II.2Создание и понимание программного кода

Tinytron — локальная чат-модель для генерации кода, опубликованная Francisco Angulo de Lafuente (Agnuxo) в экосистеме P2PCLAW. Она основана на архитектуре Llama и представлена в форматах GGUF F16 и F32; в названии указано семейство TinyLlama и размер 1B, однако карточка не приводит точное число параметров. Модель предназначена для генерации кода и помощи с программированием. README заявляет навыки работы с Python, JavaScript, TypeScript, Rust, Go и C++, а также с библиотеками научных вычислений и машинного обучения. В названии и тегах указаны английский и испанский языки. GGUF-версии рассчитаны на локальный запуск; доступна лицензия Apache-2.0. Заявленные возможности и языки программирования приведены автором, но карточка не содержит результатов бенчмарков или подробной оценки качества. Длина контекста и точный размер модели в метаданных отсутствуют.

toffee-3b-beta-i1-GGUF — это набор квантизированных GGUF-версий языковой модели toffee-3b-beta, разработанной zait-ai и подготовленной квантизатором mradermacher. Модель предназначена для генерации текста, диалогов и выполнения инструкций, включая задачи программирования и математического рассуждения. Обучение проводилось с использованием наборов данных HuggingFaceH4/ultrachat_200k, nvidia/OpenMathInstruct-2 и m-a-p/CodeFeedback-Filtered-Instruction. Модель относится к семейству Mistral/Ministral и имеет размер около 3 миллиардов параметров. Заявлен английский язык; поддержка других языков, мультимодальность и размер контекстного окна в README не указаны. Репозиторий содержит варианты квантования от IQ1_S до Q6_K с размером файлов примерно от 1,2 до 3,3 ГБ. Более лёгкие варианты требуют меньше памяти, но могут заметно уступать по качеству; среди доступных вариантов Q4_K_M отмечен как быстрый и рекомендуемый, а Q4_K_S — как удачный компромисс размера, скорости и качества. Сильными сторонами модели являются компактный размер, возможность локального запуска в формате GGUF и специализация на чатах, инструкциях, математике и коде. Ограничения включают снижение качества при низких уровнях квантования и отсутствие в предоставленных данных подробных характеристик архитектуры, контекстного окна, производительности и результатов сравнительных тестов. Модель распространяется по лицензии MIT.

UIGEN-X-4B-0729 — текстовая генеративная модель Tesslate для создания пользовательских интерфейсов. Она построена на архитектуре Qwen3-4B и ориентирована на режим «только рассуждение», в котором последовательно анализирует требования, планирует архитектуру, определяет дизайн-систему и генерирует реализацию. Модель предназначена для разработки веб-интерфейсов и приложений с использованием современных фреймворков, библиотек компонентов, систем стилизации, управления состоянием, анимации и иконок. В README заявлена поддержка широкого набора технологий, включая React, Vue, Angular, Svelte, Next.js, Nuxt.js, Tailwind CSS, Material UI, shadcn/ui и другие решения для веб- и мобильной разработки. Данный репозиторий содержит GGUF-квантизации с использованием imatrix, предназначенные для локального запуска через llama.cpp и совместимые клиенты, включая KoboldCPP, LM Studio, text-generation-webui и Jan. Указан английский язык; другие языки, размер контекста и точные параметры квантизации в README не описаны. Модель рассчитана на генерацию текста и кода, но сведения о мультимодальности, бенчмарках, ограничениях качества и требованиях к ресурсам отсутствуют. Лицензия обозначена как other, без уточнения условий использования, поэтому их необходимо проверять отдельно.

Salience-1.5-Flash — мультимодальная модель vectionlabs, представленная в виде квантованных файлов GGUF, подготовленных bartowski с использованием llama.cpp. Модель основана на vectionlabs/Salience-1.5-Flash и относится к семейству Qwen3-VL; в карточке указаны архитектура mixture-of-experts (MoE), поддержка работы с изображениями и текстом, рассуждений, программирования, агентских сценариев и использования инструментов. Заявленный язык — английский. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов, а также для диалоговых, аналитических, кодовых и инструментальных сценариев. В README не указаны точный размер модели, число экспертов, длина контекста и полный перечень поддерживаемых языков, поэтому эти характеристики нельзя определить по имеющимся данным. Доступны варианты от bf16 и Q8_0 до более компактных квантований Q3 и IQ3/IQ4; рекомендуемыми названы несколько вариантов Q4–Q6 с размером файлов примерно от 16,5 до 26,6 ГБ. К сильным сторонам относятся мультимодальность, MoE-архитектура, заявленная ориентация на рассуждения, программирование, агентское взаимодействие и работу с инструментами, а также возможность локального запуска через llama.cpp и совместимые приложения. Ограничения связаны с необходимостью выбирать подходящий уровень квантования и с отсутствием в карточке подробных результатов оценки качества, точных требований к оборудованию и спецификаций контекстного окна. Модель распространяется по лицензии Apache-2.0.

CodeDevX/Vibe-Coding-Instruct — текстовая генеративная модель для инструкций и задач vibe coding. Это причинный авторегрессионный трансформер семейства GPT-2, дообученный на базе lazarus19/Vibe-Coding-Instruct; он генерирует продолжение по предыдущему контексту и рассчитан на выдачу кода или поясняющего текста по запросу. Модель использует библиотеку Transformers, веса сохранены в формате safetensors, а родной контекст ограничен 512 токенами. В карточке указан английский язык и лицензия Apache-2.0. Модель подходит для генерации фрагментов кода и инструкций в интерактивном стиле. Небольшое окно контекста ограничивает работу с крупными файлами и длинными требованиями. README описывает общую концепцию обучения и генерации, но не приводит результаты оценки качества или конкретные гарантии поведения.

WebCoder-100M-Instruct — дообученная методом полного SFT языковая модель семейства Llama, разработанная caikybaldo999 для генерации кода веб-разработки по инструкциям. Она специализируется на HTML, CSS и JavaScript и подходит для создания адаптивных страниц и других типовых веб-интерфейсов. Модель содержит около 99,9 млн параметров, работает через Transformers и распространяется в формате safetensors; максимальная длина обучающих последовательностей составляла 1024 токена, а нативный контекст — 2048 токенов. Обучение проводилось на 30 032 примерах веб-разработки, отфильтрованных из набора code_instructions_120k_alpaca. Модель небольшая, поэтому качество и полноту сгенерированного кода следует проверять перед использованием. Сведения о лицензии в предоставленных данных отсутствуют.

XORTRON — мультимодальная диалоговая модель семейства Qwen3.5, опубликованная darkc0de. По метаданным, это результат слияния coder3101/Qwen3.5-27B-heretic и двух моделей XORTRON; она поддерживает анализ изображений, диалог и интерфейс вызова инструментов. Автор позиционирует её как uncensored-модель с сильными возможностями программирования и агентной работы, рассчитанную на быстрые ответы при локальном запуске. Модель принимает текст и изображения и выдаёт текст. Репозиторий использует Transformers и формат Safetensors. Лицензия — WTFPL. В карточке заявлены общие возможности, но подробных оценок качества, требований к оборудованию и результатов тестирования нет.

MaziyarPanahi/Yi-Coder-9B-Chat-GGUF — это набор файлов модели в формате GGUF для Yi-Coder-9B-Chat, разработанной 01-ai и квантизированной MaziyarPanahi. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через совместимые приложения и библиотеки. Модель основана на Yi-Coder-9B-Chat и содержит 9 миллиардов параметров; доступны варианты квантования с разрядностью от 2 до 8 бит. README не указывает поддерживаемые языки, размер контекста, точную архитектуру и дополнительные модальности, поэтому эти характеристики нельзя достоверно описать. Формат GGUF поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другими инструментами, что облегчает запуск на локальных системах и использование GPU-ускорения. К сильным сторонам относятся широкий выбор уровней квантования, возможность локального развертывания и совместимость с несколькими клиентами и серверными решениями. Ограничения связаны с тем, что качество и требования к ресурсам зависят от выбранного варианта квантования и использующего ПО; конкретные показатели производительности в README не приведены. Лицензия модели в предоставленных данных не указана.

Agnuxo/Agente-Llama-3.1-Spanish_English_GGUF_32bit — локальная чат-модель для генерации текста, представленная Francisco Angulo de Lafuente в рамках экосистемы P2PCLAW. Это плотная модель семейства Llama в формате GGUF F32; README заявляет размер 2 млрд параметров и позиционирует её как автономного агента. Метаданные указывают лицензию Apache-2.0. Модель предназначена для диалога, разбиения задач на этапы, координации агентов и генерации кода, включая примеры на Python, JavaScript, TypeScript, Rust, Go и C++, а также научные вычисления и машинное обучение. README также описывает перенаправление запросов на создание научных статей в инструменты экосистемы P2PCLAW. Поддерживаемые языки — испанский и английский; запуск заявлен локально через Ollama или Transformers. Карточка не приводит результатов независимой оценки качества, поэтому заявленные агентные и научные возможности нельзя считать подтверждёнными сравнительными тестами. Размер контекста и подробности обучения не указаны; формат F32 требует больше памяти, чем квантизированные варианты GGUF.

airoboros-c34b-2.2 — экспериментальная инструкционная языковая модель, разработанная Jon Durbin и дообученная на преимущественно синтетических данных набора airoboros-2.2. Это плотная модель семейства LLaMA с 33,5 млрд параметров, рассчитанная на генерацию текста и следующие инструкции; заявленная длина контекста — 16 384 токена. Карточка описывает формат диалога с отдельными строками USER и ASSISTANT и рекомендует останавливать генерацию при начале следующей реплики USER. Модель ориентирована на ответы по предоставленному контексту, выполнение инструкций, викторины и вопросы с вариантами ответа, генерацию кода и планов для сценариев с инструментами. Она также умеет формировать JSON или YAML для запросов, похожих на вызов функций, но сама по себе не вызывает инструменты. Автор отмечает, что модель может следовать системным инструкциям, однако их можно переопределить; контекстное обучение призвано ограничивать ответы источником, но не гарантирует отсутствия галлюцинаций. Для весов указана лицензия Llama 2. Карточка называет модель экспериментальной и описывает обучение на синтетических данных; отдельные языки и специализированная предметная область не заявлены.

Arch-Agent-7B — языковая модель Katanemo для вызова функций и агентных приложений. Это дообученная плотная модель семейства Qwen2 на базе Qwen/Qwen2.5-Coder-7B-Instruct, содержащая 7,1 млрд параметров. Она генерирует ответы в формате, совместимом с вызовом внешних функций, и предназначена для многошаговых и многоходовых сценариев с выбором инструментов, планированием и координацией действий. Модель работает с текстом; README рекомендует использовать специальный формат промпта Arch-Agent для получения структурированного JSON-подобного вывода. Метаданные указывают контекст 32 768 токенов; заявленная в README оценка на BFCL проводилась с контекстом 64K и масштабированием YaRN. Подходит для построения ассистентов, которые взаимодействуют с API и инструментами, разбивают сложные запросы на шаги и продолжают работу с учётом результатов предыдущих вызовов. В основе — архитектура Qwen2ForCausalLM, веса доступны в формате safetensors для Transformers. Указана лицензия other; конкретные условия следует сверить с карточкой модели и лицензией базовой модели. README заявляет высокие результаты на BFCL, но не приводит в доступном тексте численные показатели; качество вызова функций зависит от соблюдения рекомендуемого формата промпта.

Assistant-Coding-Python — небольшая причинно-языковая модель, разработанная Fadilahnuryasin и дообученная методом supervised fine-tuning на HuggingFaceTB/SmolLM2-360M. Она предназначена для ответов на вопросы о Python, написания кода, решения простых логических задач и объяснения синтаксиса языка. Модель построена на архитектуре Llama и содержит 361,8 млн параметров. Она работает с текстом, поддерживает контекст до 8192 токенов и распространяется в формате Safetensors для библиотеки Transformers. В карточке указаны английский язык и код Python; лицензия — MIT. Из-за небольшого размера модель может ошибаться в сложной математической логике и неверно предсказывать результаты выполнения программ. Сгенерированный код следует проверять и тестировать; модель не предназначена для критических систем или сложной корпоративной генерации кода без контроля человека.

Это квантизированная GGUF-версия модели codefu-7b-v0.1, разработанной aws-prototyping. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель относится к задачам генерации текста и предназначена для локального запуска через LM Studio, llama.cpp и другие совместимые проекты на базе llama.cpp. Модель содержит около 7 миллиардов параметров. Доступны исходный вариант BF16 и множество квантизированных вариантов от Q8_0 до Q2_K_L, включая семейства Q_K, IQ и legacy-форматы. Размер файлов составляет примерно от 3,49 до 15,24 ГБ; варианты с более высокой точностью обычно обеспечивают лучшее качество, а варианты с меньшим размером подходят для систем с ограниченным объёмом оперативной памяти. В README не указаны архитектура исходной модели, поддерживаемые языки, модальности и размер контекстного окна. Сильной стороной является широкий выбор квантизаций для различных аппаратных ограничений; в README рекомендованы, в частности, варианты Q6_K_L, Q6_K, Q5_K и Q4_K_M. Ограничения качества связаны с потерями при низкобитной квантизации, особенно у вариантов Q3 и Q2. Для работы требуется совместимое программное обеспечение, а также следует использовать указанный формат prompt. Лицензия в предоставленных данных не указана.

AynCoding-Gemma2 — модель для генерации и рефакторинга кода, созданная на базе Google Gemma 2 2B Instruct и адаптированная для рассуждений в духе классической арабской логики Manṭiq и лексикографии Ishtiqāq. В README заявлен протокол Chain-of-Thought перед генерацией кода, а также внимание к типизации, структуре AST, обработке состояний, зависимостей и ошибок. Модель предназначена для синтеза кода по спецификациям, архитектурного рефакторинга и аудита кода. Карточка описывает проверку на примере ограничителя частоты запросов и приводит результаты внутреннего статического аудита; эти показатели относятся к заявленным автором оценкам. Репозиторий содержит GGUF-файл и конфигурацию для Ollama, а в примере llama-cpp-python задан контекст 8192 токена. В метаданных указаны задачи генерации текста, поддержка чата и кода, языки английский и арабский. Производная модель связана с google/gemma-2-2b-it; указан формат GGUF и лицензия Gemma. Практические результаты могут отличаться от приведённых в карточке; подробности о точности на независимых тестах не представлены.

jondurbin/bagel-2.8b-v0.2 — экспериментальная чат-модель, созданная Jondurbin путём дообучения state-spaces/mamba-2.8b-slimpj с помощью Bagel. По метаданным, модель содержит 6 млрд параметров и распространяется в формате PyTorch по лицензии Apache-2.0. Модель предназначена для диалогов и широкого круга инструктивных задач: ответов на вопросы, рассуждений, решения математических задач, написания кода и SQL, чтения и понимания текста, а также ролевого общения. В README указана поддержка форматов Vicuna, Llama 2, Alpaca и ChatML-подобного формата; также можно использовать шаблон диалога токенизатора. При обучении применялись разнообразные англоязычные и многоязычные датасеты, включая Belebele, MMLU, MathInstruct, Spider и наборы диалогов. Это экспериментальное дообучение базовой архитектуры Mamba, а не модель с гарантированными производственными характеристиками. Автор отмечает, что версия с DPO работает заметно лучше; данная версия не должна считаться эквивалентной ей. README не сообщает длину контекста и отдельные результаты оценки качества.

MaziyarPanahi/BASH-Coder-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp-GGUF — это GGUF-квантизованная версия объединённой модели BASH-Coder-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp, созданная и квантизованная MaziyarPanahi. В её основе лежит Mistral-7B-Instruct-v0.2; модель предназначена для генерации текста и, судя по названию и исходной модели BASH-Coder, может быть ориентирована в том числе на задачи программирования и работу с инструкциями. Модель имеет размер 7 миллиардов параметров и поставляется в формате GGUF, совместимом с llama.cpp и рядом локальных интерфейсов и библиотек, включая text-generation-webui, LM Studio, GPT4All и llama-cpp-python. Доступны варианты квантизации с разной точностью — от 2- и 3-битных до 4-, 5-, 6- и 8-битных, что позволяет выбирать компромисс между размером, скоростью и качеством. Конкретные сведения о поддерживаемых языках, длине контекста и мультимодальности в README не указаны; по представленным данным это текстовая, а не мультимодальная модель. К сильным сторонам относятся локальный запуск, широкий выбор уровней квантизации и совместимость с популярными инструментами инференса. Более агрессивная квантизация уменьшает требования к памяти, но может снижать качество генерации; README также не содержит независимых бенчмарков или подробной оценки возможностей модели. Модель распространяется по лицензии Apache-2.0.

Это набор GGUF-квантизаций модели braindao/iq-code-evmind-v2-llama3-code-8b-instruct, подготовленный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста, прежде всего для задач, связанных с программным кодом, в формате instruct-взаимодействия. Базовая модель построена на архитектуре Llama 3 и имеет около 8 миллиардов параметров. В репозитории представлены варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 3 до 8 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью работы и потенциальным качеством генерации. Поддерживаются только текстовые входы и выходы; сведения о языках, размере контекста, результатах тестирования и конкретных языках программирования в README не приведены. Сильной стороной модели является возможность локального запуска через совместимые с GGUF инструменты при выборе подходящего уровня квантизации. Ограничения включают возможные потери качества из-за квантизации и отсутствие подтверждённых данных о производительности, мультиязычности и применимости к конкретным сценариям. Лицензия модели в README не указана.

OpenThai Chinda 4B — языковая модель iApp Technology, дообученная на базе Qwen3-4B для работы прежде всего с тайским языком. Она построена на плотной архитектуре Qwen3ForCausalLM и содержит около 3,7 млрд параметров. Модель поддерживает диалог и переключение между режимами рассуждения и обычной генерации; заявленное нативное окно контекста — 40 960 токенов по метаданным, а README рекомендует держать контекст в пределах 32 768 токенов для оптимальной работы и описывает расширение до 131 072 токенов с YaRN. Модель предназначена для тайскоязычных чат-ботов и RAG-систем, математических задач, генерации кода и локального запуска на пользовательских устройствах. README заявляет точность генерации на тайском 98,4% и высокие результаты в приведённых бенчмарках, но эти показатели представлены разработчиком и зависят от методики оценки. Для фактических вопросов без контекста модель может галлюцинировать; для таких сценариев рекомендуется предоставлять источники или использовать RAG. Модель выпущена по лицензии Apache 2.0, разрешающей коммерческое и частное использование, модификацию и распространение.

Экспериментальный чекпойнт языковой модели Qwen3-4B, дообученный методом обучения с подкреплением GRPO с помощью OpenRLHF. Он основан на Qwen/Qwen3-4B-Instruct-2507 и предназначен для генерации кода: модель обучали на задачах программирования с бинарной наградой за прохождение тестов. Чекпойнт сохранён на 12-м шаге обучения и показал лучший результат pass@8 среди чекпойнтов этого запуска; численные метрики оценки в журнале обучения отсутствуют. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. Для генерации отводилось до 4096 новых токенов. В карточке не приведены сведения о языках программирования, на которых она проверялась. Модель загружается через Transformers. Лицензия в предоставленных данных не указана.

Экспериментальный чекпойнт языковой модели Qwen3-4B, разработанный автором репозитория agurung и полученный обучением с подкреплением OpenRLHF с алгоритмом GRPO на базе Qwen/Qwen3-4B-Instruct-2507. Модель предназначена прежде всего для генерации программ, решающих задачи с проверкой корректности по тестам. Обучение напрямую применялось к базовой модели без SFT-затравки; сигнал вознаграждения был бинарным: программа получает награду за прохождение тестов. Чекпойнт сохранён на шаге 64 и показал лучшие в данном экспериментальном запуске результаты pass@8. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит веса safetensors и рассчитан на загрузку через Transformers. Проверка проводилась на наборе задач по программированию cobalt-train; приведённые метрики относятся к конкретной отложенной выборке и настройке оценки, поэтому не гарантируют аналогичных результатов на других задачах. Лицензия в предоставленных данных не указана.

Это экспериментальный чекпойнт языковой модели Qwen3-4B, созданный командой agurung методом обучения с подкреплением OpenRLHF GRPO на базе Qwen/Qwen3-4B-Instruct-2507. Обучение проводилось без предварительного SFT-этапа: награда зависела от того, проходит ли сгенерированная программа тесты. Чекпойнт сохранён на шаге 72; в указанном запуске он показал лучший результат pass@8 среди проверенных чекпойнтов. Модель предназначена прежде всего для генерации кода и решения задач программирования. Она построена на плотной архитектуре Qwen3ForCausalLM, содержит около 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. В README приведены результаты на специальном наборе сложных задач по программированию: pass@1 — 6,3831, pass@8 — 9,8652; эти показатели относятся к описанной процедуре оценки и не гарантируют качество на других задачах. Модель распространяется в формате safetensors и загружается через Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный методом GRPO с помощью OpenRLHF непосредственно на базовой модели без предварительного SFT. Чекпойнт сохранён на шаге 72; он показал лучший в этом запуске результат pass@8 на отложенных задачах по программированию: 8,5543. Обучение использовало бинарную награду за прохождение тестов сгенерированным кодом и штрафы за усечение длинных ответов. Модель предназначена для генерации кода и решения задач программирования, особенно задач, сложных для исходной модели. Она принимает текстовые запросы и генерирует текст, включая программы. Архитектура — плотная Qwen3, около 3,7 млрд параметров; контекст — до 262 144 токенов. В карточке описаны оценки на конкретном наборе задач, но они не гарантируют сопоставимого качества на других языках программирования и сценариях. Лицензия в предоставленных данных не указана.

quintic/codegen-diff-6B-gptj — преобразованная версия модели CodeGen-Diff-6B, адаптированная для реализации GPT-J. Репозиторий создан для удобного доступа к преобразованным весам; в README указана карточка модели Carper как источник подробностей. Модель предназначена для генерации текста и кода. Архитектура — плотная авторегрессионная GPT-J с контекстом до 2048 токенов; файлы представлены в формате PyTorch. Лицензия — MIT. README не приводит результаты преобразования или отдельные оценки качества, поэтому характеристики исходной модели и её ограничения нельзя уточнить по этой карточке.

CodeMind-Llama3.1-8B-unsloth-merged — языковая модель проекта Codemind для решения и изучения задач по программированию, особенно задач в стиле LeetCode. Это дообученная плотная авторегрессионная модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она основана на unsloth/meta-llama-3.1-8b-instruct-bnb-4bit. Модель принимает текст и генерирует ответы, объяснения, фрагменты кода и инструкции по решению задач. Обучение проводилось на публикациях пользователей LeetCode из набора LeetCode_Python_Solutions_Data с использованием Unsloth и настроек LoRA. В карточке указано контекстное окно 131 072 токена, поддержка английского языка и лицензия MIT. Модель подходит для подсказок по задачам на программирование и объяснения решений; результаты в таблице Open LLM Leaderboard включают средний балл 22,17, IFEval 64,9 и BBH 24,19. Качество кода и корректность решений могут различаться, поэтому ответы следует проверять; набор обучения ориентирован на решения LeetCode на Python.

CodeSage Base — открытая модель для получения векторных представлений исходного кода, представленная авторами работы «Code Representation Learning At Scale». Это энкодерная модель семейства CodeSage с 453 млн параметров; README описывает извлечение эмбеддингов размерностью 1024, а метаданные указывают библиотеку Transformers и формат PyTorch. Модель обучена на данных The Stack и предназначена для задач понимания кода, включая поиск и классификацию. Модель поддерживает девять языков программирования: C, C#, Go, Java, JavaScript, TypeScript, PHP, Python и Ruby. Максимальная длина контекста составляет 2048 токенов. Лицензия — Apache-2.0. README также упоминает CodeSage V2 как более позднее семейство с улучшенными результатами и гибкими размерами эмбеддингов; приведённые характеристики относятся к этому базовому чекпойнту.

CodeScout-14B — языковая модель на 14 млрд параметров, разработанная OpenHands для поиска и локализации кода в репозиториях. Она дообучена с помощью обучения с подкреплением GSPO на базе Qwen3-14B и использует архитектуру Qwen3 с плотными слоями. Модель рассчитана на сценарий, в котором по описанию GitHub-задачи нужно определить связанные с ней файлы, классы и функции. В составе агента OpenHands-Bash модель пошагово исследует репозиторий через стандартные команды Unix и возвращает структурированный результат локализации. Карточка сообщает о результатах на SWE-Bench Verified, Pro и Lite; контекст по метаданным — 40 960 токенов, а обучение проводилось с расширением контекста YaRN до 50 тысяч токенов. Модель ориентирована на Python-репозитории и предназначена для использования как субагент локализации в более крупном конвейере разработки ПО. CodeScout-14B не предназначена для редактирования кода или самостоятельного решения задач. Качество может снижаться на репозиториях, отличающихся от обучающих; для оптимальной работы требуется оболочка OpenHands-Bash. Доступна по лицензии Apache-2.0.

Codestral-22B-v0.1-GGUF — это квантованная версия модели Codestral-22B-v0.1 в формате GGUF. Исходную модель разработал bullerwins, а файлы GGUF подготовил MaziyarPanahi. Модель предназначена для генерации текста и может использоваться локально через совместимые инструменты и библиотеки, включая llama.cpp, llama-cpp-python, LM Studio, text-generation-webui и другие решения экосистемы GGUF. В репозитории представлены варианты квантования с разной разрядностью: 2, 3, 4, 5, 6 и 8 бит. Это позволяет выбирать баланс между требованиями к ресурсам и качеством работы, однако конкретные характеристики производительности и качества в README не приведены. Также не указаны поддерживаемые языки, размер контекста, модальности, точная архитектура, результаты тестирования и лицензия, поэтому эти параметры нельзя достоверно оценить по имеющимся данным.

CODE_VERONICA — дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-large, представленная автором репозитория CODE_VERONICA. Она кодирует предложения и абзацы на русском и английском языках в плотные текстовые векторы размерности 1024 для семантического поиска и извлечения релевантных фрагментов. Архитектура включает XLM-RoBERTa, усредняющий pooling и нормализацию векторов; сходство можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель обучена на 778 парах предложений с использованием MultipleNegativesRankingLoss. Примеры связывают русские формулировки, включая сленг и текст в неверной раскладке, с англоязычными фрагментами кода, поэтому она может быть полезна для поиска кода по русским запросам и сопоставления таких запросов с описаниями или фрагментами кода. Лицензия в предоставленных данных не указана.

CoREB-Reranker — модель-реранкер для поиска по коду, разработанная командой HQ-Bench и дообученная с помощью LoRA на базе Qwen/Qwen3-Reranker-4B. Она предназначена для повторной сортировки результатов первого этапа поиска по соответствию запросу и коду; поддерживает сценарии «текст → код», «код → текст» и «код → код». Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает контекст длиной до 40 960 токенов. В README заявлено обучение на 3,1 млн примеров смешанного корпуса и положительное улучшение ранжирования на трёх задачах поиска по коду при оценке на CoREB v202603. Модель ориентирована на английский язык и код. Распространяется по лицензии Apache-2.0. Это реранкер, поэтому для поиска ему нужны запрос и кандидаты, полученные на первом этапе; заявленные результаты относятся к указанному бенчмарку и настройке поиска.

Darwin-28B-REASON — плотная языковая модель VIDRAFT для генерации текста и сложных рассуждений. Это самостоятельная модель с полными весами, полученная дистилляцией цепочек рассуждений (RTD) на базе FINAL-Bench/Darwin-28B-Opus. Она использует архитектуру Qwen3_5ForConditionalGeneration поколения Qwen3.6 с чередованием линейного и полноформатного внимания и содержит 27,6 млрд параметров в формате BF16. Модель предназначена для многошагового решения научных и математических задач, ответов на вопросы уровня аспирантуры, генерации и отладки кода. Карточка рекомендует английский как основной язык, а также указывает поддержку корейского, китайского и японского. Заявленный результат 89,39% на GPQA Diamond получен с Darwin-DELPHI — отдельным проприетарным механизмом тестового вывода с несколькими образцами и самопроверкой; этот механизм не входит в веса модели. Модель распространяется по лицензии Apache-2.0. Для запуска BF16-весов требуется около 55 ГБ видеопамяти. Карточка отмечает, что без Darwin-DELPHI точность ниже заявленного результата, а цепочки рассуждений могут быть многословными; полный рецепт дистилляции и методика оценки Darwin-DELPHI не раскрыты.