II.2Создание и понимание программного кода

Scarlett-Llama-3-8B-v1.0 — диалоговая модель, созданная ajibawa-2023 на основе Llama 3 8B от Meta. Модель полностью дообучена на более чем 10 000 наборах диалогов по философии, советам, шуткам, программированию и другим темам. Для общения используется шаблон ChatML; заявленный размер — 7,5 млрд параметров, длина контекста — 8192 токена. Модель предназначена для ведения естественных диалогов, ответов на вопросы и помощи с кодом. Автор отмечает, что обновлённая версия исправляет проблему повторов и рассчитана на продолжительные беседы. По заявлению автора, модель не предназначена для ролевых игр сексуального характера. Вес опубликован в формате PyTorch; лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Skywork-13B-Base — базовая авторегрессионная языковая модель семейства Skywork, разработанная командой Skywork. Она предварительно обучена на 3,2 трлн токенов очищенных многоязычных текстов и кода; в обучающем наборе преобладают английский и китайский языки. Модель содержит 13,6 млрд параметров, использует плотную архитектуру SkyworkForCausalLM с 52 слоями и токенизатор BPE с размером словаря 65 536. Длина контекста — 4096 токенов. Модель предназначена для генерации и продолжения текста, а также для дообучения под прикладные сценарии. Карточка приводит результаты сравнительных оценок и бенчмарков, включая C-Eval, MMLU, CMMLU и GSM8K. Она ориентирована прежде всего на китайский и английский текст и также обучалась на коде. В репозитории указаны веса PyTorch и лицензия «other»; конкретные условия следует сверять с лицензионными файлами модели. Модель базовая, а не диалоговая инструкционная версия, поэтому для ассистентского общения может потребоваться дополнительное дообучение. Заявленные в карточке преимущества основаны на оценках разработчиков и не гарантируют качество на любых пользовательских данных.

cvnberk/solidity-generator — модель генерации кода на Solidity, разработанная на основе codeparrot/codeparrot-small и дообученная на наборе контрактов mwritescode/slither-audited-smart-contracts. Она предназначена для создания фрагментов смарт-контрактов по текстовым подсказкам и помощи в составлении структуры контрактов. Модель использует архитектуру GPT-2, библиотеку Transformers и формат PyTorch; длина контекста составляет 1024 токена. В карточке указана оценка loss 0,2180 на наборе для оценки. Модель подходит для чернового написания Solidity-кода и продолжения заданных разработчиком шаблонов. Сгенерированный код нужно проверять на безопасность и функциональную корректность; качество результата зависит от конкретности запроса. Лицензия — Apache-2.0.

darioooooo0o представил экспериментальную версию Spark-X2.5-1.7B с модулем условной памяти Engram для генерации кода и алгоритмических рассуждений. Базовая модель Spark-X2.5-1.7B на 1,7 млрд параметров остаётся замороженной; к ней добавлен обученный модуль памяти с многоголовым хешированием n-грамм. В README заявлен контекст до 1 048 576 токенов для базовой модели. Модуль обучен на 25 млн токенов из нескольких наборов данных с кодом. В README приведено предварительное улучшение на валидационной выборке и HumanEval, но автор предупреждает, что модуль сильно недообучен, а результаты предварительные. Модель предназначена прежде всего для генерации кода на нескольких языках программирования; метаданные также указывают на диалоговые и агентные возможности. Репозиторий распространяется под лицензией Apache-2.0.

Speechless Code Mistral 7B v1.0 — это языковая модель для генерации текста и программного кода на базе архитектуры Mistral с примерно 7 млрд параметров. Исходную модель разработал Jiangwen Su, а TheBloke подготовил её квантованные версии в формате GGUF. Модель ориентирована на англоязычные сценарии и обучалась на наборах данных, включающих инструкции, программный код и задачи общего назначения. Модель предназначена для генерации и продолжения кода, ответов на инструкции, локального программирования и диалоговых приложений. GGUF-файлы совместимы с llama.cpp и рядом пользовательских интерфейсов и библиотек, включая text-generation-webui, LM Studio, KoboldCpp, ctransformers и llama-cpp-python; доступны варианты квантования от 2 до 8 бит для CPU+GPU-инференса. Ключевые ограничения — отсутствие мультимодальности в заявленных данных, поддержка только английского языка и неизвестный размер контекстного окна. Квантование может снижать точность по сравнению с исходной моделью, особенно в наиболее компактных вариантах. В README указана лицензия llama2; отдельные результаты HumanEval имеют значение pass@1 0, но помечены как непроверенные.

sqlpup-394m-sft — модель на 394,3 млн параметров от shivenkk для преобразования вопросов на естественном языке в SQL. Это декодер архитектуры Llama, обученный с нуля на 9,67 млрд токенов, а затем дообученный на отфильтрованных парах «вопрос — SQL». Модель использует токенизатор byte-level BPE и контекст до 2048 токенов. Модель предназначена для генерации SQL по вопросу пользователя, схеме базы данных и дополнительному контексту. В тестировании на 1534 вопросах dev-выборки BIRD точность выполнения достигла 22,84% при голосовании по семи генерациям и предварительном сжатии схемы. Для корректного использования нужно передавать CREATE TABLE, затем вопрос и строку evidence; модель выводит комментарий с предполагаемыми таблицами и столбцами, а затем SQL. Модель разработал shivenkk. Она распространяется по лицензии MIT. Результаты измерены только на dev-выборке BIRD; качество на других наборах и тестовой выборке не приведено. Большие схемы требуют предварительного сжатия, а около 1% вопросов в конфигурации с голосованием не дают разбираемого SQL.

ticlazau/starcoder2-15b-instruct-rpgle — экспериментальная языковая модель для программирования на ILE RPG, созданная на базе архитектуры StarCoder2. Она предназначена для преобразования кода RPG из фиксированного формата в свободный, краткого пересказа кода и создания прототипов кода по текстовому описанию. Модель содержит 21,7 млрд параметров, принимает текст и имеет контекст до 16 384 токенов; в карточке указан английский язык. Для обучения использован закрытый датасет, созданный методом синтетической генерации данных. Модель распространяется по лицензии MIT.

Murat Komurcu дообучил StarCoder2-3B для генерации кода на C с использованием STM32 HAL. Модель предназначена для разработки встроенного ПО для микроконтроллеров STM32 и охватывает примеры работы с GPIO, PWM, прерываниями, UART, ADC, таймерами, I2C, DMA и SPI. Это плотная авторегрессионная модель с 4,2 млрд параметров и контекстом до 16 384 токенов; в README обучение описано как LoRA-дообучение на 29 720 примерах проектов STM32 с GitHub. Модель генерирует код по текстовому запросу или контексту программы. Карточка заявляет более 95% синтаксической корректности, но не приводит методику проверки; результат следует проверять и тестировать на целевой плате, поскольку корректность конкретной конфигурации оборудования не гарантируется. Лицензия — MIT.

Star Supernova — англоязычная модель генерации текста monkiey/StarSupernova, созданная на базе Gemma-4 и дообученная с дистилляцией интеллектуальных и аналитических возможностей модели stepfun-ai/Step-3.7-Flash. Она предназначена для многошагового рассуждения, решения математических задач, академического и профессионального анализа, работы с вопросами из MMLU-Pro, программированием, системной инженерией и многоходовыми диалогами разработчика с инструментами. Модель использует разреженную архитектуру Mixture-of-Experts с 12 экспертами, Top-4-маршрутизацией для каждого токена и общей плотной MLP-сетью. Общий объём составляет около 13,47 млрд параметров, из них активно используется около 5,54 млрд на токен. Архитектура основана на Gemma-4 с 35 слоями и размерностью скрытого состояния 1536, контекст — до 131 072 токенов. Веса квантизованы до 4 бит, проекции маршрутизатора — до 8 бит; заявленный объём памяти составляет около 8,7 ГБ VRAM. Сильные стороны модели — высокая ёмкость при разреженной активации, специализированные навыки рассуждения, пошаговые математические выводы, устранение отвлекающих вариантов в тестах и эффективный запуск на компьютерах Apple Silicon через MLX и Metal GPU. Ограничение — модель обучалась только на английском языке и рассчитана прежде всего на англоязычные сценарии. Для работы требуется MLX/Apple Silicon; README указывает лицензию Apache-2.0.

tau-1.8B — языковая модель компании M4-ai, основанная на архитектуре Qwen2 и дообученная продолжением предобучения Qwen1.5-1.8B на учебном наборе UltraTextbooks-2.0. В репозитории указано 1,8 млрд параметров, а метаданные Hugging Face сообщают 1,5 млрд; веса опубликованы в формате Safetensors. Модель поддерживает контекст до 32 768 токенов и предназначена для генерации текста и диалогового взаимодействия. Модель общего назначения, с особым акцентом на машинное обучение, математику и программирование. Её можно применять для ответов на учебные вопросы, краткого изложения материалов, создания образовательного контента, понимания и генерации кода, а также решения математических задач. В карточке названы английский и китайский языки; в качестве обучающего набора указан UltraTextbooks-2.0. Модель может воспроизводить ошибки и предвзятость данных обучения, поэтому ответы следует проверять, особенно в задачах с высокими последствиями. В метаданных указана лицензия «other» без уточнения её условий.

Hikari07jp/Ternary-Bonsai-27B-Abliterated-LowDeg-GGUF — производная текстовая языковая модель, созданная на основе Prism Ternary Bonsai 27B от PrismML. Это прямое редактирование GGUF-весов с применением abliteration и низкодеградационного отката отдельных параметров. Модель предназначена для локальных и офлайн-ассистентов, особенно в сценариях, где требуется уменьшить избыточные отказы от выполнения запросов. При этом она может генерировать небезопасный контент и не является доказанно безопасной. Модель поставляется в формате GGUF Q2_0 g128 размером около 7,2 ГБ и рассчитана на работу через специальный fork PrismML llama.cpp с гибридными kernels для Q2_0. Архитектурная линия связана с Qwen3.5/Qwen3.6-27B и hybrid attention. Указан текстовый режим без встроенного vision mmproj; поддерживаемые языки и точный размер контекстного окна в README не определены, хотя в примерах запуска используется контекст 8192, а с опциональным DSpark упоминается до 16K. По заявленным измерениям, модель выполнила 38 из 40 переходов от отказа к прямому ответу на вредоносном пилоте, сохранила показатели родительской модели в coding-пилоте на уровне 19/20 и показала близкие результаты на GSM8K, MMLU, HumanEval и MBPP. Ограничения включают необходимость использования Prism llama.cpp, возможные проблемы с DSpark при нехватке памяти и отсутствие визуального модуля. Лицензия — Apache-2.0, унаследованная от базового релиза.

CortexLM/Teutonic-1-Chat-Preview — экспериментальная чат-модель, разработанная CortexLM на базе текстовой линии Qwen3.5-9B. Модель предназначена для диалогов с поддержкой рассуждений, решения проверяемых математических и программных задач, работы с инструментами и обработки длинного контекста. Это предварительный снимок в процессе обучения, поэтому он не рекомендуется для production-сценариев. Модель использует гибридную архитектуру с linear attention и softmax attention, относится к классу примерно 9B параметров и поставляется с весами FP8 block-scaled e4m3 и конфигурацией квантования в стиле Qwen. Поддерживается текстовая модальность и английский язык. Заявлена вместимость контекста до 256 тысяч входных токенов благодаря RoPE с max_position_embeddings 262144. Шаблон чата поддерживает опциональные блоки рассуждений <think>…</think> и разметку вызова инструментов. Сильные стороны текущего checkpoint — извлечение информации из длинного контекста, включая внутренние тесты с одним ключевым фрагментом на 128k и 256k токенах, а также математические задачи и сохранение качества чата. Ограничения связаны с экспериментальным статусом: обучение продолжается, стабильная генерация ответов длиной 64k ещё не завершена, более сложные многоключевые и многошаговые задачи длинного контекста требуют доработки, а мультимодальность запланирована на будущее. Модель распространяется по лицензии Apache-2.0.

TinyCodeLM-400M — компактная авторегрессионная языковая модель для генерации кода, разработанная Ульяной Питербарг, Леррелом Пинто и Робом Фергюсом из NYU. Это предварительно обученная версия семейства TinyCodeLM размером около 454 млн параметров; инструкция README об оптимизации инструкционного варианта семейства не относится напрямую к этому чекпойнту. Модель принимает текст и генерирует текст, в том числе код. Она построена на плотной архитектуре OLMo с классом OlmoForCausalLM и изменениями трансформера из OLMo; контекст составляет 1024 токена. Для обучения семейства использовались открытые веб-тексты и код Python, включая датасеты The Stack и FineWeb. Основной сценарий — генерация Python-кода по текстовому запросу. В бенчмарках README предварительно обученная версия 400M показала pass@1 6,7 на HumanEval и 6,8 на MBPP(+). Небольшой размер ограничивает способности модели по сравнению с более крупными генеративными моделями. Сгенерированный код может содержать уязвимости или вредоносное поведение и требует проверки перед запуском. Лицензия репозитория — Apache-2.0.

ToRA Code 34B v1.0 GGUF — это квантизированная версия большой языковой модели ToRA Code 34B v1.0, разработанной LLM-Agents и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре LLaMA, содержит около 34 миллиардов параметров и предназначена для локального запуска через llama.cpp и совместимые интерфейсы и библиотеки. Основные сценарии применения — генерация и анализ кода, а также решение математических задач. В качестве обучающих или оценочных наборов указаны GSM8K и Competition Math; заявленный язык — английский. Модель работает в режиме text-generation и использует шаблон запроса ToRA с ролями пользователя и ассистента. Данные о размере контекста, поддерживаемых модальностях, фактическом качестве и конкретных возможностях работы с инструментами не указаны. Формат GGUF поддерживает различные варианты квантизации от 2 до 6 бит, что позволяет выбирать компромисс между размером модели, требованиями к памяти и качеством. Файлы рассчитаны на инференс с использованием CPU и GPU и совместимы с llama.cpp и рядом сторонних приложений. Ограничения включают зависимость качества от выбранного уровня квантизации, высокие требования к ресурсам для 34B-модели и отсутствие гарантии корректности ответов, особенно в программировании и математике. Указана лицензия Llama 2.

kevinpro/Vicuna-13B-CoT — языковая модель, полученная дополнительным обучением Vicuna методом SFT для усиления способности к рассуждениям с промежуточными шагами (Chain of Thought, CoT). Это плотная авторегрессионная модель семейства Llama с примерно 12,9 млрд параметров, реализованная для Transformers и опубликованная в формате PyTorch. Контекст модели — до 2048 токенов. Модель предназначена для генерации текста с пошаговыми рассуждениями и может применяться для ответов на вопросы, решения задач и работы с кодом на английском языке. В карточке указано обучение на датасете QingyiSi/Alpaca-CoT; отдельные сведения о разработчике, лицензии и оценке качества не заполнены. Следует учитывать ограниченную длину контекста и типичные для языковых моделей риски неточных ответов.

Whittle-Next-27B-A3B-GGUF — это исследовательская GGUF-квантизация модели logic65/Whittle-Next-27B-A3B, разработанная David Aylward (logic65) совместно с Claude (Anthropic). Модель предназначена для запуска через llama.cpp и совместима с LM Studio, Jan, Ollama и llama-swap при наличии актуальной версии llama.cpp. Лицензия — Apache-2.0. Модель использует архитектуру Qwen4-Next в формате qwen4_exp и представляет собой смесь экспертов (MoE) с 27 млрд параметров всего и примерно 3 млрд активных параметров на токен. В ней применяются гиперсвязи остаточных потоков, хешированная n-gram-память объёмом 2 млрд строк, поуровневые эмбеддинги и дистилляция из Qwen3.8-27B. Поддерживаются текстовая генерация, диалоговые сценарии, рассуждения, математика и программирование; заявлены английский, китайский и многоязычный режимы. Доступны варианты квантизации от Q3_K_M до Q8_0 размером примерно от 13,3 до 29,3 ГБ. В README указано, что модель рассчитана на контекст до 16 384 токенов при рекомендованной настройке запуска. Сильными сторонами являются низкое число активных параметров, возможность запуска на стандартном llama.cpp без патчей, поддержка режима пошагового рассуждения и сравнительно высокая точность на математических задачах и проверке кода для исследовательского прототипа. Модель рекомендуется использовать с включённым thinking-режимом, сэмплированием и бюджетом не менее 4096 токенов для программирования. Это research preview, а не завершённая универсальная модель: ответы по коду могут быть длинными, производительность зависит от квантизации и размещения памяти, а при жадной генерации возможны зацикливания. Для полноценной оценки следует учитывать ограничения и измерения из базовой карточки модели.

Monero/WizardLM-30B-Uncensored-Guanaco-SuperCOT-30b — языковая модель для генерации текста на основе архитектуры LLaMA, объединяющая WizardLM 30B, Guanaco и SuperCOT. В метаданных указаны 32,3 млрд параметров, контекст до 2048 токенов и форматы PyTorch и safetensors; README описывает обучение на инструкциях, данных с цепочками рассуждений и примерах кода. Модель предназначена для диалогов по инструкциям, продолжения многоходового общения, объяснения кода и ролевых сценариев. В README заявлена поддержка английского, упрощённого и традиционного китайского, японского и немецкого языков. Модель может генерировать недостоверные фактические ответы, поэтому для задач, требующих точности, следует предоставлять проверяемые источники. Указана лицензия «other» без уточнения условий.

Yi-Coder-1.5B-Chat-GGUF — это набор GGUF-квантизованных версий чат-модели Yi-Coder-1.5B-Chat, разработанной 01.AI и подготовленной пользователем bartowski. Модель предназначена для генерации текста и преимущественно ориентирована на задачи, связанные с программированием, включая работу в локальных приложениях и запуск через llama.cpp или LM Studio. В README также указан специальный шаблон промпта с ролями system, user и assistant, а среди изменений отмечено исправление токенизатора. Модель содержит около 1,5 млрд параметров; точные сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в README не приведены. Доступны варианты от F16 размером 2,95 ГБ до компактных квантизаций Q2 и IQ3 размером менее 1 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, а низкобитные версии требуют меньше оперативной памяти; отдельные варианты оптимизированы для ARM-инференса и требуют соответствующей поддержки процессора. Качество и практическая пригодность зависят от выбранного типа квантизации. Модель распространяется по лицензии Apache-2.0. README не содержит подробных оценок качества, перечня языков программирования или ограничений исходной модели, поэтому её возможности в конкретных сценариях следует проверять отдельно.

360Zhinao-7B-Base — базовая авторегрессионная языковая модель семейства 360Zhinao, разработанная командой 360 (Qihoo 360). Модель содержит 7,1 млрд параметров и обучена на корпусе объёмом 3,4 трлн токенов, преимущественно на китайском и английском языках, а также на коде. Это базовая, а не чат-версия; для диалогового применения в серии отдельно выпущены модели Chat. Модель предназначена для генерации текста и служит основой для задач понимания языка, работы со знаниями, математики, логических рассуждений и генерации кода. Она поддерживает контекст до 4096 токенов, построена на архитектуре ZhinaoForCausalLM и распространяется в формате safetensors для Transformers. README сообщает о сравнительной оценке базовой модели на наборах OpenCompass, включая C-Eval, MMLU, GSM8K и HumanEval. Лицензия — Apache-2.0. Как базовая языковая модель, она не настроена специально для следования инструкциям или ведения диалога; качество ответов зависит от промпта и сценария применения.

AceReason-Nemotron-1.1-7B — языковая модель NVIDIA для рассуждений в математике и программировании. Она построена на базе Qwen2.5-Math-7B и имеет плотную архитектуру Qwen2 с 7,1 млрд параметров. Модель обучали в два этапа: supervised fine-tuning на математических и программных задачах, затем reinforcement learning. Для запуска используется библиотека Transformers; веса опубликованы в формате safetensors. Модель предназначена для решения сложных математических задач, пошагового рассуждения и генерации кода. В README приведены результаты на бенчмарках AIME 2024 и 2025, а также LiveCodeBench. Заявленное нативное окно контекста — 131 072 токена. Карточка указывает английский язык; подтверждений поддержки русского языка нет. README рекомендует задавать системную инструкцию с пошаговым рассуждением и для математических задач помещать итоговый ответ в формат \boxed{}. Это текстовая модель, которая принимает запросы и генерирует текст, включая код. Лицензия обозначена как other, поэтому условия использования следует сверить с файлами репозитория модели. Описание акцентирует математическое и программное рассуждение; оно не подтверждает надёжность ответов за пределами этих задач.

Agents-A1-4B-Fable-Preview-heretic-GGUF — это GGUF-квантизированная vision-language модель, разработанная hotdogs на основе Agents-A1-4B от InternScience. Модель предназначена для диалогов, понимания изображений, агентских сценариев, пошагового рассуждения, вызова инструментов и function calling, а также выполнения задач с кодом и shell-командами. Поддерживаются английский и тайский языки, формат ChatML и инференс через llama.cpp с использованием vision-проектора mmproj. Модель содержит около 4,29 млрд параметров и использует гибридную архитектуру Qwen3.5 с линейным и полным вниманием. Для обработки изображений применяется 24-слойный ViT-энкодер, контекст поддерживает до 128K токенов. Обучение включало 3 500 примеров Fable-style reasoning traces в течение трёх эпох; заявлена поддержка многошаговых агентских траекторий и блоков рассуждений <think>. Доступны варианты GGUF с разными уровнями квантизации, включая рекомендуемый IQ4_NL размером около 2,61 ГБ. К сильным сторонам относятся мультимодальность, поддержка инструментов, двуязычность, большой контекст и возможность запуска на видеокартах с ограниченной памятью. Abliteration с использованием heretic снизила заявленный уровень отказов примерно до 11%, однако модель может генерировать вредный, оскорбительный или неподходящий контент, поэтому требует осторожного применения. Лицензия — AGPL-3.0.

Alpha-Orionis-v0.1 — экспериментальная текстовая генеративная модель из серии Orion, разработанной автором fearlessdots. Она представляет собой плотную причинно-языковую модель семейства Mistral примерно на 7,1 млрд параметров с контекстом до 32 768 токенов и предназначена для диалога и генерации текста. Автор ориентирует серию на STEM, информатику и программирование, социальные науки, рассуждения, логическую дедукцию, критический анализ и общие знания; в метаданных указан обучающий набор ToxicQAFinal. В карточке указано, что модель дообучалась с применением LoRA и 4-битной конфигурации обучения, а затем адаптер был объединён с базовой моделью. Идентификатор базы не заполнен; среди благодарностей упомянута команда Wizard, но точная исходная модель не названа. Модель описана как намеренно малоцензурированная и экспериментальная, поэтому качество ответов может быть непостоянным, а результаты требуют проверки. Лицензия репозитория — Apache-2.0.

AREX-2 — мультимодальная модель с 27 млрд параметров, разработанная Пекинской академией искусственного интеллекта (BAAI) для работы в качестве агента с длительным циклом решения задач. Она дообучена на базе Qwen/Qwen3.8-27B и использует плотную архитектуру, совместимую с Qwen3.8; модель принимает текст и изображения и выдаёт текст. Контекст составляет 262 144 токена. Модель рассчитана на итеративное решение задач: она предлагает вариант, анализирует оценки, журналы, ошибки и затраченное время, затем пересматривает решение в нескольких раундах. Обучение охватывает алгоритмическое программирование и инженерные задачи машинного обучения с проверяемой обратной связью, а также данные AREX для глубоких исследований. Авторы сообщают о переносе навыка самоулучшения на задачи глубокого исследования. Модель предназначена прежде всего для исследований длительных агентных циклов, рассуждений и использования инструментов. Репозиторий распространяется под лицензией Apache-2.0. Для запуска README рекомендует актуальную версию Transformers с поддержкой Qwen3.8. Качество зависит от задачи и организации тестовых раундов; модель не следует считать автономным исполнителем без внешней среды, обратной связи и проверки результатов.

BTL-4 — 35-миллиардная мультимодальная модель, разработанная badtheorylabs и представленная в формате GGUF с квантованиями от bartowski. Модель предназначена для работы с текстом и изображениями; для обработки изображений требуется отдельный файл mmproj. В описании также заявлены сценарии агентной работы, использования инструментов, программирования и решения задач, требующих рассуждений. Модель запускается через llama.cpp и доступна в вариантах от BF16 до низкобитных квантований Q8, Q6, Q5, Q4 и Q3, включая форматы IQ. Размер файлов составляет примерно от 14,87 до 69,38 ГБ, поэтому выбор варианта позволяет балансировать между качеством, скоростью и требованиями к памяти. Для большинства сценариев рекомендуется Q4_K_M размером 21,39 ГБ, а для более высокого качества — Q5 или Q6. В README не указаны архитектура, поддерживаемые языки и размер контекста; также отсутствуют результаты бенчмарков. К сильным сторонам относятся поддержка текста и изображений, ориентация на код, tool use и reasoning, а также широкий выбор квантований. Ограничениями являются значительные требования к памяти, возможное снижение качества в низкобитных вариантах и необходимость совместимого рантайма llama.cpp, а для мультимодальной работы — файла mmproj. Распространение указано по лицензии Apache-2.0.

BoostedV1 — авторская дообученная языковая модель auryn-macmillan для рассуждений и генерации кода. Она основана на DeepSeek-R1-Distill-Qwen-1.5B: модель прошла продолженное обучение с LoRA, после чего адаптер был объединён с базовыми весами. В репозитории опубликованы веса safetensors для запуска через Transformers; архитектура — Qwen2ForCausalLM, размер — 1,5 млрд параметров, заявленная длина контекста — 131 072 токена. Модель предназначена для диалоговых запросов, решения математических задач и помощи с кодом. В карточке приведены результаты GSM8K 46,0% и HumanEval pass@1 7,3%; они характеризуют только эти тесты и не гарантируют качество на других задачах. README сообщает об обучении на OpenCodeInstruct, OpenThoughts и OpenR1-Math; среди языков в метаданных указан английский. Модель распространяется по лицензии MIT.

Карточка модели psikosen/canopy-258m-r3-v5 на Hugging Face совпадает с карточкой psikosen/canopy-258m-r3-v4, поэтому описание составлено по ней. psikosen/canopy-258m-r3-v4 — компактная генеративная модель семейства Canopy, представленная как модель для рассуждений на периферийных устройствах и автоматизации браузера. В README описана архитектура рекуррентной смеси экспертов (MoE), однако метаданные указывают класс CanopyForCausalLM и 136,8 млн параметров; поэтому размер и точные архитектурные детали в источниках расходятся. Согласно README, модель ориентирована на генерацию текста, многошаговые рассуждения и выполнение действий в браузере, включая заполнение форм и цепочки действий. В карточке заявлены ограничение памяти KV-кэша при длинных последовательностях и ускорение генерации и браузерных операций; эти показатели приведены самим автором и независимая проверка в предоставленных данных отсутствует. Метаданные указывают английский язык и поддержку чата и кода. Модель распространяется под лицензией Apache-2.0.

CAT-Paws-8B — диалоговая агентная языковая модель CyberAgent для многошаговых взаимодействий, включая программирование, работу с терминалом и использование инструментов. Она объединяет Qwen3-8B и Qwen3-Swallow-8B-CPT-v0.2; архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров. Модель работает с текстом и рассчитана прежде всего на японский язык: цепочка рассуждений обычно формируется на японском, даже если запрос дан по-английски. Поддерживает японский и английский, контекст составляет 40 960 токенов; доступна в формате safetensors для Transformers. Модель предназначена для агентных сценариев с несколькими ходами, где инструкции и формат вызова инструментов передаются в системном сообщении или запросе. Специальный интерфейс для вызова инструментов модель не обучена принимать. По результатам авторских оценок CAT-Paws сопоставима с Qwen3-8B в агентных задачах на английском и немного превосходит её на японском, но уступает другим моделям в одноходовых задачах программирования и математики. Она может повторяться, выдавать длинные ответы и включать рассуждения даже при просьбе этого не делать; длинные системные инструкции ухудшают работу. Модель распространяется по лицензии Apache-2.0.

Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7 — дообученная Smilesjs модель семейства Qwen2 для генерации текста. Она основана на unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель содержит 3,1 млрд параметров, имеет контекст до 32 768 токенов и рассчитана на текстовые диалоги; в метаданных указана поддержка английского языка. Модель можно применять для генерации ответов и кода в интерактивных сценариях. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специальную химическую настройку, качество на задачах или результаты оценки, поэтому название репозитория само по себе не подтверждает пригодность для химических сценариев.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный методом обучения с подкреплением GRPO командой, опубликовавшей модель agurung. Обучение проводилось напрямую от базовой instruct-модели без отдельного этапа SFT; чекпойнт сохранён на шаге 4 и выбран как лучший в этом запуске по pass@8. Модель предназначена для генерации кода и решения задач программирования, оцениваемых прохождением тестов. Обучение использовало бинарную награду за корректность программы, а также штрафы за обрезанные и чрезмерно длинные ответы. Это плотная авторегрессионная модель на 3,7 млрд параметров с контекстом до 262 144 токенов; веса доступны в формате safetensors, загрузка поддерживается Transformers. README указывает, что метрики этого чекпойнта в журнале обучения отсутствуют, поэтому заявленное преимущество ограничено сравнением pass@8 внутри данного запуска. Лицензия в предоставленных данных не указана.

AlfredPros/CodeLlama-7b-Instruct-Solidity — дообученная модель Code Llama Instruct с плотной архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Она предназначена для генерации смарт-контрактов на Solidity по инструкциям и примерам. Для дообучения применялась QLoRA в 4-битном формате NF4 с библиотекой PEFT, на наборе из 6 003 пар инструкций и исходного кода смарт-контрактов, созданных GPT. Модель принимает текстовые запросы, генерирует текст кода и рассчитана прежде всего на английский язык; нативный контекст — 16 384 токена. Модель подходит для создания черновиков контрактов и ответов на запросы по коду Solidity. Дообучение длилось одну эпоху на синтетических данных, поэтому качество и надёжность результата для конкретных сценариев требуют проверки. Указана лицензия Llama 2.