II.2Создание и понимание программного кода

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.

MiniCPM5-2B GGUF — языковая модель, разработанная командой OpenBMB и представленная как вторая модель серии MiniCPM5. Это плотная Transformer-модель примерно на 2 млрд параметров, преобразованная в формат GGUF с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска на устройствах с ограниченными ресурсами, включая on-device и edge-сценарии. Модель ориентирована на англоязычные и китайскоязычные задачи, включая программирование, математику, понимание длинного контекста, использование инструментов и агентские сценарии. В карточке также заявлена поддержка long-context и tool-calling, однако точный размер контекстного окна и дополнительные технические параметры не указаны. Это текстовая модель без заявленной поддержки изображений или других модальностей. К сильным сторонам относятся компактный размер, пригодность для локального развертывания и конкурентная производительность среди открытых моделей 2B-класса; по заявлению разработчиков, модель также сопоставима с некоторыми моделями класса 4B. Ограничениями являются меньшая ёмкость по сравнению с крупными моделями и отсутствие в карточке подробных количественных результатов, требований к ресурсам и гарантированных характеристик. Модель распространяется по лицензии Apache-2.0.

openbmb/MiniCPM5-2B-GGUF — компактная языковая модель MiniCPM5-2B от OpenBMB, представленная в формате GGUF для локального запуска. Это плотная Transformer-модель примерно на 2 млрд параметров, предназначенная для генерации текста и работы в условиях ограниченных вычислительных ресурсов, включая развёртывание на устройствах и edge-системах. Модель ориентирована на английский и китайский языки и поддерживает сценарии программирования, математического рассуждения, понимания длинного контекста, использования инструментов и агентских задач. Разработчики заявляют конкурентоспособность с моделями класса 4B и лучшие результаты среди сопоставимых открытых моделей класса 2B в ряде перечисленных направлений. Точная максимальная длина контекста, параметры квантования GGUF и сведения о мультимодальности в представленном README не указаны; по описанию это текстовая модель без заявленной поддержки изображений или аудио. К сильным сторонам относятся небольшой размер, пригодность для локального и on-device использования, а также заявленные возможности в коде, математике, работе с длинным контекстом и инструментами. Ограничениями являются меньшая ёмкость по сравнению с крупными языковыми моделями и отсутствие подробных количественных результатов и характеристик конкретной GGUF-сборки в предоставленных данных. Модель распространяется по лицензии Apache-2.0.

unsloth/MiniMax-M3-GGUF — это экспериментальная GGUF-версия мультимодальной модели MiniMax-M3, разработанной MiniMax и подготовленной в формате GGUF проектом Unsloth. Модель предназначена для работы с текстом, изображениями и видео, включая диалоговые сценарии, генерацию и анализ кода, агентские задачи и длительное взаимодействие с пользователем. Архитектура модели сочетает Mixture of Experts (MoE) и механизм разреженного внимания MiniMax Sparse Attention (MSA). Всего модель содержит около 428 млрд параметров, из которых на каждый токен активируется примерно 23 млрд; используется 128 экспертов, четыре из которых активны для каждого токена, и 60 слоёв. Заявлена длина контекста до 1 млн токенов. Поддерживаются режимы thinking для сложного рассуждения, агентских задач и долгого сотрудничества и non-thinking для сценариев, чувствительных к задержке, например чата и автодополнения кода. К сильным сторонам относятся нативная мультимодальность, заявленная эффективность на длинном контексте и высокие результаты в задачах программирования и агентского взаимодействия. Ограничения этой версии связаны с экспериментальным статусом: поддержка MiniMax-M3 в llama.cpp предварительная, а MiniMax Sparse Attention пока не поддерживается, поэтому используется плотное внимание. Модель очень велика и требует значительных ресурсов, включая распределение вычислений между несколькими GPU или размещение весов в оперативной памяти CPU. Для использования указана MiniMax Community License.

nwzjk/MiniMax-M3-NVFP4-Duplicated — копия мультимодальной модели MiniMax-M3, разработанной MiniMaxAI и квантизированной в формате NVFP4 с помощью NVIDIA Model Optimizer. Архитектура — мультимодальный Transformer Mixture-of-Experts с 428 млрд параметров и примерно 23 млрд активных параметров на токен. Модель принимает текст, изображения и видео, а выдаёт текст; заявленная длина контекста составляет 1 млн токенов, видео может длиться до 30 минут. Модель предназначена для диалогов, анализа изображений и видео, включая длинные ролики, программирования на длительных задачах и агентных сценариев с вызовом инструментов. Доступны режимы рассуждения для сложных задач и без рассуждений для сценариев, чувствительных к задержке. README сообщает о запуске через vLLM, но для NVFP4 требуется nightly-сборка; также указано, что развёртывание рассчитано на мощные NVIDIA GPU. Квантизация уменьшает требования к памяти, но приведённые в README тесты показывают небольшое снижение результатов относительно FP8. Модель может воспроизводить токсичность и смещения из обучающих данных, а также давать неточные, неполные или избыточные ответы. README указывает на некоммерческое использование; метаданные обозначают лицензию как other.

sasa2000/MobileLLM-R1.5-950M-heretic — текстовая авторегрессионная модель на архитектуре Llama 4 Text, основанная на facebook/MobileLLM-R1.5-950M и изменённая методом abliteration. Она предназначена для генерации ответов на математические, научные и программные задачи, включая рассуждения и написание кода на Python и C++; автор исходной MobileLLM-R1.5 — Meta, а этот вариант опубликован пользователем sasa2000. Модель содержит около 1,2 млрд параметров по метаданным каталога (в README для исходной версии указано 949 млн), принимает и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. Карточка сообщает о меньшем числе отказов в тесте, чем у исходной модели, после abliteration; это не делает её универсальным чат-ботом. Для работы нужны Transformers и совместимый tokenizer. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория; конкретные права и ограничения в предоставленных данных не раскрыты.

Morph-Caller — языковая модель семейства Llama, предназначенная для диалогов с вызовом функций по заданной схеме. Она преобразует запросы пользователя в структурированные данные, соответствующие JSON-схеме вызова функций, что позволяет подключать её к программным инструментам и рабочим процессам. Модель имеет 7,5 млрд параметров, плотную архитектуру и контекстное окно 8192 токена; принимает и генерирует текст. В карточке указана поддержка английского языка и чат-возможностей. Модель рассчитана на разработчиков, которым нужен программный разбор запросов и формирование вызовов функций в структурированном формате. Для использования требуется оформлять запросы по схеме из связанного проекта Hermes-Function-Calling. README заявляет отсутствие ограничений цензуры, поэтому выходы могут требовать проверки. Лицензия — MIT.

Muse-Glimmer-30B-EXP-EVE-v1 — экспериментальная объединённая модель автора win10 на базе Muse-Glimmer-30B. В README описано слияние моделей разных архитектур методом Tensor Gene Evolution с добавлением возможностей и поведенческих особенностей DeepSeek-V4-Flash-0731 и dots3-note-prev. По метаданным это плотная мультимодальная модель семейства Muse Glimmer на 30 млрд параметров, работающая через Transformers и принимающая изображения и текст для генерации текстовых ответов. Модель предназначена для диалогов, анализа изображений, программирования, агентных сценариев и вызова инструментов. Автор отмечает более широкое и глубокое рассуждение и разнообразие способов решения задач по сравнению с базовой моделью; это заявление из карточки, а не приведённый результат независимой оценки. Распространяется по лицензии Apache-2.0.

Mythos-9B Merged — это объединённая языковая модель на 9 млрд параметров, разработанная на основе King3Djbl/mythos-9b-merged и квантованная mradermacher в формате GGUF. Модель предназначена для генерации текста на английском языке, ролевых сценариев, задач программирования, работы с инструментами и function calling, а также агентских сценариев. В метаданных также заявлены поддержка shell-взаимодействия и запуск через llama.cpp, LM Studio и Ollama. В репозитории представлены варианты i1-квантования с imatrix в диапазоне примерно от 2,2 до 6,8 ГБ, включая IQ и Q-форматы. Это позволяет выбирать компромисс между размером, скоростью и качеством; в README вариант i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Для некоторых вариантов явно указано снижение качества, особенно у наиболее компактных квантов. Сведения о точной архитектуре, размере контекстного окна, мультимодальности и дополнительных языках отсутствуют; заявлен только английский язык. Модель распространяется по лицензии Apache-2.0.

Nanbeige4.1-3B-GGUF — квантованная версия языковой модели Nanbeige4.1-3B, разработанной командой Nanbeige на базе Nanbeige4-3B-Base. Модель дообучалась с применением supervised fine-tuning и reinforcement learning и предназначена для генерации текста, рассуждений, программирования, решения математических и научных задач, использования инструментов и агентных сценариев. Репозиторий GGUF подготовлен Mungert с использованием llama.cpp. Модель относится к компактному классу с примерно 3 млрд параметров, работает с текстом и заявлена для английского и китайского языков. Среди заявленных сильных сторон — многошаговое рассуждение, согласование предпочтений и способность поддерживать длительные агентные процессы с большим числом вызовов инструментов. В README также описан специальный подход к квантованию: отдельные важные слои переводятся в более высокую точность, что может повысить качество при сохранении относительно небольшого размера файлов, но увеличивает их объём. Конкретный контекстный размер и параметры отдельных вариантов квантования не указаны, а фактическое качество зависит от выбранного GGUF-файла и настроек запуска. Модель распространяется по лицензии Apache 2.0. Она подходит для локального запуска через совместимые инструменты экосистемы llama.cpp и для приложений, которым нужны рассуждения, генерация кода или агентное взаимодействие при ограниченных вычислительных ресурсах. Как компактная и квантованная модель, она может уступать более крупным или полноточным системам в отдельных задачах; приведённые результаты относятся к исходной Nanbeige4.1-3B и не обязательно полностью характеризуют каждый GGUF-вариант.

LingweiGu/nanocode-sft-r01-openswe-success — это промежуточный исследовательский чекпойнт модели для генерации текста, дообученной на траекториях успешных агентов программной инженерии. В README указана MiniCPM5 с архитектурой LlamaForCausalLM; метаданные каталога указывают семейство Llama, плотную архитектуру и 2,2 млрд параметров. Модель создана полным supervised fine-tuning от eigentom/nanocode_sft_60b, checkpoint-8900, на отфильтрованных примерах из nvidia/Open-SWE-Traces. По метаданным длина контекста составляет 131 072 токена. Модель предназначена для продолжения диалога агента-разработчика, включая рассуждения, текстовые ответы и вызовы инструментов в исходных форматах OpenHands, SWE-agent и mini-swe-agent. Обучающая выборка включала 68 476 траекторий по 18 372 задачам; результаты downstream-бенчмарков в карточке не приведены. Репозиторий содержит веса Safetensors и использует Transformers. Лицензия — Apache-2.0.

NektusAISaracatsuna — языковая модель SakitsunaAI, дообученная на базе deepseek-ai/deepseek-coder-1.3b-instruct. Она предназначена для генерации текста в диалоговом формате и может применяться для помощи с программным кодом, включая его генерацию и дополнение. Модель построена на плотной архитектуре семейства Llama, содержит 1,3 млрд параметров и поддерживает контекст до 16 384 токенов. В репозитории представлены веса Safetensors. Карточка сообщает, что обучение выполнялось с Unsloth; лицензия — Apache-2.0. Языком модели в метаданных указан английский. Подробности обучающих данных и оценок качества не приведены, поэтому пригодность модели для конкретных языков программирования и сложных задач следует проверять на собственных примерах.

sapidlabs подготовила разреженную MoE-версию языковой модели NVIDIA Nemotron-3-Nano-30B-A3B: методом REAP удалена половина маршрутизируемых экспертов, по 64 из 128 в каждом MoE-слое. Это сокращает объём модели примерно с 59 до 32 ГБ; число активируемых экспертов на токен осталось равным шести, поэтому основной выигрыш — в размере и потреблении памяти, а не в скорости генерации. Модель использует архитектуру Nemotron-H с классом NemotronHForCausalLM, поддерживает чат и имеет контекст до 262 144 токенов. Модель предназначена для генерации текста, диалогов, задач программирования и рассуждений. Прунинг выполнен без повторного обучения с калибровкой на 256 примерах из набора evol-codealpaca-v1, поэтому лучше всего подтверждены сценарии, близкие к коду и рассуждениям. Формальные бенчмарки не проводились; возможна потеря качества относительно исходной модели, особенно за пределами калибровочных данных. Для запуска доступны веса safetensors через Transformers; для ускоренного пути Mamba требуются mamba-ssm и causal-conv1d. Лицензия указана как other; дополнительных условий README не приводит.

NVIDIA Nemotron-H-56B-Base-8K — базовая большая языковая модель для продолжения заданного текста, предназначенная для разработчиков и исследователей, создающих и адаптирующих LLM. Она использует гибридную архитектуру Nemotron-H на основе Mamba-2 и MLP с десятью слоями Attention и содержит 56 млрд параметров. Модель принимает и генерирует текст, поддерживает контекст до 8 тысяч токенов и обучалась на английском, немецком, испанском, французском, итальянском, корейском, португальском, русском, японском и китайском языках; в обучающих данных также был код. Модель подходит для продолжения текста и последующей адаптации под генерацию кода, математические задачи, ответы на вопросы и другие сценарии. NVIDIA сообщает об оценках на наборах для здравого смысла, программирования и математики. Для запуска описана интеграция с NeMo и поддержка GPU NVIDIA H100-80GB и A100; карточка рекомендует инструменты NeMo для дообучения и выравнивания. Это базовая модель без обязательного формата промпта, поэтому готовое поведение чат-ассистента не гарантируется. Модель выпущена NVIDIA для исследований и разработок. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Известные ограничения включают возможность токсичных, предвзятых, неточных, нерелевантных или избыточных ответов, а также уязвимость к некоторым вариантам косвенной prompt injection.

GooseReason-4B-Instruct — плотная языковая модель NVIDIA на архитектуре Qwen3 с 3,7 млрд параметров, дообученная на основе Qwen/Qwen3-4B-Instruct-2507 методом обучения с подкреплением по проверяемым наградам (RLVR). Для обучения использован набор GooseReason-0.7M с задачами по математике, программированию и естественным наукам; модель предназначена для исследовательских и разработческих сценариев рассуждения и следования инструкциям. Модель принимает текст и генерирует текст. Она подходит для решения математических задач, написания и анализа кода, ответов на вопросы по STEM-дисциплинам, логических головоломок и выполнения инструкций. Заявленная длина контекста — до 262 144 токенов; в метаданных указан английский язык. README сообщает о сравнительных результатах на 15 тестах, охватывающих математику, программирование, STEM, следование инструкциям и логические задачи. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Авторы позиционируют её для исследований и разработки; опубликованные результаты бенчмарков сами по себе не гарантируют качество на произвольных запросах.

NeoHorse-1-4B-onw — модель генерации текста, подготовленная ryugyosoft для запуска через движок onw на Intel NPU. Веса получены из дообученной TokenRhythm/NeoHorse-1-4B, основанной на Qwen3.5-4B; сама модель NeoHorse дообучалась для агентных сценариев, вызова инструментов, программирования и следования инструкциям. Это плотная текстовая архитектура Qwen3.5 с 32 слоями: 24 слоя Gated DeltaNet и 8 слоёв gated attention. Контекст — до 262 144 токенов; поддерживаются японский и английский языки. Репозиторий содержит преобразованные веса для onw, а не сам движок. Для работы нужны совместимый компьютер с Intel Core Ultra NPU и установленный onw; README описывает поддержку Windows 11 и Ubuntu 22.04 или новее. Используются INT4 веса основных сегментов и эмбеддингов, а выходной слой представлен в INT8. Модель поддерживает чат и интерфейс вызова инструментов через OpenAI-совместимый API. Лицензия — Apache 2.0. Заявленные в README результаты скорости и качества относятся к указанным тестовым конфигурациям и могут отличаться на другом оборудовании.

NeoHorse-1-9B-GGUF — текстовая причинно-следственная языковая модель примерно на 9 млрд параметров, разработанная TokenRhythm и дообученная на базе Qwen3.5-9B. Модель позиционируется как прототип в направлении рекурсивного самоулучшения и ориентирована на агентные сценарии, использование инструментов, программирование, рассуждения и следование инструкциям. Репозиторий содержит веса в формате GGUF для локального запуска с llama.cpp, Ollama и LM Studio. Доступны варианты BF16, а также 8-, 5- и 4-битные квантизации, позволяющие уменьшить требования к дисковому пространству и оперативной памяти. Модель работает только с текстом; сведения о поддерживаемых языках и размере контекстного окна в предоставленных данных не указаны. Сильными сторонами заявлены улучшения по сравнению с базовой Qwen3.5-9B на наборе из десяти бенчмарков, а также специализация на агентных рабочих процессах и tool use. При этом NeoHorse описана как первоначальный прототип, поэтому заявленные возможности рекурсивного самоулучшения относятся к исследовательскому framework и не означают полностью автономное самообучение модели. Модель распространяется по лицензии Apache-2.0.

NerdySamantha — экспериментальная объединённая модель на архитектуре Mistral, созданная для помощи с программированием и диалогового общения. Автор описывает её как coding assistant с дружелюбной, живой манерой общения; характер можно задавать контекстной карточкой. Модель с 7,1 млрд параметров получена линейным слиянием cognitivecomputations/samantha-1.2-mistral-7b и Nondzu/Mistral-7B-Instruct-v0.2-code-ft. Она поддерживает генерацию текста и чаты, а заявленная длина контекста составляет 32 768 токенов. Подходит для вопросов по коду, помощи в разработке и обычных бесед. Результаты таблицы оценивания в README приведены лишь частично, поэтому по ним нельзя надёжно судить о качестве модели. Лицензия в предоставленных данных не указана.

NexusRaven-13B — дообученная Nexusflow языковая модель для вызова функций и инструментов. Она принимает описания Python-функций с сигнатурами и docstring, а затем генерирует вызов подходящей функции. Модель основана на CodeLlama-13b-Instruct, использует плотную архитектуру Llama с 12,9 млрд параметров и контекстом до 16 384 токенов. Модель предназначена для интеграции LLM с API и другими инструментами, в том числе для выбора функций по описанию и работы с незнакомыми инструментами в режиме zero-shot. В README отмечены результаты на сценариях с инструментами кибербезопасности и возможность коммерческого применения. Лицензия репозитория — Llama 2 Community License. Качество вызовов может быть нестабильным: модель способна генерировать неверные вызовы, поэтому их необходимо проверять перед исполнением. При большом числе доступных функций контекст может переполняться; авторы рекомендуют подключать retriever и использовать начальный вызов без последующего блока Reflection.

Noema 1.5 2B GGUF — локальная языковая модель с открытыми весами, разработанная NoemaAI-labs и распространяемая в формате GGUF для запуска через llama.cpp. Это вариант модели Noema 1.5 2B, ориентированный на восстановление знаний, генерацию кода, строгое следование инструкциям, многоходовые диалоги и более эффективное рассуждение. Модель имеет около 2 млрд параметров, 24 слоя и размерность скрытого состояния 2048. В основе используется гибридная архитектура Qwen3.5 с Gated DeltaNet и gated attention. Поддерживается только текстовая модальность; основной оценённый язык — английский. Архитектурный лимит контекста составляет 262 144 токена, однако разработчик независимо проверил работу только до 24 576 токенов. MTP отключён. Доступны варианты BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M; последний рекомендован как компактный вариант по умолчанию. Сильными сторонами модели являются небольшой размер, возможность локального запуска, улучшенная генерация кода, строгое выполнение инструкций и повышенная надёжность многоходового взаимодействия. В режиме без рассуждений она подходит для кратких инструкций, структурированной генерации и кода, а режим рассуждений предназначен для более сложных задач, но может выдавать длинные или повторяющиеся ответы. README не содержит полной информации об обучении, бенчмарках, ограничениях применения и целевых сценариях исходной модели. Веса доступны для скачивания, но репозиторий не предоставляет открытой лицензии и не является open source.

nrkto1 — дообученная модель на 1,3 млрд параметров, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и предназначена для генерации текста; базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде. Для модели указан контекст длиной 16 384 токена. В карточке приведены метрики оценки на тестовом наборе, включая loss 0,3009, но назначение дообучения и состав данных не описаны. Модель распространяется в формате Safetensors; лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория.

stojchet/nrkto2 — дообученная модель stojchet на базе DeepSeek Coder 1.3B Base. Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста; базовая модель ориентирована на продолжение и автодополнение кода, а также заполнение пропусков в коде. Для обучения применялся KTO, однако в карточке датасет обозначен как None, поэтому целевое распределение и качество для конкретных сценариев оценить нельзя. Доступны веса в формате Safetensors и контекст до 16 384 токенов. Лицензия указана как other; конкретные условия использования в карточке не описаны.

NVIDIA-Nemotron-3-Nano-4B-BF16 — компактная языковая модель NVIDIA для генерации текста, диалога и агентных сценариев. Она принимает текст и выдаёт текст, поддерживает управляемый режим рассуждений и интерфейс вызова инструментов. Модель использует гибридную архитектуру Nemotron-H с Mamba-2, MLP и четырьмя слоями Attention; в README указано 3,97 млрд параметров, а метаданные каталога указывают 6,4 млрд. Максимальная длина контекста — 262 144 токена. Модель предназначена для локальных голосовых помощников, игровых NPC-компаньонов и автоматизации IoT на ускорителях NVIDIA, а также для задач программирования, математики и следования инструкциям. README указывает английский как поддерживаемый язык и описывает обучение с нуля с последующим сжатием родительской модели NVIDIA-Nemotron-Nano-9B-v2 средствами Nemotron Elastic; метаданные также классифицируют её как дообучение этой модели. Коммерческое использование разрешено, лицензия обозначена как other. Качество зависит от режима рассуждений: включённые рассуждения обычно помогают на сложных задачах, а режим без них может немного снизить точность. Модель оптимизирована для систем с GPU NVIDIA; перед внедрением требуется проверка на данных и сценариях конкретного приложения.

NVIDIA-Nemotron-3-Nano-4B-FP8 — компактная языковая модель (SLM), разработанная NVIDIA Corporation и обученная с нуля. Это FP8-квантизированная версия NVIDIA-Nemotron-3-Nano-4B-BF16, сжатая из NVIDIA-Nemotron-Nano-9B-v2 с использованием фреймворка Nemotron Elastic. Модель предназначена для унифицированной работы в задачах с рассуждениями и без них: она может формировать рассуждение перед итоговым ответом, причём режим рассуждений управляется системным промптом. Отключение рассуждений сокращает задержку и скрывает промежуточный вывод, но может немного снизить точность на сложных запросах. Архитектура гибридная и в основном состоит из слоёв Mamba-2 и MLP, дополненных четырьмя attention-слоями. Размер модели — 4B параметров; доступна FP8-квантизация. Поддерживается английский язык и языки программирования. Модель ориентирована на агентные сценарии на периферийных устройствах, включая Jetson Thor, GeForce RTX и DGX Spark: игровых NPC, локальных голосовых ассистентов для устройств, приложений и игр, а также автоматизацию IoT. Она также подходит для следования инструкциям, генерации текста и кода, математических и научных задач, использования инструментов и структурированных ответов. Заявлено окно контекста до 128K токенов по результатам оценки RULER. К сильным сторонам относятся сочетание режимов рассуждения и обычной генерации, высокая эффективность для компактной модели, пригодность для edge-развёртывания и коммерческого использования. Ограничения включают поддержку только английского языка, возможное снижение качества при отключённых рассуждениях и неравномерные результаты в отдельных агентных и прикладных бенчмарках. Использование регулируется NVIDIA Nemotron Open Model License.

Nxcode-CQ-7B-orpo-IMat-GGUF — это набор квантизованных GGUF-вариантов модели NTQAI/Nxcode-CQ-7B-orpo, подготовленный legraphista с использованием llama.cpp версии b3067. Модель предназначена для генерации текста и, судя по тегу code и названию исходной модели, ориентирована прежде всего на задачи, связанные с программным кодом. README не содержит точных сведений о поддерживаемых языках, контекстном окне и перечне специализированных сценариев. Исходная модель имеет размер 7B параметров и исходный формат BF16. Доступны варианты от BF16 и F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K, IQ4 и IQ3; размеры файлов составляют примерно от 3,05 до 14,50 ГБ. Для ряда низкобитных вариантов применена IMatrix-квантизация с использованием указанного калибровочного набора, что позволяет выбирать между качеством и требованиями к памяти. Файлы представлены в формате GGUF и предназначены для запуска в совместимой инфраструктуре, включая llama.cpp. Главные преимущества — широкий выбор уровней квантизации, возможность локального запуска и снижение требований к памяти по сравнению с полноразмерными вариантами. Ограничения связаны с тем, что квантизация может влиять на качество генерации, а README не приводит результатов оценки, сведений о мультимодальности или точных характеристик архитектуры. Для модели указана лицензия tongyi-qianwen-research; в качестве ссылки на условия лицензии приведён документ CodeQwen1.5-7B.

OG-SQL-7B — языковая модель OneGate на архитектуре Llama, дообученная на базе CodeLlama 7B для преобразования запросов на естественном языке в SQL-запросы. Она предназначена для помощи в работе с базами данных пользователям, которым нужно формулировать запросы без ручного написания SQL. Модель содержит 6,6 млрд параметров и поддерживает контекст до 16 384 токенов. В карточке указан английский язык; SQL выступает целевым языком генерации. Модель распространяется в формате safetensors по лицензии CC BY 4.0. README не описывает точность на конкретных наборах данных или совместимость с определёнными диалектами SQL.

Olmo-3-1025-7B — базовая авторегрессионная языковая модель семейства OLMo 3, разработанная Allen Institute for AI (Ai2). Она предназначена для генерации текста и служит основой для дальнейшей настройки под диалоговые и специализированные задачи. Модель имеет плотную Transformer-архитектуру для причинного языкового моделирования, около 6,9 млрд параметров и контекстное окно 65 536 токенов. Она обучена преимущественно на английском языке на данных Dolma 3; обучение включало текст, код, математику, вопросы и ответы, инструкции и PDF-документы. Репозиторий содержит веса в формате safetensors и поддерживается библиотекой Transformers версии 4.57.0 и выше. Длинный контекст и широкая обучающая выборка подходят для генерации продолжений, черновиков и кода, а также для адаптации модели к прикладным сценариям. Это базовая модель, поэтому её ответы не обязательно следуют инструкциям как у чат-модели; возможны фактические ошибки, предвзятые или вредоносные ответы без дополнительной настройки и фильтрации. Лицензия модели и кода — Apache 2.0.

Olmo Hybrid 7B — открытая авторегрессионная языковая модель семейства OLMo, разработанная Allen Institute for AI (Ai2). Модель содержит около 6,3 млрд параметров и использует гибридную архитектуру: 75% слоёв основаны на gated DeltaNet, остальные — на многоголовом внимании. Она рассчитана на генерацию текста и поддерживает контекст до 65 536 токенов. Модель предназначена для продолжения текста, ответов на вопросы, рассуждений и генерации кода. По заявлению разработчиков, она эффективнее использует данные при предобучении, показывает улучшения на длинном контексте и снижает затраты памяти и повышает пропускную способность при инференсе на длинных последовательностях. Основной язык — английский. Модель предобучена на Dolma 3 и относится к базовым моделям OLMo Hybrid; карточка также описывает отдельные версии Think и Instruct, но этот репозиторий обозначен как Olmo Hybrid 7B. Веса доступны в формате safetensors и поддерживаются Transformers версии 5.3.0 или выше. Лицензия — Apache 2.0; разработчики рекомендуют учитывать правила ответственного использования Ai2. Модель может выдавать фактические ошибки и предвзятые или вредоносные ответы, поэтому результаты следует проверять.

OpenHands/openhands-lm-1.5b-v0.1 — компактная языковая модель для программирования, разработанная OpenHands. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров, дообученная на основе Qwen/Qwen2.5-Coder-1.5B-Instruct на данных SWE-Gym/SWE-Gym по рецепту OpenHands LM. Модель рассчитана на диалоговое взаимодействие и интерфейс вызова инструментов; её заявленное назначение — speculative decoding. Модель подходит для генерации и анализа кода, а также для работы агента разработки над задачами из GitHub, включая исправление ошибок и решение проблем в репозиториях. Метаданные указывают контекст до 32 768 токенов и английский язык. Модель распространяется в формате safetensors по лицензии MIT. README описывает исходную 32B-модель и её результаты, поэтому приведённые там показатели производительности и контекст 128K не следует переносить на эту версию 1.5B. Карточка предупреждает, что компактная версия предназначена для speculative decoding; её качество может быть ниже на разнообразных задачах разработки, она может повторять шаги и чувствительна к квантизации.

Open-Instruct GPT-4 Alpaca 7B — языковая модель семейства LLaMA, разработанная исследователями AllenAI и дообученная на наборе инструкций GPT-4 Alpaca в рамках исследования по настройке открытых моделей на инструкции. Это плотная авторегрессионная модель примерно на 6,6 млрд параметров для генерации текста и выполнения пользовательских инструкций на английском языке; для качественной генерации рекомендуется использовать обученный формат запросов. Контекст составляет 2048 токенов. Модель подходит для диалоговых ответов, следования инструкциям, решения задач, вопросов и генерации кода. В карточке приведены результаты тестирования на MMLU, GSM, BBH, TydiQA, Codex-Eval и AlpacaFarm. Репозиторий содержит diff весов, поэтому для использования требуется доступ к исходной модели LLaMA в формате Hugging Face. Указана лицензия AI model license вместе с исходной лицензией LLaMA; условия следует проверять в соответствующих файлах лицензии.