II.2Создание и понимание программного кода

camlcoder — авторская донастройка причинной языковой модели ReplitLM размером 2,7 млрд параметров для автодополнения кода на OCaml. Она дообучена на подмножестве The Stack Dedup v1.2 и актуальных версиях пакетов Opam, совместимых с OCaml 5.0, поэтому подходит для продолжения и дополнения исходного кода с учётом экосистемы языка. Репозиторий содержит веса в формате safetensors; для запуска в README перечислены PyTorch и Transformers. Модель распространяется по лицензии CC BY-SA 4.0. Карточка не сообщает длину контекста и не приводит оценки качества; модель специализирована на коде OCaml и не предназначена для общего диалога.

AmberYifan/capsd-opc-dedup-marin-8b-base-code_ppl_b60000_s0 — дообученная плотная авторегрессионная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Обучение проводилось на наборе capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_ppl_b60000_s0; название набора указывает на смесь данных с кодом, но README не уточняет состав и оценку качества. Модель содержит 7,5 млрд параметров, работает с текстом и имеет контекстное окно 4096 токенов. В метаданных указана возможность чата; основная задача — генерация текста, включая продолжение кода и диалоговые ответы. Базовая модель описана как англоязычная, поэтому английский является основным языком. Модель распространяется под лицензией с обозначением other; конкретные условия следует проверять в репозитории. README не приводит сведений о целевых сценариях, результатах оценки или известных ограничениях.

ChartVerse-Coder — инструкционная языковая модель для генерации кода визуализаций, разработанная в рамках проекта OpenDataLab ChartVerse. Она дообучена на базе Qwen/Qwen2.5-Coder-7B-Instruct и предназначена для автономного создания кода графиков с нуля, включая сложные и разнообразные визуализации: 3D-графики, иерархические диаграммы, статистические графики и многокомпонентные макеты. Модель имеет плотную архитектуру Qwen2, 7,1 млрд параметров и контекстное окно 32 768 токенов; заявленный язык карточки — английский. Обучение включает отбор сложных примеров по метрике Rollout Posterior Entropy и итеративное улучшение на сгенерированных, проверенных и отфильтрованных образцах. Модель рассчитана на генерацию кода для дальнейшего построения диаграмм и подготовки данных для вопросов и ответов по визуализациям. Репозиторий распространяется под лицензией Apache-2.0.

Это исследовательский чекпойнт Qwen3-4B, дообученный методом обучения с подкреплением OpenRLHF GRPO для генерации кода. Его разработчик обучал модель непосредственно от Qwen/Qwen3-4B-Instruct-2507 без отдельного SFT-этапа. Чекпойнт сохранён на шаге 4 обучения и показал лучший в этом запуске результат по pass@8 на специально отобранных сложных задачах программирования; численные метрики оценки в журнале обучения отсутствуют. Модель предназначена для генерации программ, решающих задачи с проверкой тестами. Награда была бинарной: программа получала положительную оценку, если проходила тесты, иначе нулевую; для усечения и слишком длинных ответов применялись штрафы. Это плотная языковая модель семейства Qwen3 примерно на 3,7 млрд параметров с контекстом до 262 144 токенов, работающая через Transformers и сохранённая в safetensors. Лицензия в предоставленных данных не указана.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом обучения с подкреплением OpenRLHF GRPO. Модель предназначена для генерации кода и решения задач программирования: обучение проводилось на задачах, которые исходная модель решала редко, а награда зависела от прохождения тестов сгенерированной программой. Чекпойнт сохранён на восьмом шаге обучения; в описанном запуске он показал pass@8 0,5818 на отложенной выборке при восьми генерациях на задачу. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Она принимает текст и генерирует текст, включая код; базовая модель поддерживает контекст до 262 144 токенов. В README не указаны лицензия и конкретный набор поддерживаемых естественных языков, поэтому условия использования и языковые возможности сверх сведений о базовой модели определить нельзя.

CodeScout-1.7B — компактная языковая модель для поиска и локализации кода в репозиториях, разработанная OpenHands. На входе она использует описание задачи или GitHub issue и содержимое репозитория, чтобы определить связанные файлы, модули, классы и функции; модель предназначена для роли агента локализации в составе более крупного конвейера разработки ПО. Это плотная авторегрессионная модель семейства Qwen3 с 1,7 млрд параметров, дообученная в два этапа: на траекториях с правильной локализацией и затем методом обучения с подкреплением GSPO. Она работает через OpenHands-Bash: использует стандартные команды Unix в терминале и инструмент для структурированной отправки результатов. Метаданные указывают контекст до 40 960 токенов; в README для обучения указана длина контекста 32K. Поддерживаемый в карточке язык — английский, а обучение и оценка проводились на репозиториях Python. Модель ориентирована на определение мест изменений, а не на редактирование кода или самостоятельное решение задачи. Для оптимальной работы ей требуется оболочка OpenHands-Bash; качество может снижаться на репозиториях, существенно отличающихся от обучающих. Лицензия — Apache-2.0.

Continual AI 2.0B (Reasoning Infused v2) — языковая модель с открытыми весами от Continual AI Research, построенная на архитектуре Mistral. Репозиторий содержит около 1,7 млрд параметров в формате safetensors; README указывает 1,83 млрд параметров, 28 слоёв, Grouped-Query Attention и SwiGLU. Контекст модели составляет 8192 токена. Модель предназначена для генерации текста в диалогах, многошаговых рассуждений, решения математических и логических задач, а также генерации кода. В карточке заявлены механизмы непрерывного обучения, включая индексируемую память и адаптеры пластичности; README также заявляет снижение катастрофического забывания, но не приводит независимых подтверждений этих свойств. Метаданные отмечают возможности чата и работы с кодом. Указан английский язык. Модель можно загружать через Transformers как причинную языковую модель. Лицензия — Apache-2.0. Заявленные в README результаты на математических, логических и алгоритмических задачах описаны без достаточных деталей о методике оценки, поэтому их следует считать заявлениями авторов, а не независимой оценкой качества.

CRIA v1.3 — языковая модель на базе Llama 2, созданная автором davzoku для чат-платформы и быстрого прототипирования приложений с открытыми LLM. Модель дообучена методом QLoRA на наборе mlabonne/CodeLlama-2-20k, а затем объединена с базовой моделью. В репозитории представлены веса PyTorch и Safetensors; указанный размер — 6,6 млрд параметров, контекст — до 4096 токенов. Модель предназначена для диалоговой генерации текста и задач, связанных с кодом, в составе чат-приложений. README указывает на дообучение Llama 2 Chat, но карточка не приводит результаты оценки качества или подробные сведения о поддерживаемых языках; метаданные отмечают английский. Лицензия — Llama 2 Community License.

Cronformer — компактная модель impalasys для преобразования коротких запросов на английском языке о расписании в пятикомпонентные выражения cron. Она предназначена для интерфейсов настройки расписаний, инструментов разработчика и локальных автоматизаций, которым нужно предложить cron-выражение по текстовому описанию. Модель использует дообученный BERT-энкодер google/bert_uncased_L-2_H-128_A-2 с архитектурой encoder-only и структурированный декодер: он предсказывает поля минут, часов, дня месяца, месяца и дня недели напрямую, а не генерирует выражение как текст. В модели 6 334 826 параметров, максимальная длина входа — 128 токенов. Выход представлен структурой CronOutput, которую вспомогательный код преобразует в строку cron в стиле Vixie. Для загрузки пользовательского кода Transformers требуется включить trust_remote_code=True. Модель может быть полезна для подсказок cron в интерфейсах и автономной генерации вариантов, но неоднозначные формулировки могут привести к синтаксически правильному, но неверному расписанию; рекомендуется показывать кандидаты или запрашивать подтверждение. Модель обучалась и оценивалась только на английском языке, поддерживает только пятикомпонентный cron и не учитывает секунды, годы, часовые пояса, праздники, переходы на летнее время и внешнее состояние. Оценка основана на внутренних наборах примеров проекта. Лицензия — AGPL-3.0.

DASD-4B-Thinking-GGUF — это квантизированная версия компактной плотной языковой модели DASD-4B-Thinking, разработанной Alibaba-Apsara и преобразованной в формат GGUF с помощью llama.cpp; квантизацию выполнил GGUF Quantizer Space. Исходная модель основана на Qwen3-4B-Instruct-2507 и обучалась методом distribution-aligned sequence distillation с использованием gpt-oss-120b в качестве учителя и 448 тыс. обучающих примеров. Модель предназначена для задач, требующих рассуждений по длинной цепочке, включая решение математических задач, генерацию кода и научное рассуждение. Это текстовая модель с параметрами порядка 4 млрд, ориентированная на локальный запуск на пользовательском оборудовании через llama.cpp или Ollama. README не указывает поддерживаемые языки и размер контекстного окна. Доступно множество вариантов квантизации от Q2_K до Q8_0. Q4_K_M и Q5_K_M отмечены как рекомендуемые и предлагают компромисс между размером и качеством, тогда как Q8_0 обеспечивает близкое к исходному качество при большем размере. Среди заявленных сильных сторон — высокие результаты на AIME24, AIME25, LiveCodeBench и GPQA-D, а также возможность запуска сравнительно небольшой модели на потребительском оборудовании. Более агрессивная квантизация может приводить к заметной потере качества. Лицензия в представленном README не указана.

LnL-AI/dbrx-base-converted-v2 — конвертированная версия DBRX Base, модели семейства DBRX, разработанного Databricks. Репозиторий описывает изменение раскладки весов: матрица Wqkv разделена. Модель — декодерный трансформер для продолжения текста, построенный на архитектуре mixture-of-experts: 132 млрд параметров всего, из которых 36 млрд активны для каждого входа; используются 16 экспертов, выбираются 4. В README указаны RoPE, GLU, GQA и контекст до 32 768 токенов. Модель предназначена для генерации продолжений на английском языке и для задач с кодом; это базовая, предварительно обученная модель, не настроенная для диалога или выполнения инструкций. Она принимает и выдаёт только текст. Обучение проводилось на текстовых и кодовых данных, преимущественно на английском; компетентность в других языках разработчики не проверяли. Это конверсия исходной модели DBRX Base; репозиторий содержит веса в формате safetensors. Лицензия — Databricks Open Model License. Выводы могут быть неточными, неполными, предвзятыми или оскорбительными; для сценариев, где важна точность, разработчик рекомендует RAG и дополнительную проверку безопасности для конкретного применения.

Экспериментальная модифицированная версия DeepSeek-R1-Distill-Llama-8B, подготовленная 3MPER0RR. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для диалоговой генерации текста. Базовая модель была дообучена на данных рассуждений DeepSeek-R1 и рассчитана на математические задачи, программирование и многошаговые рассуждения; в этой версии заявлена модификация abliterated. Модель принимает текст и выдаёт текст. Контекстное окно — 131 072 токена. В репозитории указаны веса Safetensors; модель распространяется по лицензии MIT. README сообщает, что версия экспериментальная и была протестирована и сохранена.

huihui-ai/DeepSeek-R1-Distill-Qwen-32B-abliterated — версия DeepSeek-R1-Distill-Qwen-32B, созданная разработчиком huihui-ai методом abliteration для удаления отказов модели. Это плотная языковая модель семейства Qwen2, предназначенная для диалоговой генерации текста и решения задач рассуждения, математики и программирования с меньшим числом отказов на запросы. Модель содержит 32 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов; для работы указана библиотека Transformers и формат Safetensors. В README разработчик называет реализацию грубой проверкой концепции. Удаление отказов не гарантирует корректности или безопасности ответов. Базовая модель — DeepSeek-R1-Distill-Qwen-32B. Условия лицензии в предоставленных материалах не описаны.

mobiuslabsgmbh выпустила DeepSeek-R1-ReDistill-Qwen-1.5B-v1.1 — повторно дистиллированную версию DeepSeek-R1-Distill-Qwen-1.5B для повышения качества генерации текста и рассуждений. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов; веса представлены в формате safetensors. Модель подходит для диалогов и решения задач, в том числе по математике и программированию. В README приведены сравнительные результаты на ARC, HellaSwag, MMLU, GPQA, MMLU PRO и MUSR: версия v1.1 показывает более высокие значения, чем исходная DeepSeek-R1-Distill-Qwen-1.5B, на перечисленных тестах. Модель распространяется по лицензии MIT. В карточке не приведены сведения о языковом охвате и подробные ограничения; качество ответов следует проверять для конкретного сценария.

DeepSeek-V4-Flash-0731 — Abliterated — это дообученная и изменённая версия DeepSeek-V4-Flash-0731, разработанного DeepSeek. Модель предназначена для генерации текста, агентного программирования, рассуждений, инструментального вызова и работы с длинным контекстом. Это текстовая модель на архитектуре Mixture-of-Experts с 284 млрд параметров всего и примерно 13 млрд активных параметров. Она содержит 43 слоя, 256 маршрутизируемых экспертов с выбором top-6, одного общего эксперта, гибридное внимание CSA и HCA, Lightning Indexer, mHC-гиперсвязи и встроенную трёхступенчатую DSpark draft head. Нативный контекст составляет 1 048 576 токенов, в указанной конфигурации модель обслуживается с контекстом 262 144 токена. Поддерживаемые языки в README не указаны, модальность — текстовая. Модель сохраняет исходные эксперты, маршрутизаторы, эмбеддинги, нормализации, параметры mHC и компоненты инструментального вызова; изменены только проекции выходов внимания в 46 модулях. По заявлению авторов, это устраняет поведение отказа: в проведённых тестах доля отказов составила 0%, а соответствие вызовам инструментов — 100%. При этом результаты отражают ограниченные выборки и не доказывают абсолютное отсутствие отказов или ошибок. Модель позиционируется как uncensored и может отвечать на потенциально опасные запросы, поэтому требует осторожного применения и локального запуска на контролируемом оборудовании. Размер составляет около 167 ГБ, используется нативная точность FP4 и FP8 без дополнительного квантования; для указанной конфигурации требуется распределённый запуск на двух NVIDIA DGX Spark с vLLM. Лицензия — MIT. Модель ориентирована прежде всего на локальное и исследовательское использование; ограничения по безопасности и ответственность за применение лежат на пользователе.

Developer Git Commit Agent — компактная модель на базе Qwen2.5-Coder-0.5B-Instruct, дообученная для создания кратких, ясных и профессиональных сообщений коммитов Git по изменениям в коде. Она предназначена для разработчиков, которые хотят автоматически формулировать сообщения по diff и использовать модель в локальных скриптах или терминальных рабочих процессах через библиотеку Transformers. Модель имеет плотную архитектуру Qwen2 и содержит 494 млн параметров; контекстное окно — 32 768 токенов. Карточка указывает поддержку английского языка и форматы safetensors. Модель распространяется по лицензии Apache-2.0. Размер может быть удобен для локального запуска, однако качество генерации сообщений коммитов и применимость к сложным или объёмным diff в карточке не оценены.

Карточка модели Eric111/FINAL-Bench_Darwin-4B-Opus на Hugging Face совпадает с карточкой FINAL-Bench/Darwin-4B-Opus, поэтому описание составлено по ней. Darwin-4B-Opus — языковая модель для диалога и рассуждений, созданная VIDRAFT с помощью движка Darwin V6. Это слияние Google Gemma 4 E4B Instruct и модели Gemma-4-E4B-Claude-4.6-Opus-Reasoning-Distilled; при слиянии DARE-TIES применялись диагностически подобранные коэффициенты для отдельных тензоров. Модель использует архитектуру Gemma4ForConditionalGeneration с MoE, содержит около 4 млрд параметров и представлена в формате BF16 и safetensors. Модель предназначена для ответов на вопросы, рассуждений, программирования, математики и анализа на одном потребительском GPU. В README заявлены контекст 128 тыс. токенов и поддержка более 140 языков; метаданные карточки перечисляют английский, корейский, японский и китайский. Архитектура базовой модели поддерживает изображения и аудио, однако README не описывает эти сценарии для Darwin-4B-Opus. В README приведён результат 82,92% на ARC-Challenge в режиме zero-shot; авторы отмечают, что проверка здоровья модели не проводилась. Модель распространяется по лицензии Apache 2.0. Фактическое качество на других задачах и мультимодальная работа в карточке не подтверждены.

Fwizzer-R1-3B-EN-v2 — компактная языковая модель, разработанная fwizzer1 на основе Ministral-3-3B-Instruct-2512 от Mistral AI. Модель дообучена методом LoRA на наборе данных fwizzer1/en-deepthink-mega, включающем 17 281 проверенную пару с рассуждениями. Основная специализация — англоязычные задачи рассуждения, математика, логический вывод и генерация кода; в карточке также заявлена поддержка русского языка. Модель имеет 3,29 млрд параметров и предназначена для текстовой генерации. Заявлено контекстное окно до 32 768 токенов, при этом рекомендуемая длина контекста составляет 8192 токена. Она рассчитана на локальный запуск на потребительских GPU, ноутбуках и одноплатных компьютерах; для GGUF-квантизаций указано потребление примерно от 2,5 до 4,2 ГБ VRAM или RAM в зависимости от варианта. Поддерживаются сценарии работы через llama.cpp, LM Studio, Ollama, vLLM и другие совместимые инструменты. Сильными сторонами являются малый размер, ориентация на пошаговое решение задач и заявленные результаты на GSM8K — 84,1%, MATH — 56,3% и HumanEval — Pass@1 65,2%. Ограничения включают компактный масштаб модели по сравнению с крупными LLM и встроенный системный промпт, задающий формат рассуждений в тегах <think> и </think>; его влияние и качество ответов могут зависеть от конкретного клиента и настроек запуска. Модель распространяется по лицензии Apache 2.0.

GALPACA 6.7B — языковая модель на архитектуре OPT, созданная дообучением GALACTICA 6.7B на 52 тысячах пар инструкций и ответов из набора Alpaca. Модель разработана для ответов на запросы в формате инструкций и ориентирована на научные и технические задачи; её базовая модель обучалась на крупном корпусе научных текстов и данных. Размер модели по метаданным — 8,8 млрд параметров, максимальный контекст — 2048 токенов. Модель принимает текст и генерирует текст. Качественные оценки указывают на сильные стороны в технических знаниях и программировании по сравнению с некоторыми моделями Alpaca на базе LLaMA, но на обычной генерации прозы она уступает им. Ответы могут быть неточными, поэтому для практического применения нужны проверки и меры предосторожности. Лицензия — CC BY-NC 4.0; использование также связано с условиями OpenAI, поскольку набор Alpaca был создан с помощью text-davinci-003.

Gemini3.5-Code.Reasoner-2b-Distilled — компактная причинно-языковая модель для кода, разработанная WithinUsAI на базе google/codegemma-1.1-2b. Модель дообучена с помощью LoRA и дистиллированных синтетических примеров; её плотная архитектура GemmaForCausalLM содержит 2,5 млрд параметров. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache 2.0. Модель предназначена для генерации кода, решения алгоритмических задач и пошаговой логики, а также для локальных помощников в IDE и отладки. Заявленная длина контекста — 8192 токена, основной язык карточки — английский. Компактный размер рассчитан на локальный запуск, однако заявленные сценарии и качество не подкреплены в карточке результатами оценивания. README упоминает LoRA, но метаданные классифицируют модель как дообучение; отдельный адаптерный формат в доступных данных не указан.

Это дообученная версия Gemma 4 12B Coder от tpls с изменёнными весами: методом abliteration из неё удалено направление отказа. Модель предназначена для генерации кода и агентных сценариев с вызовом инструментов; веса в формате safetensors рассчитаны на локальный запуск, дальнейшее дообучение, слияние или квантизацию. Карточка также указывает на готовые к запуску варианты GGUF в отдельном репозитории. Модель выдаёт вызовы инструментов в нативной разметке Gemma 4. Парсер llama.cpp с параметром --jinja может распознавать их некорректно, поэтому для преобразования в стандартные tool_calls нужен серверный shim. Генерируемые ответы и аргументы инструментов могут быть ошибочными или вымышленными; их следует проверять. После удаления отказов защитные ограничения существенно ослаблены, поэтому модель не подходит для сценариев, где важно поведение отказа. Модель помечена как устаревшая и заменённая более новой версией. Лицензия — Gemma.

Gemma-4-26B-A4B-JANG_4M-CRACK — мультимодальная MoE-модель на базе google/gemma-4-26b-a4b-it, подготовленная dealignai. В ней заявлены 128 экспертов с выбором 8 активных, гибридное скользящее и глобальное внимание, режим рассуждений и обработка изображений. Репозиторий содержит квантизированные веса в формате safetensors; профиль JANG_4M использует указанные авторами уровни точности 8 и 4 бит для разных частей модели. Для запуска рекомендован vMLX или совместимый движок MLX с поддержкой Gemma 4; в README указаны Mac на Apple Silicon и 24 ГБ или больше объединённой памяти. Модель предназначена для диалогов, программирования, общих вопросов и анализа изображений. Автор сообщает о тестах на HarmBench, MMLU и наборе запросов по кибербезопасности, однако это результаты собственных проверок, а не независимая оценка качества. Модель намеренно ослабляет отказы на вредоносные запросы, что повышает риск получения небезопасных инструкций; показатели бенчмарков сами по себе не гарантируют качество или безопасность в практических сценариях. Лицензия — Gemma; README описывает модель как исследовательскую и возлагает ответственность за соблюдение законов на пользователя.

Gemma 4 31B it qat JANG_4M CRACK — созданная dealignai модификация Google Gemma 4 31B Instruct для запуска в vMLX на компьютерах Mac с Apple Silicon. Это плотная мультимодальная модель класса Gemma4 с 60 слоями и гибридным скользящим и глобальным вниманием; она принимает текст и изображения, поддерживает диалог, ответы на вопросы, многошаговые рассуждения и генерацию кода. Квантизация JANG_4M использует 8-битную точность для attention и 4-битную для MLP. По заявлению авторов, модель сохраняет возможности зрения и связность ответов; в их тестах MMLU снизился на 1,8 процентного пункта относительно базовой модели. Авторы также сообщают о снятии отказов для широкого набора вредоносных запросов. Это существенно ограничивает безопасное применение модели: она может помогать с опасными действиями. Для запуска требуется vMLX с поддержкой Gemma 4 и Mac на Apple Silicon с достаточной общей памятью; стандартные mlx_lm и mlx_vlm, согласно карточке, не обеспечивают полной поддержки Gemma 4. Лицензия — Gemma; авторы указывают исследовательское назначение и ответственность пользователей за соблюдение законов.

mondk/GGUF.chatgpt-gpt-codex-V2 — языковая модель для генерации текста, ориентированная прежде всего на диалоговые сценарии и работу с программным кодом. Модель разработана пользователем или организацией mondk; в качестве базовой модели указана mondk/Safetensors.chatgpt-gpt-gpt5.1-thinking. Заявлены более чистая генерация кода и более быстрые ответы, однако отмечается небольшое снижение точности кода. Модель обучалась с использованием наборов данных mondk/chatgpt-gpt-chat-jsonl, mondk/joke-redteam-safety-dataset, TeichAI/gpt-5.1-codex-max-1000x и TeichAI/glm-4.7-350x. README не содержит сведений об архитектуре, размере, поддерживаемых языках, модальностях и длине контекста, поэтому эти характеристики оценить нельзя. Указана лицензия Apache-2.0; модель распространяется в формате GGUF, а связанная реализация использует библиотеку PEFT.

gorilla-llm/gorilla-7b-tf-delta-v0 — языковая модель Gorilla, разработанная командой Gorilla LLM при UC Berkeley. Это авторегрессионная трансформерная модель семейства LLaMA с 6,6 млрд параметров, дообученная для генерации вызовов API TensorFlow Hub по запросам на естественном языке. Модель предназначена для сценариев, где нужно преобразовать намерение пользователя в семантически и синтаксически корректный вызов API; работа строится на данных APIBench. Модель принимает текст и генерирует текст с кодом вызова API. В карточке заявлена работа с TensorFlow Hub API в режиме zero-shot; метаданные указывают английский язык, контекст 2048 токенов и формат PyTorch. Лицензия — Apache-2.0. Описание Gorilla в README также упоминает поддержку более широкого набора API, однако данный чекпойнт специально обозначен как версия для TensorFlow Hub.

ShiningValiant3 — дообученная Valiant Labs модель генерации текста на архитектуре GPT-OSS-20B с MoE. Она предназначена для научных рассуждений, проектирования систем искусственного интеллекта, решения сложных задач, общего и творческого reasoning, а также диалогов и следования инструкциям. В карточке указаны наборы данных с примерами рассуждений DeepSeek R1 0528; модель использует формат промпта gpt-oss-20b и обычно рекомендуется высокий уровень reasoning. Модель принимает текст и генерирует текст. Метаданные указывают контекст до 131 072 токенов и 1,6 млрд параметров; доступен формат safetensors, а в README отмечены веса bf16 и возможность локального запуска на настольных и мобильных устройствах, а также быстрого серверного инференса. Основной язык карточки — английский. Модель распространяется по лицензии Apache-2.0. README позиционирует её для открытого использования; практические результаты зависят от сценария и вычислительных ресурсов, особенно при использовании bf16.

GRaPE 2 Nano — компактная мультимодальная модель SLAI (Skinnertopia Lab for Artificial Intelligence), дообученная на базе Qwen/Qwen3.5-0.8B. Она принимает текст и изображения и генерирует текст; модель рассчитана на диалоги, программирование, математику, научно-технические вопросы и задачи на логическое рассуждение. В README заявлены управляемые режимы глубины рассуждения, включая минимальный, краткий и адаптивный; доля кода в данных постобучения указана примерно как 50%. Архитектура — плотная Qwen3.5 с поддержкой зрения; размер базовой модели — 0,8 млрд параметров. Заявлена поддержка английского, китайского, французского, немецкого, испанского, японского, корейского, португальского, русского и арабского языков. Длина контекста в предоставленных данных не указана. Данные постобучения закрытые и проприетарные, независимая оценка качества в карточке не приведена. Модель выпущена по лицензии Apache 2.0.

Hemlock-Apothecary-7B-GRPO-e3 — дообученная методом GRPO модель на базе hemlang/Hemlock-Apothecary-7B, разработанная для генерации и решения задач по программированию с проверкой выполнения кода. Это плотная причинная языковая модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов; доступны веса Safetensors и квантованный вариант GGUF Q8_0. Обучение проводилось с LoRA на датасете hemlang/hemlock-codex3-SFT с наградой за успешное выполнение кода. Модель рассчитана на сценарии, где можно сгенерировать несколько вариантов решения и проверить их интерпретатором. В приведённом бенчмарке pass@5 составил 71,1% против 68,4% у базовой модели, тогда как pass@1 ниже: 52,6% против 60,5%. Поэтому она подходит для перебора кандидатов с автоматической проверкой, но менее надёжна при генерации единственного ответа. Лицензия — Apache-2.0.

Hemlock-Jan-code-4B-i1-GGUF — это GGUF-квантизированная версия языковой модели Hemlock-Jan-code-4B, разработанной nbeerbower и дополнительно квантизированной mradermacher. Модель обучалась с применением supervised fine-tuning на наборе данных hemlang/Hemlock-SFT и предназначена для генерации текста, прежде всего для задач, связанных с программированием и обработкой англоязычных запросов. Модель имеет заявленный размер около 4 млрд параметров и поддерживает текстовую модальность. В репозитории представлены варианты квантизации i1 с разными форматами и размерами файлов — примерно от 1,3 до 3,7 ГБ, включая IQ и Q-варианты. Это позволяет выбирать между скоростью, требованиями к памяти и качеством, причём автор рекомендует i1-Q4_K_M как быстрый вариант и отмечает i1-Q4_K_S как сбалансированный по размеру, скорости и качеству. К сильным сторонам относятся компактность, возможность локального запуска на ограниченных ресурсах и наличие множества уровней квантизации. Ограничения включают потенциальное снижение качества у наиболее агрессивно сжатых вариантов, отсутствие в README сведений об архитектуре, размере контекста, точных возможностях программирования и результатах benchmark-тестов. Лицензия модели в предоставленных данных не указана.

HopCoder Mini-35B-A3B-VL36 — мультимодальная модель для работы с кодом и агентных сценариев, выпущенная Taimoor Siddiqui. Она объединяет текстовую модель с 35 млрд общих и 3 млрд активных параметров с визуальным стеком VL36. В репозитории веса не дообучались: к текстовому чекпойнту добавлены тензоры визуальной части, поэтому это объединённая модель с сохранёнными текстовыми весами и добавленной поддержкой зрения. Модель принимает текст и изображения, а также поддерживает понимание видео; предназначена для чата, анализа изображений и видео, программирования и вызова инструментов. Карточка заявляет сценарии длинного контекста, но конкретная длина не приведена. Веса BF16, формат хранения — safetensors; для запуска автор рекомендует vLLM 0.23 или новее. Лицензия — Apache-2.0. Качество визуальной части не проверялось на бенчмарках, а возможности агентного редактирования файлов ограничены: модель может анализировать код, но испытывает трудности с автономным переходом от исследования к редактированию. Формальной оценки безопасности и выравнивания не проводилось.