II.2Создание и понимание программного кода

Dolphin3.0-Llama3.1-8B-GGUF — это GGUF-квантизированная версия языковой модели Dolphin3.0-Llama3.1-8B, разработанной cognitivecomputations и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста на английском языке и запуска через совместимые средства, включая LM Studio и llama.cpp. Модель основана на архитектуре Llama 3.1 с размером 8 млрд параметров и относится к классу текстовых генеративных моделей. В обучении использовались наборы данных для программирования, математических задач, instruction following, function calling, агентных сценариев и диалогов. Доступны варианты от F32 и F16 до низкобитных форматов Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством генерации, размером файла и требованиями к памяти. Контекст, мультимодальность и поддержка других языков в README не указаны. Сильная сторона модели — широкий выбор квантизаций и возможность локального запуска на различном оборудовании; варианты Q6 и Q5 характеризуются как близкие к исходному качеству, а Q4 рекомендуются как сбалансированные по размеру и качеству. Более агрессивные квантизации экономят память, но снижают качество. Ограничениями являются преимущественно англоязычная заявленная поддержка и отсутствие в README подробных данных о производительности, максимальном контексте и системных требованиях. Указана лицензия llama3.1.

Dolphin-4B — языковая модель, выпущенная roskosmos19 и дообученная на базе XHToken/Spark-X2.5-4B-Base. Она предназначена для диалогов, генерации текста, программирования, рассуждений и агентных сценариев с вызовом инструментов. Модель использует плотную архитектуру Spark2_5ForCausalLM и формат safetensors; размер по метаданным — 3,8 млрд параметров, а заявленная длина контекста составляет 1 048 576 токенов. Для работы доступны шаблон чата с поддержкой нескольких ролей, режима рассуждений и вызова инструментов; модель рассчитана на использование через Transformers и совместимые стеки инференса. В карточке заявлены сильные стороны в следовании инструкциям, программировании и многошаговых задачах. Эти характеристики представлены как утверждения автора и не сопровождаются в карточке результатами оценки. Язык модели явно не обозначен. Лицензия — Apache-2.0.

JANGQ-AI выпустила NVFP4-квантизированную версию dots-studio/dots3-note-prev для видеокарт NVIDIA Blackwell, включая RTX 50 и DGX Spark. Модель семейства dots3-note использует архитектуру MoE: в README указаны 280 млрд общих и 16 млрд активных параметров, 256 маршрутизируемых экспертов и один общий эксперт. Метаданные Hugging Face указывают 15,4 млрд параметров; размер модели поэтому приводится по README, а значение из метаданных не совпадает с ним. Модель предназначена для диалогов, программирования, рассуждений и агентных сценариев с вызовом инструментов. Она принимает текст, изображения, видео и аудио; видео обрабатывается вместе с аудиодорожкой. Контекст по метаданным — до 524 288 токенов. Квантизация затрагивает экспертные слои, тогда как компоненты внимания, общие эксперты, мультимодальные энкодеры и ряд других слоёв оставлены в BF16. README сообщает о проверенном vLLM-рантайме для двух узлов DGX Spark с tensor parallelism 2. Модель распространяется с открытыми весами по лицензии Apache-2.0. Её применение рассчитано на совместимое оборудование NVIDIA Blackwell и требует ресурсоёмкой конфигурации: README указывает около 174 ГБ на диске и запуск на двух узлах DGX Spark. Характеристики и ограничения качества независимыми оценками в предоставленных материалах не подтверждены.

stojchet/dpo5k1 — дообученная модель на базе deepseek-ai/deepseek-coder-1.3b-base, созданная с использованием датасета generator. Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста; базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде. Модель опубликована в формате safetensors и поддерживает контекст до 16 384 токенов. В карточке не описаны специализация дообучения, оценка качества или конкретные ограничения. Лицензия указана как other, поэтому условия использования следует сверять с файлами репозитория.

dpo5k4 — дообученная модель на базе deepseek-ai/deepseek-coder-1.3b-base, опубликованная пользователем stojchet. Она содержит 1,3 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста — 16 384 токена. В карточке указано дообучение на датасете generator и задача text-generation. Модель предназначена для генерации и продолжения текста. Базовая модель ориентирована на автодополнение и заполнение пропусков в коде, однако карточка dpo5k4 не уточняет её целевые сценарии, качество или ограничения. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

ERNIE-4.5-21B-A3B-Thinking-GGUF — текстовая MoE-модель, разработанная Baidu и представленная в формате GGUF. Она предназначена для сложных задач рассуждения, включая логические задачи, математику, естественные науки, программирование, генерацию текста и академические тесты. Модель также поддерживает эффективное использование инструментов и вызовы функций. Модель содержит 21 млрд параметров, из которых для каждого токена активируется около 3 млрд. Архитектура включает 28 слоёв, 20 Q-голов и 4 KV-головы, 64 текстовых эксперта с активацией 6 экспертов, 64 vision-эксперта с активацией 6 экспертов и 2 общих эксперта. Указана длина контекста 131 072 токена. Основная модальность — текст; заявленные языки — английский и китайский. К сильным сторонам относятся улучшенные качество и глубина рассуждений, поддержка длинного контекста, инструментов и function calling, а также вычислительная эффективность MoE-архитектуры благодаря активации только части параметров на каждом токене. README рекомендует модель прежде всего для высокосложных задач, однако отмечает повышенную длину рассуждений, что может увеличивать задержку и расход ресурсов. Для запуска полной модели указана конфигурация с GPU объёмом 80 ГБ и FastDeploy 2.2; для работы через Transformers требуется версия 4.54.0 или новее. Модель распространяется по лицензии Apache 2.0.

Eve-2-MoE-IT-272M — модель на 272 млн параметров с архитектурой MoE и причинным языковым моделированием, созданная Энтони Майо (Public Outputs). Она дообучена для следования инструкциям и задумана как компактная основа для специализированных моделей семейства Eve Swarm, выполняющих узкие преобразования вроде генерации SQL, создания Git-коммитов и извлечения JSON. В карточке также описаны примеры специализированных моделей для вызова функций и обработки документов. Модель ориентирована на небольшое потребление ресурсов и развёртывание на CPU; формат весов в репозитории — PyTorch и SafeTensors. В README автор описывает обучение на NVIDIA H200 и рекомендует создавать узких специалистов на парах «вход — желаемый результат», поскольку модель быстро запоминает данные. Лицензия — MIT. Английский указан как язык карточки; размер контекстного окна не приведён в доступных сведениях.

Functionalizer 100M github-code-python-seed5 — генеративная модель на архитектуре GPT-2 с примерно 100 млн параметров, обученная средствами Functionalizer на датасете, указанном в названии: коде Python из GitHub. Модель предназначена для продолжения и генерации текста, прежде всего фрагментов Python-кода. В README указано, что обучение проводилось 50 000 эпох с seed 5. Для запуска требуется форк токенизатора, однако ссылка в доступном фрагменте карточки отсутствует. Модель опубликована в формате safetensors и рассчитана на контекст длиной 512 токенов. Лицензия в предоставленных данных не указана.

Ganesh Mini — текстовая модель для генерации кода, созданная как дообучение Qwen/Qwen3.5-2B. Она рассчитана на диалоги в режиме генерации без рассуждений и на написание кода на Go, Java, JavaScript, TypeScript, Python и Rust. Контекст составляет 8 192 токена. Репозиторий содержит объединённый BF16-чекпойнт Transformers, адаптер LoRA ранга 8 и экспорты GGUF в вариантах F16 и Q8_0. В локальной публичной диагностике на 952 задачах модель прошла на одну задачу меньше, чем исходная Qwen; результаты не подтверждают общего улучшения и не являются официальным рейтингом. Зрение не оценивалось. Модель может выдавать ошибочный, небезопасный или некомпилируемый код, а эквивалентность экспортов на полном наборе языков не проверена. Код следует запускать только в изолированной среде с ограниченными ресурсами и отключённой сетью. Лицензия — Apache-2.0.

chabab дообучил инструкционную текстовую модель Google gemma-3-270m-it для преобразования вопроса на естественном языке и описания схемы в один SQL-запрос для Oracle или PostgreSQL. Модель построена на плотной архитектуре Gemma 3, содержит 257 млн параметров и имеет контекстное окно 32 768 токенов. Она принимает текст с указанием диалекта, блоком Schema и блоком Question и генерирует SQL без пояснений и разметки Markdown. На отложенной выборке из 60 примеров точное совпадение с эталонным SQL составило 78,3%: 86,7% для Oracle и 53,3% для PostgreSQL. Модель обучалась на семи схемах; её качество на других схемах не проверено. Запросы не проверяются на реальной базе: возможны ошибки в выборе таблиц, интерпретации вопроса и диалектных конструкциях. Перед использованием SQL требуется проверка, особенно перед выполнением с правами записи. Модель распространяется по лицензии Apache-2.0.

Gemma4-12B-Reasoning-Distill — это производная от Google Gemma 4 12B Instruct, подготовленная пользователем yuxinlu1 и распространяемая в формате GGUF. Модель предназначена для локального и офлайн-использования через llama.cpp и совместимые приложения, включая LM Studio, Jan и Ollama. Она ориентирована на диалоги, генерацию текста, программирование и задачи, требующие рассуждений; дообучение выполнено на синтетических данных рассуждений, связанных с Claude Opus 4.6, 4.7 и 4.8. Модель использует архитектуру Gemma 4 и имеет размер 12B параметров. Доступны варианты квантования Q2_K, Q4_K_M, Q6_K, Q8_0 и F16 размером примерно от 4,5 до 22,2 ГБ. Максимальная длина контекста заявлена до 131K токенов и зависит от квантования, объёма памяти и типа KV-кэша. Поддерживается режим рассуждений через нативный thought channel Gemma; рекомендованные параметры генерации — temperature 1.0, top_p 0.95 и top_k 64. Дополнительно доступен MTP draft-модель для speculative decoding, способная ускорять генерацию без изменения результата при использовании свежей версии llama.cpp. Сильные стороны модели — небольшой объём по сравнению с полноразмерными моделями, возможность запуска на локальном оборудовании, приватность и отсутствие зависимости от облачного API. Ограничения включают англоязычную направленность, стилистический характер синтетических рассуждений, необходимость перепроверять факты и числа, а также сниженную безопасность: модель менее склонна к отказам и не считается safety-aligned, поэтому для production-сценариев нужны собственные защитные механизмы. Производительность и доступный контекст зависят от выбранного квантования и оборудования. В README указана лицензия Apache 2.0 для производной модели и базовой модели Google Gemma 4.

Gemma 4 31B JANG4M CRACK — это модифицированная версия Gemma 4 31B IT от dealignai. Модель представляет собой плотную 60-слойную мультимодальную архитектуру с чередованием скользящего и глобального внимания; она предназначена для диалога, рассуждений, генерации кода и обработки изображений. В README автор сообщает о сохранении визуальных возможностей и результатов MMLU на уровне 86,8% после модификации, а также о значительном снижении отказов на тестах HarmBench. Веса представлены в формате Safetensors с квантизацией JANG_4M: 8-битное внимание и 4-битные MLP. Для запуска автор рекомендует vMLX с поддержкой Gemma 4 на Mac с Apple Silicon и достаточным объёмом объединённой памяти; стандартные mlx_lm и mlx_vlm поддерживают модель не полностью. Лицензия — Gemma. README позиционирует выпуск как исследовательский и возлагает на пользователей ответственность за соблюдение применимых законов.

ZHENDANG/Gemma-4-31B-JANG_4M-CRACK — мультимодальная модель семейства Gemma 4 от dealignai, созданная на основе google/gemma-4-31b-it. Это доработанная методом abliteration версия плотной архитектуры Gemma 4 с 31 млрд параметров, гибридным скользящим и глобальным вниманием и сохранённым визуальным энкодером. Модель предназначена для диалогов, рассуждений, программирования и ответов на запросы по тексту и изображениям; поддерживает режим thinking. В README авторы сообщают о высокой доле ответов на вредоносные запросы в их тесте HarmBench и о прохождении проверок по кибербезопасности и пентестингу. Эти результаты отражают заявленные авторами тесты и не гарантируют качество в других сценариях. Для запуска рекомендован vMLX на компьютерах Apple Silicon с не менее чем 32 ГБ объединённой памяти; указано, что стандартные mlx_lm и mlx_vlm на момент подготовки карточки модель не поддерживают. Модель распространяется по лицензии Gemma; авторы указывают исследовательское назначение и ответственность пользователя за соблюдение законов.

Gemma-4-31B-JANG_4M-Uncensored — модифицированная dealignai модель Gemma 4 Dense на 31 млрд параметров, созданная на основе google/gemma-4-31b-it. По README, авторы применили abliteration для снижения отказов и смешанную точность: веса внимания и эмбеддинги хранятся в 8 битах, а большинство весов MLP — в 4 битах; заявленный размер — около 18 ГБ. Архитектура включает 60 слоёв и гибридное скользящее и глобальное внимание. В README также сказано, что vision encoder сохранён в float16, однако карточка позиционирует модель как генеративную чат-модель. Модель предназначена для диалогов, написания кода и ответов на общие вопросы; авторы отдельно демонстрируют выполнение запросов по кибербезопасности и другим темам, на которые обычные модели могут отказывать. Для запуска указаны vMLX или совместимый MLX движок с поддержкой Gemma 4; README рекомендует Apple Silicon с 24 ГБ или более объединённой памяти. Внутренние тесты авторов показывают высокую долю выполнения запросов из HarmBench, но это результаты самого разработчика, и они не гарантируют качество или поведение на других запросах. Лицензия указана как gemma; подробные условия следует сверить с лицензией Gemma.

Gemma-4-E2B-it-qat-MXFP4-CRACK — мультимодальная модель dealignai на базе Google Gemma 4 E2B Instruct. Она предназначена для диалогов, ответов на вопросы, многошаговых рассуждений и генерации кода, а также принимает изображения и аудио. В карточке заявлены сохранённые возможности работы с изображениями и аудио, поддержка нескольких языков и архитектура Gemma 4 с плотной сетью и гибридным скользящим и глобальным вниманием. Модель представлена в формате MXFP4 с 4-битной квантизацией и рассчитана на запуск через vMLX на компьютерах Apple Silicon с достаточной объединённой памятью. Автор сообщает о сохранении результатов MMLU почти на уровне базовой модели и об удалении отказов на HarmBench; эти оценки приведены в README и не являются независимой проверкой. Для запуска требуется vMLX с поддержкой Gemma 4; стандартные mlx_lm и mlx_vlm, согласно карточке, не обеспечивают полной поддержки. Модель опубликована под лицензией Gemma. Автор указывает исследовательское назначение и возлагает на пользователей ответственность за соблюдение применимых законов и правил.

Gemma 4 E4B it qat JANG_4M CRACK — дообученная и квантованная мультимодальная модель dealignai на базе google/gemma-4-e4b-it. Это плотная модель семейства Gemma 4 с гибридным скользящим и глобальным вниманием. Вариант JANG_4M использует 8-битную точность для attention и 4-битную для MLP; модель предназначена для запуска на Apple Silicon через vMLX. Модель поддерживает диалог, работу с изображениями и аудио, ответы на вопросы, многошаговые рассуждения и генерацию кода. Разработчик заявляет об удалении отказов при сохранении возможностей; в приведённых тестах модель показала 71,9% на MMLU и 100% выполнения запросов из вредоносных категорий HarmBench. Для запуска требуется vMLX с поддержкой Gemma 4 и достаточный объём объединённой памяти. Указана лицензия Gemma; карточка рекомендует использовать модель для исследований и возлагает соблюдение применимых законов на пользователя.

Gemma 4 E4B-it QAT MXFP4 CRACK — мультимодальная модель семейства Gemma 4 от dealignai, созданная на основе google/gemma-4-e4b-it. Это плотная модель с гибридным скользящим и глобальным вниманием, дообученная с удалением отказов и квантизированная до 4-битного формата MXFP4. Она принимает текстовые запросы, изображения и аудио, а также предназначена для диалога, ответов на вопросы, многошаговых рассуждений и генерации кода; в метаданных также заявлен интерфейс вызова инструментов. В README автор сообщает о сохранении визуальных и аудиовходов, проверке генерации кода и снижении результата MMLU на 3,9 процентного пункта относительно базовой модели. Удаление отказов означает, что модель может выполнять вредоносные запросы; заявленные результаты HarmBench приведены автором и не являются независимой оценкой. Для запуска требуется Apple Silicon с достаточной объединённой памятью и vMLX с поддержкой Gemma 4. Лицензия — Gemma; автор публикует модель для исследовательских целей.

Карточка модели Ishowbackup/Gemma-4-E4B-it-qat-MXFP4-CRACK на Hugging Face совпадает с карточкой dealignai/Gemma-4-E4B-it-qat-MXFP4-CRACK, поэтому описание составлено по ней. Gemma 4 E4B-it QAT MXFP4 CRACK — мультимодальная модель семейства Gemma 4 от dealignai, созданная на основе google/gemma-4-e4b-it. Это плотная модель с гибридным скользящим и глобальным вниманием, дообученная с удалением отказов и квантизированная до 4-битного формата MXFP4. Она принимает текстовые запросы, изображения и аудио, а также предназначена для диалога, ответов на вопросы, многошаговых рассуждений и генерации кода; в метаданных также заявлен интерфейс вызова инструментов. В README автор сообщает о сохранении визуальных и аудиовходов, проверке генерации кода и снижении результата MMLU на 3,9 процентного пункта относительно базовой модели. Удаление отказов означает, что модель может выполнять вредоносные запросы; заявленные результаты HarmBench приведены автором и не являются независимой оценкой. Для запуска требуется Apple Silicon с достаточной объединённой памятью и vMLX с поддержкой Gemma 4. Лицензия — Gemma; автор публикует модель для исследовательских целей.

GigaChat 3.5 Ultra Base — базовая языковая модель семейства GigaChat, опубликованная ai-sage. Это предварительно обученный чекпойнт для продолжения обучения и генерации текста; для диалогового использования с выполнением инструкций в README рекомендуется отдельная instruct-версия. Модель предназначена для многоязычных сценариев, рассуждений, программирования и агентных систем с использованием инструментов. По README, архитектура — MoE с 432 млрд параметров всего и 28 млрд активных параметров, гибридным вниманием MLA и GatedDeltaNet и двумя головами Multi-Token Prediction. Указаны поддержка контекста до 131 072 токенов и языки русский и английский. Метаданные указывают 25 млрд параметров, поэтому размер модели в источниках расходится. Репозиторий содержит веса Safetensors; лицензия — MIT. Большой контекст, MoE и гибридное внимание рассчитаны на эффективную генерацию при длинных запросах, а README сообщает о сильных результатах на тестах кода, математики и рассуждений. Для запуска такой крупной модели требуется кластерная инфраструктура. Это базовая, а не выровненная instruct-модель: её поведение в диалоге и следование инструкциям может быть ограничено.

Это плотная языковая модель семейства Qwen3 с 29,7 млрд параметров, разработанная на основе Qwen/Qwen3-32B и дообученная авторами репозитория на наборе open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Она предназначена для генерации текста в диалоговом формате; название обучающего набора указывает на специализацию на вопросах и ответах из Stack Exchange и Stack Overflow, включая задачи с песочницами и рассуждениями. Модель принимает текст и выдаёт текст. Метаданные указывают на поддержку контекста до 40 960 токенов и семейство Qwen3; репозиторий использует Transformers и формат safetensors. Карточка не содержит результатов оценки или подробного описания качества, поэтому специализация по названию датасета не подтверждает конкретный уровень точности. Лицензия указана как other, без уточнения условий в предоставленных данных. Модель унаследовала базовую архитектуру Qwen3-32B и не описана как мультимодальная.

Модель laion/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning_warmup-ratio_0-01_Qwen3-32B — дообученная версия Qwen3-32B, созданная на датасете open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Это плотная языковая модель с архитектурой Qwen3ForCausalLM, рассчитанная на диалоговую генерацию текста; размер составляет 29,7 млрд параметров, поддерживаемый контекст — до 40 960 токенов. По названию обучающего набора модель ориентирована на задачи вопросов и ответов по материалам Stack Exchange и Stack Overflow, включая технические темы и код, однако README не приводит результатов оценки или подробностей о конкретных сценариях применения. Модель принимает и генерирует текст. В метаданных указана лицензия «other» без уточнения её условий, поэтому перед использованием следует проверить лицензионные сведения репозитория.

noctrex/GLM-4.7-Flash-i1-MXFP4_MOE_XL-exp-GGUF — экспериментальная GGUF-квантизация GLM-4.7-Flash, подготовленная автором noctrex. В ней применяется смешанная точность MXFP4_MOE: для тензоров с высокой оценкой важности используются BF16, со средней — Q8_0, с низкой — MXFP4; оценки важности рассчитаны с помощью imatrix. Автор ориентирует вариант на задачи программирования. Модель предназначена для генерации текста в диалоговом формате, включая помощь с кодом. В качестве основы указана zai-org/GLM-4.7-Flash — диалоговая MoE-модель Z.ai для генерации текста, рассуждений и программирования с длинным контекстом. В карточке этого варианта не приведены отдельные значения размера модели и длины контекста. Формат файлов — GGUF. Квантизация экспериментальная; автор не сообщал о проведённых бенчмарках, поэтому её преимущество перед основной версией MXFP4_MOE не подтверждено. Сведения о лицензии в предоставленных данных отсутствуют.

GLM-5.3-Flash-REAP-250B-A18B — мультимодальная MoE-модель, разработанная OpenMOSE на базе GLM-5.3-Flash от zai-org. Она предназначена для многоязычного диалога, работы с кодом и задач, связанных с японским языком; заявленная мультимодальность включает обработку текста и изображений. В README указаны языки English, Chinese и Japanese. Модель использует архитектуру Glm5NextForConditionalGeneration с 42 MoE-слоями и 228 маршрутизируемыми экспертами в каждом слое вместо 288 у исходной модели. В ней 250,5 млрд параметров без MTP-слоя и 257,9 млрд с ним, при этом число активных параметров на токен сохранено на уровне 18 млрд: выбираются 8 из оставшихся экспертов и общий эксперт. Модель хранится в блочном формате FP8, занимает около 265 ГБ и совместима с исходным кодом инференса; vision tower, MTP-слой, токенизатор и chat template скопированы без изменений. Контекст в README явно не указан. Эксперты были удалены методом domain-aware REAP без дополнительного обучения. Такой подход сохраняет важные для чата и программирования эксперты лучше, чем калибровка по одному домену, одновременно уменьшая размер модели и требования к GPU при сохранении исходной вычислительной нагрузки на токен. Ограничение метода состоит в том, что удаление экспертов неизбежно сокращает ёмкость модели и может ухудшить способности в доменах, не представленных в калибровочных данных; README не приводит независимых количественных результатов оценки качества. Модель распространяется по лицензии MIT.

GOOD-4x1b — языковая модель для генерации текста и диалогов, созданная Shaurya25 с помощью набора VortexMerge. Это MoE-модель семейства Mixtral, объединяющая экспертов на основе OEvortex/HelpingAI-unvelite, OEvortex/lite-hermes, OEvortex/HelpingAI-Lite и OEvortex/HelpingAI-Lite-1.5T. В конфигурации указаны базовая модель OEvortex/HelpingAI-Lite, тип данных float16 и маршрутизация cheap_embed; README связывает экспертов с ролями общего ассистента, помощника по коду и ассистента с менее ограниченным поведением. Модель предназначена для диалогового общения, ответов на запросы и генерации кода. Метаданные указывают 1 млрд параметров и контекст 2048 токенов. Репозиторий содержит веса safetensors, модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений; короткий контекст ограничивает работу с длинными входными текстами.

Gorilla-7B-HF-Delta-v0 — авторегрессионная языковая модель на архитектуре Transformer и семействе LLaMA, разработанная Gorilla LLM при UC Berkeley. Модель содержит 6,6 млрд параметров и дообучена на APIBench для вызова API Hugging Face по запросам на естественном языке; версия рассчитана на работу без примеров в промпте и предназначена для генерации корректных по смыслу и синтаксису вызовов API. Модель принимает текстовые инструкции и выдаёт текст с вызовами API. В проекте заявлена работа с более чем 1600 API и снижение галлюцинаций при выборе и оформлении вызова. В метаданных указан английский язык; контекст составляет 2048 токенов. Модель распространяется по лицензии Apache-2.0.

GPT-OSS-Swallow-20B-RL-v0.1 — двуязычная языковая модель Токийского научного института (Tokyo Tech), созданная на основе GPT-OSS-20B с продолжением предобучения, дообучением на инструкциях и обучением с подкреплением по проверяемым наградам. Модель предназначена для диалога на японском и английском языках, а также для решения задач по математике, программированию и естественным наукам. Архитектура — GPT-OSS MoE; в метаданных указано 1,6 млрд параметров и контекстное окно до 131 072 токенов. Разработчики сообщают об улучшенной работе с японским языком и переводом между японским и английским, при сохранении или усилении возможностей в математике и программировании. Для воспроизводимого запуска рекомендуют vLLM и уровень reasoning effort medium. Хотя заявленное окно контекста составляет 131 072 токена, модель не обучали и не проверяли на задачах длиннее 32 тысяч токенов; для практического использования авторы рекомендуют контекст не более 32 768 токенов. Модель специально не обучалась вызову инструментов и не гарантирует стабильное управление режимом рассуждений или самоидентификацию. Карточка отмечает раннюю стадию разработки и отсутствие специальной настройки на безопасность и соответствие намерениям пользователя. Лицензия — Apache-2.0.

GRaPE 2.5 Helios — мультимодальная инструктивная модель компании SL-AI, дообученная на базе Qwen/Qwen3.5-9B. Она принимает текст и изображения, а также, согласно карточке, видео, и генерирует текст. Модель предназначена для диалога, анализа изображений, рассуждений, творческих задач, программирования с использованием инструментов и задач STEAM. В модели предусмотрены настраиваемые режимы глубины рассуждений и усилий при работе с инструментами; заявлена поддержка нескольких языков. Архитектура — плотная Qwen3.5 для генерации текста с визуальным входом; в метаданных указано 9 млрд параметров, а в README размер округлён до 10 млрд. Модель распространяется по лицензии Apache 2.0. Карточка заявляет, что обучение ориентировано на качество данных, более естественный стиль ответов и улучшение обобщения и агентного программирования. Эти заявления не сопровождаются результатами независимых сравнительных тестов. Для видеовхода и работы с инструментами требуется совместимая обвязка; конкретный формат входного видео README не описывает.

DeepSeek-Coder-6.7B Energy-SFT — модель генерации кода, созданная Саурабхом Сингхом Раджпутом и Шармой в рамках пакета Green Tea для воспроизведения исследования энергоэффективной генерации кода. Это дообученная версия DeepSeek-Coder-6.7B-Base с 6,6 млрд параметров на архитектуре Llama; она принимает текстовые запросы и выдаёт код. Объём контекста — до 16 384 токенов. Модель предназначена для генерации кода с учётом энергопотребления: её обучали методом контрастного supervised fine-tuning, чтобы предпочитать более энергоэффективные решения. В README сообщается результат 1,29% CARET на отложенном наборе из 143 задач. Модель загружается через Transformers; репозиторий содержит веса Safetensors. Лицензия указана как other, конкретные условия использования в предоставленных данных не раскрыты.

Hercules-3.0-Mistral-7B — языковая модель на архитектуре Mistral, дообученная Locutusque на базе Mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов; для работы с весами используется Transformers, файлы представлены в формате safetensors. Модель предназначена для диалогов и следования сложным инструкциям в научных и технических областях, включая биологию, химию, физику, математику, медицину и информатику. Она также рассчитана на вызов функций и помощь с кодом, в том числе в сценариях, где функции используются для исполнения кода. Обучение проводилось на Hercules-v3.0 и наборе разнообразных диалоговых, инструкционных, медицинских, математических и кодовых данных. Модель может выдавать токсичные ответы, ошибаться и галлюцинировать, особенно в специализированных темах; вызов функций также может быть использован небезопасно. В README рекомендуется предпочесть Hercules-2.5 до выхода Hercules-3.1 из-за ухудшения качества, связанного с одним из наборов обучения. Лицензия — Apache-2.0.

Hercules-6.1-Llama-3.1-8B — дообученная Locutusque языковая модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Она предназначена для диалогов и выполнения инструкций, включая многошаговые запросы и вызовы функций, и ориентирована на научные и технические темы: биологию, химию, физику, математику, медицину и информатику. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В метаданных указаны английский и китайский языки, формат весов Safetensors и библиотека Transformers. Модель подходит для специализированных чат-ботов, учебных помощников, программирования и прототипирования с вызовами функций. Карточка сообщает о результатах оценивания следования инструкциям и бенчмарков, но не приводит подробного описания методики дообучения. Лицензия — Llama 3.1. Среди ограничений указаны токсичные примеры в данных, риск фактических ошибок и возможность злоупотребления техническими ответами и вызовами функций.