II.2Создание и понимание программного кода

Qwen3.8-4B-Empero-AI-FullStack-i1-GGUF — квантизированная GGUF-версия модели iBotIA/Qwen3.8-4B-Empero-AI-FullStack, подготовленная mradermacher. Модель относится к семейству Qwen3.5 и ориентирована на генерацию текста, рассуждения и задачи разработки программного обеспечения, включая TypeScript, React Router v8, NestJS и Flutter. В метаданных также указана поддержка английского языка и наличие vision-возможностей, однако подробности о реализованных визуальных сценариях не приведены. Модель имеет заявленный размер 4B параметров и поставляется в нескольких вариантах квантизации i1, включая Q2_K, Q3_K, IQ3, IQ4, Q4, Q5 и Q6. Размер файлов составляет примерно от 2,1 до 3,7 ГБ, что делает модель пригодной для локального запуска на системах с ограниченными ресурсами. В README отмечены компромиссы между скоростью, качеством и размером: Q4_K_S описан как сбалансированный вариант, Q4_K_M — как быстрый и рекомендуемый, а некоторые IQ-квантизации могут превосходить сопоставимые по размеру варианты. К ограничениям относятся неизбежная потеря качества при низкой точности квантизации, отсутствие приведённых результатов тестирования и неизвестные параметры контекстного окна, архитектуры и точный набор поддерживаемых языков. Для vision-сценариев могут потребоваться дополнительные mmproj-файлы из статического репозитория. В метаданных указана лицензия Apache-2.0; перед использованием следует учитывать условия лицензии исходной модели.

Myric/Qwen3.8-Flash-Next-APEX-GGUF — это GGUF-конверсия модели Qwen/Qwen3.8-Flash-Next, разработанной командой Qwen. Модель предназначена для генерации текста, мультимодального анализа изображений и агентного программирования с использованием llama.cpp. В комплект входят основной файл MIDDLE для инференса, BF16-файл как источник для квантования и отдельный vision projector для работы с изображениями. Архитектура представляет собой мультимодальную MoE-модель общим размером около 180 млрд параметров и примерно 6,8 млрд активных параметров. Она содержит 48 слоёв, 512 маршрутизируемых экспертов с выбором top-10, гибридную архитектуру gated-delta-net с полноценным attention в каждом четвёртом слое, разреженное QSA-внимание и n-gram embeddings на уровне слоёв. Заявленный контекст составляет до 262 144 токенов. Поддержка языков в README не указана. Сильные стороны модели — большой контекст, мультимодальные возможности, эффективная MoE-архитектура и хорошие результаты в описанном тесте агентного программирования: 9 из 9 задач и 154 из 154 тестов. Ограничения включают высокие требования к памяти: для MIDDLE требуется около 85,4 GiB под веса, а также дополнительная память под KV-кэш и вычислительные буферы. Для llama.cpp рекомендуется использовать f16 KV-кэш и один параллельный слот; q8_0 KV может приводить к сбоям или некорректным результатам. Параметр reasoning effort high не поддерживается, допустимы xhigh, medium и low. Для работы с изображениями требуется vision projector. Модель распространяется по лицензии Apache-2.0. Для запуска опубликованных файлов необходима актуальная версия llama.cpp с поддержкой qwen4exp; самостоятельная конвертация требует специальной ветки конвертера, поскольку соответствующее исправление ещё не включено upstream.

hreyulog/qwen3-arkts — текстовая модель эмбеддингов на архитектуре Qwen3, обученная в формате Sentence Transformers. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024, предназначенные для поиска и сравнения текстов по косинусному сходству. Модель принимает текст; README указывает максимальную длину последовательности 512 токенов, а метаданные — контекстное окно 32 768 токенов. Модель обучена на 49 864 парах текстов с использованием CachedMultipleNegativesRankingLoss. Примеры данных связывают описания функций с фрагментами кода, что указывает на применение для семантического поиска по коду и документации. В метаданных указано 507,6 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

MaziyarPanahi/Qwen3-Coder-Next-GGUF — это набор файлов модели в формате GGUF для Qwen3-Coder-Next, исходно разработанной командой Qwen. Квантованные версии подготовил MaziyarPanahi. Модель предназначена для генерации текста и, исходя из названия исходной модели, ориентирована на задачи, связанные с программированием, однако подробные сведения о специализации и результатах оценки в README не приведены. Главная характеристика этой версии — распространение в формате GGUF с вариантами квантования 2-, 3-, 4-, 5-, 6- и 8-бит. Формат поддерживается llama.cpp и рядом совместимых приложений и библиотек, включая llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие, что позволяет запускать модель локально с использованием CPU или GPU в зависимости от конкретного инструмента. Размер исходной модели, архитектура, поддерживаемые языки, модальности и размер контекста в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнять в материалах исходной модели Qwen3-Coder-Next и репозитории квантованной версии.

mergekit-community/qwenben — языковая модель на архитектуре Qwen2, созданная сообществом методом SLERP с помощью mergekit. В слиянии участвовали Qwen/Qwen2.5-Coder-1.5B-Instruct и deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель содержит 1,5 млрд параметров, работает через Transformers и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста в диалоговом формате и может быть полезна для задач программирования и рассуждений, унаследованных от объединённых моделей. Метаданные также отмечают интерфейс вызова инструментов. Карточка не приводит результатов сравнительных оценок качества, поэтому пригодность для конкретных задач следует проверять на собственных примерах. Репозиторий содержит веса safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

Qwenity 3.6 27B — мультимодальная языковая модель wrayy для помощи в разработке игр на Unity. Это дообученная методом LoRA модель Qwen/Qwen3.6-27B на синтезированном наборе инструкций по Unity, C# и игровому программированию; адаптер объединён с весами в формат bfloat16. Модель содержит около 27 млрд параметров и принимает текст и изображения, отвечая в диалоговом формате. Модель предназначена для написания и отладки C#-скриптов, работы с API Unity и редактором, а также решения задач по игровым объектам и компонентам, рендерингу, физике, анимации и интерфейсам. Сохраняет общие мультимодальные возможности базовой модели, но специализируется на Unity и разработке игр; основной язык в карточке — английский. Для загрузки README рекомендует Unsloth либо сборку Transformers с поддержкой архитектуры qwen3_5: указанная версия Transformers не распознавала её напрямую. Генерируемый код и упоминания API требуют проверки. Лицензия — Apache-2.0.

Qwopus3.5-27B-v3 — мультимодальная модель на 27 млрд параметров, разработанная Jackrong на базе unsloth/Qwen3.5-27B. Она дообучена с помощью SFT и LoRA с дистилляцией структурированного рассуждения и дополнительным обучением вызову инструментов; поддерживает диалоги и обработку изображений. Модель предназначена для задач программирования, математики, логических рассуждений и многошаговых сценариев с инструментами, включая агентные фреймворки вроде OpenClaw. Автор заявляет о более коротких и устойчивых цепочках рассуждений и высокой эффективности генерации токенов, однако приведённые оценки ограничены и не подтверждают качество во всех областях. Модель может галлюцинировать, зацикливаться или отклоняться в рассуждениях; автор обозначает её как тестовую версию для обучения, демонстраций и технического исследования. Лицензия — Apache-2.0.

Qwopus3.6-35B-A3B-v1-GGUF — экспериментальная мультимодальная модель, разработанная Jackrong на базе Qwen3.6-35B-A3B от Alibaba Cloud. Она дообучена методом SFT с применением LoRA для усиления рассуждений, структурированности ответов и согласованности поведения. Модель предназначена для генерации текста, глубокого рассуждения, программирования, агентских сценариев, диалогов, работы с изображениями и вызова инструментов. В основе лежит разреженная MoE-архитектура: 35 млрд параметров всего и около 3 млрд активных параметров на токен, с маршрутизацией через 256 экспертов. Архитектура сочетает линейное внимание Gated DeltaNet со стандартными слоями gated attention и поддерживает контекст до 262 тысяч токенов. Заявлена поддержка английского, китайского, испанского, русского и японского языков. Для работы с изображениями требуется отдельный файл mmproj.gguf. Сильными сторонами заявлены качество и надёжность рассуждений, высокая эффективность инференса и поддержка длинного контекста, мультимодальности и tool calling. Модель распространяется в формате GGUF и ориентирована на запуск через совместимые инструменты, включая llama.cpp. При этом она не прошла полную оценку производительности и безопасности, поэтому подходит прежде всего для исследований и экспериментов; заявленные результаты получены в независимом тестировании квантованной версии и могут зависеть от условий. Лицензия — Apache-2.0.

JC1DA/Qwopus3.8-27B-Flash-INT4-W4A16 — экспериментальная 4-битная версия модели Qwopus3.8-27B-Flash, разработанной Jackrong на основе Qwen/Qwen3.8-27B. Модель ориентирована на генерацию текста, диалоговые сценарии, рассуждения, написание кода, агентские рабочие процессы, использование инструментов и function calling. Заявлена поддержка английского, китайского, испанского, русского и японского языков. В карточке также указан мультимодальный pipeline image-text-to-text и сохранённый visual encoder, однако подробности о возможностях работы с изображениями не приведены. Квантование выполнено с помощью AutoRound 0.12.3 и GPTQ: 4 бита для весов, 16 бит для активаций, размер группы 128. Размер модели составляет около 19 ГБ вместо примерно 54 ГБ в FP16, что уменьшает объём памяти приблизительно на 65%. В FP16 сохранены проекционные матрицы linear attention во всех 64 слоях, модуль MTP и visual encoder. Модель совместима с Transformers и другими средами, поддерживающими GPTQ/AutoRound, а также предназначена для высокопроизводительного сервинга через vLLM. Сильные стороны модели — сниженное потребление памяти, пригодность для локального запуска, длительных агентских сценариев и speculative decoding. На ARC-Easy квантованная версия показала 84,13% точности против 83,71% у FP16-версии. Ограничения включают возможный компромисс между эффективностью и точностью: в указанном наборе MMLU-Pro модель получила 91,28% против 92,73% у базовой Qwen3.8. Возможны нестабильность рассуждений, циклы и неэффективные траектории; качество применения инструментов зависит от промпта, окружения и оркестрации. Релиз обозначен как экспериментальный и предназначен для исследований, локальной оценки и технических экспериментов. Лицензия — Apache-2.0.

BenevolenceMessiah выпустил объединённую модель QwQ-32B-Preview-abliterated-Self-instruct-2x-TIES-v1.0, созданную методом TIES с помощью mergekit. В качестве базовой модели использована huihui-ai/QwQ-32B-Preview-abliterated; также в объединение вошли Rombos-LLM-V2.5-Qwen-32b и Rombos-Coder-V2.5-Qwen-32b. Модель построена на архитектуре Qwen2ForCausalLM, содержит 32 млрд параметров и предназначена для генерации текста в диалоговом формате, включая сценарии с кодом. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не приводит результатов оценки качества, подробных сведений о языках или условий лицензии, поэтому эти характеристики нельзя уточнить. Поскольку это слияние нескольких моделей, поведение и качество могут отличаться от исходных моделей.

QWQCoder — объединённая языковая модель, созданная автором репозитория с помощью mergekit из Qwen/QwQ-32B-Preview и Qwen/Qwen2.5-Coder-32B-Instruct. Для слияния использован метод SLERP; модель построена на архитектуре Qwen2 с плотной причинной языковой моделью и содержит 16,4 млрд параметров. Модель предназначена для генерации текста в диалоговом формате, в том числе для задач программирования, которые поддерживает компонент Qwen2.5-Coder-Instruct. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Карточка не приводит результатов оценки качества или подробных рекомендаций по применению, поэтому способности и надёжность именно этого слияния в конкретных сценариях не подтверждены. Лицензия в предоставленных данных не указана.

Карточка модели jamiefutch/Qwythos-9B-Claude-Mythos-5-1M-MXFP4-GGUF на Hugging Face совпадает с карточкой FreedomAISVR/Qwythos-9B-Claude-Mythos-5-1M-MXFP4-GGUF, поэтому описание составлено по ней. Qwythos-9B-Claude-Mythos-5-1M-MXFP4-GGUF — это квантованная в формате GGUF MXFP4 версия модели empero-ai/Qwythos-9B-Claude-Mythos-5-1M, дообученной Empero AI на базе Qwen3.5-9B. Это мультимодальная модель с архитектурой Qwen3.5 и зрительным энкодером SigLIP ViT; основной файл использует 4-битный формат MXFP4, а для обработки изображений нужен отдельный файл mmproj в F16. Репозиторий распространяется под лицензией Apache-2.0. Модель предназначена для диалогов с рассуждениями, работы с изображениями, вызова инструментов и задач с длинным контекстом, включая анализ кода и документов. README заявляет контекст до 1 048 576 токенов, а также сильные стороны в математике, кибербезопасности и биомедицинских темах. Поддерживаются английский язык и интерфейс вызова инструментов в стиле OpenAI/Qwen3.5. Зрительная часть унаследована от базовой модели и не дообучалась; README также предупреждает, что модель может уверенно выдавать ошибочные идентификаторы CVE и дозировки лекарств. Для критически важных ответов нужны внешняя проверка и инструменты, а для пользовательских развёртываний README рекомендует добавить собственный слой безопасности. Ответы начинаются с блока рассуждений, поэтому требуется достаточный лимит генерации.

Rainbow-Pony-100M-Flutter-steps — модель генерации кода на основе трансформера TinyGPT с 100 млн параметров, разработанная bbidpa. Она предварительно обучена с нуля на 2 млрд токенов, преимущественно на коде Flutter/Dart и частично на английском тексте, а затем дообучена на примерах последовательных правок из набора bbidpa/flutter-diff-steps-v1. Модель принимает цель, текущий код и историю предыдущих действий, после чего предлагает небольшую правку в формате поиска и замены; цикл повторяется, пока модель не подаст сигнал завершения. Модель предназначена для пошагового создания и редактирования файлов Flutter/Dart. Разбиение задачи на небольшие изменения позволяет проверять каждый шаг и учитывать результат предыдущих правок. Это экспериментальная модель небольшого размера, созданная для сравнения итеративного редактирования с генерацией целого файла за один проход; README ссылается на сопутствующую исследовательскую работу. Доступна по лицензии MIT.

RavenXAILabsLLC-Qwen3.8-27B-Abliterated-Unified-Frontier-Model-IQ-Injected-MLX-MTP — открытая текстовая генеративная модель, разработанная RavenX AI Labs LLC на основе PocketAiHub/Qwen3.8-27B-Abliterated-MLX-4bit. По данным карточки, модель объединяет дистиллированные примеры и паттерны рассуждения из нескольких заявленных frontier-моделей и дополнительно обучалась на задачах программирования, агентного tool calling, анализа безопасности, финансов и трейдинга. Заявлены 1 159 426 обучающих примеров и сохранение планирования в весах без явных тегов рассуждений в ответах. Модель предназначена для генерации текста, программирования, структурированного анализа, агентских сценариев с вызовом инструментов и API, анализа уязвимостей и задач, связанных с безопасностью. Архитектура указана как Qwen3_5, размер — 27 млрд параметров, формат — MLX 4-bit; поддерживается библиотекой MLX и ориентирована прежде всего на запуск на Apple Silicon. В карточке также заявлена совместимость с ESI и MTP drafter для speculative decoding, а рекомендуемый объём памяти составляет около 15,5 ГБ. Указан английский язык; поддержка других языков и размер контекстного окна не уточняются. Сильными сторонами заявлены универсальность, навыки программирования и рассуждений, агентское взаимодействие с инструментами, а также оптимизация для локального запуска на устройствах Apple. Производитель сообщает о результате 93% на собственном наборе из 18 тестов, однако подробная методика и независимое подтверждение этого показателя в README не приведены. Ограничениями являются отсутствие подтверждённых сведений о контекстном окне, мультимодальности, качестве на разных языках и независимых бенчмарках; возможности в сфере пентестинга и безопасности требуют осторожного применения и проверки результатов. Лицензия указана как Apache-2.0.

Rebekah AI 1.8B — плотная авторегрессионная языковая модель семейства LLaMA, разработанная Next GenAi Mexico для локального запуска и работы на периферийных системах. Модель ориентирована на агентные сценарии, вызов инструментов, диагностику Linux-инфраструктуры и системное администрирование без обращения к облачным API. В карточке заявлены результаты тестов на генерацию кода, математические рассуждения и общие знания; эти показатели приведены авторами модели. Модель содержит около 1,9 млрд параметров, использует архитектуру decoder-only causal transformer и поддерживает контекст до 8192 токенов. README описывает обучение на англоязычных и испаноязычных технических данных, включая материалы по системам, программированию и математике. Модель принимает текст и генерирует текст, в том числе код и ответы для агентных рабочих процессов. Модель распространяется с открытыми весами по лицензии Apache 2.0, допускающей коммерческое использование, изменение и распространение. Карточка заявляет ориентацию на одиночный GPU и локальные развёртывания; качество ответов и выполнения инструментов может зависеть от конкретной задачи и настройки интеграции.

Redmond-Hermes-Coder 15B — языковая модель Nous Research, дообученная Teknium и Karan4D на базе WizardCoder, использующей StarCoder. Это плотная авторегрессионная модель GPTBigCode для генерации текста и кода; она была обучена на более чем 300 тысячах инструкций, преимущественно на синтетических ответах GPT-4. Модель принимает текстовые инструкции в формате Alpaca и генерирует текстовые ответы. В метаданных указан контекст 8192 токена и поддержка английского языка. Модель предназначена для генерации и объяснения кода, выполнения инструкций, а также творческого письма и других общих текстовых задач. README сообщает о HumanEval 39%: результат ниже WizardCoder, хотя авторы отмечают, что в разнообразных некодовых задачах модель выглядит лучше WizardCoder. Это предварительный эксперимент, поэтому её результаты на задачах программирования могут уступать профильным моделям. Лицензия — GPL.

Relace Apply 3 — специализированная языковая модель Relace для внесения предложенных ИИ изменений непосредственно в исходные файлы. Она предназначена для применения патчей и редактирования кода по результатам работы GPT-4o, Claude и других моделей. Доступная карточка описывает назначение, но не сообщает архитектуру, размер, контекст или лицензию. Модель подходит для автоматизации внесения изменений в кодовую базу по готовым предложениям. Сведений о поддерживаемых языках программирования и ограничениях качества в доступных данных нет.

Replete-Coder-Qwen2-1.5B-GGUF — квантованная GGUF-версия модели Replete-Coder-Qwen-1.5b, разработанной Replete-AI на базе Qwen/Qwen2-1.5B. Квантование выполнил bartowski с использованием llama.cpp и метода imatrix; доступны варианты с различными уровнями квантования, включая Q8_0, Q6_K и Q5_K_M. Модель предназначена для генерации текста и решения задач программирования: написания и объяснения кода, следования инструкциям, работы с математическими задачами, вызова функций и ответов в формате диалога. Обучение проводилось на наборах данных с примерами кода, инструкций, математических задач, диалогов, function calling и анализа уязвимостей. Поддерживается специальный шаблон prompt в формате ChatML. Точная длина контекста и перечень языков программирования в README не указаны. Ключевое преимущество модели — небольшой размер около 1,5 млрд параметров и возможность локального запуска через llama.cpp в разных вариантах квантования. Более высокие разрядности ориентированы на максимальное сохранение качества, а Q6_K и Q5_K_M отмечены как рекомендуемые. Ограничениями являются небольшой размер по сравнению с крупными кодовыми моделями, отсутствие опубликованных численных результатов тестирования и неполные сведения о поддерживаемых языках и контексте. Модель распространяется по лицензии Apache-2.0.

Ring-lite-distill-preview — языковая MoE-модель InclusionAI для диалогов и генерации текста, дообученная на инструкционных данных с упором на рассуждения. В README указано 16,8 млрд параметров, из которых активируются 2,75 млрд; архитектура в метаданных обозначена как Bailing MoE, а карточка модели указывает контекст 16 384 токена. Модель предназначена для решения математических и логических задач, следования инструкциям, программирования и вызова функций в диалоговых сценариях. Авторы сообщают о результатах на тестах AIME24, MATH-500, GPQA-diamond, LiveCodeBench, IFEval и BFCL_v2; эти показатели относятся к оценкам авторов и не гарантируют аналогичного качества в прикладных системах. Поддерживаемые языки — китайский и английский. Модель дообучена на базе inclusionAI/Ling-lite. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

ScikitLLM — языковая модель, созданная Probabl AI путём дообучения Mistral-OpenHermes 7B на справочных материалах и коде документации Scikit-Learn. Это плотная модель MistralForCausalLM с 7,1 млрд параметров, рассчитанная на генерацию текста и диалог; её базовый контекст составляет 32 768 токенов. Модель предназначена для ответов на вопросы о Scikit-Learn и помощи в работе с библиотекой. В сценарии RAG она принимает до трёх фрагментов документации и может приводить источники и цитаты в модифицированном wiki-синтаксисе, а также создавать примеры кода на основе цитируемых фрагментов. Обучение продолжало дообучение Mistral-OpenHermes 7B с пониженной скоростью обучения. Модель представлена в формате Safetensors. Сведения о лицензии в предоставленной карточке отсутствуют.

SelfCorrectionv1 — дообученная разработчиком Kxck диалоговая языковая модель на базе Qwen2.5-7B-Instruct. Она предназначена для генерации исправленных ответов в задачах по математике и программированию: модель получает неудачную попытку и обратную связь проверяющей системы, а затем формирует проверенный исправленный ответ. Модель построена на архитектуре Qwen2 и содержит 7,1 млрд параметров. Она принимает текст и поддерживает контекст до 32 768 токенов; веса BF16 сохранены в формате safetensors, модель можно загружать напрямую через vLLM. Лицензия в предоставленных данных не указана.

SentinelLM — плотная авторегрессионная языковая модель семейства Sentinel, представленная в репозитории dusersad12. Карточка описывает обновлённую версию, обученную с дополнительными вычислительными ресурсами и алгоритмической оптимизацией на этапе постобучения. Модель предназначена для генерации текста и диалогов, включая сложные задачи рассуждения, математику, программирование и логику; также заявлена поддержка вызова функций. В README сообщается об улучшении результата на AIME 2024 с 64% до 83,3% и о снижении галлюцинаций относительно предыдущей версии. Для вопросов AIME указано среднее рассуждение объёмом около 19 тысяч токенов. Модель доступна в формате PyTorch для Transformers и распространяется по лицензии Apache-2.0. Длина контекста и поддерживаемые естественные языки в предоставленных данных не обозначены.

Skywork o1 Open-Llama-3.1-8B — разговорная языковая модель команды Skywork компании Kunlun Inc., дообученная на базе Meta-Llama-3.1-8B-Instruct с данными для пошагового рассуждения. Это плотная причинно-следственная модель семейства Llama с 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. Модель предназначена для диалогов и решения задач, требующих рассуждений: математических и логических задач, планирования, самопроверки, вопросов на здравый смысл, а также задач программирования. Разработчики описывают трёхэтапное обучение, включающее обучение рефлексивным рассуждениям, обучение с подкреплением и планирование; заявленные улучшения основаны на результатах бенчмарков, приведённых в карточке модели. Модель распространяется в формате safetensors. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует проверять в лицензии репозитория. Разработчики предупреждают о возможных непредсказуемых рисках и просят не развёртывать модель в интернет-сервисах без соответствующей проверки безопасности.

Smaug-Llama-3-70B-Instruct-GGUF — квантизированная версия инструкционной языковой модели Smaug-Llama-3-70B-Instruct, разработанной Abacus AI. Квантизацию выполнил bartowski с использованием imatrix и поддержки Smaug в llama.cpp. Модель предназначена для генерации текста по инструкциям, решения математических задач и работы с кодом; в качестве исходных данных указаны aqua_rat, microsoft/orca-math-word-problems-200k и m-a-p/CodeFeedback-Filtered-Instruction. Формат GGUF позволяет запускать её через llama.cpp, начиная с версии b3001. Модель содержит 70 миллиардов параметров и относится к текстовым моделям; сведения о поддерживаемых языках и размере контекста в README не указаны. Доступны варианты квантизации от Q8_0 до IQ1_M с размером файлов примерно от 75 ГБ до менее 20 ГБ. Варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и некоторые IQ-квантизации отмечены как рекомендуемые: они предлагают компромисс между качеством и требованиями к памяти. Более сильная квантизация сохраняет качество, но требует значительных ресурсов, тогда как варианты Q2 и Q1 экономят память за счёт заметного снижения качества. Для корректной работы следует использовать указанный формат приглашений Llama 3 с системным сообщением, запросом пользователя и ответом assistant. README указывает лицензию llama2; дополнительные ограничения и условия коммерческого использования не описаны.

Huangsssz/SmolLM3-3B-MOPD-Top64-GT-NoThinking-500 — исследовательский чекпойнт языковой модели, созданный дообучением BytedTsinghua-SIA на 500 шагах оптимизатора методом дистилляции по пересечению Top-64 токенов. Используется архитектура SmolLM3ForCausalLM: плотная модель на 3,1 млрд параметров; экспорт выполнен в BF16 для Transformers. Контекст модели — до 65 536 токенов. Модель предназначена для генерации текста в сценариях решения математических задач, программирования и следования инструкциям. При обучении ответы оценивали соответствующие специализированные учителя; генерация и оценивание выполнялись с отключённым режимом рассуждений. В README приведены результаты отдельных бенчмарков, включая math500, LiveCodeBench и IFBench; это измерения по фиксированному протоколу, а для AIME указано небольшое число вопросов, поэтому небольшие различия в оценках не подтверждают устойчивое улучшение. Чекпойнт включает токенизатор и исходный шаблон чата. Для инференса без рассуждений README рекомендует явно передавать enable_thinking=False. Модель распространяется по лицензии Apache-2.0; карточка указывает, что экспорт сохраняет конфигурацию базовой модели, включая настройки RoPE и поведение стоп-токенов.

Buelfhood/SOCO-Java-CODEBERTA-MNRL-TRIPLETS-E1-B32-LR1e-05-Split0.1 — модель Sentence Transformers, дообученная на наборе SOCO_TRAIN_java на основе huggingface/CodeBERTa-small-v1. Она преобразует текст в плотные векторы размерностью 768 и предназначена для сравнения семантической близости, семантического поиска и других задач сопоставления текстов, особенно связанных с Java-кодом. Архитектура основана на RoBERTa и использует усреднение токенных представлений; сходство векторов можно оценивать косинусной мерой. Модель содержит 96,6 млн параметров, поддерживает последовательности до 514 токенов по метаданным (в README указан предел 512) и распространяется в формате safetensors. Также её можно применять для поиска парафраз, кластеризации и классификации текста. Данные не уточняют лицензию; модель рассчитана на текстовые входы и векторные представления на выходе.

Solidity-Code-LLM — модель ChainGPT для генерации и анализа смарт-контрактов на Solidity. Это дообученная версия Salesforce/codegen-2B-multi с архитектурой CodeGenForCausalLM и 2 млрд параметров; README описывает предварительное обучение на корпусе Solidity и последующее дообучение на инструкциях. Модель принимает текстовые запросы и генерирует текст с кодом, имеет контекст 2048 токенов и рассчитана прежде всего на Solidity для Ethereum-совместимых блокчейнов. Модель подходит для создания шаблонов контрактов, помощи при написании и отладке кода, обучения Solidity и подготовки документации. В README заявлены результаты сравнения, включая успешную компиляцию примерно 83% сгенерированных контрактов; эти показатели относятся к описанной авторами оценке. Модель может выдавать логически неверный или небезопасный код и не заменяет аудит или формальную проверку. Лицензия — MIT.

Soren-1-Small — диалоговый ассистент, созданный Andy из Syntropy-AI в рамках Project Syntropic. Это плотная decoder-only модель семейства Qwen3.5 с 1,7 млрд параметров, дообученная на Qwen/Qwen3.5-2B с помощью последовательного supervised fine-tuning и direct preference optimization. Модель предназначена для диалогов, следования инструкциям, рассуждений и помощи в программировании. Контекстное окно расширено до 1 048 576 токенов с помощью YaRN 4x после обучения. В шаблон чата встроен системный промпт с описанием личности и стиля ассистента. Разработчик заявляет, что модель старается избегать выдуманных фактов и API, а также писать цельный код; в карточке указано, что результат на GSM8K составил 60% и математическая доработка ещё планируется. Модель принимает текст и генерирует текст. Она выпущена под лицензией Apache-2.0. Заявления о качестве и снижении галлюцинаций исходят от разработчика; приведённый результат GSM8K указывает на ограничения в математических задачах.

Sparky-SQL-Llama-3.2-1B — дообученная Нишантом текстовая модель семейства Llama 3.2 для генерации SQL-запросов по запросам на естественном языке. Она основана на unsloth/Llama-3.2-1B, имеет 1,2 млрд параметров и контекст до 131 072 токенов. Модель рассчитана на англоязычные запросы и сценарии, где нужно преобразовать вопрос о данных в запрос SQL. Модель использует архитектуру LlamaForCausalLM и доступна в формате safetensors для Transformers. Обучение проводилось на данных SQL-запросов; в карточке указано, что пустые записи удалялись. Лицензия — Apache 2.0. README не приводит оценок качества или сведений о поддерживаемых диалектах SQL, поэтому корректность запросов для конкретной схемы базы данных следует проверять.

speechless-zephyr-code-functionary-7b — экспериментальная модель, разработанная uukuguy в рамках проекта Mixture-of-Multi-LoRAs. Она создана на основе Mistral-7B-v0.1 с объединением LoRA-модулей, извлечённых из HuggingFaceH4/zephyr-7b-beta, meetkai/functionary-small-v2.2 и uukuguy/speechless-code-mistral-7b-v1.0. Для автоматической сборки модулей используется router Mixture-of-Multi-LoRAs с безградиентным подбором коэффициентов, в том числе для ранее не встречавшихся задач. Модель предназначена для генерации текста, программирования, работы с функциями и плагинами, а также для универсальных задач, где требуется сочетание диалоговых, кодовых и инструментальных навыков. В README заявлена поддержка английского языка и использование через Transformers; также доступны варианты GGUF с 4-, 5- и 8-битным квантованием для CPU и GPU-инференса. Размер базовой модели — около 7 миллиардов параметров. Размер контекста и полный перечень поддерживаемых модальностей не указаны; по описанию модель относится к текстовым. К сильным сторонам относятся сочетание навыков генерации кода, вызова функций и общего диалога, а также возможность адаптивного комбинирования LoRA-модулей. В опубликованной оценке средний результат LM-Evaluation-Harness составляет 62,93; показатели включают 64,71 на MMLU, 43,82 на GSM8K и 83,88 на HellaSwag. Ограничения связаны с экспериментальным характером подхода, отсутствием подробных данных о контексте, поведении на других языках и практической надёжности вызова функций. Модель распространяется по лицензии Apache-2.0.