II.2Создание и понимание программного кода

HOS-OSS-1.54B — компактная авторегрессионная языковая модель, опубликованная hydffgg и дообученная на базе Qwen/Qwen2.5-Coder-1.5B-Instruct. Она использует декодерную архитектуру в стиле LLaMA и предназначена для генерации текста и кода, следования инструкциям и диалогового общения. В метаданных указаны 596 млн параметров, контекст 1024 токена и библиотека Transformers; README заявляет размер около 1,54 млрд параметров и ориентир на быстрый запуск с ограниченными ресурсами, включая локальное использование. Модель поддерживает английский язык и формат чат-ответов. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка заявляет пригодность для небольших GPU и сред Colab или Kaggle, но результатов оценки качества не приводит.

Huihui-NeoHorse-1-4B-abliterated — экспериментальная версия TokenRhythm/NeoHorse-1-4B от Huihui AI с ослабленными отказами, созданная методом abliteration. Это плотная текстовая авторегрессионная модель семейства Qwen3.5 с 3,4 млрд параметров; она предназначена для диалога, следования инструкциям, рассуждений, программирования и агентных сценариев с вызовом инструментов. Модель работает через библиотеку Transformers и поддерживает контекст до 262 144 токенов. Автор описывает изменение как грубую проверку концепции: аблированы слои 5–17. README также упоминает извлечённые из исходной Qwen3.5-4B компоненты MTP и Vision, которые можно отдельно добавить в каталог модели; доступность этих компонентов в основном наборе весов не подтверждена. Снижение защитных ограничений повышает вероятность чувствительных, спорных или неподходящих ответов, поэтому результаты требуют проверки. Лицензия — Apache-2.0.

Huihui-OmniCoder-9B-abliterated — версия Tesslate/OmniCoder-9B от huihui-ai с ослабленным отказом от ответов с помощью метода abliteration. Это экспериментальная модель на архитектуре Qwen3.5 с 9 млрд параметров, предназначенная для генерации кода и многошаговых задач разработки ПО; также поддерживает диалог и обработку изображений вместе с текстом. В карточке указано использование через Ollama и Transformers. Ослабление фильтров безопасности может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Автор характеризует реализацию как грубую проверку концепции. Модель распространяется по лицензии Apache-2.0.

Instinct-Python-Coder-Gemma4-12B-KimiK3 — дообученная модель для генерации кода на Python, созданная на базе unsloth/gemma-4-12b-it. Разработчик в README не назван; при обучении использовались дистиллированные данные от Kimi K3 (Moonshot AI), на использование и распространение которых, согласно README, было получено письменное разрешение. Модель предназначена для решения задач программирования на Python: генерации кода по описанию на естественном языке, краткого рассуждения и последующей выдачи решения. Она использует формат сжатого рассуждения в канале <think></think>, что должно сокращать расход контекстного окна, ускорять инференс и снижать затраты. В README указаны базовая архитектура Gemma 4 12B, дообучение на 1,87 млн токенов с двумя проходами, суммарно 3,73 млн токенов, и длина последовательности 8192. Заявленный язык — английский; основная измеренная область применения — Python. В тесте из 228 задач модель решила 81 задачу с первой попытки, достигнув точности 35,5%, против 17,5% у базовой модели; время пакетного прогона также было меньше. Эти результаты получены однократным жадным декодированием без доверительного интервала и не гарантируют аналогичную эффективность в других условиях. Модель тестировалась только на Python, поэтому её возможности в других языках и сценариях не подтверждены; она также наследует ограничения Gemma 4. Доступна в виде одного файла Q8_0 GGUF размером около 13 ГБ, рассчитана на запуск через llama.cpp и совместимые инструменты при наличии примерно 16 ГБ памяти GPU или Mac. Указанная лицензия — Apache 2.0.

bartowski/Jackrong_Qwen3.5-9B-Neo-GGUF — это набор GGUF-квантизаций модели Jackrong/Qwen3.5-9B-Neo, подготовленный bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на задачи генерации текста и рассуждений, включая решение задач по программированию; при этом в карточке указан pipeline image-text-to-text, однако подробности поддержки изображений не приведены. Модель имеет размер порядка 9 миллиардов параметров, обучалась с использованием наборов данных Jackrong/Competitive-Programming-python-blend и stepfun-ai/Step-3.5-Flash-SFT. Заявлены английский и китайский языки, а также поддержка reasoning и chain-of-thought. Доступны варианты от BF16 и Q8_0 до компактных Q2_K_L, Q3 и IQ-квантизаций; версии с более высокой точностью обеспечивают лучшее качество, а младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Размер контекста и точная архитектура в README не указаны. Файлы предназначены для локального запуска через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые приложения. Для корректной работы следует использовать указанный шаблон prompt format с секцией <think>. Модель распространяется по лицензии Apache-2.0. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие в карточке подробных сведений о точности, производительности, контекстном окне и фактических возможностях мультимодальной обработки.

jk2 — дообученная модель для генерации текста, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; указанный базовый контекст — 16 384 токена. В метаданных заявлена задача text-generation, а базовая модель предназначена для продолжения, автодополнения и заполнения пропусков в коде. В README приведены значения метрик оценки, но назначение дообучения, обучающие данные и конкретные сценарии использования не описаны. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

jkto10k2 — дообученная модель stojchet на основе deepseek-ai/deepseek-coder-1.3b-base. Это плотная причинно-языковая модель архитектуры Llama с 1,3 млрд параметров, предназначенная для генерации текста. Базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде, однако README не уточняет назначение и данные именно этого дообучения. Модель принимает текст и выдаёт текст; заявленный контекст — до 16 384 токенов. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому конкретные условия использования по имеющимся сведениям определить нельзя.

K2-Horizon-0.9B-GGUF — компактная языковая модель семейства K2-Horizon, разработанная IFM. Репозиторий содержит версию модели в формате GGUF для запуска с помощью llama.cpp. Модель предназначена для генерации текста, решения математических и научных задач, программирования, следования инструкциям и сценариев с использованием инструментов. Это плотная decoder-only модель примерно с 0,9 млрд параметров и контекстным окном до 131 072 токенов. Для масштабирования RoPE применяется YaRN. Модель обучалась методом дистилляции знаний от нескольких специализированных учителей, ориентированных на математику и код, STEM-задачи и следование инструкциям. Поддерживаются английский и китайский языки. Тензоры хранятся в исходной точности BF16, а GGUF-файлы включают метаданные токенизатора и совместимый с llama.cpp шаблон чата. К сильным сторонам относятся небольшой размер, длинный контекст, открытость заявленных данных и рецепта обучения, а также специализация на рассуждениях, математике, коде и научных задачах. Для работы требуется версия llama.cpp с поддержкой архитектуры K2 Horizon; на момент публикации такая поддержка находилась в разработке, поэтому совместимость зависит от используемой сборки. Лицензия модели — Apache-2.0.

Kimi K2.75 Code — экспериментальный объединённый чекпойнт, созданный автором репозитория на основе moonshotai/Kimi-K2.7-Code и moonshotai/Kimi-K2.6. Веса объединены методом SLERP с разными коэффициентами для attention, MLP и прочих тензоров, затем чекпойнт был прорежен и упакован в safetensors. Модель предназначена для генерации текста в сценариях, связанных с программированием. Её архитектура обозначена как Kimi K2.5, класс — KimiK25ForConditionalGeneration; в метаданных указан формат safetensors и библиотека Transformers. Репозиторий помечен лицензией other, поэтому перед использованием следует проверить условия лицензии. Качество модели ещё не оценено полностью. Автор рекомендует проверять результаты перед практическим применением; конвертация в GGUF, квантизация и smoke-тестирование на момент публикации могли продолжаться.

NikiKrutan/Kiwen1.2-27B-MTP-GGUF — это набор квантованных моделей в формате GGUF, созданный пользователем NikiKrutan на основе beyoru/Kiwen1.2-27B и предназначенный для запуска через llama.cpp. Модель ориентирована на диалоговые и агентские сценарии, программирование, рассуждения, математику и задачи, требующие сложной логики. В описании также заявлена многоязычность, включая английский, русский и вьетнамский языки. Ключевая особенность проекта — экспериментальная стратегия квантования niki-allocator: тип квантования выбирается отдельно для каждого тензора с учётом оценок и проверок на основе KLD-метрик. Доступно 15 вариантов размера примерно от 8500 до 23000 МиБ; автор рекомендует выбирать самый большой вариант, который помещается в доступную память, поскольку больший размер обычно обеспечивает лучшее качество. Это позволяет адаптировать модель под разные аппаратные конфигурации, но скорость работы зависит от оборудования и параметров llama.cpp и отдельно не измерялась. README не сообщает точные архитектурные характеристики исходной модели, размер контекста или подтверждённую поддержку мультимодального ввода, поэтому эти свойства нельзя надёжно определить по представленным данным. Модель распространяется по лицензии Apache-2.0. Для корректной работы требуется использовать рекомендованный авторами chat template; шаблон froggeric и его производные объявлены неподходящими.

KLA-SLM-CODING — компактная языковая модель семейства Gemma от Finisha-LLM, обученная с нуля на корпусе исходного кода. Она предназначена для генерации и автодополнения кода: продолжения функций, циклов и условных конструкций, а также предсказания следующих фрагментов программы по уже введённому коду. Модель построена на архитектуре GemmaForCausalLM, содержит 185,1 млн параметров, использует формат safetensors и имеет контекст длиной 512 токенов. В метаданных указан английский язык; карточка описывает сценарии локального использования, включая интеграцию с IDE и запуск на мобильных или локальных устройствах. Небольшой размер ориентирован на быструю генерацию и автодополнение, но короткий контекст ограничивает работу с крупными файлами и длинными зависимостями. Карточка заявляет обучение на коде без разговорных данных, однако не приводит перечень языков программирования, датасетов или независимых оценок качества. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория.

KwaiCoder-23B-A4B-v1 — открытая модель автодополнения кода, разработанная командой Kwaipilot компании Kuaishou. Она предназначена для продолжения фрагментов кода и вставки кода в заданный контекст. Модель использует архитектуру MoE семейства Mixtral; в метаданных указано 1,8 млрд параметров и контекст до 4096 токенов. README описывает обучение с применением обрезки модели, дистилляции знаний и тонкого слияния, но базовая модель не указана. Метаданные отмечают поддержку многоязычности, однако конкретные языки программирования и естественные языки не перечислены. Модель распространяется по лицензии MIT. Заявление README о высоких результатах на нескольких наборах оценки не сопровождается названиями бенчмарков или численными результатами; качество для конкретных языков и сценариев по имеющимся данным оценить нельзя.

Модель LeroyDyer/LeroyDyer-Mixtral_AI_CyberTron_Ultra — дообученная LeroyDyer текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для диалогов и генерации текста, в том числе ответов на вопросы, программирования, математики, финансовых тем, проектирования продуктов и систем, а также ролевых сценариев. Разработчик сообщает о тренировке на учебных и математических материалах, наборах данных для кода и диалогов, а также о поддержке многошаговых ответов и нескольких стилей взаимодействия. Метаданные указывают контекст до 32 768 токенов, библиотеку Transformers и формат Safetensors. В карточке заявлена ориентация преимущественно на английский язык; среди датасетов также есть материалы на суахили и многоязычный корпус. Модель может подойти для прототипирования чат-помощников и генерации кода, однако утверждения о качестве основаны на описании разработчика и не сопровождаются результатами независимой оценки. Указана лицензия Apache-2.0.

mradermacher/lexi-coder-v4.4-GGUF — это набор статически квантизованных файлов модели lexi-coder-v4.4, базовая версия которой разработана reallexi. Репозиторий подготовлен mradermacher в формате GGUF для запуска модели в совместимом локальном программном обеспечении. В метаданных указан английский язык, а название указывает на специализацию исходной модели в задачах, связанных с кодом, однако подробное описание её назначения в README отсутствует. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16 объёмом примерно от 1,8 до 7,8 ГБ. Более сильное квантование обычно уменьшает требования к памяти, но может снижать качество; README отдельно отмечает Q4_K_S и Q4_K_M как быстрые рекомендуемые варианты, Q6_K как вариант очень хорошего качества, а Q8_0 — как быстрый вариант наилучшего качества. Архитектура, число параметров, размер контекста, поддерживаемые модальности и точные языковые возможности не указаны. Модель подходит для локального инференса в приложениях, поддерживающих GGUF, при выборе компромисса между размером файла, скоростью и качеством. Для weighted/imatrix-квантований приведена отдельная коллекция. Лицензия обозначена как other с условием inherits-base-model-and-dataset-terms, поэтому использование должно соответствовать лицензиям базовой модели и использованных наборов данных.

BenjaminHelle/LFM2.5-1.2B-Instruct-Code-V1.1 — дообученная и конвертированная в GGUF версия LFM2.5-1.2B-Instruct-Code, подготовленная с помощью Unsloth. Это плотная языковая модель семейства LFM2 для генерации текста в формате чата; размер по метаданным — 1,5 млрд параметров, контекст — до 128 000 токенов. В репозитории доступны варианты GGUF Q4_K_M и Q8_0 для запуска через llama.cpp. Модель предназначена для диалоговой генерации текста и сценариев, связанных с кодом. Карточка не приводит результаты бенчмарков, перечень поддерживаемых языков или подробные сведения о качестве на задачах программирования. Лицензия в предоставленных данных не указана.

TeichAI/LFM2.5-1.2B-Thinking-Pony-Alpha-Distill — дообученная TeichAI текстовая модель на архитектуре LFM2 с плотной причинной языковой моделью Lfm2ForCausalLM. Она основана на LiquidAI/LFM2.5-1.2B-Thinking и обучена на датасете TeichAI/Pony-Alpha-15k, сформированном на основе раннего чекпойнта Pony Alpha. Модель предназначена для генерации текста с рассуждениями и диалогов; среди заявленных сценариев — программирование, научные задачи и глубокое исследование. Поддерживает контекст до 128 000 токенов, содержит 1,5 млрд параметров и доступна в формате Safetensors. Метаданные отмечают интерфейс для вызова инструментов. Лицензия — Apache 2.0. Это компактная модель для локального развёртывания и задач, где полезны рассуждения и длинный контекст. README приводит рекомендованные параметры генерации: temperature 0,05, top_k 50 и repeat_penalty 1,05. Карточка не сообщает результаты оценивания или подробности о качестве и ограничениях модели; заявленные сценарии следует считать ориентиром, а не гарантией точности.

RESMP.DEV LFM2.5-Encoder-230M-Code-BF16 — исследовательская производная модель на основе LiquidAI/LFM2.5-Encoder-230M, неофициально выпущенная RESMP.DEV. Это плотный двунаправленный энкодер семейства LFM2 размером 221,2 млн параметров; исходную голову masked language modeling удалили, а весь энкодер дообучили контрастивным методом для многоязычного поиска по коду. Модель предназначена для получения векторных представлений запросов и фрагментов кода и поиска подходящих фрагментов, в том числе в экспериментах на малых устройствах. Артефакт BF16 служит эталонной версией качества и доступен для Transformers; заявленная длина контекста — 128 000 токенов. В описанном тесте на 6 995 парах модель показала MRR 0,3960 и Recall@10 0,5375; результаты заметно различались по языкам: MRR для Python — 0,8360, для TypeScript — 0,2527. Эти показатели относятся к указанному тестовому набору и ограничениям длины запросов и фрагментов, поэтому не гарантируют такое же качество на других корпусах. Репозиторий распространяется по лицензии с меткой «other»; конкретные условия следует проверять в файлах репозитория.»,

Llama-3.1-Nemotron-Ultra-253B-CPT-v1 — базовая языковая модель NVIDIA, производная от Meta Llama-3.1-405B-Instruct и предназначенная для дальнейшей адаптации под конкретные приложения и предметные области. Это плотный декодерный Transformer с нестандартными блоками, выбранными методом Neural Architecture Search: в части блоков пропущено или заменено внимание, а слои FFN имеют разные пропорции и могут объединяться. Модель прошла дистилляцию и продолжительное предобучение; в README указано 253 млрд параметров, тогда как метаданные Hugging Face указывают 697,9 млрд. Модель принимает и генерирует текст, поддерживает контекст до 131 072 токенов и рассчитана прежде всего на английский язык и задачи с кодом. NAS-архитектура уменьшает требования к памяти и повышает пропускную способность и задержку относительно родительской модели; README сообщает, что для инференса модель помещается на одном узле с 8 H100. Она сохраняет часть возможностей следования инструкциям родительской модели, но заявлена прежде всего как основа для дообучения, а не как специализированный чат- или reasoning-чекпойнт. NVIDIA заявляет готовность к коммерческому использованию. В метаданных лицензия обозначена как other; перед применением следует проверить условия лицензии и использования NVIDIA. Крупный размер модели требует мощной вычислительной инфраструктуры; возможности на русском языке в карточке не заявлены.

winglian публикует вариант Meta Llama 3 8B с контекстным окном до 1 048 576 токенов. Это авторегрессионная плотная языковая модель на архитектуре Transformer с Grouped-Query Attention, предназначенная для генерации текста и кода. Она принимает текст и может использоваться для продолжения текста, диалоговых сценариев и адаптации к различным задачам генерации естественного языка. В карточке указано семейство Llama 3, но не описаны конкретные изменения PoSE или способ обучения этого чекпойнта. Поэтому его происхождение относительно исходной модели нельзя уверенно определить. README описывает Llama 3 как модель для коммерческого и исследовательского применения на английском языке; лицензия — пользовательская коммерческая лицензия Meta Llama 3. Ограничения включают ориентацию на английский язык и необходимость отдельно настраивать меры безопасности для конкретного приложения.

LTM-SFR-RUN-1 — дообученная языковая модель, опубликованная deepjoysur на базе unsloth/qwen2.5-coder-7b-instruct-bnb-4bit. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; карточка указывает обучение с Unsloth и библиотекой TRL. Модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Указана лицензия Apache-2.0. README не раскрывает специализацию дообучения или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять на собственных примерах.

Luaudev-177M-Preview-inst — предварительная instruct-модель от Pinkstack для генерации текста и кода, с настройкой на Luau. Она построена на архитектуре Qwen3 и содержит 164,8 млн параметров. Разработчик сообщает о предварительном обучении на 21 млрд токенов и последующем SFT на примерно 1,5 млрд токенов смешанных данных, включая код Luau, математику и вопросы-ответы. Модель рассчитана на помощь с кодом Luau, ответы на вопросы и математические запросы. Поддерживает диалог, четыре уровня reasoning и контекст до 32 768 токенов; в этой предварительной версии интерфейс вызова инструментов и агентные сценарии работают неидеально. В карточке заявлено обучение на английском языке и приведён датасет инструкций LuauDev. Это предварительная версия, которую автор прямо не рекомендует для production: возможны циклические ответы при высоком уровне reasoning. Лицензия — OpenMDW-1.1.

Lux-V2-Pro — плотная языковая модель на 31 млрд параметров, разработанная PoSTMEDIA AI Lab полным дообучением Gemma-4-31B-it. Она предназначена для диалогов и генерации текста, с особым акцентом на корейский язык, рассуждения и следование инструкциям. Модель обучали на синтетических корейских данных для общих диалогов, программирования, права, культурного наследия, туризма и математики; README сообщает о проверке данных исполнением кода, символическими вычислениями, правилами и источниками. Модель ориентирована на сложные корейскоязычные задачи, включая ответы на вопросы по предметным областям и математические рассуждения. В карточке приведены внутренние результаты тестов и заявлено улучшение относительно Lux-V1-Pro по большинству из 18 бенчмарков. Для высокорисковых решений ответы следует проверять: сведения могут быть неверными или устаревшими, особенно в правовой тематике. Модель наследует ограничения Gemma-4. Распространяется по лицензии Apache-2.0.

Mermaid-Llama-6.7B-RAG-Code-Instruct-GGUF — квантованная версия модели Mermaid-Llama-6.7B-RAG-Code-Instruct, разработанная TroyDoesAI и подготовленная в формате GGUF пользователем afrideva. Модель предназначена для генерации текста, анализа кода и преобразования информации в визуальные представления на синтаксисе Mermaid JS. Она ориентирована на создание блок-схем по Python-коду, визуализацию сюжетов и взаимодействий персонажей, построение карт процессов и проектов, а также формирование структурированных графов знаний для сценариев Retrieval-Augmented Generation (RAG). Дополнительно модель умеет генерировать исполняемые фрагменты кода по инструкциям пользователя. Модель содержит 6,7 млрд параметров; точная базовая архитектура, поддерживаемые языки и перечень модальностей в README не указаны. Контекст ограничен 4096 токенами, что затрудняет обработку больших системных диаграмм без предварительной агрегации. Для повышения следования контексту и снижения галлюцинаций используется специальный формат запросов с блоками контекста и инструкций, совместимый с подходом airoboros context-obedient. Сильными сторонами заявлены понимание Python, генерация Mermaid-диаграмм, работа со структурированными знаниями и генерация кода, однако заявленные превосходство над GPT-4 и точность результатов не подтверждены независимыми оценками. Лицензия модели — CC BY 4.0. README не содержит подробностей о конкретных вариантах квантования, требованиях к аппаратному обеспечению или рекомендуемом программном обеспечении для запуска GGUF-файлов.

Vontra/MiMo-V2.6-Flash-RL-MLX-4bit-MTP — конверсия модели XiaomiMiMo/MiMo-V2.6-Flash-RL для MLX, опубликованная Vontra и предназначенная прежде всего для запуска на компьютерах Apple Silicon. Это генеративная текстовая модель, ориентированная на создание связного текста, объяснений и программного кода. В README приведены успешные проверки арифметики, фактических объяснений и Python-кода, однако подробные оценки качества и сценарии применения следует уточнять в карточке исходной модели. Исходная MiMo-V2.6-Flash-RL описывается как разреженная MoE-модель с 309 млрд параметров, из которых 15 млрд активны на токен, 48 трансформерными слоями, 256 маршрутизируемыми экспертами и восемью активными экспертами на токен. Исходный релиз поддерживает контекст до одного миллиона токенов и омнимодальные входы; заявлены текст, изображения и аудио. Эта версия использует 4-битную аффинную квантизацию плотных проекций с размером группы 64, тогда как эксперты MoE сохраняют формат MXFP4 с размером группы 32. Средний размер — 4,257 бита на вес, текстовая модель занимает около 154 GiB, а весь репозиторий — около 160 GiB. Поддерживаемые языки, указанные в карточке, — английский и китайский. В комплект входят MTP-предиктор, DFlash-драфтер, vision encoder, audio encoder и audio tokenizer, но текущие oMLX и MLX text generation автоматически используют только текстовый путь: MTP, DFlash, зрительные и аудиофункции пока требуют MiMo-совместимых интеграций и не заявлены как работающие в стандартном режиме. На Mac Studio с M3 Ultra, 256 ГБ памяти измерены скорости 59,4 токена в секунду при декодировании и 477,1–562,8 токена в секунду при обработке промпта; рекомендована конфигурация с 256 ГБ unified memory. Модель распространяется по лицензии MIT. Это community-конверсия, поэтому её ограничения включают высокие требования к памяти и неполную поддержку вспомогательных мультимодальных компонентов в текущем MLX-стеке.

Карточка модели openbmb/MiniCPM-2B-sft-fp32-llama-format на Hugging Face совпадает с карточкой openbmb/MiniCPM-2B-sft-fp32, поэтому описание составлено по ней. MiniCPM-2B-sft-fp32 — версия языковой модели MiniCPM-2B после instruction fine-tuning (SFT), представленная в формате FP32. Её разработали ModelBest и лаборатория обработки естественного языка Университета Цинхуа. Модель построена на архитектуре MiniCPMForCausalLM, содержит 2,7 млрд параметров и предназначена для генерации текста и диалоговых ответов на английском и китайском языках. Максимальная длина контекста — 4096 токенов. Модель подходит для диалоговых систем, ответов на вопросы, а также генерации текстов, кода и решений математических задач. Разработчики отмечают её компактный размер и возможность развёртывания на устройствах с ограниченными ресурсами после квантизации; этот репозиторий содержит веса FP32. В карточке указана лицензия other, а README сообщает об открытых весах для академических исследований и ограниченного коммерческого использования. Известные ограничения — склонность к галлюцинациям, зависимость ответов от формулировки запроса и вариативность результатов при повторных попытках; знания модели могут быть неточными. Качество генерации в Transformers, по сообщению авторов, может быть ниже, чем при использовании vLLM.

jigs97022/minicpm5-2b-distilled-reasoning-gguf — квантованная версия MiniCPM5-2B с дистиллированными рассуждениями, разработанная пользователем jigs97022 на базе модели MiniCPM5-2B от OpenBMB. Модель обучена на 10 тысячах высококачественных трасс рассуждений, полученных от Qwen3.8-Max, GLM-5.2 и Kimi K3, и предназначена для генерации текста, структурированного решения математических задач, написания кода, логических головоломок и сценариев с использованием инструментов. Доступна в формате GGUF для локального запуска через llama.cpp, Ollama, LM Studio и vLLM. Модель имеет размер 2B параметров и поддерживает контекст до 4096 токенов. Предлагаются варианты квантования Q4_K_M, Q6_K и Q8_0 объёмом примерно от 1,56 до 2,68 ГБ; они ориентированы соответственно на сбалансированную работу на ноутбуках, более высокое качество на настольных системах и минимальные потери качества. Сильными сторонами являются компактность, возможность локального CPU/GPU-инференса и специализация на пошаговом рассуждении. Ограничения включают меньший объём обучающих данных по сравнению с полноразмерными вариантами, возможное снижение качества на редких случаях, ограниченное контекстное окно, базу знаний примерно до 2024 года и склонность к подробным внутренним рассуждениям. Модель распространяется по лицензии Apache-2.0, однако для коммерческого использования рекомендуется отдельно проверить лицензию набора данных для дистилляции.

Mistral-22B-v0.2 — экспериментальная плотная языковая модель на 22 млрд параметров, созданная Nicolas Mejia-Petit. По описанию автора, это преобразование MoE-модели в плотную: знания экспертов объединены в одну модель. Она дообучалась на многоходовых диалогах, в том числе на примерах программирования, математических задач, ответов в JSON и действий агента. Автор отмечает улучшения в связности ответов, следовании запросам и программировании по сравнению с предыдущей версией, однако приводит лишь результаты собственных предварительных проверок. Модель предназначена для генерации текста в диалоговом формате Guanaco. В README указана длина обучения 32 тыс. токенов, а метаданные каталога указывают контекст до 65 536 токенов. Для применения рекомендуется использовать шаблон Guanaco. Модель заявлена как намеренно слабо ограниченная по отказам, поэтому может выдавать нежелательный контент. Автор называет её экспериментальной и незавершённой. Лицензия — Apache-2.0.

benjamintli/modernbert-code-v2 — модель Sentence Transformers, дообученная разработчиком на наборе code-retrieval-combined-v2 на базе answerdotai/ModernBERT-base. Она кодирует запросы и фрагменты текста в плотные векторы размерности 768 и предназначена прежде всего для семантического поиска по коду и сопоставления запросов с подходящими описаниями или фрагментами кода. Также её можно применять для оценки семантического сходства, поиска перефразировок, кластеризации и классификации текста. Модель использует encoder-архитектуру ModernBERT с усреднением токенных представлений; метаданные указывают контекст до 8192 токенов. В README заявлено ограничение в 1024 токена для Sentence Transformers, поэтому фактическую длину входа следует сверять с используемой конфигурацией. Обучение проводилось на 283 621 парах запросов и положительных примеров; для оценки сходства указана косинусная мера. Основной язык и примеры набора данных — английский, поэтому качество на других языках не установлено. Для применения нужны текстовые запросы и документы или фрагменты кода; на выходе модель выдаёт векторы, а не готовые ответы или сгенерированный код. Лицензия в предоставленных данных не указана.

mojo-coder-1B — альфа-модель для генерации кода, разработанная lzumot на основе DeepSeek-Coder-1.3B и дообученная на наборе mcysqrd/mojo_code. Она предназначена для режима Fill-in-the-Middle (FIM), когда модель дополняет или редактирует фрагмент кода внутри уже написанного текста, например в качестве помощника по автодополнению кода в редакторе. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 1,3 млрд параметров и поддерживает контекст до 16 384 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель ориентирована на FIM-сценарии и не позиционируется как универсальный ассистент для вопросов и ответов: автор указывает, что обучение ограничено использованием в стиле FIM-копилота, а поддержка Q&A планировалась для будущих версий. Это альфа-версия, поэтому качество может быть ограниченным; разработчик предлагает использовать её через inference endpoint и расширение для VS Code.

Карточка модели OpenMOSS-Team/moss-moon-003-base на Hugging Face совпадает с карточкой OpenMOSS-Team/moss-moon-003-sft, поэтому описание составлено по ней. MOSS-moon-003-sft — языковая модель с 16 млрд параметров, разработанная командой OpenMOSS-Team. Она основана на CodeGen и предварительно обучена на китайских, английских и программных токенах, после чего дообучена с учителем на примерно 1,1 млн многоходовых диалогов. Модель предназначена для диалогов с пользователем, следования инструкциям в нескольких репликах и отказа на неподходящие запросы. Модель принимает текст и генерирует текст; карточка указывает поддержку английского и китайского языков и контекст до 2048 токенов. Её можно применять для ответов на вопросы, простых математических задач, помощи с кодом и китайскоязычных диалогов. Описанные требования к запуску составляют 31 ГБ видеопамяти для загрузки в FP16 и больше при генерации; доступны варианты MOSS в INT8 и INT4, но этот репозиторий содержит веса PyTorch. Модель может выдавать неверную, вводящую в заблуждение или предвзятую информацию, поэтому ответы следует проверять. Лицензия — AGPL-3.0.