II.2Создание и понимание программного кода

Coder-o1-mini-reasoning — компактная языковая модель kd13 для помощи с программированием и рассуждениями. Она дообучена на Qwen/Qwen2.5-Coder-1.5B и использует плотную архитектуру Qwen2 с 1,5 млрд параметров. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Взаимодействие рассчитано на диалоговый формат Harmony-style. Модель предназначена прежде всего для помощи с Python: написания и объяснения кода, поиска ошибок, разъяснения концепций и решения задач базового и среднего уровня. Также она может помогать с математическими и логическими рассуждениями, обучением начинающих и диалогами в стиле вызова инструмента для веб-поиска; само выполнение поиска зависит от внешней обвязки. Карточка описывает её как экспериментального лёгкого помощника, а веса доступны под лицензией Apache-2.0. Модель может ошибаться в рассуждениях, пропускать граничные случаи и выдавать код, требующий проверки. Она хуже подходит для сложных алгоритмических задач, больших многофайловых проектов и языков программирования, отличных от Python; формат вызовов инструментов может быть непоследовательным. Результаты следует проверять, особенно перед использованием кода в критичных или чувствительных к безопасности сценариях.

CORTEX — большая языковая модель Frankenstein-Labs для программирования, веб-разработки, обучения и общего ассистирования. В репозитории опубликован чекпойнт архитектуры DeepseekV4ForCausalLM с 44,9 млрд параметров по метаданным Hugging Face; README также приводит другое число параметров, поэтому точный размер расходится между источниками. Метаданные указывают формат safetensors FP8, библиотеку Transformers и контекст до 1 048 576 токенов. Заявлены генерация и объяснение кода, помощь с проектированием и анализом программ, поиск ошибок и разбор технических концепций; поддерживаемые языки в метаданных — французский, английский и китайский. Чекпойнт требует нескольких ускорителей и актуальной версии Transformers с поддержкой deepseek_v4; однографическая конфигурация не документирована. Полная загрузка и качество генерации Frankenstein-Labs не проверялись, поэтому заявленные сценарии следует считать предназначением, а не подтверждёнными результатами. Встроенная экспериментальная vision-адаптация не работает на полном чекпойнте и не делает его мультимодальной моделью. README описывает распределённые веса как опубликованный артефакт, а отдельный конвейер обучения собственных весов с нуля — как независимую работу; связь текущего чекпойнта с базовой моделью не подтверждена. Лицензия — MIT.

unsloth/DeepSeek-R1-Distill-Qwen-1.5B-unsloth-bnb-4bit — это 4-битная квантованная версия языковой модели DeepSeek-R1-Distill-Qwen-1.5B, подготовленная Unsloth на основе базовой модели deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель относится к семейству DeepSeek-R1 и использует дистилляцию способностей рассуждения, полученных при обучении DeepSeek-R1, в компактную модель на базе Qwen. Формат предназначен для использования с библиотекой Transformers и технологией bitsandbytes. Модель предназначена прежде всего для текстовых задач, требующих рассуждений, включая решение математических задач, программирование, ответы на вопросы и другие сценарии, где важна последовательная логика. Благодаря размеру 1,5 млрд параметров и 4-битному представлению она ориентирована на запуск при ограниченных ресурсах памяти, однако README не содержит точных требований к оборудованию, размера контекста или подробных показателей качества. Указан английский язык; поддержка других языков отдельно не заявлена. К сильным сторонам относятся компактность, сниженные требования к памяти и ориентация на reasoning-задачи. Ограничениями являются меньшая вместимость по сравнению с более крупными моделями DeepSeek-R1 и возможные потери качества из-за 4-битной квантования; конкретные компромиссы в README не измерены. Модель распространяется по лицензии Apache-2.0.

Diba-Base — базовая большая языковая модель семейства Diba, разработанная Dibachain. Это плотная авторегрессионная модель с архитектурой DibaForCausalLM и 3,4 млрд параметров; она предназначена для диалога, генерации кода и работы с инструментами. Основной язык модели — персидский (фарси), также она отвечает на английском и поддерживает запросы на обоих языках. Модель ориентирована на персидскую письменную речь, знания об Иране, включая его современную историю, и написание кода, в том числе на Python и JavaScript. Её можно запускать локально и офлайн; карточка описывает запуск на CPU через GGUF, хотя в метаданных репозитория указан формат safetensors. Заявленная длина контекста — 262 144 токена. В сравнительных тестах из карточки модель показала хорошие результаты на вопросах об истории Ирана и задачах кодирования для своего размера. Это результаты автора, а не независимая оценка. Для модели такого размера важно проверять факты и сгенерированный код; ответы также отражают перспективы, представленные в обучающих данных. Лицензия — Apache-2.0.

E1-Code-14B — языковая модель Salesforce, дообученная на DeepSeek-R1-Distill-Qwen-14B для эластичного рассуждения. Обучение с помощью стратегии rollout при ограниченном бюджете, встроенной в GRPO, помогает модели адаптировать ход рассуждения к ограничениям на объём вычислений и обобщать на новые ограничения без дополнительного обучения. Модель с архитектурой Qwen2 содержит 14 млрд параметров, принимает текст и генерирует текст; нативный контекст — 131 072 токена. Карточка указывает датасет DeepCoder-Preview-Dataset и диалоговые возможности. Модель предназначена для экспериментов с рассуждением и генерацией кода, однако README не приводит конкретных результатов оценки качества. Лицензия CC-BY-NC-4.0 допускает использование на условиях указанных ограничений, включая некоммерческий характер. Разработчик позиционирует выпуск как исследовательский и рекомендует проверять точность, безопасность и справедливость перед применением, особенно в сценариях высокого риска.

Elbaz-NVIDIA-Nemotron-3-Nano-30B-A3B-PRISM-NVFP4 — квантизированная версия разговорной языковой модели NVIDIA Nemotron-3-Nano, подготовленная Эриком Эльбазом (Ex0bit) с помощью NVIDIA TensorRT Model Optimizer. Модель предназначена для генерации текста в диалогах и представлена как вариант без фильтрации ответов. Это гибридная модель семейства Nemotron с архитектурой Mamba-2 и MoE; базовая версия содержит 30 млрд параметров при 3 млрд активных. Веса сжаты в формат NVFP4, размер чекпойнта около 18 ГБ. Для запуска требуются GPU NVIDIA Blackwell и TensorRT-LLM версии 0.17 или новее. README указывает калибровку на 512 примерах WikiText-2. Модель подходит для диалогов, ответов на вопросы, рассуждений и задач программирования; метаданные указывают английский язык. Формат несовместим с потребительскими GPU RTX 3000/4000/5000, llama.cpp и стандартным инференсом PyTorch. В карточке базовой модели указана поддержка шести языков, но языки кроме английского для этой версии отдельно не подтверждены. Лицензия в метаданных обозначена как other.

EVA-QwQ-32B-Coder-Preview — объединённая языковая модель, созданная автором win10 с помощью mergekit и метода TIES на базе EVA-Qwen2.5-32B-v0.2. В слияние также вошли Qwen/QwQ-32B-Preview и Qwen/Qwen2.5-Coder-32B-Instruct. Модель построена на архитектуре Qwen2, содержит 32 млрд параметров и предназначена для генерации текста в диалоговом формате. Каталог указывает контекст до 131 072 токенов. Вклад Qwen2.5-Coder предполагает пригодность для генерации и анализа кода, однако README не описывает отдельные результаты или проверенные сценарии для этой объединённой модели. Модель распространяется в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Falcon3-10B-Base — базовая предварительно обученная языковая модель семейства Falcon3, разработанная Technology Innovation Institute. Это плотный авторегрессионный трансформер с 9,9 млрд параметров; в карточке архитектура указана как LlamaForCausalLM. Модель принимает текст и генерирует продолжение, поддерживает английский, французский, испанский и португальский языки, а контекстное окно достигает 32 768 токенов. Модель обучалась на данных из веба, кода, STEM и многоязычных источников; в README заявлены результаты в рассуждениях, понимании языка, следовании инструкциям, программировании и математике. Это сырой базовый чекпойнт: для большинства прикладных сценариев его следует дополнительно дообучить, например с помощью SFT или RLHF. Весовые файлы представлены в формате safetensors. Лицензия — TII Falcon-LLM License 2.0; перед использованием следует учитывать её условия.

Falcon-H1R-7B-GGUF — языковая модель для рассуждений, разработанная Technology Innovation Institute (TII) на основе Falcon-H1-7B-Base. Это авторегрессионная decoder-only модель с гибридной архитектурой, объединяющей Transformers и Mamba2. Модель обучалась с применением supervised fine-tuning на длинных цепочках рассуждений и последующего обучения с подкреплением методом GRPO. Модель предназначена для генерации текста, решения математических задач, программирования, следования инструкциям и задач общей логики. В README заявлена поддержка английского и многоязычного использования. Для запуска предусмотрен формат GGUF и совместимость с llama.cpp; рекомендуются temperature 0.6, top-p 0.95 и до 65536 новых токенов, что указывает на ориентацию на длинные рассуждения. Сильной стороной модели являются результаты на ряде тестов рассуждений, включая высокие показатели на AIME24, HMMT25, AMO-BENCH и MATH500, а также конкурентные результаты в программировании и общих задачах. При этом приведённые бенчмарки не гарантируют аналогичное качество в конкретных прикладных сценариях, а подробные сведения о размере контекстного окна, точном варианте квантования GGUF и ограничениях по языкам в README не указаны. Модель распространяется по лицензии Falcon-LLM License; условия доступны по ссылке, указанной разработчиком.

Fireball-Mistral-Nemo-12B-Philos — дообученная методом supervised fine-tuning языковая модель EpistemeAI для генерации текста. По карточке, обучение охватывало философию, математику, программирование и языки; модель предназначена для ответов и генерации текста в этих областях. Модель основана на unsloth/Mistral-Nemo-Base-2407-bnb-4bit и использует плотную архитектуру Mistral с 12,1 млрд параметров. В метаданных указан контекст до 1 024 000 токенов; карточка базовой модели описывает окно в 128 тысяч токенов, поэтому заявленная для этой модели длина контекста может зависеть от конфигурации и реализации. Указан английский язык; карточка также сообщает об обучении на многоязычных и программных данных, не уточняя полный список языков. Модель распространяется по лицензии Apache 2.0. В карточке приведены рекомендации по использованию базовой Mistral Nemo, но нет отдельных оценок качества Fireball и подробных результатов тестирования.

barunparua/flant5-nltosql-wikisqlandspider — дообученная модель семейства T5 на основе OwaisAhmad/flant5-text2sql-model. Она предназначена для преобразования запросов на естественном языке в SQL, в том числе для сценариев, связанных с наборами WikiSQL и Spider. Модель содержит 123,8 млн параметров, работает с текстом и имеет контекст длиной 512 токенов. В карточке приведены результаты оценки: Loss 0,2761, ROUGE-1 0,6182, ROUGE-2 0,5007, ROUGE-L 0,6013 и ROUGE-Lsum 0,6012. Описание не уточняет поддерживаемые языки, конкретные схемы баз данных и ограничения качества; результаты оценки сами по себе не гарантируют точность на новых данных. Лицензия в предоставленных сведениях не указана.

Fluxion-370M-Instruct — компактная языковая модель Naresh Meena, созданная с нуля и дообученная следовать инструкциям. Это плотный decoder-only трансформер семейства Llama с 378,4 млн параметров и контекстом 4096 токенов. Обучение включало предварительное обучение, supervised fine-tuning и GRPO с правилами вознаграждения для математических рассуждений; модель использует собственный BPE-токенизатор на 50 тыс. токенов и архитектурные компоненты GQA, RoPE и SwiGLU. Модель предназначена прежде всего для решения математических задач, пошаговых рассуждений, генерации и объяснения кода, особенно на Python, а также для инструкций в этих областях. Карточка приводит результаты тестов по математике и программированию и позиционирует модель как компактную для запуска на умеренном оборудовании. Основной язык — английский; модель не рассчитана на многоязычное применение. Ограниченный объём и направленность обучающих данных снижают охват общих знаний и качество на широких тестах; небольшой размер также ограничивает сложные рассуждения. Контекст ограничен 4096 токенами, а для корректной остановки генерации README рекомендует передавать eos_token_id=[1, 4]. Лицензия — Apache-2.0.

ApatheticWithoutTheA/gemma-2-2b-it-R1-Reasoning — дообученная диалоговая модель на базе Google Gemma 2 2B IT, созданная ApatheticWithoutTheA. Модель обучена методом LoRA с использованием MLX на 62,9 тыс. примеров датасета sequelbox/Raiden-DeepSeek-R1; README указывает 600 итераций обучения. Она предназначена для следования инструкциям и генерации текста с рассуждениями: на простые вопросы отвечает кратко, а для более сложных может выдавать длинные цепочки рассуждений. Модель подходит для ответов на вопросы, задач на рассуждение и программирование, в том числе при запуске на пользовательском оборудовании. Это плотная авторегрессионная архитектура Gemma2ForCausalLM с 2,7 млрд параметров и контекстом до 8192 токенов. Репозиторий содержит форматы GGUF и safetensors; библиотека модели — MLX. Метаданные указывают английский язык и лицензию MIT. Качество рассуждений не гарантировано: модель иногда не начинает рассуждение без прямой просьбы, а на особенно сложных задачах может зацикливаться на длинном анализе и не приходить к выводу. Используйте ответы и сгенерированный код с проверкой.

Модель didula-wso2/gemma4_1-0-9_sft_16bit_vllm — дообученная версия Gemma 4, созданная didula-wso2 на базе didula-wso2/gemma4_1-0-8_sft_16bit_vllm с использованием Unsloth и библиотеки TRL. Это плотная мультимодальная модель класса Gemma4 для диалога и генерации ответов по тексту и изображениям; метаданные также отмечают интерфейс вызова инструментов. Базовая модель предназначена для генерации кода на Ballerina и диалоговых задач, но README этой версии не уточняет конкретные изменения в обучающих данных или специализации. Модель опубликована в формате safetensors под лицензией Apache-2.0. Указан английский язык; сведения о размере и длине контекста в предоставленных данных отсутствуют.

t-firefly/gemma4-e2b-rknn3-rk1828 — мультимодальная версия Gemma 4 E2B IT, подготовленная для запуска на устройстве RK1828 через LlamaPi. Исходную модель разработала Google DeepMind; карточка указывает на форматы GGUF и Safetensors, а метаданные связывают репозиторий с google/gemma-4-E2B-it. Модель принимает текст, изображения и аудио, выдаёт текст и предназначена для диалогов, рассуждений, программирования и агентных сценариев на устройстве или периферийном оборудовании. В README заявлены контекст 256 тысяч токенов и поддержка более 140 языков. Лицензия — Apache-2.0. Сведения о преобразовании весов специально для RKNN3, фактической производительности на RK1828 и совместимости отдельных модальностей в этой сборке ограничены; возможности исходной модели не гарантируют их полной поддержки в данном варианте.

GOBA AI Labs создала серию вариантов OLMoE-1B-7B-0125-Instruct, адаптированных под японский язык, финансы и программирование методом Expert Tuning. В этой модели эксперты разреженной MoE-архитектуры Transformer заменены доменно-специализированными экспертами, обученными с помощью дистилляции знаний; базовая модель — allenai/OLMoE-1B-7B-0125-Instruct. В репозитории представлены варианты для японского языка, финансов и генерации кода, каждый размером около 3,9 ГБ; активны 1,3 млрд параметров из 6,9 млрд. Модель поставляется в формате GGUF с квантизацией Q4_K_M и рассчитана на запуск, в частности, через llama.cpp. Варианты предназначены для генерации ответов и текста на японском языке, финансового анализа и выявления мошенничества, а также генерации и объяснения Python-кода. В описанных тестах японский вариант улучшил результат JMMLU на 4,5 процентного пункта, а вариант для кода — HumanEval+ на 10 пунктов; для финансового варианта прирост на подмножестве выявления мошенничества составил 16 пунктов. Базовая модель сохраняет общие навыки в пределах указанных авторами тестов, но оценки получены на выборках умеренного размера. Модель опубликована под лицензией Apache 2.0, допускающей коммерческое использование. К ограничениям относятся скромная активная ёмкость в 1,3 млрд параметров, возможная нестабильность оценок на небольших тестовых выборках и смещение финансового варианта в сторону выявления мошенничества с ухудшением прогнозирования доходов.

rakeshkiriyath/gpt2Medium_text_to_sql — дообученная на наборе b-mc2/sql-create-context модель GPT-2 Medium для преобразования запросов на естественном языке в SQL. Карточка демонстрирует SQL-запросы и приводит значения training loss и eval loss; метаданные указывают архитектуру GPT2LMHeadModel, формат PyTorch, контекст до 1024 токенов и английский язык. Модель подходит для генерации SQL по текстовым запросам, например для выборки и подсчёта данных в таблицах. Карточка описывает первый проект автора по дообучению LLM, поэтому качество и устойчивость результатов могут быть ограничены. Лицензия обозначена как other; конкретные условия использования следует сверить с лицензией репозитория и набора данных.

GPT-5 Image — модель OpenAI, объединяющая GPT-5 с возможностями генерации изображений GPT Image 1. Она предназначена для взаимодействия с текстом и создания изображений по инструкциям; в карточке также отмечены улучшения в рассуждениях, качестве кода и следовании запросам. Доступный фрагмент карточки не сообщает архитектуру, размер, языки, длину контекста или лицензию.

GPT-5 Nano — самая компактная и быстрая версия системы GPT-5 от OpenAI. Она предназначена для инструментов разработчика, быстрых взаимодействий и сценариев с очень низкой задержкой. Доступный фрагмент карточки характеризует её как модель с меньшей глубиной рассуждений по сравнению с более крупными вариантами GPT-5.

granite-8b-code-instruct-4k-GGUF — квантованная версия Q4_K_M модели granite-8b-code-instruct-4k, разработанной IBM и распространяемой под лицензией Apache 2.0. Модель предназначена для генерации и обработки программного кода, включая написание, объяснение и исправление кода, а также решения задач, связанных с SQL, математикой и вызовом функций. Версия основана на ibm-granite/granite-8b-code-base-4k и рассчитана на контекст до 4K токенов. Модель содержит 8 миллиардов параметров, работает в текстовом режиме и ориентирована на сценарии программирования с использованием llama.cpp и формата GGUF. В опубликованных тестах HumanEvalPack показатели pass@1 составили 57,9% для синтеза Python, 52,4% для JavaScript, 58,5% для Java, 43,3% для Go, 48,2% для C++ и 37,2% для Rust; результаты для объяснения и исправления кода различаются в зависимости от языка. Показатели помечены как непроверенные. Ключевое ограничение — устаревший статус: разработчик не рекомендует модель для новых проектов и предлагает использовать более современные модели семейства Granite. README не содержит сведений о точной архитектуре, языковом охвате и дополнительных ограничениях, поэтому эти характеристики нельзя определить по предоставленным данным.

ProCreations/grug-v1.1-qwen-3.8-27b-mtp — вариант диалоговой модели Grug v1.1 на базе Qwen3.8-27B с настроенной головой предсказания следующего токена. Разработчик дообучил только модуль MTP объёмом 425 млн параметров методом самодистилляции на собственных ответах Grug; основные веса заморожены и, согласно карточке, не меняют ответы модели. Голова предназначена для speculative decoding: она предлагает токены наперёд, которые основная модель проверяет, что может повысить скорость генерации в совместимом движке. В тесте на данных Grug совпадение предсказания второго следующего токена с проверяющей моделью составило 95,37%. Это показатель согласия, а не измеренный прирост скорости; фактическая производительность зависит от движка, размера пакета и длины чернового предсказания. Для использования головы README приводит vLLM и SGLang с поддержкой Qwen3.8 MTP; обычный Transformers может игнорировать MTP-модуль и запускать основную модель без ускорения. Базовая модель предназначена для диалогов, рассуждений, программирования и агентных сценариев с инструментами. Лицензия — Apache-2.0.

Huginn-0125 — экспериментальная языковая модель исследовательской группы TomG Group при University of Maryland. Это плотная decoder-only модель на 3,5 млрд параметров, обученная с нуля на 800 млрд токенов и реализованная как рекуррентная модель с латентной глубиной: при генерации можно задавать число итераций вычислений num_steps, увеличивая глубину обработки без фиксированного числа слоёв. Модель работает с текстом, поддерживает диалоговый шаблон и ориентирована на генерацию текста, рассуждения, математические задачи и код. Модель обучалась 47 000 шагов на открытых данных и не проходила дообучение или постобучение, хотя в предварительное обучение включались инструкции. Авторы характеризуют её как proof of concept; увеличение num_steps улучшает результаты на бенчмарках примерно до 64 шагов, а при числе меньше четырёх ответы становятся грубыми. Для инференса рекомендуется bfloat16; для кэширования KV требуется специальная реализация HuginnDynamicCache, которая может быть чувствительна к обновлениям Transformers. Доступна по лицензии Apache-2.0.

Infinity-Instruct-3M-0625-Llama3-70B — языковая модель Beijing Academy of Artificial Intelligence (BAAI), дообученная методом supervised instruction tuning на наборах Infinity-Instruct-3M и Infinity-Instruct-0625. Это плотная причинная модель семейства Llama с 69,5 млрд параметров, предназначенная для диалогов и следования текстовым инструкциям; она не проходила RLHF. Модель использует шаблон чата Llama 3 Instruct, принимает текст и генерирует текст, а её контекст составляет 8192 токена. В карточке заявлены благоприятные результаты на AlpacaEval 2.0, однако приведённая таблица и текст описывают разные варианты модели, поэтому результаты конкретно этой версии следует трактовать осторожно. Подходит для диалоговых ассистентов, ответов на вопросы и выполнения инструкций, в том числе в задачах с кодом и математикой. Модель ориентирована на английский язык согласно метаданным; оснований считать её специально адаптированной для русского нет. Репозиторий распространяется под Apache-2.0, но README отдельно ограничивает использование связанных ресурсов академическими исследованиями и запрещает коммерческое применение; следует учитывать это ограничение и проверять применимые условия перед использованием.

INTELLECT-1 — базовая языковая модель примерно на 9,7 млрд параметров, разработанная Prime Intellect совместно с участниками сообщества и обученная с нуля на триллионе токенов английского текста и кода. Это плотная модель архитектуры Llama с 42 слоями и контекстом до 8192 токенов; веса доступны в формате safetensors. Модель предназначена для продолжения текста и генерации кода, а также как основа для дальнейшей адаптации. Это базовая модель, а не чат-ассистент: для диалогового использования авторы рекомендуют INTELLECT-1-Instruct. При генерации необходимо добавлять BOS-токен в начало каждого образца, иначе качество может снизиться. Обучение проходило распределённо на данных FineWeb-Edu, FineWeb, Stack V1, DCLM и Open Web Math с использованием алгоритма DiLoCo. Заявленная лицензия — Apache 2.0. Модель обучалась преимущественно на английских данных, поэтому её пригодность для других языков из карточки не следует.

INTELLECT-1-step-17000 — промежуточный чекпойнт языковой модели INTELLECT-1, разработанной Prime Intellect совместно с Arcee AI и сообществом участников. Это плотная авторегрессионная модель семейства Llama примерно на 9,7 млрд параметров; в README указаны 42 слоя и 32 головы внимания. Модель обучалась с нуля на триллионе токенов англоязычных текстов и кода, включая веб-тексты, математические материалы и код. Чекпойнт соответствует шагу обучения 17 000; README также упоминает более поздние шаги и финальную версию. Модель предназначена для генерации продолжений текста и кода на английском языке. Контекстное окно составляет 8 192 токена. Обучение проводилось распределённо на нескольких континентах с использованием инфраструктуры Prime Framework для динамического масштабирования и отказоустойчивой связи между вычислительными узлами. Это промежуточный чекпойнт, поэтому его качество может уступать финальной версии и он не заявлен как инструкционная модель. Лицензия — Apache 2.0.

Jack-3.8-27B-V2-VL-16GB-VRAM — мультимодальная модель независимого исследователя Джонатана Майкла Лэнгфорда и проекта Jack, созданная на основе Qwen/Qwen3.8-27B и рассчитанная на локальный запуск через llama.cpp. Репозиторий содержит веса GGUF и BF16 мультимодальный проектор для работы с изображениями; заявленное назначение — диалоговая и агентная работа с длинным контекстом, включая программирование и многошаговые задачи. Модель использует протокол Jack V2: структурирование рабочего состояния в XML после основного рассуждения, отделение наблюдений и предположений, учёт актуальности сведений и проверку точных результатов детерминированными инструментами. По описанию автора, это предназначено для задач, где важно не смешивать устаревшие планы, конфигурации и результаты. Автор ориентирует релиз на GPU класса 16 ГБ; для полного режима обработки изображений требуется загрузить приложенный проектор. В README рекомендуется отключить MTP; Q4 KV cache описан как результат ранних локальных наблюдений, а не универсальная настройка. Модель имеет 27 млрд параметров; контекстное окно в предоставленных данных не указано. Лицензия — Apache-2.0. Заявленные преимущества протокола и поведение при локальном тестировании основаны на описании автора; независимые сравнительные оценки в предоставленных материалах отсутствуют.

jk5 — дообученная модель на 1,3 млрд параметров, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. В карточке указано обучение на наборе данных None с использованием KTO; архитектура относится к семейству Llama, веса опубликованы в формате safetensors. Контекст составляет до 16 384 токенов. Модель предназначена для генерации текста. Базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде, но карточка jk5 не описывает её конкретные сценарии применения и не сообщает, насколько сохранились или изменились эти возможности после дообучения. В карточке также приведены метрики оценки, но без описания набора данных и методики их интерпретация ограничена. Лицензия в доступных данных не указана.

Grug-35B-A3B-GGUF — квантизированная версия модели Grug-35B-A3B, разработанной kai-os и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и задач, требующих рассуждений, включая математические и программные сценарии, отладку кода и компактное reasoning. Она обучалась с применением QLoRA и использовала наборы данных для общего, математического и программного reasoning. Модель имеет архитектуру MoE с заявленными 35B общих параметров и 3B активных параметров, однако сведения о точном контекстном окне, поддерживаемых языках и дополнительных модальностях в README отсутствуют. Квантизация выполнена с использованием llama.cpp и imatrix; доступны варианты от IQ3_M и Q3 до Q8_0, а также исходные веса BF16. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти. Запуск поддерживается через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты, при условии поддержки модели. Сильной стороной является сочетание большой общей ёмкости MoE с небольшим числом активных параметров, что может снизить требования к вычислениям по сравнению с плотной моделью аналогичного размера. Ограничения включают значительные требования к памяти даже для большинства квантизированных вариантов, отсутствие подробных результатов независимых оценок и неполные сведения о языках и контексте. Модель распространяется по лицензии Apache-2.0.

Это общественная производная KAT-Coder V2.5 Dev, созданная AceTheUnfazed объединением GGUF-сборки KAT-Coder V2.5 Dev APEX I-Compact с блоком MTP/NextN из Qwen3.6-35B-A3B APEX MTP. Основная часть сохраняет исходную квантизацию APEX I-Compact, а добавленный блок использует представления Q8_0, F32 и BF16. Модель поддерживает диалог и работу с изображениями; в метаданных указаны английский и китайский языки. Для запуска автор рекомендует совместимую сборку llama.cpp с поддержкой Qwen3.6/NextN и speculative decoding через draft-mtp. Модель предназначена для локального диалогового использования, включая сценарии с изображениями, с ускоренным декодированием за счёт MTP. В README приведены замеры на одной конфигурации оборудования; они показывают более высокую скорость относительно исходной сборки KAT-Coder APEX, но не гарантируют таких результатов на других системах. Указанная в примере конфигурации длина контекста — 98 304 токена, однако README не подтверждает стабильность на всём этом диапазоне. Это неофициальная сборка сообщества и не новое обучение модели. Лицензия репозитория — Apache-2.0; права на исходные модели и файлы сохраняются за их авторами.

Kiwen-27B — дообученная мультимодальная модель Qwen, созданная на основе Qwen/Qwen3.8-27B с использованием длинных трасс рассуждений Kimi K3. Её дообучение направлено на то, чтобы модель завершала рассуждение и выдавала ответ до исчерпания лимита генерации; автор не заявляет, что она в целом сильнее базовой модели. Модель предназначена для диалогов и задач с изображениями, а также для многошаговых задач на рассуждение, включая математику и программирование. В README приведены результаты GSM8K: улучшение точности составило 10,31 процентного пункта при гибком извлечении ответа и 6,07 пункта при строгом. Это указывает, что часть выигрыша связана с более надёжным завершением ответа, а не обязательно с улучшением математических способностей. Проверка на вьетнамских корпоративных документах показала небольшое ухудшение NLL относительно базовой модели. Kiwen-27B — плотная модель семейства Qwen с 27 млрд параметров, архитектура Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и выдаёт текст. В метаданных указаны вьетнамский, английский и китайский языки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.