II.2Создание и понимание программного кода

Youssofal/Qwen3.8-27B-MTPLX-Bare-Speed-FP16 — это MLX-сборка модели Qwen3.8-27B, подготовленная для запуска через MTPLX на компьютерах Mac с Apple Silicon. Модель предназначена для локального текстового общения и генерации, включая задачи программирования, приоритетом является высокая скорость генерации в коротких диалогах и быстрых ответах. Разработчик базовой модели — Qwen, сборку и оптимизацию MTPLX выполнил Youssofal для работы на Apple Silicon. Модель имеет размер 27B параметров, использует FP16 для части плавающих тензоров и поддерживает контекст до 262 144 токенов. В MTPLX применяется speculative decoding с multi-token prediction глубиной 3, что позволяет ускорять генерацию без изменения результата относительно обычного декодирования при указанных условиях. Размер загрузки составляет 16 ГБ; для работы требуется Mac с чипом M1–M5 и не менее 32 ГБ unified memory. Эта версия оптимизирована прежде всего для M1 и M2, тогда как для M3 и новее рекомендуется родительская сборка. Сильная сторона модели — высокая скорость генерации и эффективный локальный запуск на совместимых Mac; заявлены до 65,2 токена в секунду на тесте программирования, измеренном на M5 Max, хотя показатели для M1 и M2 отдельно не опубликованы. Ограничения — более низкое качество и меньшая скорость на длительных задачах программирования по сравнению с вариантами, ориентированными на качество, а также зависимость от оборудования Apple Silicon и MTPLX. Модель распространяется по лицензии Apache-2.0.

Puffyn/Qwen3.8-27B-OBLITERATED — текстовая генеративная модель на базе Qwen/Qwen3.8-27B, разработанная для локального запуска и исследовательских сценариев, где требуется минимизация встроенных отказов и защитных ограничений. Согласно README, модель ориентирована на генерацию текста, программного кода, ответы на сложные и потенциально ограниченные запросы, а также на использование в агентских системах, coding agent и фреймворках для тестирования безопасности. Разработчик и точное происхождение производной модели в README явно не раскрыты; указано имя базовой модели Qwen и идентификаторы вариантов OBLITERATED/OBLITERATUS. Модель относится к семейству Qwen3 и имеет размер 27B параметров. Поддерживается текстовая модальность; сведения о языках и максимальной длине контекста в предоставленных данных отсутствуют. Доступны форматы GGUF, Safetensors и MLX. В версии V3 заявлены итеративная модификация весов и метод abliteration, удаляющий направления, связанные с отказами; авторы сообщают о сохранении близкой к исходной производительности, но с потерей 2,1 процентного пункта по MMLU относительно базовой модели. README также заявляет работоспособную генерацию кода в 20 из 20 проверенных сценариев и совместимость с режимом рассуждений. Сильной стороной модели считается снижение жёстких отказов и защитных отговорок при сохранении значительной части возможностей базовой Qwen3.8-27B. Ограничения включают возможное снижение качества по сравнению с исходной моделью, склонность к зацикливанию без правильно настроенного repetition_penalty и потенциальные риски использования модели без встроенных защитных механизмов. Для запуска рекомендуются temperature 0, repetition_penalty 1.15, не менее 2048 новых токенов и пустой системный промпт; для агентских сценариев предлагаются более короткие ответы и периодическое суммирование контекста. Лицензия — Apache-2.0.

Qwen3.8-27B-OBLITERATED-AWQ-W4A16 — это 4-битная AWQ-квантизованная версия модели OBLITERATUS/Qwen3.8-27B-OBLITERATED, опубликованная пользователем MurtazaNasir. Модель предназначена для генерации текста, программного кода, агентных сценариев и исследований AI safety и red teaming, включая запросы, на которые модели с обычными защитными настройками могут отказываться отвечать. В основе используется гибридная архитектура Qwen3.8-27B с 64 слоями: 48 слоёв линейного внимания gated-DeltaNet и 16 слоёв полноценного внимания, а также vision tower и MTP-head. Квантизация выполнена в формате AWQ W4A16_ASYM с размером группы 128; часть компонентов сохранена в bf16. Размер репозитория около 19,55 ГБ. Для запуска рекомендуется две видеокарты по 24 ГБ с tensor parallel либо одна карта на 24 ГБ при небольшом контексте. Модель поддерживает текстовые и визуальные компоненты исходной архитектуры, но точные языки и максимальный размер контекста в предоставленных данных не указаны. Сильными сторонами заявлены близкая к исходной производительность, отсутствие жёстких отказов, совместимость с режимом thinking и хорошие результаты в генерации кода. Ограничения включают возможное снижение качества относительно базовой модели: в README указано падение MMLU на 2,1 процентного пункта. Для стабильной работы рекомендуются temperature 0, repetition_penalty 1,15 и не менее 2048 новых токенов. Стандартный шаблон чата поддерживает вызов инструментов, тогда как исходный шаблон их определения и роль tool игнорирует; также системные промпты могут повторно вызвать отказы. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — модель на базе Qwen 3.8 27B, дообученная и объединённая в рамках многоэтапного пайплайна Fable Fusion и COLD FUSION с использованием Unsloth. Разработчик позиционирует её как открытую модель для потребительского оборудования. Доступны обычные и MTP GGUF-квантизации, включая варианты с точностью 4 и 8 бит. В README заявлены поддержка английского и китайского языков, а также image-text-to-text как тип задачи, однако подробности мультимодальной архитектуры не указаны. Модель предназначена для общего решения задач, рассуждений, программирования, творческого письма, создания художественных текстов, ролевых сценариев и других текстовых применений. Основной акцент сделан на сокращении объёма «размышлений» и ускорении генерации при сохранении детализации и качества ответов. Также заявлена ориентация на MTP и высокую производительность в задачах кодирования. По утверждению автора, модель превосходит базовые Qwen 3.8 27B и ряд других моделей в семи ключевых бенчмарках, включая ARC-C и ARC-E; независимое подтверждение этих результатов в предоставленных данных отсутствует. К сильным сторонам относятся сравнительно компактный размер для заявленного уровня возможностей, поддержка GGUF, наличие 4- и 8-битных вариантов, сниженное чрезмерное рассуждение и специализация на коде и творческой генерации. Ограничениями являются отсутствие точных данных о размере контекстного окна, параметрах мультимодальности, системных требованиях и реальной производительности на разных устройствах. Модель описывается как uncensored и abliterated, поэтому её поведение в вопросах безопасности может отличаться от исходной модели. Лицензия — Apache-2.0.

Qwen3.8-27B Uncensored ROCmFP4-STRIX-MTP-GGUF — это исследовательская квантованная версия модели Qwen3.8-27B, опубликованная пользователем kingjones777. Модель поставляется в формате GGUF и оптимизирована для запуска через llama.cpp на графике AMD Strix Halo (gfx1151) с ROCm. Вариант Uncensored создан методом abliteration, уменьшающим отказы от ответов на вредоносные запросы; этот метод не добавляет модели новых возможностей. Модель предназначена для генерации текста и кода, локального инференса и экспериментов со speculative decoding через отдельную MTP-модель-черновик. Доступны варианты ROCmFP4 FAST и STRIX_LEAN, а также Q6-квантизации; размер STRIX_LEAN составляет около 13,59 GiB, FAST — около 13,33 GiB. Для заявленной производительности рекомендуется AMD Ryzen AI Max+ 395 с Radeon 8060S, ROCm 7.2.4, контекстом 8192 и MTP с параметром n=4; в этих условиях приведены скорости до 24,73 токена/с для прозы и около 42,70 токена/с для кода. Для работы требуется совместимая сборка llama.cpp или ROCmFPX и отдельный draft-файл Q4_0. Преимущества модели — локальный запуск, поддержка AMD ROCmFP4 и сниженное число отказов, а ограничения — экспериментальный статус, зависимость производительности от оборудования и настроек, отсутствие гарантий сохранения выравнивания и потенциальные проблемы совместимости отдельных сборок. Лицензия — Apache-2.0.

Карточка модели willhx/Qwen3-8B-Base-SeaSFT 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.

unsloth/Qwen3-8B-Base-unsloth-bnb-4bit — это 4-битная квантованная версия базовой причинной языковой модели Qwen3-8B-Base, подготовленная Unsloth на основе модели Qwen от команды Qwen. Модель предназначена для генерации и продолжения текста, языкового моделирования, программирования, STEM-задач, рассуждений и других сценариев, где требуется компактная локальная LLM. Поскольку это базовая предобученная модель, она не ориентирована специально на выполнение пользовательских инструкций или ведение диалога без дополнительной настройки. Модель содержит около 8,2 млрд параметров, из которых 6,95 млрд не относятся к embedding-слою, включает 36 слоёв и использует Grouped Query Attention с 32 головами запросов и 8 головами ключей и значений. Максимальная длина контекста составляет 32 768 токенов. Qwen3 обучалась на корпусе объёмом 36 трлн токенов, охватывающем 119 языков, с данными по программированию, STEM, рассуждениям, книгам, многоязычным и синтетическим материалам. Квантование уменьшает требования к памяти и упрощает локальный запуск, однако может сопровождаться потерей точности по сравнению с исходной полноразмерной версией. Для работы рекомендуется актуальная версия библиотеки transformers; версия ниже 4.51.0 не поддерживает архитектуру Qwen3. Модель распространяется по лицензии Apache-2.0.

Qwen3-8B-Critic-SFT-Detailed-Prompt — модель-критик на 7,6 млрд параметров, разработанная командой Steer для оценки хода работы кодирующих агентов. Это полнопараметрическая донастройка Qwen/Qwen3-8B на примерах критики, сформированной учителем Claude Opus 4.6 с подробным промптом. Модель предназначена для пошагового выявления ошибок и выдачи рекомендаций при решении задач разработки ПО, в том числе задач из SWE-bench Verified. Подробный промпт при обучении разрешал предлагать конкретные исправления кода. По описанию исследования, агенты могут копировать такие фрагменты кода, а эта версия показала более низкий процент успешного решения задач, чем вариант, обученный на краткой критике высокого уровня. Модель принимает текст и генерирует текст; карточка указывает архитектуру Qwen3ForCausalLM, контекст до 40 960 токенов и английский язык. Для запуска авторы описывают использование vLLM в формате bf16. Лицензия — Apache-2.0.

JinnP/Qwen3-8B-Kernelbook-SFT-HF — дообученная методом supervised fine-tuning модель Qwen3-8B, разработанная для задач, связанных с ядрами операционных систем и системным программированием. Она предназначена для генерации и объяснения кода ядра, разбора системных ошибок, рекомендаций по оптимизации производительности и ответов на вопросы о концепциях операционных систем. Обучение проведено на отфильтрованном наборе KernelBook из 10 000 примеров; модель использует плотную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров по метаданным. Поддерживает генерацию текста, диалоговый режим и интерфейс вызова инструментов; доступна в формате safetensors для Transformers. Контекстное окно — 40 960 токенов. Базовая Qwen3-8B многоязычная, однако специализация и языки обучающей выборки указывают прежде всего на технические задачи на английском языке. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next REAP-288 (bf16) — контрольная точка модели Qwen, опубликованная sh0wie на Hugging Face. Это версия с прореженными экспертами REAP: в каждом MoE-слое сохранено 288 из исходных 512 экспертов. По README, модель относится к классу 180 млрд параметров: 125 млрд параметров основной модели и 51 млрд в таблице n-грамм; указаны 48 слоёв с чередованием Gated DeltaNet и разреженного внимания Qwen. Веса сохранены в нативном bf16 без внесённой квантизацией погрешности, размер файлов — около 232 ГБ. Модель предназначена прежде всего как источник для дальнейшей квантизации и дообучения, а также для запуска с максимальным качеством при наличии достаточной памяти и инфраструктуры. Карточка сообщает, что отбор экспертов калибровали на примерно 686 тысячах токенов трафика агентного программирования. Метаданные указывают на генерацию текста, диалог и интерфейс вызова инструментов; README описывает совместимый с OpenAI серверный интерфейс. Поддержка визуального ввода после прореживания не проверена. Для запуска исходной bf16-версии нужен запас памяти и механизм подкачки весов; README описывает будущий движок pmlx для Apple Silicon, тогда как 4-битная сборка доступна отдельно. Модель использует лицензию с обозначением «other»; конкретные условия следует проверять в карточке Hugging Face.

Это GGUF-версия Qwen3Guard-Gen-8B, подготовленная Geoff Munn на основе модели команды Qwen от Alibaba. Модель построена на архитектуре Qwen3 с 8 млрд параметров и дообучена для безопасной генерации текста: она отвечает на обычные запросы и должна отказывать на вредоносные, избегая токсичного, жестокого и вводящего в заблуждение содержания. Модель предназначена для диалоговых помощников, которым нужны ответы на сложные вопросы, помощь с кодом и математикой при ограничении небезопасных ответов. Её можно использовать как самостоятельного помощника или вместе с отдельным фильтром входящих запросов. Репозиторий содержит квантизованные веса в формате GGUF для локального запуска, в том числе через llama.cpp; README приводит варианты от Q2_K до Q8_0 с разным балансом качества, скорости и размера. Лицензия — Apache-2.0. Это генеративная модель с защитными настройками, а не классификатор модерации: отказы и осторожное поведение не гарантируют обнаружение или блокирование всех небезопасных запросов, поэтому для модерации входов может потребоваться отдельный фильтр.

sasa2000/Qwen3-Swallow-8B-RL-v0.2-heretic — дообученная версия Qwen3-Swallow 8B RL v0.2 с ослабленным поведением отказа, подготовленная на основе abliteration. Базовая модель разработана проектом Swallow LLM; репозиторий содержит плотную причинно-языковую архитектуру Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов. Модель принимает текст и генерирует текст в диалоговом режиме. Она предназначена для общения на японском и английском языках, перевода между ними, решения математических задач, программирования и рассуждений. В сравнении из карточки указано 31 отказ из 100 запросов против 97 у исходной модели; это описание теста отказов, а не оценка общей точности. Рекомендуемый автором предел контекста — 32 768 токенов или меньше. Работа с вызовом инструментов не была специально обучена и не валидирована, а отдельное переключение режима рассуждений не поддерживается. Модель распространяется по лицензии Apache-2.0. Авторы базовой модели отмечают, что семейство находится на раннем этапе разработки и не настроено для надёжного следования человеческим намерениям или требованиям безопасности; снижение частоты отказов также означает, что ответы требуют соответствующей проверки.

DevQuasar/Qwen.Qwen3-Coder-30B-A3B-Instruct-GGUF — это квантизированная версия модели Qwen/Qwen3-Coder-30B-A3B-Instruct, подготовленная DevQuasar. Модель предназначена для генерации текста, включая сценарии, связанные с обработкой и созданием программного кода, однако подробные сведения о поддерживаемых языках программирования и конкретных режимах применения в README не приведены. Известно, что модель распространяется в формате GGUF и относится к классу text-generation. Название указывает на базовую модель с конфигурацией 30B-A3B, но README не содержит описания архитектуры, фактического числа активируемых параметров, доступных модальностей, языков, размера контекста или характеристик используемой квантизации. Лицензия и условия использования также не указаны. К преимуществам относятся компактное квантизированное представление и ориентация базовой модели на задачи программирования. Ограничение описания заключается в отсутствии данных о качестве, производительности, совместимости, точных требованиях к оборудованию и влиянии квантизации на результаты.

Set2Regex — нейросетевой синтезатор регулярных выражений, представленный авторами работы ReSyn: A Generalized Recursive Regular Expression Synthesis Framework. Модель принимает набор положительных и отрицательных строк и авторегрессионно генерирует регулярное выражение, которое должно соответствовать положительным примерам и отклонять отрицательные. Архитектура включает иерархический Transformer: сначала кодируются символы, затем строки; декодеры учитывают как весь набор, так и отдельные строки. Поддерживаются greedy-декодирование, top-k/top-p sampling и beam search. Репозиторий содержит веса safetensors и связан с датасетом mrseongminkim/ReSyn; модель реализована на PyTorch и использует PyTorchModelHubMixin. Для использования требуется код пакета ReSyn из указанного GitHub-репозитория. Лицензия — Apache-2.0.

Saba2.1-Preview — языковая модель Sakalti с архитектурой Qwen2 и 1,5 млрд параметров, дообученная на основе Sakalti/Saba2-Preview. Она предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает контекст до 200 000 токенов и ориентирована на английский язык. Весовые файлы опубликованы в формате safetensors. Модель доступна по лицензии Apache-2.0. README указывает на обучение с Unsloth и библиотекой TRL.

Scarlett-Llama-3-8B — разговорная языковая модель, дообученная ajibawa-2023 на базе Llama 3 8B от Meta. Она обучена на более чем 10 000 наборах диалогов по философии, советам, шуткам и программированию, а также предназначена для продолжительных бесед в формате ChatML. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Карточка указывает английский язык и возможность генерировать код. Модель подходит для диалогового помощника, обсуждения философских вопросов, выдачи советов, шуток и помощи с кодом. Разработчик отмечает, что модель не предназначена для ролевых сценариев со взрослым или сексуальным содержанием. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Seed-Coder-8B-Reasoning-bf16 — модель для генерации кода и решения задач программирования, разработанная ByteDance Seed. Это плотная авторегрессионная языковая модель семейства Llama с 7,6 млрд параметров, представленная в формате bf16 и предназначенная для Transformers. Модель прошла предобучение и последующее обучение с подкреплением, которое направлено на усиление рассуждений. Модель принимает текстовые запросы и генерирует текст, в том числе программный код и решения сложных задач. Она рассчитана на контекст до 65 536 токенов и особенно ориентирована на соревновательное программирование и задачи, требующие пошагового рассуждения. В README сообщается о высоких результатах на IOI 2024 и Codeforces; эти заявления относятся к оценкам разработчика. Лицензия — MIT. Для запуска README рекомендует актуальные версии Transformers и Accelerate. Это специализированная модель для кода; её результаты на указанных бенчмарках не гарантируют качество для любых языков программирования и прикладных задач.

Sherry 35B-A3B 0.1 Preview — экспериментальная модель для генерации текста, разработанная Valendra на основе Qwen/Qwen3.6-35B-A3B. Это дообученная методом SFT и GRPO модель семейства Qwen3.5 MoE с 35 млрд параметров; веса объединены, отдельный PEFT-адаптер для инференса не нужен. Модель поддерживает чат и интерфейс вызова инструментов. Главная особенность — управляемый уровень усилий рассуждения: low, medium или high задаёт компромисс между глубиной ответа, задержкой и расходом токенов. Модель предназначена для математических и научных задач, задач на рассуждение и экспериментов с программированием. В описанной авторами оценке показала 97,1% math_verify на MATH-500 и 78,3% exact match на GPQA-Diamond; эти результаты получены в одном контролируемом запуске и не гарантируют аналогичного качества в других условиях. Это предварительная версия: результат AIME 2025 находится на пересмотре, а поведение за пределами оценённых областей изучено ограниченно. Возможны ошибки, поэтому ответы следует проверять, особенно в высокозначимых сценариях. Модель распространяется по лицензии Apache-2.0.

SimpleSD-4B-instruct — языковая модель Apple для генерации кода, созданная методом Simple Self-Distillation: модель дообучали на собственных сгенерированных примерах без учителя, функции вознаграждения, верификаторов и обучения с подкреплением. В качестве исходной модели использована Qwen/Qwen3-4B-Instruct-2507. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 3,7 млрд параметров и принимает текстовый ввод, выдавая текст. Заявленная длина контекста — до 262 144 токенов. В метаданных отмечена поддержка чата; карточка описывает обучение и оценивание на примерах генерации кода. Это исследовательский чекпойнт для воспроизводимости экспериментов, не оптимизированный выпуск Qwen. Лицензия — Apple AMLR.

SlimHercules-4.0-Mistral-7B-v0.2 — дообученная Locutusque языковая модель на архитектуре Mistral-7B, предназначенная для диалогов и следования инструкциям в научных и технических областях. Она содержит 7,1 млрд параметров, принимает текст и генерирует текст; размер контекста — 32 768 токенов. В README заявлены навыки выполнения многошаговых инструкций, вызова функций, ответов по биологии, химии, физике, математике, медицине и информатике, а также генерации кода. Для дообучения использован набор hercules-v4.0. Модель подходит для учебных ассистентов и специализированных чат-ботов, пошаговых объяснений и помощи при разработке программ. Вызов функций описан как возможность модели, но для его использования нужна совместимая программная обвязка. Модель может выдавать токсичные ответы, галлюцинировать и допускать фактические ошибки, особенно в специализированных темах; ответы требуют проверки. Доступна по лицензии Apache-2.0.

SOCO-Java-CodeBERTa-MNRL-Triplets — модель Sentence Transformers, дообученная buelfhood на huggingface/CodeBERTa-small-v1 на наборе soco_train_java. Она использует архитектуру RoBERTa с усреднением токенных представлений и преобразует текст в плотные векторы размерности 768; сходство обычно оценивают косинусной мерой. Модель рассчитана на последовательности длиной до 512 токенов, а метаданные указывают контекст в 514 токенов. Модель предназначена для семантического сравнения и поиска по исходному коду Java, поиска похожих фрагментов, обнаружения перефразирований, кластеризации и извлечения признаков для классификации. Она принимает текст и возвращает векторные представления, поэтому её можно использовать как компонент поиска или ранжирования, но она сама не генерирует ответы и не выполняет классификацию без дополнительной модели или процедуры. Веса опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

SOD-GRPO_teacher-4B — языковая модель на архитектуре Qwen3, дообученная командой youngzhong методом GRPO после этапа SFT. Она служит моделью-учителем в SOD-фреймворке для дистилляции компактных моделей, а также предназначена для агентного рассуждения с использованием инструментов, решения математических и научных задач и генерации кода. Модель содержит около 3,7 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 262 144 токена. В карточке приведены результаты на AIME 2024/2025, GPQA-Diamond и LiveCodeBench-v6, но они не гарантируют аналогичного качества на других задачах. Поддерживается английский язык. Лицензия — Apache-2.0.

Speechless-Thoughts-Mistral-7B-v1.0 — дообученная авторами проекта Speechless базовая модель для экспериментов с Speechless-Sparsetral-16x7B-MoE. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста; для работы с Transformers доступны веса Safetensors, а контекст модели составляет до 32 768 токенов. Модель обучена на наборе Speechless-Thoughts-252K, включающем примеры программирования, рассуждений, планирования и инструкций. В README она описана как базовая модель для сравнения с MoE-моделью; также приведены результаты отдельных оценок, но значение HumanEval не заполнено. Метаданные указывают поддержку английского языка и возможность генерации кода. Лицензия — Llama 2 Community License. Модель подходит для экспериментов и прикладной генерации текста и кода, однако качество конкретных ответов и программ следует проверять; приведённые в карточке оценки не гарантируют результат на пользовательских задачах.

LeroyDyer разработал эту дообученную модель семейства Mistral на основе LeroyDyer/Mixtral_AI_CyberTron_DeepMind_III. Это языковая модель с 7,1 млрд параметров для генерации текста; заявленная длина контекста — 32 768 токенов. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для диалогов и выполнения инструкций, включая помощь с программированием, анализом текста, извлечением сущностей, расчётами и генерацией идей. В карточке также заявлены сценарии консультативного общения и работа с медицинской информацией, однако результаты таких применений не подтверждены приведёнными оценками. Обучающие данные включают наборы для кода, диалогов, математики, преобразования текста в SQL и английского и суахили. Автор описывает модель как разговорную, способную использовать историю диалога и выдавать разнообразные ответы; приведены результаты Open LLM Leaderboard, но не полная таблица. Практическая точность и надёжность заявленных специализированных возможностей могут зависеть от формулировки запроса. Модель принимает текст и генерирует текст.

StableLM-Base-Alpha-7B-v2 — базовая авторегрессионная языковая модель Stability AI на основе декодерного трансформера. Модель содержит около 7,7 млрд параметров и предназначена для генерации текста и последующего дообучения под конкретные приложения. Она обучена преимущественно на англоязычных данных, включая веб-тексты и код, и использует архитектурные компоненты SwiGLU и Rotary Position Embeddings. Контекст модели составляет 4096 токенов. Обучение включало этап с контекстом 2048 токена на 1 трлн токенов и дальнейшее обучение с контекстом 4096 на 100 млрд токенов. Модель работает с текстом на входе и выдаёт текст; её можно использовать как основу для прикладной настройки. Генерации могут содержать оскорбительный или неподходящий контент, присутствовавший в обучающих данных. README рекомендует осторожность при применении в производственных системах и не использовать модель для сценариев, способных причинить вред людям или группам. Лицензия CC BY-SA 4.0 требует указания авторства, ссылки на лицензию и отметки об изменениях.

duyntnet/Starling-LM-7B-alpha-imatrix-GGUF — это набор квантованных версий текстовой генеративной модели Starling-LM-7B-alpha, разработанной Berkeley Nest и опубликованной пользователем duyntnet. Модель предназначена для генерации текста, диалоговых сценариев и помощи в программировании на английском языке, включая односторонние и многоходовые беседы. Модель имеет размер около 7 млрд параметров и распространяется в формате GGUF с использованием imatrix-квантования. Она относится к текстовым, а не мультимодальным моделям; поддержка других языков и размер контекстного окна в карточке не указаны. Для диалогов требуется использовать шаблон, совместимый с OpenChat 3.5, а для программирования предусмотрен отдельный формат запроса Code User и Code Assistant. К сильным сторонам относятся поддержка диалогового и кодового режимов, а также доступность квантованных вариантов для запуска в средах, поддерживающих GGUF. При отклонении от рекомендованного шаблона качество может снижаться; в редких случаях ответы бывают избыточно подробными, что можно частично уменьшить настройкой temperature=0. Лицензия указана как other, без дополнительных условий в представленном README.

SteloCoder — модель генерации текста для перевода кода на C++, C#, Java, JavaScript и PHP в Python. Её разработчик обучил на основе StarCoder, добавив параметры с помощью LoRA и методов Mixture of Experts (MoE). Данные для обучения, проверки и тестирования подготовлены на основе набора XLCoST. Модель предназначена для машинного перевода кода между указанными языками программирования. Она построена на архитектуре GPTBigCode и принимает текстовый ввод, выдавая текст; длина контекста составляет 8192 токена. Репозиторий содержит веса PyTorch, лицензия — BigCode OpenRAIL-M. README не приводит результаты оценки качества и подробности реализации MoE. Поэтому пригодность для конкретных языков, проектов и производственного применения следует проверять отдельно; лицензия может устанавливать ограничения на использование и распространение.

SuperGemma4-26B-Uncensored-Fast v2 — текстовая локальная модель из репозитория Jiunsong, основанная на Google Gemma 4 26B A4B IT. Модель предназначена для запуска на Apple Silicon через MLX и ориентирована на агентские сценарии: генерацию и анализ кода, планирование, использование инструментов, автоматизацию браузера, логические задачи и работу с корейскими запросами. Заявленная особенность — uncensored-поведение без потери устойчивости в коде и tool-use. Модель представлена в формате MLX 4-bit и занимает около 13 ГБ. Поддерживаются текстовые входы и выходы; в README указаны английский и корейский языки. Размер контекста не указан. По приведённым автором быстрым локальным тестам модель получила общий результат 95,8 против 91,4 у исходной Gemma 4 26B IT в 4-bit и показала среднюю скорость 46,2 токена в секунду против 42,5. Наибольшие заявленные улучшения относятся к коду, логике и корейскому языку, однако методика и независимость этих измерений не раскрыты. Сильными сторонами являются сочетание локального запуска, высокой скорости, компактного 4-bit-представления и специализации на практических агентских задачах. Ограничения включают зависимость от экосистемы Apple Silicon и MLX, отсутствие мультимодальности, неизвестный размер контекста и потенциальные риски, связанные с uncensored-настройкой. В метаданных указана лицензия Gemma; README не содержит подробностей о дополнительных условиях её применения.

tau-0.5B — языковая модель M4-ai, созданная дополнительным предварительным обучением Qwen1.5-0.5B на наборе учебников UltraTextbooks-2.0. Это плотная авторегрессионная модель семейства Qwen2 с 463,9 млн параметров, принимающая текст и генерирующая текст; заявленное окно контекста — 32 768 токенов. В метаданных указана поддержка английского и китайского языков. Модель предназначена для генерации текста общего назначения с усиленным охватом машинного обучения, математики и программирования. Её можно применять для ответов на учебные вопросы, суммаризации, создания учебных материалов, понимания и генерации кода, а также решения математических задач. Карточка приводит результаты тестов, но предупреждает о возможных неточностях и смещениях в данных. Указана лицензия other; README рекомендует изучить лицензию Qwen перед использованием.

edumunozsala/TinyLlama-1431k-python-coder — компактная языковая модель семейства Llama, разработанная на основе TinyLlama-1.1B и дообученная на наборе инструкций по программированию на Python python_code_instructions_18k_alpaca с использованием Axolotl и PEFT. Модель предназначена для генерации кода Python по текстовым заданиям и описаниям задач. Архитектура — плотная LlamaForCausalLM; в метаданных указано около 1 млрд параметров и контекст 2048 токенов. README описывает дообучение в 4-битном режиме, но репозиторий содержит веса PyTorch. Модель принимает текст и генерирует текст, включая код. Базовый TinyLlama использует архитектуру и токенизатор Llama 2; обучающие примеры оформлены в стиле Alpaca. Лицензия — Apache-2.0. Ограниченная длина контекста и небольшой размер модели могут сказываться на качестве и надёжности сложной генерации кода; результат следует проверять перед использованием.