II.2Создание и понимание программного кода

RLT-7B — авторегрессионная языковая модель Sakana AI с 7,1 млрд параметров, дообученная методом supervised fine-tuning на основе Qwen/Qwen2.5-7B-Instruct. Она использует подход Reinforcement-Learned Teachers: модель-учитель, оптимизированная для создания рассуждений, передаёт их навыки модели-ученику через дистилляцию. Модель предназначена для генерации текста и диалогов, включая задачи на рассуждение, математику, науку и код. Поддерживает английский и китайский языки; контекст — до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Разработчик позиционирует её как экспериментальный прототип для исследований и разработки; результаты не гарантируются, а применение в критически важных системах не рекомендуется.

SimpleSD-4B-thinking — исследовательская языковая модель Apple, полученная дообучением Qwen3-4B-Thinking-2507 методом Simple Self-Distillation. Метод обучает модель на собственных сэмплированных ответах без учителя, функции вознаграждения, проверяющих моделей и обучения с подкреплением. Модель предназначена прежде всего для генерации кода, включая решение задач соревновательного программирования. Модель имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 262 144 токена. В тестах LiveCodeBench показаны улучшения относительно базовой Qwen3-4B-Thinking-2507, особенно на сложных задачах. Это исследовательский чекпойнт для воспроизводимости, не оптимизированный релиз Qwen. В README не приведены сведения о поддерживаемых естественных языках и конкретных ограничениях качества. Лицензия репозитория — apple-amlr.

jakeatx выпустил экспериментальный компактный чекпойнт семейства Qwen3.8 Perian на архитектуре Qwen4ExpTextForCausalLM типа MoE. Модель предназначена для генерации текста в диалогах и многошаговых сценариях, включая рассуждения, код, работу с инструментами и поиск по контексту. Она содержит 3,6 млрд параметров и поддерживает контекст до 262 144 токенов. Это производный чекпойнт с упаковкой routed-expert весов в NVFP4 E2M1; таблица PLE n-грамм сохранена в BF16, остальные тензоры оставлены в исходной точности. По README, логический размер тензоров уменьшен на 43,26% относительно исходного чекпойнта. Карточка сообщает о проверках структуры, приближённого сохранения весов и генерации. Модель опубликована под лицензией Apache-2.0. В README указано требование установить включённый компактный runtime patch перед загрузкой; результаты проверки ограничены описанными в карточке тестами. Языковая специализация не заявлена.

SLM-SQL-0.5B — компактная языковая модель команды SLM-SQL для преобразования вопросов на естественном языке в SQL-запросы. Она основана на Qwen2.5-Coder-0.5B-Instruct и содержит около 494 млн параметров. Модель дообучена с помощью supervised fine-tuning и GRPO; в исследовании также применялся подход corrective self-consistency для получения ответов. Репозиторий содержит веса Safetensors, модель использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации SQL по текстовым вопросам, в том числе для сценариев, где важны быстрая инференция и развёртывание на устройствах с ограниченными ресурсами. В README сообщается о точности выполнения 56,87% на наборе BIRD dev для версии 0.5B; этот результат относится к описанной экспериментальной оценке и не гарантирует качество на других базах данных. Доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

rishiraj/smolified-tiny-text-to-sql — компактная языковая модель от Smolify Foundry для преобразования запросов на естественном языке в SQL. В README она описана как доменная DSLM, созданная методом дистилляции reasoning-моделей и рассчитанная на запуск на CPU/NPU и в средах с ограниченной видеопамятью. Метаданные указывают архитектуру Gemma 3 Text с причинно-языковой моделью Gemma3ForCausalLM, 257 млн параметров и контекст до 32 768 токенов; модель принимает текст и генерирует текст. Репозиторий содержит веса safetensors и заявляет оптимизацию с 4-битной квантизацией и смешанной точностью FP16. README указывает совместимость со стандартными средствами инференса, включая vLLM. Модель может помогать формировать SQL по текстовому описанию, однако карточка не сообщает о поддерживаемых СУБД, точности, обучающих данных или проверке безопасности сгенерированных запросов. Лицензия — Apache-2.0.

SmolLCoder-360M-Instruct — компактная инструктивная языковая модель для помощи с программированием, основанная на HuggingFaceTB/SmolLM2-360M-Instruct и разработанная motexture. Модель построена на плотной архитектуре семейства Llama и содержит 361,8 млн параметров; она поддерживает генерацию текста и диалоговый режим, рассчитана на контекст до 8192 токенов и работает с текстом на английском языке. Модель предназначена для локального использования в роли небольшого помощника по программированию: она может генерировать фрагменты кода и отвечать на запросы в диалоговом формате. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучения, поэтому возможности и надёжность кода следует проверять на конкретных задачах.

SOCO-Java-CODEBERTA-MNRL-TRIPLETS-E1-B16 — модель Sentence Transformers, созданная дообучением huggingface/CodeBERTa-small-v1 на наборе soco_train_java. Она кодирует текст в плотные векторы размерностью 768 для вычисления семантического сходства и поиска по смыслу, в том числе в задачах с исходным кодом Java. Архитектура основана на RoBERTa: модель усредняет представления токенов, максимальная длина последовательности — 512 токенов (метаданные указывают 514 токенов контекста), функция сходства — cosine similarity. Обучение использовало MultipleNegativesRankingLoss. Модель подходит для семантического поиска, поиска похожих фрагментов кода и кластеризации текстов или кода. Она выдаёт эмбеддинги, а не готовые ответы или метки; качество зависит от соответствия входных данных обучающему набору Java. Лицензия в предоставленных данных не указана.

buelfhood/SOCO-Java-codebert-mnrl-triplets-ep1-bs16-lr2e-05-split0.0 — Sentence Transformer, дообученный автором на базе microsoft/codebert-base на триплетах кода Java из набора SOCO_TRAIN_java. Модель кодирует фрагменты кода и текст в плотные векторы размерности 768; архитектура состоит из RoBERTa и усредняющего pooling по токенам. Для сравнения векторов предусмотрена косинусная близость. Модель предназначена для поиска семантически похожего Java-кода, оценки сходства фрагментов и поиска дубликатов или парафразов кода. Полученные эмбеддинги также можно использовать для кластеризации и классификации кода. Максимальная длина последовательности — 514 токенов по метаданным модели. В репозитории указана лицензия не была предоставлена, поэтому условия использования следует сверить с карточкой Hugging Face и лицензией базовой модели. Модель обучалась на триплетах Java-кода; её качество для других языков программирования и обычного текста не описано.

TechxGenus/starcoder2-7b-AWQ — AWQ-квантованная версия StarCoder2-7B, разработанная проектом BigCode. Это авторегрессионная модель генерации текста, ориентированная прежде всего на работу с исходным кодом: автодополнение, генерацию фрагментов, редактирование и задачи Fill-in-the-Middle. Модель не является instruction-моделью, поэтому прямые запросы на естественном языке, например просьбы написать функцию, могут обрабатываться неудовлетворительно. Модель содержит около 7 миллиардов параметров и обучена более чем на 3,5 триллиона токенов, включая данные The Stack v2, а также отдельные источники вроде arXiv и Wikipedia. Она поддерживает 17 языков программирования, использует Grouped Query Attention, контекстное окно 16 384 токена и Sliding Window Attention с окном 4 096 токенов. Квантирование AWQ снижает требования к памяти и делает модель более подходящей для локального запуска, сохраняя назначение базовой модели для генерации кода. К ограничениям относятся отсутствие instruction-настройки, возможное воспроизведение фрагментов обучающих данных и необходимость проверять лицензии сгенерированного кода; для этого рекомендуется использовать индекс поиска по исходным данным. Модель распространяется по лицензии BigCode OpenRAIL-M. В карточке также приведены результаты на бенчмарках HumanEval, HumanEval+, DS-1000, CruxEval-I, GSM8K (PAL) и RepoBench-v1.1, однако они относятся к StarCoder2-7B и не обязательно отражают точные показатели AWQ-версии.

laion/swesmith-nl2bash-stack-bugsseq — дообученная модель на базе Qwen/Qwen3-8B, разработанная для генерации текста. По названию и указанным обучающим наборам она ориентирована на задачи SWE-Smith, преобразование инструкций на естественном языке в Bash-команды, вопросы по Stack Exchange и выявление ошибок в коде. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также указана возможность диалогового взаимодействия. Для дообучения использованы наборы open-athena и penfever с данными для рассуждений; конкретные результаты оценки и более подробное описание поведения не приведены. Модель распространяется по лицензии Apache-2.0. Практическое качество для отдельных сценариев и ограничения применения в карточке не описаны.

Tejapriyan-8B — персональная языковая модель, созданная и дообученная Teja Priyan на базе Qwen2.5-7B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, контекстом до 32 768 токенов и весами Safetensors. Модель предназначена для диалога, распознавания личности создателя и генерации SQL-запросов по схеме базы данных. При дообучении применялись SFT для закрепления идентичности и GRPO с наградой за выполнение запросов в SQLite. По заявлению автора, это улучшает генерацию многотабличных JOIN, подзапросов и anti-join и снижает число ошибок при опоре на схему. Также отмечены возможности работы с кодом и интерфейс вызова инструментов. Модель ориентирована на английский язык; лицензия — Apache-2.0. Автор отдельно указывает на квантизированный вариант GGUF и интерактивную веб-демонстрацию.

Ternary-Bonsai-2-27B-Crystal — производная модель на основе весов Prism ML для Qwen3.8-27B, представленная как сборка с изменённым механизмом внимания. Она предназначена для генерации текста и диалогов, включая продолжение кода и работу с длинным контекстом. Модель использует архитектуру Qwen3.8-27B с 27 млрд параметров; README описывает режим с фиксированным состоянием внимания: точное окно последних 1 024 токенов, сжатое состояние дальнего контекста и индекс для выборочного точного чтения прошлых токенов. Длина контекста в использованных данных не указана. По заявлению авторов, такая схема сокращает память внимания при длинном контексте; режим `--top0` удерживает её постоянной независимо от длины последовательности. Пакет рассчитан на запуск через MLX runtime, с поддержкой Apple Silicon и CUDA. README также описывает сохранение маршрутов вычислений для повторно используемых префиксов и подтверждённых продолжений. Модель распространяется по лицензии Apache-2.0. Эти особенности описаны авторами модели; независимая проверка заявленных характеристик здесь не проводилась.

ThinkingCap Qwen3.8 27B — дообученная Bottlecap AI мультимодальная модель на базе Qwen/Qwen3.8-27B, предназначенная для диалогов, сложных задач с рассуждениями и агентных сценариев. Она принимает текст и изображения и выдаёт текст; карточка относит её к задаче image-text-to-text и отмечает поддержку vision и chat. В тестах авторов модель сохраняла среднюю точность, близкую к базовой, при сокращении числа токенов рассуждения в среднем на 37%; на задачах длинного контекстного поиска точность сохранилась и число токенов рассуждения снизилось на 39%. Авторы рекомендуют режим reasoning_effort=xhigh. Модель распространяется в формате safetensors через Transformers; лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и базовой модели перед внедрением.

Ramikan-BR/tinyllama_PY-CODER-bnb-4bit-lora_4k-q4_k_m-v3 — дообученная модель семейства Llama на базе unsloth/tinyllama-bnb-4bit. Разработчик — Ramikan-BR; обучение проводилось с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста и, судя по названию репозитория, ориентирована на помощь с кодом на Python. Архитектура — плотная авторегрессионная LlamaForCausalLM примерно с 1 млрд параметров; контекст — до 4096 токенов. Метаданные отмечают английский язык. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не сообщает результаты оценки качества или подробности обучающих данных, поэтому пригодность для конкретных задач программирования стоит проверять на собственных примерах.

Tinytron-ORCA-3B-TinyLlama-Instruct_CODE_Python-extra_small_quantization_GGUF_3bit — локальная разговорная модель для генерации кода, опубликованная Francisco Angulo de Lafuente под именем Agnuxo. В README указана специализация на Python и научных вычислениях, а также заявлена работа с JavaScript, TypeScript, Rust, Go, C++, NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Метаданные указывают на плотную архитектуру семейства Llama с классом LlamaForCausalLM, 1 млрд параметров и контекст 2048 токенов; README заявляет 3 млрд параметров, поэтому размер модели описан противоречиво. Модель предназначена для диалоговой генерации кода и помощи при решении задач программирования. Карточка рекомендует запускать её локально через Ollama и упоминает интеграции с MCP и A2A. Метаданные указывают языки en и es, но README не уточняет языковую поддержку. Идентификатор и README описывают вариант TinyLlama Instruct с 3-битной квантизацией GGUF, то есть производную модель. В метаданных базовая модель не указана, поэтому её идентификатор нельзя надёжно установить. Лицензия — Apache-2.0. Практические ограничения: контекст 2048 токенов, а заявленный размер расходится с метаданными; качество генерации не подтверждено приведёнными сведениями.

Tinytron TinyLlama Instruct Code Python Spanish English Assistant 16Bit V2 — чат-модель для генерации кода, опубликованная Francisco Angulo de Lafuente (Agnuxo) в экосистеме P2PCLAW. Это плотная авторегрессионная модель семейства Llama с примерно 1 млрд параметров и контекстом 2048 токенов; веса представлены в формате safetensors и предназначены для локального запуска. Модель ориентирована на помощь с программированием: в карточке заявлены Python, JavaScript, TypeScript, Rust, Go и C++, научные вычисления с NumPy, SciPy и Pandas, а также задачи машинного обучения с PyTorch, TensorFlow и JAX. README называет английский и испанский языки; метаданные подтверждают языковые коды en и es. Указана лицензия Apache-2.0. Компактный размер подходит для локального использования, однако контекст ограничен 2048 токенами; независимые результаты оценки качества в предоставленных данных отсутствуют.

MaziyarPanahi/Trinity-Mini-GGUF — набор файлов модели Trinity-Mini в формате GGUF, подготовленный MaziyarPanahi на основе оригинальной модели arcee-ai. Модель разработана Arcee AI и предназначена для генерации текста, рассуждений, а также прикладных сценариев, включая работу с математикой и кодом. Формат GGUF ориентирован на локальный запуск через llama.cpp и совместимые приложения и библиотеки. Trinity-Mini — разреженная Mixture-of-Experts модель архитектуры AfmoeForCausalLM с 26 млрд общих параметров и 3 млрд активных параметров. Она содержит 128 экспертов, из которых одновременно используются 8, а также одного общего эксперта. Контекстное окно составляет 128 тысяч токенов. Модель обучалась на 10 трлн токенов, включая дополнительные данные по математике и программированию. В репозитории доступны варианты квантования с разной разрядностью — от 2 до 8 бит. К сильным сторонам относятся большое контекстное окно, эффективная MoE-архитектура и возможность локального запуска с выбором уровня квантования. README не содержит сведений о поддерживаемых языках, результатах конкретных бенчмарков и ограничениях качества, поэтому эти характеристики нельзя оценить точнее. Для работы требуются совместимые версии llama.cpp или других клиентов, поддерживающих GGUF. Модель распространяется по лицензии Apache 2.0.

UIGEN-T3-4B-Preview-MAX — модель Tesslate для генерации пользовательских интерфейсов на основе дообученной Qwen3-4B. Она создаёт отдельные веб-компоненты и целые страницы по текстовому описанию, включая HTML и стили, а также дизайн-токены для настройки оформления. В README описан режим с управляемым анализом макета через /think и ускоренная генерация кода через /no_think. Модель предназначена для быстрого создания прототипов, интерфейсов стартапов, библиотек компонентов и адаптивных веб-страниц. Это плотная причинная языковая модель примерно на 3,7 млрд параметров с контекстом до 40 960 токенов; для лучших результатов README рекомендует контекст 20 тыс. токенов. Входные изображения не заявлены: модель генерирует разметку и может использовать пользовательские изображения или ссылки на плейсхолдеры. Карточка указывает на исследовательскую, некоммерческую лицензию; коммерческое применение предлагается обсуждать с Tesslate. Среди ограничений — отсутствие поддержки Bootstrap и переменное качество адаптивной настройки в зависимости от сложности результата. Модель не рекомендуется для производственного использования.

UIGEN-T3-8B-Preview — модель Tesslate для генерации пользовательских интерфейсов по текстовым запросам. Она дообучена на базе Qwen/Qwen3-8B и имеет плотную архитектуру Qwen3ForCausalLM с 7,6 млрд параметров. Модель создаёт как отдельные компоненты, так и целые веб-страницы, выдавая HTML и CSS с дизайн-токенами для настройки внешнего вида. Режимы /think и /no_think позволяют выбирать между генерацией с направленным анализом макета и более быстрой генерацией кода. Модель рассчитана на прототипирование интерфейсов, стартовых версий продуктов и компонентов, например кнопок, карточек и панелей навигации. Карточка описывает оценочную систему UIGenEval, охватывающую качество кода, следование запросу, интерактивность и адаптивность; это не гарантирует качество каждого результата. Контекст модели — 40 960 токенов, а для режима рассуждения автор рекомендует использовать 20 000 токенов. В метаданных указан английский язык. Лицензия допускает только исследовательское и некоммерческое использование; для коммерческого применения Tesslate предлагает связаться с разработчиками.

Darkfibre публикует VibeThinker-3B-Ablated — производную компактной плотной языковой модели VibeThinker-3B на базе Qwen2.5-Coder-3B. По карточке, в модели проекцией удалено направление отказа на 11-м слое; заявленная цель изменения — ослабить автоматические отказы в ответах. Модель предназначена для диалогов, рассуждений, математики и программирования. Модель построена на архитектуре Qwen2, содержит 3,1 млрд параметров и поддерживает контекст до 131 072 токенов. Карточка заявляет высокие результаты на тестах по математике и программированию, однако это утверждения автора; независимая проверка в предоставленных данных не описана. Доступны веса в формате Safetensors, запуск предусмотрен через Transformers. Лицензия — Apache-2.0.

Карточка модели fknuette/werwolf-sft на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

ZYR3.1MoE (ZV1.1MeO) — текстовая генеративная модель с многоагентной архитектурой и маршрутизацией Mixture-of-Experts. В README разработчик явно не указан; модель опубликована под идентификатором zyr-AGENT/ZYR3.1MoE. Это объединённая самостоятельная версия с весами, токенизатором и chat template, без необходимости загружать отдельные адаптеры или компоненты. Размер весов составляет около 18 ГБ в пяти safetensors-фрагментах. Модель предназначена для сложных рабочих запросов: планирования, декомпозиции задач, программирования, математических рассуждений, исследования, проверки фактов, критики, обзора, оптимизации и координации компьютерных операций. Её поведение имитирует работу оркестрационной команды из 11 специализированных агентов, которыми управляют уровни ATP, ACN и MeO. Простые вопросы обрабатываются напрямую, а практические запросы могут запускать цикл планирования, распределения ролей и проверки результата. Ключевая особенность — обученное многоагентное поведение поверх одной объединённой модели; ATP и ACN являются внешними runtime-компонентами, а не отдельными нейронными весами. README не указывает точный размер базовой модели, максимальную длину контекста, поддерживаемые языки или мультимодальные возможности, поэтому подтверждённой является только работа с текстовой генерацией. Сгенерированные моделью отчёты о тестах могут быть симулированными и не заменяют реальные внешние результаты выполнения. Для надёжной работы рекомендуется GPU с объёмом памяти от 24 ГБ; поддержка 4-битной квантизации для гибридной архитектуры не гарантируется. Лицензия обозначена как other, но её конкретные условия в README не приведены.

AlphaAI-1.5B-Thought — языковая модель Alpha AI, дообученная на базе Qwen2.5-1.5B для пошаговых рассуждений и решения структурированных задач. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; заявленная длина контекста — 131 072 токена. Модель принимает текст и генерирует текст, а карточка указывает английский язык. Модель предназначена для локального запуска и диалоговых сценариев, где полезны многошаговые выводы: разбор математических и научных задач, программирование, генерация рабочих процессов и структурированные ответы виртуальных помощников. Веса представлены в формате PyTorch/Safetensors; README также описывает вариант с 16-битной точностью и перечисляет доступные квантизованные варианты. Лицензия — Apache-2.0. Модель может наследовать предвзятости обучающих данных, а ответы для критически важных задач следует проверять; качество в конкретных предметных областях карточка не подтверждает.

AesCoder-4B — дообученная языковая модель SamuelBang на архитектуре Qwen3, основанная на Qwen/Qwen3-4B-Instruct-2507. Карточка позиционирует её для генерации HTML-интерфейсов и приложений по текстовым инструкциям, включая браузерные игры, 3D-сцены, визуализации данных и UI-компоненты. Модель генерирует код HTML, CSS и JavaScript; метаданные указывают на диалоговый режим и интерфейс вызова инструментов. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 262 144 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. В предоставленной карточке приведены шаблоны заданий, но нет результатов оценки качества или подробных сведений о языках обучения; примеры сосредоточены на генерации веб-кода.

airoboros-13b-gpt4-1.3 — диалоговая модель jondurbin, дообученная методом QLoRA на базе LLaMA с использованием синтетических инструкций, созданных GPT-4. Это версия с 12,9 млрд параметров для генерации текста и ответов на запросы в формате чата; в обучающие данные добавлены задания на рассуждение в стиле Orca, инструкции по программированию и примеры многостороннего диалога. Модель рассчитана на текстовый ввод и выдачу текста. Для работы используется шаблон диалога на основе Vicuna; нативный контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Автор предупреждает, что в этой версии есть проблемы и рекомендует дождаться версии 1.4. Ответы могут быть неточными; модель не следует считать надёжным источником без проверки.

airoboros-l2-13b-3.1.1 — экспериментальная инструктивная языковая модель на архитектуре Llama 2, дообученная автором jondurbin на наборе синтетических и других примеров airoboros-3.1. Она предназначена для выполнения инструкций и диалогов в формате чата Llama 2; модель содержит 12,9 млрд параметров и имеет контекстное окно 4096 токенов. Модель подходит для ответов на вопросы по предоставленному контексту, суммаризации, математических задач с формированием MathJSON, извлечения полей из журналов, анонимизации текста, программирования и планирования действий с инструментами. По описанию она сильнее ориентирована на точное следование инструкциям, чем на непринуждённый чат и ролевые диалоги. Для математических ответов автор рекомендует низкую температуру генерации; формат чата должен соответствовать шаблону Llama 2. Это дообученная модель, опубликованная в формате safetensors. В карточке указана лицензия Llama 2. Разработчик описывает её как экспериментальную; результаты могут быть нестабильными, а генерация MathJSON и вызовы функций требуют внешнего разбора и выполнения. Русский язык явно не заявлен.

Absolute_Zero_Reasoner-Coder-7b-GGUF — это GGUF-квантизированная версия модели Absolute_Zero_Reasoner-Coder-7b, разработанной andrewzh и подготовленной квантизатором bartowski с использованием llama.cpp версии b5338 и imatrix-калибровки. Модель предназначена для генерации текста и задач, связанных с рассуждениями и программированием, а также для локального запуска через LM Studio, llama.cpp и совместимые проекты. Модель содержит 7 миллиардов параметров; в README не указаны точная архитектура, поддерживаемые языки, модальности и размер контекста. Доступны варианты от BF16 до различных форматов квантования Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Размер файлов варьируется примерно от 3,57 до 15,24 ГБ. Наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5 и Q4_K_M; облегчённые варианты подходят для систем с ограниченным объёмом памяти. Сильной стороной модели является возможность эффективного локального использования на широком спектре оборудования, включая CPU и, согласно README, Apple Silicon для некоторых форматов. Ограничения связаны с потерями качества при низком уровне квантования, а также с отсутствием в предоставленных данных подробностей о результатах тестирования, языковой поддержке, контекстном окне и исходной лицензии. Лицензия в README не указана.

Schneewolf Labs B1.1-9B — диалоговая мультимодальная модель на архитектуре Qwen3.5, созданная Schneewolf Labs как слияние B0-9B с половинной силой ORPO-адаптера. Модель поддерживает текстовый диалог, работу с изображениями и вызов инструментов. По карточке, адаптер обучался два эпохи на Vernunft-Stimme; новые обучающие этапы для B1.1 не проводились. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель рассчитана на диалоговые сценарии с инструментами: она может отвечать после этапа рассуждения, выбирать инструмент и передавать ему задачу, а также решать задачи реализации функций. В тестах карточки B1.1 показала 5 из 8 ответов после вызова инструмента, 41 из 47 успешных случаев на egirl tool bench и 9 из 10 задач на лестнице buchbinder L1–2. Заявлена сохранность визуального компонента относительно B0-9B. Результат зависит от формата запроса: показатели на ответах после рассуждения заметно снижаются, если описания инструментов помещены в системный промпт и добавлен префикс /think. В карточке также отмечены ошибки форматирования имён инструментов, отдельные случаи выбора неподходящего инструмента и снижение готовности делегировать сложную задачу агенту. Число параметров и длина контекста в предоставленных данных не указаны.

BlackSheep-Coder — чат-модель TroyDoesAI для помощи с Python и диалогов в заданной пользователем персоне. Модель объединяет предварительно обученные языковые модели методом TIES с помощью mergekit; базой слияния указана Qwen/Qwen2.5-14B. В состав также вошли варианты Qwen2.5-14B от v000000, rombodawg и huihui-ai. После слияния модель дополнительно дообучена на персоне BlackSheep. Модель относится к семейству Qwen2, имеет плотную архитектуру Qwen2ForCausalLM и 14 млрд параметров. Она принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. В карточке заявлена помощь с Python по шаблону Alpaca; также описан свободный, иногда грубый стиль общения. Нативная длина контекста — 131072 токена. Модель распространяется по лицензии Artistic-2.0. Автор предупреждает о резком стиле и возлагает на пользователя ответственность за формулировку запросов. Указание о дообучении на персоне не подтверждает качество кода или поведение на других задачах.

BoostedV1-ILv9 — разговорная языковая модель, разработанная auryn-macmillan на основе DeepSeek-R1-Distill-Qwen-1.5B. Это плотная модель семейства Qwen2 с 1,5 млрд параметров, обученная продолжением LoRA-настройки и несколькими раундами итеративного самоулучшения: модель генерировала решения, они проверялись и проходили самоаудит, после чего отобранные примеры использовались для обучения. Модель предназначена для генерации текста с упором на рассуждения, математические задачи и написание кода; поддерживает диалоговый сценарий и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена, основной язык карточки — английский. В приведённой оценке результат GSM8K вырос с 46,0% до 46,5%, а HumanEval pass@1 — с 7,3% до 11,0% относительно BoostedV1 Phase-1; результаты относятся к указанным бенчмаркам и не гарантируют качество в других задачах. Модель распространяется в формате safetensors по лицензии MIT.