейс вызова инструментов; заявленная длина контекста — 131 072 токена. Модель доступна в формате safetensors через Transformers и распространяется по лицензии MIT. Карточка не сообщает о поддержке естественных языков; основное назначение модели — работа с кодом.

Kimi K2-Instruct-0905 — языковая модель, разработанная Moonshot AI. Это обновлённая версия Kimi K2, ориентированная на агентное программирование, выполнение длительных задач и работу с инструментами. Модель особенно предназначена для разработки и анализа кода, задач coding agent, а также создания frontend-приложений с улучшенным вниманием к эстетике и практичности интерфейсов. Модель использует архитектуру Mixture-of-Experts (MoE) с 1 трлн общих параметров и 32 млрд активируемых параметров. Она содержит 61 слой, 384 эксперта, из которых для каждого токена выбираются 8, 64 attention head, механизм внимания MLA и функцию активации SwiGLU. Размер словаря составляет 160 тысяч токенов, а контекстное окно — 256 тысяч токенов, что подходит для анализа больших репозиториев и продолжительных многошаговых сценариев. README не указывает полный перечень поддерживаемых языков и модальностей; по представленным данным это языковая, а не мультимодальная модель. Сильные стороны модели — улучшенные результаты в задачах агентного программирования и поддержка очень длинного контекста. В README приведены результаты на SWE-Bench, SWE-Bench Multilingual, Multi-SWE-Bench, Terminal-Bench и SWE-Dev, однако они зависят от условий тестирования и не гарантируют аналогичную эффективность в каждом проекте. К ограничениям относятся высокая вычислительная сложность полной модели и необходимость специализированных inference-движков; рекомендованы vLLM, SGLang, KTransformers и TensorRT-LLM. Доступны checkpoint в формате block-fp8 и API с OpenAI- и Anthropic-совместимыми интерфейсами. Лицензия указана как modified MIT.

JANGQ-AI Laguna-S-2.1-JANG_2L — квантованная сборка модели Poolside Laguna-S-2.1, подготовленная Jinho Jang для запуска на Apple Silicon. Это MoE-модель для генерации текста, агентного программирования и длительных задач разработки; базовая архитектура LagunaForCausalLM содержит 48 слоёв, 256 маршрутизируемых экспертов и один общий эксперт. Исходная модель имеет 118 млрд параметров, около 8 млрд из них активны при обработке токена; размер сборки на диске — 44,3 ГБ. Веса адаптированы для Apple Silicon с применением AWQ к маршрутизируемым экспертам, тогда как внимание, общий экспертный путь, маршрутизатор и нормализации сохранены в высокой точности. Модель рассчитана на контекст до 1 048 576 токенов, поддерживает диалог и интерфейс вызова инструментов. README рекомендует запускать её в vMLX; заявленная лицензия — OpenMDW-1.1, унаследованная от исходной модели.

JANGQ-AI/Laguna-S-2.1-JANG_6M — квантованная для Apple Silicon сборка текстовой MoE-модели Poolside Laguna-S-2.1, подготовленная Jinho Jang и предназначенная для запуска в vMLX. Модель имеет 118 млрд параметров, из которых активно около 8 млрд; архитектура включает 48 слоёв, 256 маршрутизируемых экспертов с выбором top-10 и общий эксперт. Заявленный контекст — до 1 048 576 токенов. Сборка использует 6-битное AWQ-квантование основных весов экспертов, а attention, router, общий эксперт и нормализации оставлены в высокой точности. По данным README, на M5 Max модель показала скорость декодирования 30,7 токена в секунду; автор также сообщает о полном совпадении top-1 при проверке кэша длинного контекста на указанном тестовом проходе. Модель ориентирована на агентное программирование, диалог и длительные задачи разработки с вызовом инструментов. README описывает шаблон рассуждений GLM-style с переключателем thinking. В карточке указаны английский язык и интерфейс вызова инструментов; основной сценарий — генерация текста для разработки и агентных рабочих процессов. Модель унаследовала базовую Poolside Laguna-S-2.1 и распространяется по лицензии OpenMDW-1.1. Для запуска требуются совместимый MLX/vMLX-стек и загрузчик, учитывающий настройки квантования по модулям; приведённые показатели производительности относятся к указанной конфигурации Apple Silicon.

Laguna XS 2.1 — текстовая модель семейства Laguna от Poolside, предназначенная прежде всего для агентного программирования и длительных задач разработки ПО. Это архитектура Mixture-of-Experts с 33 млрд параметров в общей сложности и примерно 3 млрд активируемых на токен; в репозитории Hugging Face указано 2,6 млрд параметров. Модель состоит из 40 слоёв, использует смесь скользящего и глобального внимания, поддерживает контекст до 262 144 токенов и интерфейс вызова инструментов. Модель подходит для работы с кодом, выполнения терминальных задач и взаимодействия с инструментами в агентных сценариях. README сообщает об улучшении результатов относительно Laguna XS.2 на SWE-bench Multilingual и терминальных задачах, однако бенчмарки не гарантируют аналогичного качества на конкретных проектах. Модель принимает и выдаёт текст; карточка не указывает поддерживаемые естественные языки. Веса доступны под лицензией OpenMDW-1.1, которую разработчик описывает как разрешающую коммерческое и некоммерческое использование и модификацию. Для применения следует учитывать условия лицензии и политики допустимого использования Poolside. Для локального запуска заявлена поддержка Transformers, vLLM, SGLang, Llama.cpp, Ollama и других перечисленных в карточке средств.

Карточка модели rbinrs/Laguna-XS-2.1 на Hugging Face совпадает с карточкой poolside/Laguna-XS-2.1, поэтому описание составлено по ней. Laguna XS 2.1 — текстовая модель семейства Laguna от Poolside, предназначенная прежде всего для агентного программирования и длительных задач разработки ПО. Это архитектура Mixture-of-Experts с 33 млрд параметров в общей сложности и примерно 3 млрд активируемых на токен; в репозитории Hugging Face указано 2,6 млрд параметров. Модель состоит из 40 слоёв, использует смесь скользящего и глобального внимания, поддерживает контекст до 262 144 токенов и интерфейс вызова инструментов. Модель подходит для работы с кодом, выполнения терминальных задач и взаимодействия с инструментами в агентных сценариях. README сообщает об улучшении результатов относительно Laguna XS.2 на SWE-bench Multilingual и терминальных задачах, однако бенчмарки не гарантируют аналогичного качества на конкретных проектах. Модель принимает и выдаёт текст; карточка не указывает поддерживаемые естественные языки. Веса доступны под лицензией OpenMDW-1.1, которую разработчик описывает как разрешающую коммерческое и некоммерческое использование и модификацию. Для применения следует учитывать условия лицензии и политики допустимого использования Poolside. Для локального запуска заявлена поддержка Transformers, vLLM, SGLang, Llama.cpp, Ollama и других перечисленных в карточке средств.

Laguna XS 2.1 — языковая модель Poolside для агентного программирования и длительных рабочих сценариев на локальном компьютере. Это текстовая модель text-to-text, представленная в формате GGUF для llama.cpp и совместимая с vLLM и SGLang. Она предназначена прежде всего для задач разработки программного обеспечения, включая работу с терминалом, вызов инструментов и многошаговое выполнение задач. Модель использует архитектуру Mixture-of-Experts: 33 млрд параметров всего, из которых 3 млрд активируются на каждом токене. В ней 40 слоёв, 256 экспертов и один общий эксперт; 30 слоёв используют sliding window attention с окном 512 токенов, а 10 — глобальное внимание. Поддерживаются интерleaved reasoning между вызовами инструментов, сохранение рассуждений и включение или отключение режима рассуждений для отдельных запросов. Контекстное окно составляет до 262 144 токенов, а KV-кэш хранится в формате FP8 для снижения требований к памяти. К сильным сторонам относятся сочетание большого общего числа параметров с малым числом активных параметров, поддержка длинного контекста, инструментального взаимодействия и локального запуска. Для локального использования рекомендована квантизация Q4_K_M размером 20,3 ГБ; полноточная версия BF16 занимает 66,9 ГБ. Ограничением является то, что поддержка Laguna XS 2.1 на момент публикации README ещё не включена в основную ветку llama.cpp и требует сборки из специальной ветки или pull request. Модель рассчитана на программную инженерию и агентные сценарии, поэтому её пригодность для других задач следует проверять отдельно. Модель распространяется по лицензии OpenMDW-1.1, допускающей свободное использование и модификацию модели и связанных материалов в коммерческих и некоммерческих целях при соблюдении условий лицензии и политики допустимого использования Poolside.

Llama-3.3-Nemotron-Super-49B-v1-FP8 — крупная языковая модель NVIDIA, производная от Meta Llama-3.3-70B-Instruct. Это плотная decoder-only Transformer-модель с архитектурными изменениями, полученными с помощью Neural Architecture Search: в отдельных блоках используется пропуск внимания или линейный слой, а коэффициенты расширения FFN варьируются. Модель содержит 87B параметров, использует формат FP8 и рассчитана на контекст до 131 072 токенов. Модель предназначена для рассуждений, многошагового диалога, следования инструкциям, генерации кода, математических задач, retrieval-augmented generation, вызова инструментов и построения AI-агентов, чат-ботов и других прикладных систем. Она работает с текстовым вводом и выводом, интегрируется через Transformers и оптимизирована для GPU NVIDIA Hopper и Ampere; основной язык — английский, также поддерживаются немецкий, французский, итальянский, португальский, хинди, испанский и тайский. К сильным сторонам относятся сочетание качества рассуждений и эффективности инференса, уменьшенный по сравнению с исходной моделью объём вычислений и памяти, а также поддержка длинного контекста, RAG и tool calling. Модель разработана NVIDIA и готова к коммерческому использованию. Условия распространения регулируются NVIDIA Open Model License и дополнительными условиями Llama 3.3 Community License Agreement.

LongCat-2.0 — большая языковая модель семейства LongCat, представленная разработчиками модели. Это разреженная MoE-модель для генерации текста и диалогов; README указывает 1,6 трлн параметров и около 48 млрд активируемых на токен, тогда как метаданные репозитория указывают 42,1 млрд параметров. В карточке заявлены архитектура LongcatCausalLM и контекст 262 144 токена. Модель предназначена для программирования, понимания кода, редактирования репозиториев, автоматизированного выполнения задач и агентных сценариев. Она поддерживает интерфейс вызова инструментов; в README также описаны LongCat Sparse Attention для длинного контекста и ускорение декодирования с прогнозированием нескольких токенов. Вход и выход — текст. README сообщает о предварительном обучении более чем на 35 трлн токенов и развёртывании на GPU и NPU. Для GPU описана поддержка SGLang и рекомендована конфигурация из 16 H20; часть механизма Hierarchical Indexing при этом недоступна. Разработчик предупреждает, что модель не была специально спроектирована или всесторонне проверена для всех прикладных сценариев. Лицензия репозитория — MIT.

Magicoder-CL-7B — языковая модель для генерации кода, разработанная Юйсяном Вэем, Чжэ Ваном, Цзяьвэем Лю, Ифэном Дином и Линмином Чжаном. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, дообученная на CodeLlama-7b-Python-hf. Для обучения использован набор Magicoder-OSS-Instruct-75K, созданный методом OSS-Instruct на основе открытых фрагментов кода. Модель предназначена прежде всего для задач программирования: генерации кода по инструкциям и помощи в решении задач разработки. Контекст составляет 16 384 токена. Модель не рассчитана на общие задачи вне программирования и может допускать ошибки или выдавать вводящий в заблуждение код. Лицензия — Llama 2; при использовании следует учитывать условия OpenAI для синтетических обучающих данных.

Mellum-4b-sft-kotlin — языковая модель JetBrains для генерации кода, дообученная на базе JetBrains/Mellum-4b-base и настроенная специально для автодополнения Kotlin. Это плотная модель с архитектурой в стиле LLaMA и 3,7 млрд параметров; она принимает текстовый контекст и генерирует текст кода. Размер контекстного окна — 8192 токена. Модель предназначена для интеграции в IDE и другие инструменты разработчика, создания подсказок кода, а также экспериментов с генерацией и пониманием кода. Её можно запускать в облаке и локально. Веса опубликованы в формате safetensors с точностью bf16; лицензия — Apache-2.0. Предложения модели могут наследовать предвзятости открытых кодовых баз, на которых она обучалась, и содержать уязвимости. Сгенерированный код следует проверять перед использованием.

Mellum-4b-sft-python — дообученная JetBrains модель для генерации и автодополнения кода на Python. Она основана на Mellum-4b-base и предназначена для подсказок в IDE, работы в помощниках программиста, а также экспериментов с генерацией и пониманием кода. Модель использует плотную архитектуру LLaMA с 3,7 млрд параметров и контекстом 8192 токена. Версия на Hugging Face опубликована в формате bf16; для запуска и интеграции подходят инструменты экосистемы Transformers и среды инференса, упомянутые в карточке. Модель ориентирована на код, особенно на завершение фрагментов Python, и может быть полезна в обучении программированию и экспериментах с дообучением. Она может наследовать стилистические особенности открытых кодовых баз, а сгенерированный код необходимо проверять на ошибки и уязвимости. Лицензия — Apache-2.0.

Это GGUF-квантизированная версия Meta-Llama-3.1-70B-Instruct, разработанная Meta и предназначенная для запуска с llama.cpp. Модель представляет собой авторегрессионную большую языковую модель на базе оптимизированной архитектуры Transformer. Инструкционная версия обучалась с применением supervised fine-tuning и reinforcement learning from human feedback для повышения полезности и безопасности ответов. Модель работает только с текстом на входе и генерирует многоязычный текст и код. Она предназначена прежде всего для диалоговых ассистентов, генерации и обработки текста, программирования, синтетической генерации данных и дистилляции других моделей. Заявлены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель содержит 70 млрд параметров, поддерживает Grouped-Query Attention и контекст длиной до 128 тысяч токенов. Данные обучения включают более 15 трлн токенов, срез знаний — декабрь 2023 года. Сильными сторонами являются большой контекст, многоязычный режим, поддержка кода и оптимизация для диалоговых сценариев. Это статическая модель, обученная на офлайн-данных, поэтому она не обладает актуальными знаниями после даты отсечения и может требовать проверки ответов. Репозиторий содержит квантизированный формат GGUF; для полной поддержки необходима llama.cpp версии 5e2727f или новее. Использование регулируется пользовательской коммерческой лицензией Llama 3.1 Community License и применимой Acceptable Use Policy.

Это текстовая языковая модель для генерации кода и помощи в программировании на Python. Она основана на Meta-Llama-3.1-8B-Instruct_CODE_Python_English_Asistant-16bit-v2 от Agnuxo, а GGUF-квантизации подготовлены mradermacher. Модель ориентирована на локальный запуск, генерацию и объяснение Python-кода, а также на сценарии научных исследований и разработки. В карточке указаны английский и испанский языки, а для обучения использовались датасеты jtatman/python-code-dataset-500k и Vezora/Tested-143k-Python-Alpaca. Модель имеет около 8 млрд параметров и распространяется в формате GGUF с различными вариантами квантизации i1-IQ и i1-Q размером примерно от 2,1 до 4,8 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; некоторые конфигурации оптимизированы для ARM-процессоров. Размер контекста и точный набор поддерживаемых модальностей в карточке не указаны, поэтому модель следует рассматривать как текстовую. Лицензия — Apache-2.0.

Venti MiseAI 1.1 — локальный ИИ-ассистент от Venti Labs, дообученный на базе Qwen/Qwen2.5-Coder-7B. Модель предназначена для генерации и рефакторинга кода, решения технических задач и подготовки документации. По карточке она содержит 7 млрд параметров и распространяется в формате GGUF с квантизацией Q8_0; заявлена поддержка запуска через Ollama, llama.cpp и LM Studio, в том числе на потребительских GPU с 8 ГБ видеопамяти. Модель принимает текстовые запросы и выдаёт текст, включая программный код. Разработчик заявляет, что после загрузки MiseAI работает локально и не отправляет данные в облако. В метаданных указан английский язык карточки, но конкретный набор поддерживаемых естественных языков не описан. Лицензия — Apache-2.0.

Mistral Large 2 (версия mistral-large-2407) — флагманская модель компании Mistral AI. Это модель с доступными весами, распространяемая на проприетарных условиях. Модель предназначена для генерации текста в диалогах, рассуждений, написания кода и формирования JSON. В карточке она описана как универсальная модель для этих задач и других сценариев работы с текстом. Конкретные сведения об архитектуре, размере, поддерживаемых языках и контекстном окне в предоставленных материалах отсутствуют. Условия использования определяются проприетарной лицензией; перед внедрением следует проверить её актуальные требования.

Mistral-Large-Instruct-2407-GGUF — квантизированная версия Mistral Large 2, разработанная Mistral AI и подготовленная в формате GGUF сообществом LM Studio; квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для генерации текста, диалогов, выполнения инструкций, рассуждений, работы с многоязычными запросами, извлечения данных и интеграции в бизнес-приложения через вызов функций. Модель поддерживает контекст до 128 000 токенов, десятки языков, включая английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский, японский, корейский, арабский и хинди, а также более 80 языков программирования, среди которых Python, Java, C, C++, JavaScript и Bash. Ключевые сильные стороны — улучшенное следование инструкциям, диалоговые возможности, retrieval-навыки и поддержка последовательных и параллельных вызовов функций. При этом, как и другие генеративные модели, она может ошибаться или создавать недостоверный контент; конкретные характеристики производительности зависят от выбранного уровня квантизации. Модель распространяется по лицензии MRL-0.1; условия следует проверять в тексте лицензии Mistral.

Mistral-Large-Instruct-2411 — плотная большая языковая модель Mistral AI с 122,2 млрд параметров, представленная в ноябре 2024 года. Она предназначена для диалоговой генерации текста, сложных рассуждений, работы с кодом и задач с длинным контекстом. По сравнению с Mistral-Large-Instruct-2407 улучшены обработка длинного контекста, вызов функций и следование системным инструкциям. Модель поддерживает контекст до 131 072 токенов и многоязычную работу; карточка перечисляет английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, русский и корейский. Также заявлены структурированный вывод JSON, вызов функций и применение в сценариях RAG. Для запуска рекомендована библиотека vLLM; карточка указывает, что для инференса на GPU требуется более 300 ГБ видеопамяти. Модель выпущена Mistral AI по Mistral Research License, разрешающей использование и модификацию в некоммерческих целях. Это текстовая модель общего назначения; заявленные возможности и результаты зависят от сценария и развертывания.

Moe-4x7b-reason-code-qa — языковая модель NextAI Team для генерации ответов и кода. Она использует архитектуру Mixture of Experts на базе Mixtral и содержит 7,1 млрд параметров; модель доступна в формате Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для помощи разработчикам и специалистам по данным: она может отвечать на технические вопросы, генерировать код, помогать с его проверкой и поддерживать обучение программированию. В карточке заявлено обучение на технической документации, открытом коде и вопросах с ответами Stack Overflow; среди языков в метаданных указан английский. Ответы могут зависеть от полноты контекста и формулировки запроса, а модель может воспроизводить смещения обучающих данных. Сгенерированный код и технические рекомендации требуют проверки. Лицензия — Apache-2.0.

Карточка модели Darth-Coder/my-model3-14b-it на Hugging Face совпадает с карточкой Qwen/Qwen3-14B, поэтому описание составлено по ней. Qwen3-14B — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это дообученная версия Qwen3-14B-Base с 14 млрд параметров; метаданные указывают на архитектуру Qwen3ForCausalLM и формат safetensors. Модель предназначена для генерации текста и диалогов, следования инструкциям, рассуждений, написания кода, перевода и работы с инструментами. Она поддерживает режимы рассуждения и обычного ответа, а также более 100 языков и диалектов. Контекстное окно, указанное в метаданных, составляет 40 960 токенов. Карточка описывает 32 768 токенов нативно и возможность расширения до 131 072 с YaRN. Для использования требуется библиотека Transformers; модель распространяется по лицензии Apache 2.0. Она принимает текстовые запросы и генерирует текст, а подключение внешних инструментов реализуется через интерфейс приложения.

North-Mini-Code-1.0 — модель с открытыми весами от Cohere и Cohere Labs для генерации кода, агентной разработки программного обеспечения и выполнения задач в терминале. Это decoder-only Transformer с разреженной архитектурой Mixture-of-Experts: всего 30 млрд параметров, из которых активны 3 млрд; применяются 128 экспертов, 8 из которых выбираются для каждого токена. Модель дообучена в два этапа: supervised fine-tuning и обучение с подкреплением на проверяемых наградах. Контекст модели рассчитан на 256 тысяч токенов, максимальная длина генерации — 64 тысячи токенов. Модель принимает текст и генерирует текст. Она обучена использовать инструменты в агентных сценариях программирования и поддерживает соответствующий интерфейс через шаблоны чата Transformers. В карточке также описана чередующаяся схема внимания: скользящее окно с RoPE и глобальное внимание. Для запуска README рекомендует актуальные исходные версии Transformers либо vLLM и приводит параметры генерации temperature=1.0 и top_p=0.95. Модель предназначена для программирования и работы с терминалом; её оценивали на бенчмарках агентного кодирования и генерации кода. Лицензия — Apache 2.0. Метаданные каталога указывают размер 1,2 млрд параметров, однако README указывает 30 млрд параметров всего и 3 млрд активных; эти сведения о размере расходятся.

OpenAI o1 — модель рассуждения, разработанная OpenAI для сложных многошаговых задач. Она обучена с применением обучения с подкреплением и предназначена для задач, где полезны тщательный анализ, например математики, программирования, научных вопросов и построения агентных сценариев. Модель также принимает изображения и может рассуждать об их содержимом. В API o1 поддерживает текстовые входы и выходы, изображения на входе, вызов функций и структурированные ответы. Контекстное окно составляет 200 000 токенов. OpenAI указывает, что версия o1-2024-12-17 стала доступна для производственного использования. Модель может ошибаться, а её результаты требуют проверки; открытые сведения не устанавливают число параметров или конкретную архитектуру. Доступ предоставляется через API OpenAI на условиях сервиса OpenAI; веса модели не представлены как открытая загрузка.

Omega AI 450B — вариант модели, представленный под брендом Omega AI и основанный на Qwen3-Coder-480B-A35B-Instruct. Это языковая MoE-модель для генерации кода и диалогов; карточка указывает 480 млрд общих параметров и около 35 млрд активных параметров. Название «450B» обозначает уровень семейства Omega, а не фактическое число параметров. Модель предназначена для генерации кода и сценариев агентного программирования; в метаданных также заявлен интерфейс вызова инструментов. Контекст составляет до 262 144 токенов. Указано, что архитектура и исходные предобученные веса происходят от Qwen, а не были изначально обучены Omega AI. Сведения о лицензии и ограничениях качества в предоставленных источниках отсутствуют.

Карточка модели HotOpenSourcing/OmniCoder-9B на Hugging Face совпадает с карточкой Tesslate/OmniCoder-9B, поэтому описание составлено по ней. OmniCoder-9B — языковая модель Tesslate на 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B для задач программирования и работы в роли кодового агента. Модель использует гибридную архитектуру с Gated Delta Networks и стандартными слоями внимания, поддерживает контекст до 262 144 токенов и режим рассуждений. Модель обучена на более чем 425 тысячах траекторий агентной разработки ПО: написании и изменении кода, работе с инструментами и терминалом, разборе ошибок и многошаговых задачах. Она рассчитана на интеграцию в среды кодовых агентов; формат вызова инструментов гибкий, но лучше работает со scaffolding-паттернами, похожими на те, что представлены в обучающих данных. В репозитории указана поддержка архитектуры VLM Qwen3.5, однако карточка описывает прежде всего применение для программирования. В карточке приведены результаты на GPQA Diamond, AIME 2025 и Terminal-Bench 2.0; они не гарантируют аналогичное качество в других задачах. Небольшой объём оценки неанглоязычных задач ограничивает выводы о работе за пределами английского. Модель распространяется по лицензии Apache 2.0.

OmniCoder-9B — языковая модель Tesslate на 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B для задач программирования и работы в роли кодового агента. Модель использует гибридную архитектуру с Gated Delta Networks и стандартными слоями внимания, поддерживает контекст до 262 144 токенов и режим рассуждений. Модель обучена на более чем 425 тысячах траекторий агентной разработки ПО: написании и изменении кода, работе с инструментами и терминалом, разборе ошибок и многошаговых задачах. Она рассчитана на интеграцию в среды кодовых агентов; формат вызова инструментов гибкий, но лучше работает со scaffolding-паттернами, похожими на те, что представлены в обучающих данных. В репозитории указана поддержка архитектуры VLM Qwen3.5, однако карточка описывает прежде всего применение для программирования. В карточке приведены результаты на GPQA Diamond, AIME 2025 и Terminal-Bench 2.0; они не гарантируют аналогичное качество в других задачах. Небольшой объём оценки неанглоязычных задач ограничивает выводы о работе за пределами английского. Модель распространяется по лицензии Apache 2.0.

bartowski/openbuddy-qwen2.5coder-32b-v24.1q-200k-GGUF — это набор GGUF-квантизаций модели OpenBuddy/openbuddy-qwen2.5coder-32b-v24.1q-200k, подготовленный bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и кода, включая локальный запуск через llama.cpp и LM Studio. Доступен специальный формат промптов с ролями system, user и assistant. Модель содержит 32 млрд параметров, поддерживает контекст до 200 тысяч токенов и относится к семейству Qwen2.5-Coder. В README указана поддержка китайского, английского, французского, немецкого, японского, корейского, итальянского и финского языков. Это текстовая модель без заявленной поддержки изображений или других мультимодальных входов. Доступны варианты от F16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3; они позволяют выбирать баланс между качеством, размером файлов и требованиями к памяти. Наиболее качественными названы Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и варианты Q4_K. Сильные стороны модели — большой контекст, специализация исходной модели на коде, широкий выбор квантизаций и возможность локального запуска. Ограничения включают значительные требования к памяти для 32-миллиардной модели, а более сильная квантизация может снижать качество. Некоторые варианты оптимизированы для ARM и требуют определённых инструкций процессора; варианты Q4_0_8_8, Q4_0_4_8 и Q4_0_4_4 не рекомендуется использовать на Mac. Модель распространяется по лицензии Apache-2.0.

OpenCodeInterpreter-CL-13B — модель для генерации кода из семейства OpenCodeInterpreter, разработанная командой OpenCodeInterpreter. Она объединяет генерацию кода с выполнением и итеративным уточнением по обратной связи, чтобы помогать решать задачи программирования. Модель основана на CodeLlama-13b-Python-hf и использует плотную архитектуру Llama с 12,9 млрд параметров и контекстом до 16 384 токенов. Модель предназначена для написания и улучшения программного кода; в README также описано применение обратной связи от выполнения кода. Она обучена для английского языка и распространяется в формате PyTorch под лицензией Apache-2.0. В README приведены результаты серии OpenCodeInterpreter на HumanEval и MBPP, но численные результаты именно версии CL-13B в доступном фрагменте не указаны.