II.2Создание и понимание программного кода

Hermes-3-Llama-3.1-8B-lorablated — диалоговая модель на архитектуре Llama 3.1, опубликованная mlabonne. Это версия NousResearch/Hermes-3-Llama-3.1-8B, изменённая методом abliteration: к ней применили LoRA-адаптер, полученный сравнением вариантов Llama 3.1, а затем объединили веса методом task arithmetic. Модель содержит 7,5 млрд параметров, принимает текст и предназначена для генерации ответов в диалоге; заявленный контекст — до 131 072 токенов. Вариант lorablated рассчитан на ответы на запросы, от которых исходная Hermes 3 могла отказаться, включая допустимые запросы, которые она ошибочно отклоняет. Как и базовая модель, она подходит для инструкций, рассуждений и генерации кода. README называет модель uncensored, поэтому её ответы могут включать контент, который базовая модель отфильтровала бы. Лицензия в предоставленных данных не указана.

Momix-44/Huihui-Qwen3-Coder-Next-Opus-4.6-Reasoning-Distilled-abliterated — языковая модель для генерации текста и программного кода. В README указано, что она создана на основе samuelcardillo/Qwen3-Coder-Next-Opus-4.6-Reasoning-Distilled и модифицирована с помощью abliteration — экспериментальной процедуры удаления отказов модели. Разработчик производной версии обозначен как huihui-ai, а в карточке идентификатор модели относится к Momix-44. Модель предназначена для использования в приложениях через библиотеку Hugging Face Transformers и поддерживает стандартный сценарий text-generation с диалоговым шаблоном. Она ориентирована на задачи рассуждения и генерации кода; заявлен английский язык. Архитектура, количество параметров, размер контекста и дополнительные модальности в README не указаны. Доступна квантизированная версия с калибровкой Bartowski-Data imatrix, а пример загрузки также показывает возможность 4-битной квантизации через BitsAndBytesConfig. К сильным сторонам относятся специализация исходной модели на коде и reasoning, а также возможность локального запуска с использованием Transformers и квантизации. Ограничения включают экспериментальный proof-of-concept характер abliteration и отсутствие подробных результатов оценки качества. Изменение поведения отказов может снизить встроенные защитные механизмы, поэтому модель следует применять с учетом требований безопасности. Лицензия — Apache-2.0.

aysinghal/ide-code-retrieval-qwen3-0.6b-cochange-mask-hard — модель SentenceTransformer на архитектуре Qwen3, дообученная на Qwen/Qwen3-Embedding-0.6B для поиска связанных исходных файлов по коду. Она преобразует файл-запрос и файлы-кандидаты в нормализованные векторы размерности 1024; близость между ними оценивается косинусным сходством. Модель содержит около 507,6 млн параметров, а заявленный нативный контекст составляет 32 768 токенов. В README указано ограничение длины последовательности 1024 токена; для длинных файлов описана обработка скользящими окнами при обучении, а в сценарии применения длинные файлы могут усекаться. Основной сценарий — по редактируемому разработчиком файлу находить файлы того же проекта, которые могут изменяться вместе с ним. Для поиска предлагается заранее вычислить эмбеддинги корпуса и сравнивать их с эмбеддингом запроса. Модель обучалась на датасете кода и совместных изменений файлов; заявлена англоязычная карточка, но поддержка конкретных языков программирования и качество на других стилях запросов не установлены. Это промежуточный чекпойнт после 10 эпох: README сообщает, что обучающая функция потерь продолжала снижаться, и предупреждает о возможном ограничении обобщения. Лицензия — Apache-2.0.

unsloth/inkling-GGUF — это GGUF-версия открытой мультимодальной модели Inkling, разработанной Thinking Machines и опубликованной в формате GGUF командой Unsloth. Модель предназначена для локального запуска, исследований, дообучения и интеграции в сторонние продукты. Inkling принимает текст, изображения и аудио, а генерирует текст. Она рассчитана на разработку AI-приложений, включая агентные и инструментальные системы, ассистентов программиста, чат-ботов, retrieval-augmented generation, следование инструкциям и универсальное мультимодальное общение. Поддерживаются английский язык, другие языки в многоязычном режиме, а также несколько языков программирования. Архитектура представляет собой авторегрессионный decoder-only Transformer из 66 слоёв с разреженной Mixture-of-Experts: всего 975B параметров, из которых активно 41B; для каждого токена выбираются 6 из 256 экспертов и используются 2 общих эксперта. Внимание сочетает локальные и глобальные слои. Изображения и видео обрабатываются иерархическим patch-энкодером, аудио — дискретными токенами, после чего модальности проецируются в общее скрытое пространство. Поддерживаются BF16 и NVFP4. Для оптимальной работы рекомендуются изображения размером от 40 до 4096 пикселей по каждой стороне и WAV-аудио с частотой 16 кГц длительностью менее 20 минут. Сильные стороны модели — сочетание текстовых, визуальных и аудиовходов, масштабная MoE-архитектура и пригодность для локального развертывания через совместимые инструменты. Ограничения включают исключительно текстовый вывод, очень большой общий размер и высокие требования к вычислительным ресурсам; точное окно контекста в README не указано. Модель распространяется по лицензии Apache 2.0; также указано наличие отдельной политики допустимого использования.

Instinct-Python-Coder-Gemma4-12B-Qwen3.8-27B — специализированная модель для генерации и решения задач на Python, разработанная как дообученная версия unsloth/gemma-4-12b-it. Она предназначена для программирования, рассуждений и диалогового взаимодействия, особенно в сценариях, где важны компактные рассуждения, скорость инференса и экономия ресурсов. Модель распространяется в формате GGUF и совместима с llama.cpp и приложениями, поддерживающими OpenAI-совместимый API. Модель представляет собой плотную модель с 12 млрд параметров, обученную на 5,67 млн токенов постобучения, обработанных дважды, с длиной последовательности 16 384 токена. Она использует канал рассуждений <think></think>, генерируя в среднем меньше рассуждений, чем Qwen3.8-27B, и ориентирована на английский язык. В поставляемом варианте Q8_0 размером около 13 ГБ для работы требуется примерно 16 ГБ памяти GPU или Mac; заявленный контекст при запуске через llama.cpp может быть настроен, например, на 8192 токенов. На закрытом наборе из 228 задач Python модель решила 110 задач (48,2%) при температуре 1,0, уступив 3- и 4-битным вариантам Qwen3.8-27B, но более чем вдвое превзойдя его 1-битную версию при сопоставимом объёме VRAM. Эти результаты получены в одном измерении без оценки погрешности и не подтверждают качество на других языках или задачах. Модель является производным вариантом Gemma и наследует ограничения базовой модели. Использование регулируется Google Gemma Terms of Use и Gemma Prohibited Use Policy.

INTELLECT-1-step-78000 — промежуточный чекпойнт языковой модели INTELLECT-1 от Prime Intellect и сообщества участников. Модель обучалась с нуля и относится к плотной архитектуре Llama; в метаданных указано 9,7 млрд параметров, а в README размер округлён до 10 млрд. Чекпойнт соответствует шагу 78 000 обучения. Модель предназначена для генерации текста на английском языке, включая работу с кодом и математическими текстами. Она обучалась на корпусах веб-текстов, кода и математики, а длина контекста составляет 8 192 токена. Репозиторий содержит веса в формате safetensors. Это промежуточный чекпойнт, поэтому его качество может уступать финальной версии INTELLECT-1 и instruct-модели; для диалогового следования инструкциям предпочтительнее instruct-вариант. Модель выпущена под лицензией Apache 2.0.

braindao разработала дообученную модель на базе ajibawa-2023/Code-Llama-3-8B для генерации кода и ответов на вопросы о Solidity — языке смарт-контрактов Ethereum. Она предназначена для помощи при разработке, оптимизации и отладке смарт-контрактов, а также для обучения Solidity. Модель относится к семейству Llama, имеет плотную авторегрессионную архитектуру и содержит 7,5 млрд параметров. Она принимает текстовые запросы и генерирует текстовые ответы; заявленная длина контекста — 8192 токена. В метаданных указан английский язык карточки и лицензия other. README не приводит сведений о качестве на тестах или о конкретных ограничениях, поэтому сгенерированный код и технические ответы следует проверять перед использованием.

Это GGUF-квантизации языковой модели Qwen3.5-4B-Neo, разработанной Jackrong и подготовленной quantized_by bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на генерацию текста и задач с рассуждениями, включая competitive programming; в метаданных также указаны LoRA, chain-of-thought и unsloth. Для запуска подходят llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые приложения. Модель имеет около 4 миллиардов параметров и распространяется в вариантах от BF16 до 3-битных и 4-битных квантизаций. Размер файлов составляет примерно от 2,33 до 8,42 ГБ; варианты различаются балансом между качеством и потреблением памяти. Для отдельных конфигураций заявлены высокое или близкое к исходному качество, а низкобитные варианты предназначены для систем с ограниченным объёмом RAM. В метаданных указаны языки English, Chinese и Korean; контекстное окно и точные архитектурные характеристики не приведены. README описывает текстовую модель, хотя pipeline_tag обозначен как image-text-to-text, поэтому возможности обработки изображений по представленным данным подтвердить нельзя. Модель может использоваться локально для генерации текста, решения задач программирования и экспериментов с reasoning-моделями. Ограничениями являются зависимость качества от выбранного уровня квантизации, отсутствие сведений о контекстном окне и подробных результатах оценки, а также возможная необходимость обновления программ для поддержки новой архитектуры. Указанная лицензия — Apache-2.0.

JiRack DeltaNet 180B — текстовая диалоговая модель CMSManhattan на основе Qwen3.8-Flash-Next. Она предназначена для генерации текста, работы с инструментами и агентных сценариев, включая маршрутизацию, программирование и использование в RAG-системах. Модель содержит около 180 млрд параметров общей ёмкости, из которых примерно 6 млрд активны на каждом токене; в карточке описана архитектура Mixture-of-Experts с Gated DeltaNet, разреженным вниманием Qwen и маршрутизацией между экспертами. Указаны форматы GGUF и Safetensors, а также варианты GGUF Q3_K_M и Q4_K_M. Сборка JiRack пока текстовая, хотя базовая Qwen3.8-Flash-Next поддерживает изображения и видео. README сообщает, что текущие веса численно совпадают с базовой моделью: QAT ещё не завершён, поэтому заявленные преимущества троичных весов пока не реализованы. Карточка описывает многоязычное применение, включая русский, английский, китайский, японский и другие языки. Лицензия указана как other; конкретные условия следует проверять в репозитории модели.

jk1 — дообученная модель на базе DeepSeek Coder 1.3B Base, опубликованная пользователем stojchet. Это плотная авторегрессионная языковая модель архитектуры Llama с 1,3 млрд параметров; метаданные указывают контекст до 16 384 токенов. Она предназначена для генерации текста, а базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде. Карточка сообщает о дообучении и приводит метрики оценки, но не описывает датасет, методику обучения или целевые сценарии jk1. Модель опубликована в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

KALYPSO v1.1L — открытая модель для генерации кода из семейства KALYPSO, разработанная GENOMA Labs. Она основана на Qwen2.5-Coder-14B-Instruct и дообучена с использованием LoRA на наборе Kraken-Public, содержащем 18 049 очищенных от пересечений с тестами записей, производных от кодинговых данных NVIDIA Nemotron. После обучения LoRA-адаптер объединён с полноразмерными весами в формате fp16. Модель предназначена для агентного программирования: многошаговых задач разработки, сценариев вызова инструментов, а также рабочих процессов с предварительным планированием и последующей реализацией. Основные языки — Python, C++ и SQL; заявлена поддержка английского языка. Это плотная модель на 14 млрд параметров с текстовой модальностью, стандартным шаблоном чата Qwen2.5 и контекстом до 32 000 токенов. Для развёртывания рекомендуется vLLM, также поддерживается Transformers. По данным EvalPlus, модель показывает результаты, близкие к базовой Qwen2.5-Coder-14B-Instruct: 87,8 на HumanEval, 82,9 на HumanEval+, 84,7 на MBPP и 70,4 на MBPP+. Её основное преимущество — ориентация на агентные сценарии и планирование, а не превосходство в однократном завершении кода. Ограничения включают отсутствие заметного выигрыша над базовой моделью в задачах чистого кодогенерирования и неизвестную эффективность за пределами заявленных сценариев. Модель распространяется по лицензии Apache-2.0; в описании также отмечено, что происхождение части обучающих данных может быть связано с условиями лицензий Qwen и DeepSeek.

Spicyneuron/Kimi-K2.7-Code-MLX-3.6bit — квантованная версия модели Kimi-K2.7-Code, разработанной MoonshotAI. Модель предназначена для генерации текста и, судя по названию базовой модели, прежде всего для задач, связанных с программированием. Она оптимизирована для локального запуска на Mac Studio с чипом M3 Ultra через MLX и MLX-LM, в том числе в формате сервера, совместимого с API chat completions. Это разреженная MoE-модель с 3-битным базовым квантованием и повышенной точностью для чувствительных компонентов, включая маршрутизацию MoE, механизмы внимания и выходные эмбеддинги. Используется смешанная точность с показателем 3,578 бит на вес. Для работы требуется примерно 428 ГБ базовой памяти и до 460 ГБ в пиковом режиме, поэтому модель рассчитана на мощные устройства с большим объёмом объединённой памяти. В README не указаны точный размер модели, длина контекста, поддерживаемые языки и мультимодальные возможности. К сильным сторонам относятся баланс скорости, потребления памяти и качества, а также возможность оставить память для небольшой вспомогательной модели. Заявленная скорость составляет около 219 токенов в секунду при обработке prompt размером 1024 токена и около 21 токена в секунду при генерации последовательности длиной 512 токенов. Ограничения связаны с высокими требованиями к памяти, потерями качества, неизбежными для агрессивного квантования, и узкой оптимизацией под экосистему Apple MLX. Квантование выполнено с использованием форка MLX-LM от spicyneuron. Лицензия в README не указана.

Kiwen1.2-27B — дообученная языковая модель с 27 миллиардами параметров, созданная разработчиком beyoru на основе Qwen3.8-27B. Модель обучалась на длинных рассуждениях из Kimi K3 с применением RLVR и ориентирована на улучшение качества рассуждений, следования инструкциям и надёжности выполнения задач. Модель предназначена для математических и логических задач, программирования, использования инструментов, агентских сценариев и других задач, требующих последовательного рассуждения. Она поддерживает режимы с включённым и отключённым анализом: режим рассуждений рекомендуется для сложных задач, а отключение — для извлечения данных, классификации и форматирования. В README указана возможность работы с контекстом до 262 144 токенов при использовании SGLang, однако сведения о языковом охвате и фактических мультимодальных возможностях не приведены. Заявленное преимущество модели — сочетание относительно компактного размера с акцентом на reasoning, coding, tool use и instruction following; во внутреннем тесте из 100 агентских задач она показала результат 81,2%. Эти показатели не подтверждены независимым публичным бенчмарком. Ограничением является отмеченное разработчиком снижение качества при использовании с dflash2; также в карточке нет подробных данных об архитектуре, датасетах и результатах на стандартных тестах. Модель распространяется по лицензии Apache-2.0 и основана на Qwen3.8-27B, также выпущенной под Apache-2.0.

kto5k4 — дообученная модель на базе deepseek-ai/deepseek-coder-1.3b-base с архитектурой LlamaForCausalLM. Она предназначена для генерации текста; базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде. Модель содержит 1,3 млрд параметров, принимает текст и поддерживает контекст до 16 384 токенов. Карточка не описывает обучающие данные, целевое поведение или результаты оценки kto5k4, поэтому её специализацию и качество сверх возможностей базовой модели определить нельзя. Репозиторий содержит веса в формате Safetensors. Указана лицензия other; конкретные условия использования по имеющимся данным установить нельзя.

FineEnvs выпустила полноразмерное дообучение LiquidAI/LFM2.5-2.6B для агентных задач анализа данных и работы с инструментами. Это плотная авторегрессионная модель семейства LFM2 с 2,6 млрд параметров, контекстом до 131 072 токенов и чатом. Модель обучена методом supervised fine-tuning на примерах для OpenCode, Claude Code, Codex и Mini-SWE-Agent; доступны полные веса, токенизатор и шаблон чата в формате safetensors. Модель предназначена для выполнения задач в агентных средах: анализа данных, работы с кодом и инструментами в рамках заданий этих harness-систем. На фиксированном наборе из 250 тестовых задач она показала 43,1% pass@1 в среднем по четырём harness-системам. Для воспроизведения результатов нужны соответствующие агентная среда и инструменты; обычный чатовый запрос не равнозначен оцениванию в harness. Карточка указывает лицензию `other`, поэтому условия использования следует сверить с лицензией репозитория.

Ling-lite-1.5-2507 — разговорная языковая модель серии Ling-lite, разработанная inclusionAI. Она предназначена для генерации ответов в диалоге, рассуждений, работы с профессиональными знаниями и задачами программирования. Карточка разработчика сообщает о 16,8 млрд параметров и 2,75 млрд активируемых параметров; метаданные каталога указывают архитектуру Bailing MoE и 794,8 млн параметров. Эти оценки размера расходятся, поэтому точное число параметров требует проверки. Модель использует Transformers, веса опубликованы в формате safetensors, контекст составляет 32 768 токенов. Модель стремится давать краткие ответы на простые запросы и развёрнуто разбирать сложные задачи; заявлены улучшения в логическом рассуждении, профессиональных знаниях, программировании и субъективных открытых вопросах. Подходит для диалоговых помощников, объяснений и решения задач. Опубликована по лицензии MIT. README не приводит перечень поддерживаемых языков или подробные результаты оценок, поэтому качество в конкретных сценариях следует проверять отдельно.

Bram Vanroy разработал Llama-2-13b-chat-dutch — чат-модель на архитектуре Llama 2 с 12,9 млрд параметров. Она основана на meta-llama/Llama-2-13b-hf: сначала модель дополнительно обучали на нидерландских данных, затем дообучили на наборах синтетических инструкций и диалогов. Контекст составляет 4096 токенов; модель принимает текст и генерирует текст.

Llama3.1-8B-Enigma-GGUF — это квантизированная версия языковой модели Llama3.1-8B-Enigma от ValiantLabs, подготовленная и опубликованная bartowski в формате GGUF для llama.cpp. Модель основана на архитектуре Llama и предназначена для генерации текста, диалогового взаимодействия, выполнения инструкций и задач, связанных с программированием, в частности с Python. Заявленный язык — английский. Доступны варианты с разной степенью квантизации: от полноразмерной F32-версии около 32,13 ГБ до компактных IQ2_M и Q2_K. Наиболее качественными и рекомендуемыми в README названы варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; более компактные варианты требуют меньше оперативной памяти, но заметнее снижают качество. Квантизация выполнена с использованием imatrix и llama.cpp release b3583, запуск рекомендуется через LM Studio. Сильными сторонами являются выбор размеров файлов, возможность локального запуска и сохранение высокого качества у старших вариантов квантизации. Ограничения включают зависимость качества от выбранного варианта, преимущественную ориентацию на английский язык и отсутствие в README данных о размере контекста, производительности, мультимодальности и результатах тестирования. Модель распространяется по лицензии llama3.1.

Tvisterious/Llama-3.1-8B-text-to-sql-10K-RussianDataset — дообученная Tvisterious языковая модель семейства Llama 3.1 для генерации текста. Название репозитория указывает на настройку для преобразования запросов на русском языке в SQL на наборе данных объёмом 10K; README подтверждает дообучение базовой модели, но не описывает формат входных данных или качество на этой задаче. Модель имеет архитектуру LlamaForCausalLM с плотной структурой и 7,5 млрд параметров. Метаданные указывают контекст до 131 072 токенов и формат safetensors. Она основана на unsloth/meta-llama-3.1-8b-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0.

farehaheha/llama3.2-3B-text-to-sql — дообученная модель Meta Llama 3.2 3B для преобразования вопросов на естественном языке в SQL-запросы с учётом контекста базы данных. Она основана на плотной архитектуре LlamaForCausalLM с 3,2 млрд параметров и предназначена для генерации запросов по текстовому описанию задачи и схемы данных. Модель обучена методом QLoRA на наборе Gretel AI Synthetic Text-to-SQL: использовались около 5 850 примеров из тестовой части набора, один проход обучения и адаптер LoRA ранга 16, объединённый с базовой моделью. Для локального запуска также указана версия GGUF Q4_K_M; метаданные репозитория указывают формат safetensors. Нативная длина контекста — 131 072 токена. Модель подходит для прототипов интерфейсов, которые переводят вопросы пользователей в запросы к базам данных, и для локального помощника по подготовке SQL. В карточке указан английский язык. Качество на независимых базах данных и обобщение на новые схемы не описаны; обучение на примерах из тестового раздела ограничивает интерпретацию результатов. Сведения о лицензии в предоставленных данных отсутствуют.

winglian/llama-3-8b-256k-PoSE — производная модель семейства Llama 3, опубликованная пользователем winglian на основе Meta Llama 3. Это плотная авторегрессионная трансформерная языковая модель примерно с 7,5 млрд параметров; репозиторий содержит веса Safetensors. В названии заявлено расширение контекста методом PoSE, а метаданные указывают нативную длину контекста 524 288 токенов. Модель принимает текст и генерирует текст, включая код. Она подходит для продолжения текста, генерации кода и других сценариев генерации на английском языке; базовая карточка Llama 3 также описывает диалоговые сценарии для инструктивно настроенных вариантов. Для этой конкретной модели README повторяет общую карточку Llama 3 и не подтверждает отдельные результаты или качество настройки PoSE. Использование регулируется пользовательской коммерческой лицензией Llama 3 и связанными правилами допустимого использования; базовая карточка ориентирует применение на английский язык.

QuantFactory/Llama-3-Hercules-5.0-8B-GGUF — квантованная версия языковой модели Llama-3-Hercules-5.0-8B, созданная с использованием llama.cpp. Базовая модель основана на Llama-3-8B и дообучена Locutusque на датасете Locutusque/hercules-v5.0. Модель предназначена для генерации текста и использует формат запросов OpenAI ChatML с поддержкой вызовов функций. Модель ориентирована на выполнение сложных многошаговых инструкций, диалоговое взаимодействие, работу с научной и технической тематикой, включая биологию, химию, физику, математику, медицину и компьютерные науки. Она может применяться для специализированных чат-ботов, образовательных ассистентов, генерации кода и сценариев, где требуется выполнение функций через вызовы инструментов. В README не указаны поддерживаемые языки и максимальная длина контекста. Ключевые ограничения включают риск галлюцинаций и фактических ошибок, особенно в специализированных областях, наличие токсичных или вредных примеров в обучающих данных, возможное воспроизведение предубеждений и риск злоупотребления функциональностью вызова функций. Условия распространения обозначены лицензией llama3.

llm-jp-4.1-33b-thinking — плотная трансформерная языковая модель семейства Llama, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Репозиторий содержит версию на 32,2 млрд параметров с 64 слоями, размером скрытого представления 5120 и контекстом до 65 536 токенов; модель распространяется в формате safetensors и предназначена для диалогового использования через Transformers. Модель прошла предварительное и промежуточное обучение на суммарно 11,7 трлн токенов, затем контролируемую донастройку и выравнивание методом DPO. Она ориентирована на генерацию ответов и рассуждений, включая задачи математики, науки, вопросов и ответов, программирования, следования инструкциям и перевода между японским и английским. Основные заявленные языки — японский и английский. Разработчик оценивает её на наборах задач общего знания, математики, кода, безопасности и вызова инструментов. Это исследовательская модель разработки, не предназначенная для непосредственного применения в производственных сервисах; ответы могут быть неточными, неподходящими или нежелательными и требуют проверки. Лицензия — Apache 2.0.

Marin 32B — базовая авторегрессионная языковая модель, разработанная командой Marin Project. Она предназначена для генерации продолжений текста и служит основой для разработки и адаптации языковых моделей. Модель обучена на корпусах общего текста, кода, математики, научных материалов и вопросов и ответов; в карточке приведены результаты оценки на общих языковых, математических и программных тестах. Модель имеет плотную архитектуру Qwen3 с 31,9 млрд параметров, QK-Norm attention, 64 слоями и контекстом 4096 токенов. Она работает с Transformers и принимает текст, выдавая текст. Основной язык — английский. По данным карточки, обучающие данные не выходят за июль 2024 года. Marin 32B — базовая модель без настройки безопасности; она может выдавать вредный или неточный текст и не предназначена для полностью автономного использования. Код и веса распространяются по лицензии Apache 2.0.

Mellum2-12B-A2.5B-Instruct-GGUF — GGUF-квантизированная версия инструкционной языковой модели Mellum2, разработанной JetBrains и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации текста по инструкциям, включая задачи программирования, рассуждений, ответов на вопросы и вызова функций. В README заявлена поддержка английского языка и текстовая модальность. Модель основана на Mellum2-12B-A2.5B-Instruct; из идентификатора следует обозначение 12B-A2.5B, однако подробности архитектуры и контекстного окна не указаны. Доступны варианты от BF16 до различных уровней квантования GGUF, что позволяет выбирать между качеством и требованиями к памяти. Для запуска указаны llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Приведены результаты на наборах для программирования, математики, следования инструкциям, вызова функций и оценки безопасности, но они не верифицированы. Лицензия модели — Apache 2.0. Ограничениями являются отсутствие в предоставленных данных подробной информации об архитектуре, размере контекста, полном наборе языков, системных требованиях и качестве работы на языках, кроме английского; перед использованием также может потребоваться обновление программного обеспечения для поддержки модели.

aryyanthakrr/mergekit-linear-hvabxqs — объединённая языковая модель, созданная методом линейного слияния mergekit на основе Qwen2.5-Coder-0.5B-Instruct с добавлением Qwen2.5-0.5B-Instruct. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и распространяется в формате safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для генерации текста и диалогов, а также может применяться для задач программирования благодаря включению кодовой модели. Метаданные указывают контекст до 32 768 токенов и интерфейс вызова инструментов. В README описано равное линейное слияние двух моделей в формате float16. Качество и поведение конкретного слияния отдельно не оценены в предоставленной карточке. Лицензия в доступных данных не указана.

Это диалоговая языковая модель Hjgugugjhuhjggg/mergekit-ties-esawwda, созданная объединением нескольких моделей семейства Llama 3.2 с помощью метода TIES и инструмента mergekit. В качестве базовой использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в объединение также вошли модели для чата, генерации кода, медицинских вопросов и ответов и генерации художественного текста. Модель предназначена для генерации текста и ответов в диалоге. Она содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — 131 072 токена. Метаданные указывают поддержку чата и интерфейс вызова инструментов. Языки модели в предоставленных данных не перечислены. Модель объединяет возможности нескольких специализированных чекпойнтов, но качество и устойчивость по отдельным задачам могут различаться. README не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

Это объединённая методом TIES через mergekit языковая модель семейства Llama 3.2, созданная из нескольких моделей на 3,2 млрд параметров. В качестве базовой при слиянии использовалась huihui-ai/Llama-3.2-3B-Instruct-abliterated; в объединение также вошли варианты для SQL, математики, программирования и диалогов без ограничений на отказы. Модель предназначена для генерации текста и диалоговых сценариев, включая помощь с SQL, математическими задачами и кодом. Она принимает текст и выдаёт текст; метаданные указывают контекст до 131 072 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Карточка не приводит результатов оценки качества или подробных инструкций по использованию. Условия лицензирования в предоставленных данных не указаны, поэтому их следует проверить в карточке модели и у исходных моделей до применения.

mini-coder-4b — плотная языковая модель для программирования и агентного решения задач в репозиториях. По README, она обучена на 400 тысячах траекторий с использованием mini-swe-agent и датасета SWE-smith с задачами из GitHub. Метаданные классифицируют её как дообучение Qwen/Qwen3-4B-Instruct-2507 и указывают архитектуру Qwen3ForCausalLM с 3,7 млрд параметров; README также описывает её как дистиллированную из Qwen 3 Coder 30B A3B, поэтому точный способ получения базовых весов по источникам не вполне согласован. Модель предназначена для генерации кода и траекторий, помогающих исправлять программные ошибки и решать задачи SWE-bench. Авторы приводят результаты SWE-bench Verified Bash, где модель показывает pass@1 26,8 и pass@100 60,2, и описывают запуск через vLLM в связке с mini-swe-agent. Заявленный контекст составляет 262 144 токена. Модель работает с текстовым вводом и выдаёт текст, включая код; поддержка русского языка не заявлена. Модель распространяется под лицензией MIT. Результаты бенчмарка ограничены указанным набором SWE-bench Verified Bash и сами по себе не гарантируют аналогичное качество на других задачах; README не приводит сведений о безопасности или надёжности сгенерированного кода.

Карточка модели liskasYR/MiniCPM5-2B-Base на Hugging Face совпадает с карточкой openbmb/MiniCPM5-2B-Base, поэтому описание составлено по ней. MiniCPM5-2B-Base — базовая плотная авторегрессионная языковая модель семейства MiniCPM5, разработанная OpenBMB. Она предназначена для локальных ассистентов, агентных сценариев, работы с инструментами и рассуждений на устройствах с ограниченными ресурсами. Модель содержит около 2,2 млрд параметров; в карточке указана архитектура LlamaForCausalLM с 42 слоями и поддержка длинного контекста. README указывает контекст 131 072 токена, тогда как метаданные каталога сообщают 524 288 токенов. Модель работает с текстом и ориентирована на английский и китайский языки. Среди заявленных сильных сторон — код, математика, понимание длинного контекста, использование инструментов и агентные задачи; это характеристики, заявленные разработчиком, а не независимая оценка. Для фактических результатов важны вычислительные ресурсы, среда запуска и проверка ответов: генерация может быть неточной, предвзятой или оскорбительной и уязвима к специально составленным запросам. Лицензия — Apache-2.0.