II.2Создание и понимание программного кода

WithinUsAI/Gemma3-Prompt.Coder.it.Uncensored-270m — компактная текстовая модель на архитектуре Gemma 3, созданная слиянием нескольких дообученных моделей методом SLERP. В состав слияния вошли варианты для программирования и улучшения подсказок, а также модель Google Gemma 3 270M Instruct. В карточке указано, что отдельные компоненты обучались для расширения коротких запросов в подробные описания, генерации кода и снижения защитных ограничений. Модель предназначена для генерации текста, в том числе кода и развернутых вариантов коротких промптов. Она содержит около 257 млн параметров, принимает текст и имеет контекстное окно 32 768 токенов. Для работы используется библиотека Transformers, веса опубликованы в формате safetensors. В метаданных не указаны поддерживаемые естественные языки. README предупреждает о сниженной фильтрации и возможности чувствительных или неподходящих ответов; рекомендуется проверять результаты и применять модель в контролируемой среде. Лицензия в предоставленных данных не указана.

Это GGUF-версия модели llmfan46/gemma-4-12B-coder-fable5-composer2.5-v1-uncensored-heretic, разработанная независимым автором llmfan46 на базе gemma-4-12B-coder-fable5-composer2.5-v1-GGUF. Модель предназначена прежде всего для генерации и анализа кода, рассуждений и текстовых ответов в сценариях, где требуется сниженное количество отказов. Точная архитектура, поддерживаемые языки, размер контекста и набор модальностей в README не указаны; из идентификатора следует размер порядка 12B параметров и специализация на задачах программирования. Модель создана с использованием Heretic v1.4.0 и варианта метода Magnitude-Preserving Orthogonal Ablation (MPOA), применённого к компонентам attn.o_proj и mlp.down_proj. По заявленным данным, она демонстрирует 9 отказов из 100 против 100 из 100 у исходной модели при KL divergence 0.0467, что указывает на существенное снижение склонности к отказам при относительно небольшом отклонении поведения. Для исходной модели также приведён результат MMLU: точность 75,72%, однако отдельный результат именно этой модификации не указан. К ограничениям относятся отсутствие подробной информации о языках, контекстном окне, формате квантования, системных требованиях и результатах независимого тестирования. Снижение ограничений безопасности может привести к генерации нежелательного или рискованного содержания, поэтому модель требует осторожного применения. Указанная лицензия — Apache-2.0.

Gemma 4 12B JANG4M CRACK — мультимодальная модель на основе Google Gemma 4 12B IT, опубликованная dealignai. Это дообученная и квантизованная версия с плотной унифицированной архитектурой для обработки текста и изображений; в README также заявлена поддержка аудиовхода. Модель предназначена для диалогов, ответов на вопросы, многошаговых рассуждений, генерации кода и работы с визуальными входами. Квантизация JANG_4M использует 8-битные веса для attention и 4-битные для MLP. Авторы сообщают о сохранении возможностей базовой модели, включая vision и audio, и приводят результаты собственных проверок MMLU и HarmBench. Метаданные указывают библиотеку MLX и формат safetensors; для запуска README требует Apple Silicon и vMLX с поддержкой Gemma 4. Модель описана как abliterated: авторы заявляют об удалении отказов и высокой доле выполнения запросов из категорий HarmBench. Это важное ограничение для сценариев, где требуется безопасное ограничение ответов. Лицензия — Gemma; авторы указывают исследовательское назначение и возлагают на пользователей ответственность за соблюдение применимых законов.

Карточка модели dealignai/Gemma-4-12B-it-qat-MXFP4-CRACK на Hugging Face совпадает с карточкой Ishowbackup/Gemma-4-12B-it-qat-MXFP4-CRACK, поэтому описание составлено по ней. Gemma 4 12B MXFP4 CRACK — мультимодальная модель на базе Google Gemma 4 12B Instruct, опубликованная dealignai. Это дообученная и квантизированная 4-битная версия с архитектурой Gemma4 Unified и гибридным скользящим и глобальным вниманием; автор заявляет поддержку изображений и аудио, многоязычность, рассуждения и генерацию кода. Модель предназначена для диалогов, ответов на вопросы, анализа изображений и аудио, многошаговых рассуждений и генерации кода; интерфейс также поддерживает вызов инструментов. README сообщает об удалении отказов и высокой готовности отвечать на запросы из вредоносных категорий HarmBench, при заявленном сохранении результата MMLU базовой модели. Эти показатели приведены автором и не являются независимой проверкой. Для запуска автор рекомендует vMLX с поддержкой Gemma 4 на Mac с Apple Silicon; стандартные mlx_lm и mlx_vlm, согласно README, поддерживают модель не полностью. Лицензия указана как Gemma; автор позиционирует публикацию как исследовательскую и возлагает на пользователей ответственность за соблюдение законов.

Gemma 4 26B-A4B-it QAT JANG_4M CRACK — мультимодальная доработанная версия Gemma 4 от dealignai. Она сочетает архитектуру MoE с 128 экспертами и выбором восьми активных экспертов, гибридное внимание и квантизацию JANG_4M: 8 бит для attention и 4 бита для MLP. Модель принимает текст и изображения и отвечает текстом; карточка заявляет поддержку рассуждений, визуальных запросов, вопросов и ответов и генерации кода. Модель рассчитана на общие диалоговые сценарии, включая анализ изображений, многошаговые рассуждения и написание кода. По результатам, приведённым в README, её показатель MMLU составляет 79,8% против 84,2% у базовой модели; автор также сообщает о сохранении визуальных возможностей и снижении отказов на тесте HarmBench. Для запуска требуются Mac на Apple Silicon с достаточным объёмом объединённой памяти и vMLX с поддержкой Gemma 4. Лицензия — Gemma; README указывает исследовательское назначение и возлагает на пользователя ответственность за соблюдение применимого законодательства.

ArchiveStudio/gemma-4-E4B-it-assistant — ассистент на базе Gemma 4 E4B от Google DeepMind. Карточка описывает его как черновую модель Multi-Token Prediction (MTP): в спекулятивном декодировании она предлагает несколько следующих токенов, которые основная модель проверяет параллельно, ускоряя генерацию без изменения её качества. Модель предназначена для низколатентного диалогового и локального использования. Семейство Gemma 4 поддерживает текст и изображения, а модели E2B и E4B также работают с аудио; семейство умеет генерировать текст и, по карточке, обрабатывать видеокадры. Указаны задачи рассуждения, программирования, распознавания речи, перевода речи в текст, OCR и разбора документов. Для E4B заявлено контекстное окно 128K токенов; семейство поддерживает более 140 языков при предобучении и более 35 языков в штатном режиме. Репозиторий содержит веса safetensors и распространяется по лицензии Apache 2.0. Карточка описывает возможности всего семейства Gemma 4, поэтому отдельные функции, включая видео, нельзя уверенно приписать именно этому чекпойнту. Точный размер этой модели и список поддерживаемых языков отдельно не приведены. Механизм MTP требует совместимого целевого чекпойнта и конвейера спекулятивного декодирования.

GLM-4.5-Air-Base — базовая языковая модель семейства GLM-4.5 от Zhipu AI, предназначенная для разработки интеллектуальных агентов. Серия GLM-4.5 объединяет возможности рассуждения, программирования и работы с инструментами; эта версия является базовой, а не готовой чат-моделью. В README для GLM-4.5-Air указаны 106 млрд параметров всего и 12 млрд активных параметров, однако метаданные именно этого репозитория указывают 8,5 млрд параметров. Модель генерирует текст; метаданные относят её к архитектурному семейству GLM4-MoE и указывают контекстное окно 131 072 токена. В карточке заявлены английский и китайский языки. Возможные сценарии включают дальнейшее обучение и создание агентных систем, которым нужны генерация текста, рассуждение, программирование или взаимодействие с инструментами. Лицензия MIT допускает коммерческое использование и вторичную разработку. README отдельно уточняет, что это base-модель, не предназначенная для чата без дополнительной настройки.

GLM-5V-Turbo — мультимодальная агентная базовая модель компании Z.ai для задач, в которых нужно анализировать визуальные данные и выполнять сложные сценарии, включая программирование с опорой на изображения. Модель принимает изображения, видео и текст; заявлены возможности долгосрочного планирования и решения комплексных задач по программированию. Модель предназначена для агентных сценариев с визуальным вводом. Данных о размере, архитектуре, длине контекста, поддерживаемых языках и лицензии в предоставленных источниках нет.

godot-qwen2.5-coder-7b-instruct-bnb-4bit — дообученная и конвертированная в формат GGUF языковая модель, опубликованная пользователем bekoozkan на базе Qwen2.5-Coder-7B-Instruct. Она оптимизирована для задач программирования, связанных с Godot Engine и языком GDScript, и предназначена для генерации текста и кода в диалоговом формате. Модель относится к классу text-generation и доступна в файле qwen2.5-coder-7b-instruct.Q8_0.gguf с 8-битной квантизацией Q8_0. В README указана поддержка запуска через llama.cpp и Ollama; основной сценарий — локальная разработка, генерация и объяснение кода для Godot. Мультимодальность заявлена только на уровне примеров запуска через llama-mtmd-cli, без описания поддерживаемых визуальных входов, поэтому фактические мультимодальные возможности не подтверждены. Модель ориентирована на специализированные задачи Godot и GDScript, что может быть её преимуществом по сравнению с общей кодовой моделью, однако результаты дообучения, показатели качества, максимальный размер контекста и перечень поддерживаемых языков в README не указаны. Модель распространяется по лицензии Apache-2.0.

GRM-3.2-Sky-ONYX-GGUF — это квантованная GGUF-версия модели OrionLLM/GRM-3.2-Sky, подготовленная разработчиком el4. Модель предназначена для текстовой генерации, рассуждений, программирования и агентских сценариев с использованием llama.cpp или Ollama. В README она описывается как MoE-модель примерно на 35 млрд параметров, ориентированная на запуск на потребительском GPU; размер варианта ONYX-mini составляет около 11 ГБ. Ключевая особенность ONYX — адаптивное квантование с динамическим выявлением чувствительных слоёв и использованием Router-Weighted Imatrix, учитывающего вероятности маршрутизации экспертов MoE. Подход должен помогать сохранять качество наиболее важных экспертов и слоёв при сильном уменьшении размера модели. Заявлены возможности генерации кода, многошагового рассуждения и работы с несколькими языками, включая японский, испанский и египетский арабский, однако точный набор поддерживаемых языков и размер контекста в README не указаны. В качестве сильных сторон заявляются компактность, пригодность для локального запуска и сохранение качества в задачах программирования, отладки и многоязычного переключения. При этом приведённые результаты основаны на демонстрационном стресс-тесте, поэтому они не заменяют независимое сравнение с исходной моделью. Степень потери качества из-за квантования, требования к памяти и производительность могут зависеть от конкретного варианта ONYX и оборудования. Лицензия в представленном README не указана.

HelpingAI-Lite-4x1b — языковая модель семейства Mixtral, созданная Abhaykoul как MoE-объединение четырёх моделей с помощью VortexMerge kit. Эксперты включают OEvortex/HelpingAI-unvelite, OEvortex/lite-hermes, OEvortex/HelpingAI-Lite и OEvortex/HelpingAI-Lite-1.5T; в конфигурации указаны базовая модель OEvortex/HelpingAI-Lite, режим маршрутизации cheap_embed и точность float16. Модель предназначена для диалогового общения, общих запросов и помощи с кодом. В метаданных указаны 1 млрд параметров, контекст до 2048 токенов и формат safetensors. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Распространяется по лицензии Apache-2.0. README описывает объединение моделей, но не приводит сравнительных оценок качества или подробностей о поведении маршрутизатора.

Hercules-Mini-1.8B — разговорная языковая модель, разработанная M4-ai на основе Qwen1.5-1.8B. Модель дообучена на 700 тысячах примеров Hercules-v4 и имеет плотную архитектуру Qwen2 с 1,5 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель предназначена для универсального ассистента: ответов на вопросы, математических задач, программирования, вызова функций и ролевых диалогов. В карточке указаны английский и, возможно, китайский языки; метаданные подтверждают английский. Лицензия обозначена в метаданных как other, а в README указана лицензия tongyi-qianwen. Известное ограничение — некорректно настроенный токен окончания последовательности: для предотвращения бесконечной генерации требуется самостоятельно задать критерий остановки. Оценка качества в карточке не приведена.

Карточка модели dedsecisback2026/Hermes на Hugging Face совпадает с карточкой mlabonne/Hermes-3-Llama-3.1-8B-lorablated, поэтому описание составлено по ней. 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.

Huihui4-8B-A4B-GGUF — облегчённая разговорная MoE-модель, разработанная Huihui-ai на основе google/gemma-4-26B-A4B-it. Модель создана с помощью pruning экспертов и supervised fine-tuning на более чем 500 высококачественных диалоговых примерах, извлечённых из данных о предпочтениях в программировании. В README также указана поддержка сценария image-text-to-text, однако подробные характеристики мультимодальных возможностей не приведены. Архитектура включает 32 эксперта вместо исходных 128, при этом для каждого токена активируются 8 экспертов, что сохраняет масштаб активаций A4B. Модель ориентирована на диалоговые ассистенты для программирования, понимание контекста кода, лёгкое планирование задач, локальное развёртывание и эксперименты с pruning и объединением MoE-моделей. Рекомендуемые инструменты запуска — vLLM, llama.cpp и HuggingFace Transformers; заявленные требования составляют менее 18 ГБ VRAM для FP16 и примерно 6–9 ГБ для INT4/INT8-квантизации. К сильным сторонам относятся сниженные вычислительные требования, пригодность для потребительского оборудования и заявленная устойчивость логики, следования инструкциям и работы с кодом после pruning. Предварительная оценка perplexity на 100 образцах при максимальной длине 8192 токена показала улучшение после SFT: для варианта с 32 экспертами perplexity снизилась с 2,4826 до 1,0035 на поздних этапах обучения. Ограничения включают предварительный характер оценки, отсутствие подробных данных о языках, точном размере контекста, качестве мультимодальной обработки и полноценных сравнительных тестах. Модель распространяется по лицензии Apache-2.0.

IBM-Grok4-UltraFast-Coder-1B-GGUF — это набор GGUF-квантизаций модели IBM-Grok4-Ultra.Fast.Coder-1B, разработанной WithinUsAI и опубликованной в формате GGUF пользователем mradermacher. Модель ориентирована на генерацию текста и кода, а также на сценарии программирования. В метаданных указан английский язык. README перечисляет обучающие наборы, связанные с кодом, математикой, логикой, творческими задачами, торговыми и визуальными промптами, однако точные возможности работы с изображениями не подтверждены для данной версии. Размер базовой модели — 1 млрд параметров; в описании также указаны full fine-tune, PyTorch, multi-GPU и архитектурный тег granite. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16 размером примерно от 0,8 до 3,4 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как наиболее качественный среди быстрых вариантов. Более сильное квантование уменьшает требования к памяти, но может снижать качество. Основное преимущество модели — компактность и наличие множества вариантов квантования для локального запуска. При этом README не содержит данных о длине контекста, точной архитектуре, мультимодальности, результатах оценивания, системных требованиях или дополнительных ограничениях качества. Лицензионные условия в представленном описании не указаны.

iCoder-27B — модель на 27 млрд параметров от i-Coder для промышленного программирования. Она основана на Qwen/Qwen3.6-27B и дообучена в несколько этапов: с применением supervised fine-tuning, само-дистилляции и обучения с подкреплением на проверяемых наградах, где результат оценивается компиляцией и запуском сгенерированного кода. Модель предназначена прежде всего для проектирования RTL на Verilog и оптимизации GPU-ядер на Triton. В README приведены результаты на RTL- и kernel-бенчмарках, включая RTLLM, VerilogEval, TritonBench-G и KernelBench; заявленные показатели относятся к оценкам в указанном тестовом контуре и не гарантируют результат на произвольном проекте. Репозиторий использует архитектуру Qwen3_5ForConditionalGeneration и формат safetensors; метаданные также отмечают возможности чата и работы с кодом. Лицензия — Apache-2.0. README не сообщает длину контекста и перечень естественных языков; модель ориентирована на код, поэтому языки программирования не перечисляются как естественные языки.

INTELLECT-1-step-28600 — промежуточный чекпойнт языковой модели INTELLECT-1, созданной Prime Intellect совместно с Arcee AI и независимыми участниками сообщества. Это плотная авторегрессионная модель семейства Llama с 9,7 млрд параметров; в карточке указаны 42 слоя и 32 головы внимания. Чекпойнт получен на шаге 28 600 обучения модели с нуля на корпусах английского текста и кода, включая образовательные материалы, веб-текст, код и математические данные. Модель предназначена для генерации текста и кода на английском языке. Контекст составляет 8192 токена. Обучение INTELLECT-1 проводилось распределённо на вычислительных узлах в нескольких регионах с применением отказоустойчивой инфраструктуры; этот репозиторий содержит именно промежуточную точку обучения, а не финальную или instruct-версию. Лицензия — Apache 2.0.

INTELLECT-1-step-88000 — промежуточный чекпойнт языковой модели INTELLECT-1 от Prime Intellect и сообщества участников. Модель обучалась с нуля как плотная авторегрессионная модель семейства Llama примерно на 10 млрд параметров; в метаданных указаны 9,7 млрд параметров и контекст до 8192 токенов. Обучение проводилось на триллионе токенов английского текста и кода, включая веб-тексты, математические материалы и код. Модель предназначена для генерации продолжений текста и кода на английском языке. Этот чекпойнт соответствует шагу обучения 88000 и является промежуточным состоянием, а не финальной или инструкционной версией INTELLECT-1. Модель выпущена под лицензией Apache 2.0.

Jamjuri Edge — экспериментальная компактная языковая модель семейства JamjuriEDGE, разработанная на базе Qwen3-4B-Instruct-2507. Это плотная модель с 3,7 млрд параметров и контекстом до 262 144 токенов; релиз создан дообучением базовой модели и объединением LoRA-экспертов методом TIES. Модель предназначена для локального и офлайн-применения, в том числе в агентных сценариях с вызовом инструментов. Модель рассчитана на тайский и английский языки и ориентирована на следование инструкциям, написание и отладку кода, вычисления, автоматизацию IoT и работу с инструментами. В карточке описаны разные варианты слияния, балансирующие навыки управления инструментами, математики и программирования; для идентификатора Jamjuri-EDGE-Preview-100 конкретный вариант среди этих кандидатов не уточнён. В метаданных указаны Transformers и формат safetensors, лицензия Apache-2.0. Это экспериментальная модель с ограничениями, характерными для компактного чекпойнта: сложная автоматизация нескольких IoT-устройств даётся трудно, отдельные слияния могут ухудшать вызов функций, а изменение соотношений слияния влияет на поведение. Возможны ошибки привязки атрибутов к объектам и смещение стиля ответов из-за специализированных адаптеров.

NoesisLab/Kai-3B-Instruct — это инструктивно дообученная языковая модель NoesisLab с 3,1 млрд параметров на архитектуре SmolLM3ForCausalLM. Она предназначена для диалоговых ответов, рассуждений, решения математических задач и генерации кода. В карточке описана техника Adaptive Dual-Search Distillation (ADS): адаптивная функция потерь для дистилляции, которая не меняет архитектуру модели. Заявлена длина контекста 65 536 токенов; модель принимает текст и генерирует текст. В README приведены результаты отдельных бенчмарков, включая 39,27% на GSM8K в режиме 0-shot, однако методика и сравнительные результаты в карточке описаны не полностью. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0.

lastbrain — Darwin V8 — это дообученная FINAL-Bench модель на базе Qwen/Qwen3.5-2B, созданная командой FINAL-Bench / VIDRAFT_LAB. Модель с архитектурой Qwen3_5ForCausalLM и примерно 1,7 млрд параметров обучена методом SFT с LoRA и дистилляцией рассуждений по заранее подготовленным трассам Claude Opus 4.5/4.6 и Claude Sonnet 4.6. LoRA-адаптер объединён с весами базовой модели, поэтому чекпойнт можно запускать как самостоятельную модель. Модель предназначена для генерации ответов в диалоге с пошаговыми объяснениями, решения математических и логических задач и написания кода. README сообщает о 4 451 обучающих трассах из четырёх открытых наборов данных и показывает примеры структурированных ответов с Markdown и LaTeX. В метаданных указаны контекст до 262 144 токенов и языки английский, корейский, китайский и японский; при этом обучение проводилось с max_length 4 096, что ограничивает основания ожидать столь же надёжную работу на длинном контексте. Модель распространяется по лицензии Apache 2.0; для обучающих данных следует учитывать лицензии исходных наборов. Это компактная текстовая модель для сценариев, где важны объяснение хода решения и развёрнутый ответ. README предупреждает о возможных числовых ошибках при вычислениях на корейском языке и отмечает, что явные теги рассуждений используются редко.

Liberated-Qwen1.5-14B — языковая модель AbacusAI и Eric Hartford, дообученная на базе Qwen/Qwen1.5-14B. Это плотная авторегрессионная модель семейства Qwen, содержащая 13,4 млрд параметров. Она предназначена для диалогов и следования системным инструкциям, в том числе в длинных многоходовых беседах и при необычных или механических инструкциях. Модель обучалась на открытых наборах данных, включая SystemChat, OpenHermes-2.5 и наборы Code-Feedback; используется формат диалога ChatML. Базовая модель поддерживает контекст до 32 768 токенов, однако при дообучении использовались входные последовательности длиной 8 000 токенов, поэтому качество на более длинном контексте может варьироваться. В карточке указана лицензия other, а README сообщает, что модель подчиняется лицензии tongyi-qianwen. В обучающих данных не добавлялись ограничения или цензурирование; перед предоставлением модели пользователям автор рекомендует самостоятельно настроить слой выравнивания. Результаты оценивания в карточке не приведены.

Llama3.1-SuperDeepFuse — языковая модель на архитектуре Llama, созданная слиянием трёх моделей: Llama-3.1-SuperNova-Lite, DeepSeek-R1-Distill-Llama-8B и FuseChat-Llama-3.1-8B-Instruct. Автор README указывает базовую модель meta-llama/Llama-3.1-8B-Instruct и метод слияния model_stock. Модель содержит около 7,5 млрд параметров и поддерживает контекст до 131 072 токенов; опубликована в формате safetensors для Transformers. Модель предназначена для диалогов и генерации текста с упором на следование инструкциям, многошаговые рассуждения, математику и программирование. README заявляет многоязычную поддержку, однако в метаданных указан только английский язык. По карточке модель подходит для запуска на потребительских GPU, но её возможности уступают более крупным моделям. Модель всё ещё проходит оценку; результаты приведены лишь для части бенчмарков. Она может выдавать вводящие в заблуждение ответы, поэтому результаты следует проверять. Лицензия — условия использования Llama 3.1.

Это дообученная модель Llama 3.2 1B Instruct, разработанная ai-nexuz на базе unsloth/Llama-3.2-1B-Instruct. Она предназначена для диалоговых ответов и следования инструкциям с акцентом на логические рассуждения, решение математических задач, генерацию и отладку кода. Модель имеет плотную архитектуру LlamaForCausalLM, около 1,2 млрд параметров и контекст до 131 072 токенов; работает с текстом и выдаёт текст. Модель подходит для создания учебных помощников, решения задач по математике и логике, а также программирования. Дообучение выполнено на наборе kanhatakeyama/wizardlm8x22b-logical-math-coding-sft с использованием Unsloth. README отмечает, что ответы могут быть неточными при неоднозначных запросах, а качество может снижаться для узкоспециализированных языков программирования. Лицензия — Apache 2.0.

llama-3-sqlcoder-8b-GGUF — это набор GGUF-квантизованных версий языковой модели llama-3-sqlcoder-8b, разработанной Defog и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и, судя по названию и исходной модели, ориентирована прежде всего на задачи, связанные с SQL и программным кодом. README не содержит подробного описания архитектуры, языков, поддерживаемых модальностей или размера контекста. Квантизация выполнена с помощью llama.cpp версии b2940 и метода imatrix. Доступны варианты от Q8_0 до крайне компактных IQ1, поэтому можно выбирать между качеством вывода и требованиями к памяти; наиболее качественными и рекомендуемыми названы Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S. Более агрессивные варианты занимают меньше места, но дают заметно более низкое качество и могут быть непригодны для некоторых задач. Для работы следует использовать указанный формат prompt с системным сообщением, пользовательским запросом и ответом ассистента. Лицензия модели — CC BY-SA 4.0. README не описывает результаты бенчмарков, ограничения по коммерческому применению или требования к аппаратному обеспечению, поэтому качество генерации SQL и практическую производительность необходимо оценивать отдельно для конкретного сценария.

LuxAI 1 Nemo — выпущенная LuxAI объединённая модель на архитектуре Mistral 3 для диалога на чешском и английском языках, программирования, математики и работы с инструментами. Репозиторий содержит самостоятельные веса BF16 в формате safetensors; обучение включало текстовые адаптеры и настройку выбранных строк токенов, а затем их слияние с моделью. В README указана корректирующая эпоха на 21 530 примерах: среди обучающих задач были математические и программные рассуждения, диалоги с инструментами и чешская беседа. Модель предназначена для генерации текста, ответов в чате, кода и вызовов инструментов. На диагностическом чешском наборе Lux Core 1 она набрала 72,92% (175 из 240); это специализированная оценка, а не общий рейтинг. Авторы рекомендуют начинать работу с контекста 8 192 токена, поскольку качество на большей длине не установлено. Также опубликованы варианты GGUF, включая смешанную 4-битную квантизацию, но их точность не следует считать равной результату BF16. Ограничения включают возможные фактические, математические и программные ошибки, ненадёжное формирование native-блоков рассуждений на чешских запросах и иногда пропущенные или повторяющиеся разделители протокола. Синтаксически корректный вызов инструмента не гарантирует верный выбор инструмента; структурированный вывод следует проверять. В README сведения о лицензии отсутствуют.

Macaron-V1-Preview-749B — предварительная агентная модель MindLab Research, дообученная на GLM-5.1 с помощью MinT. В README она описана как модель класса 749B: база на 744B параметров и пять специализированных LoRA-адаптеров. В метаданных указаны 30,4B параметров и контекст 202 752 токена; архитектура обозначена как GLM MoE DSA, формат весов — SafeTensors. Модель предназначена для многоходовой персональной помощи: планирования, работы с поиском и календарём, вызовов инструментов, задач с кодом и терминалом, а также генерации интерфейсов по протоколу A2UI. README указывает английский и китайский языки. Работа с адаптерами организована через маршрутизатор: базовый адаптер отвечает за общий диалог, а специализированные — за агентные, программные и другие сценарии. Для полного поведения требуется совместимая среда обслуживания с маршрутизацией LoRA, инструментами, состоянием и поддержкой A2UI; простая загрузка одного адаптера не запускает всю агентную систему. Модель выпущена по лицензии MIT. README называет её исследовательским предварительным выпуском и предупреждает, что результаты зависят от инструментов, маршрутизации и рендерера, а длинные задачи ограничены вычислительными ресурсами.

HA-Siala/Mamba-full-v0.1 — дообученная языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная для поиска ошибок в коде Mamba и подготовки его переработанных версий. Модель предназначена для анализа и рефакторинга кода; контекст составляет до 32 768 токенов. Модель принимает текстовые запросы и выдаёт текст, включая предложения по исправлению кода. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не уточняет поддерживаемые языки программирования или результаты оценки качества.

Maq-1.0-4B-SWE — текстовая модель Waylon J. Brown для диалогов по разработке программного обеспечения, созданная дообучением Gemma 4 E4B Instruct. Автор выполнил LoRA SFT на выборке из наборов данных для кодирования, SWE-траекторий и агентных сценариев, а затем объединил адаптер с базовыми весами в чекпойнт BF16 для Transformers. Репозиторий содержит модель примерно на 4,5 млрд эффективных параметров (около 8 млрд с учётом послойных эмбеддингов); исходная Gemma 4 — мультимодальная, но эта версия обучалась только на тексте. Модель предназначена для помощников по программированию, диалогов «задача — план — исправление», агентных сценариев с использованием инструментов, а также задач соревновательного программирования и рассуждений о коде. Она принимает текст и генерирует текст; обучение проводилось с контекстом 1024 токена, хотя базовая модель поддерживает более длинный контекст. Обучение было коротким: 400 шагов на 4096 примерах, без отложенной оценки и опубликованных результатов SWE-Bench или LiveCodeBench. Это экспериментальная специализированная настройка, а не универсальный чат-бот или замена крупным SWE-агентам. README предупреждает, что фильтрация отказов в части обучающих данных могла ослабить защитные ограничения. Веса модели доступны по Apache 2.0; лицензии использованных наборов данных различаются, поэтому для коммерческого использования нужно проверить условия каждого источника.

Mermaid-Llama-3-7B-Pruned — языковая модель на архитектуре Llama 3, опубликованная TroyDoesAI. Это версия с удалёнными слоями: в карточке указано, что из 32 слоёв оставлено 28; метаданные сообщают о 6,6 млрд параметров и контексте до 8192 токенов. Модель предназначена для автодополнения, понимания Python-кода и генерации диаграмм Mermaid по коду или текстовым описаниям, включая схемы потоков и сюжетные карты. Автор описывает обучение на 800 примерах Mermaid-графов и 478 Python-программах, а также приводит параметры обучения LoRA. Модель рассчитана на генерацию текста; основная область применения — преобразование кода и повествований в диаграммы. README предупреждает, что её не следует использовать как обычного чат-бота: ответы в формате диалога могут быть некачественными. Лицензия — CC BY 4.0.