II.2Создание и понимание программного кода

Kog Laneformer 2B IT — инструкция-настроенная версия языковой модели семейства Laneformer от Kogai. Это плотный авторегрессионный Transformer с декодером в стиле Llama, 2,2 млрд параметров и контекстом 4096 токенов. Архитектура использует Delayed Tensor Parallelism (DTP): обмен данными между частями модели откладывается и выполняется асинхронно, чтобы скрыть задержки параллельных вычислений. Репозиторий содержит веса Safetensors и реализацию для Transformers; для загрузки требуется разрешить пользовательский код модели. Модель предназначена для генерации текста и кода, диалоговых и инструкционных экспериментов, а также исследования архитектур с низкой задержкой при последовательной генерации. Разработчик ориентирует семейство на сценарии с малым числом одновременных запросов, включая циклы кодирования с агентами, голосовые помощники и сопилоты реального времени. Приведённые в карточке высокие скорости относятся к отдельному движку Kog Inference Engine на специализированных GPU и не характеризуют обычный запуск через Transformers. Модель преимущественно обучалась на коде и не рассчитана на роль универсального помощника. Она может ошибаться, выдавать небезопасный код и недостоверные сведения; результаты требуют проверки, а для критически важных решений модель не подходит. Лицензия указана как `other`; карточка также требует соблюдать условия лицензии и политики допустимого использования Llama 2.

Le Gros Chaton — дообученная на базе Qwen3.5-9B языковая модель на 7,2 млрд параметров, созданная Mateooo93 для агентных задач программирования в терминале. Она использует архитектуру Qwen3.5 с гибридными Gated-Attention и Gated-DeltaNet и принимает текстовые запросы, формируя текстовые ответы и вызовы инструментов. Модель обучали в несколько этапов с помощью LoRA: выравнивание формата вызова инструментов и дообучение на траекториях решения задач Terminal-Bench 2.0; опубликованная версия объединяет результаты до второго этапа. Контекст базовой модели составляет до 262 144 токенов, хотя пример запуска в README ограничивает его 32 768 токенами. Модель предназначена для работы в цикле агента: читать и редактировать файлы, запускать команды, разбирать вывод и продолжать работу до прохождения проверяющей задачи. В пилотной оценке Terminal-Bench 2.0 она набрала 25%; особенно сильной стороной автор называет Git-операции. Это специализированная модель для экспериментов и практических терминальных задач, а не универсальная замена более крупным агентным системам. Среди описанных ограничений — слабая работа с синтезом результатов из нескольких файлов, планированием действий с побочными эффектами и самостоятельным поиском неявно заданных входных данных. Распространяется по лицензии Apache-2.0.

AyoubChLin/lfm2.5-2.6b-fable5-coding-agent — плотная причинная языковая модель на 2,6 млрд параметров, созданная полным supervised fine-tuning модели LiquidAI/LFM2.5-2.6B на наборе saidutta69/fable-5-premium. Чекпойнт в формате BF16 предназначен для многоходового общения с ассистентом, генерации и объяснения кода, а также формирования вызовов инструментов в агентной системе. Заявленное контекстное окно базовой модели — 131 072 токена. Модель обучалась на первых 5 000 строк обучающей части набора и полных валидационной и тестовой частях; обучение учитывало только токены ответов ассистента. Более половины выбранных обучающих примеров были усечены до 32 000 токенов. Приведённые потери на отложенных данных не сравнивались с базовой моделью и сами по себе не доказывают качество кодирования или агентных действий. Модель экспериментальная, не заявлена как готовая для production. Сгенерированные фрагменты кода и вызовы инструментов могут быть неполными, ошибочными или небезопасными; вызовы нужно проверять и авторизовывать, а код выполнять в изолированной среде. Перед использованием и распространением необходимо соблюдать лицензии базовой модели и обучающего набора; карточка не предоставляет дополнительных прав.

LFM2.5-2.6B-Fable5-Coding-Agent-heretic — компактная языковая модель для генерации текста и работы в роли coding agent. Она создана автором RACER IS OP как decensored-вариант модели AyoubChLin/lfm2.5-2.6b-fable5-coding-agent, которая, в свою очередь, является полноразмерной SFT-модификацией LiquidAI/LFM2.5-2.6B на датасете saidutta69/fable-5-premium. Модель предназначена для генерации кода, многошагового диалога, следования инструкциям и формирования tool calls. Модель содержит около 2,6 млрд параметров и использует гибридную архитектуру LFM2 с комбинацией свёрточных и attention-компонентов. Указана поддержка английского языка и текстовой модальности. Доступны веса в форматах GGUF, включая F16 и варианты квантования от Q2_K до Q8_0; модель рассчитана на локальный запуск через llama.cpp, Ollama, LM Studio или Transformers. Заявленная особенность — подавление отказов с помощью направленной абляции весов в attention output и MLP down-projections без дополнительного fine-tuning. По данным README, доля отказов в тесте снижена с 96 до 7 из 100 при KL-дивергенции 0,014. Сильными сторонами являются небольшой размер, быстрый локальный inference, поддержка генерации кода, tool-use и многоходового поведения ассистента. При этом это не улучшение базовых возможностей, а та же модель с удалёнными защитными ограничениями. В README прямо предупреждается, что дополнительной фильтрации безопасности нет и модель может выполнять опасные или нежелательные запросы, поэтому ответственность за применение и развёртывание лежит на пользователе. Лицензия обозначена как other; приведена ссылка на лицензию базовой модели LiquidAI/LFM2.5-2.6B.

RESMP.DEV выпустила исследовательскую модификацию двунаправленного энкодера LiquidAI/LFM2.5-Encoder-230M для многоязычного поиска по коду. Модель содержит около 221,2 млн параметров; её полный энкодер дообучен контрастивным обучением, а голова masked language modeling удалена. Для получения эмбеддингов доступны запросы с префиксом «query: » и фрагменты кода с префиксом «passage: ». Максимальный контекст — 128 000 токенов, хотя в описанном тесте длина запросов и документов ограничивалась отдельными лимитами. Репозиторий обозначен как MXFP4-GPTQ и предназначен для получения векторных представлений кода и поиска подходящих фрагментов. На отложенном наборе из 6 995 пар вариант с калиброванной MXFP4-квантизацией показал MRR 0,211 против 0,396 у BF16 модели и 0,081 у контрольной MXFP4-квантизации без калибровки; размер артефакта составил около 225,5 МБ. Это заметно компактнее BF16 версии, но качество поиска ниже. README не указывает лицензию репозитория; метаданные обозначают её как other.

LLaDA-8B full-sequence SFT on mix60k — плотная диффузионная языковая модель, дообученная Albert Ge на базе GSAI-ML/LLaDA-8B-Base. Это контрольная модель для исследования Register Tokens for Bounded-State Reasoning in Diffusion Language Models; в ней нет канала register-токенов или переноса дискретного текста между фрагментами. Обучение проведено на смеси из 60 тысяч примеров OpenMathInstruct-2 и OpenCodeInstruct, за один проход, с динамической длиной последовательности и ограничением завершения до 1024 токенов. Модель предназначена для генерации текста в задачах математики и программирования, а также диалогового применения. В README приведены результаты GSM8K и MATH500 для генерации на одном холсте длиной 1024 токена и для восьми отдельных фрагментов по 128 токенов без переноса состояния; в последнем режиме последующие фрагменты не видят ранее сгенерированный текст. Модель распространяется в формате safetensors; лицензия в предоставленных данных не описана.

LLaDA-MoE-7B-A1B-Base — базовая предварительно обученная языковая модель от InclusionAI, построенная как диффузионная модель языка с архитектурой Mixture-of-Experts. Это версия для исследований и дальнейшей разработки, в том числе для дообучения под конкретные сценарии. Модель обучена с нуля примерно на 20 трлн токенов; всего в ней около 7 млрд параметров, из которых при генерации активируется около 1,4 млрд. Архитектура включает 16 слоёв, использует RoPE и словарь из 157 184 токенов. Модель предназначена для генерации текста и может служить основой для задач программирования, математических рассуждений и сценариев с вызовом инструментов. Метаданные указывают контекст до 8 192 токенов; в README приведена длина контекста 4 096 токенов. Карточка не сообщает, на каких естественных языках модель обучена или проверена. Для работы указана библиотека Transformers; README также рекомендует dInfer для ускоренного инференса. Модель распространяется по лицензии Apache-2.0. Это базовый чекпойнт, поэтому для диалоговых и прикладных сценариев может потребоваться дообучение и подходящая обвязка; заявления о производительности и качестве приведены разработчиком и не сопровождаются здесь независимой проверкой.

miulab/llama2-7b-oss-instruct — англоязычная плотная авторегрессионная модель семейства Llama 2, дообученная на наборе Magicoder-OSS-Instruct-75K. Она служит основой кодовой модели, использованной в исследовании DogeRM, и предназначена для генерации текста в формате инструкций и диалога, в том числе для задач, связанных с кодом. Модель содержит 6,6 млрд параметров, построена на архитектуре LlamaForCausalLM и рассчитана на контекст до 4096 токенов. Модель опубликована исследовательской группой, указанной в статье DogeRM; README направляет к статье за подробностями обучения и оценки. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит результатов бенчмарков или подробного описания ограничений; качество на конкретных задачах программирования следует проверять отдельно.

Orion-zhen разработал чат-модель Orion-zhen/Llama3-70B-Orion-Chinese на основе failspy/Llama-3-70B-Instruct-abliterated-v3, дообучив её методом DPO. Это плотная авторегрессионная модель семейства Llama 3 с 69,5 млрд параметров, контекстом 8192 токена и поддержкой диалога; карточка демонстрирует ответы на китайском языке с более оживлённой подачей и частым использованием эмодзи. Модель предназначена для диалога на китайском, рассуждений, ответов на вопросы и генерации кода. В README приведены примеры решения математических и логических задач, бытовых вопросов, анализа эмоций и написания кода. Метаданные также связывают обучение с наборами предпочтений для китайского и английского диалога, математики, физического рассуждения, кода и других ответов. Файлы опубликованы в формате Safetensors. Лицензия — Llama 3; применимость и условия использования следует сверять с её условиями. Примеры README показывают возможные ошибки в рассуждениях и небезопасные советы, поэтому ответы требуют проверки; инструкция по расширению контекста до 32k в карточке не подтверждена как штатная длина контекста модели.

Local AI Toolkit — это подборка локально запускаемых моделей и инструментов, опубликованная под идентификатором m15dg/local-ai-toolkit. Коллекция собрана с использованием AI-подбора и предназначена как отправная точка для локального AI-окружения, а не как единая модель. Она ориентирована на работу на потребительском оборудовании с NVIDIA RTX 3060 с 12 ГБ видеопамяти и 32 ГБ оперативной памяти. В состав входят модели для универсальной генерации текста, программирования и кодовых агентов, координации multi-agent систем, RAG и анализа документов, embeddings и reranking, синтеза речи, распознавания речи, мультимодального анализа изображений и текста, а также uncensored-варианты. Заявлены форматы GGUF и SafeTensors; для отдельных сценариев предусматриваются GPU и CPU offload либо полностью GPU-ориентированный запуск. Поддерживаются английский и персидский языки, однако характеристики отдельных моделей, включая архитектуру, размеры, контекст и точные мультимодальные возможности, зависят от конкретных компонентов коллекции. Сильной стороной является подборка моделей, адаптированная под ограниченный бюджет памяти и различные локальные сценарии — от диалогов и генерации кода до RAG, агентов и речи. Ограничения заключаются в том, что это незавершённый и периодически обновляемый набор рекомендаций: заявленные возможности и качество не являются гарантированными, а Image Generation и Video Generation на момент описания отсутствуют. Лицензия указана как other; отдельные лицензии входящих моделей в README не приведены.

mAInframer-34b — языковая модель для генерации кода COBOL из семейства mAInframer, представленная bloopai. Модель основана на CodeLlama и дообучена на коде COBOL; README описывает её как вариант серии с 34 млрд параметров. По метаданным это плотная архитектура LlamaForCausalLM с контекстом 16 384 токена, предназначенная для генерации текста. Модель рассчитана на автодополнение и заполнение пропусков в COBOL-коде. В README приведён результат 10,27 pass@1 на COBOLEval. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0.

Merlin-Agent-GGUF — это квантизированная версия языковой модели Merlin-Agent, разработанной Merlin-Research и подготовленной пользователем bartowski в формате GGUF с помощью llama.cpp. Модель предназначена для генерации текста и кода, а также для задач, связанных с quantum-classical вычислениями, quantum kernels, IBM Quantum, OTOC и quantum provenance, судя по указанным тегам. Модель поддерживает английский, испанский, немецкий, нюнорск, финский, шведский, французский, датский и турецкий языки. Архитектура, количество параметров и размер контекста в README не указаны. Доступны варианты от BF16 до низкобитных квантований Q2_K_L, включая рекомендуемые Q4_K_M, Q5_K_M, Q6_K и другие форматы. Квантизация уменьшает требования к памяти, но более компактные варианты могут снижать качество; Q6 и близкие к нему варианты заявлены как обеспечивающие почти исходное качество. Модель запускается через совместимые инструменты, включая llama.cpp, LM Studio, koboldcpp, Jan AI и Text Generation Web UI. Для работы рекомендуется использовать указанный шаблон prompt format. Лицензия — Apache-2.0.

MiniCPM-2B-dpo-fp32 — текстовая авторегрессионная модель семейства MiniCPM, разработанная ModelBest и лабораторией обработки естественного языка Университета Цинхуа. Это версия MiniCPM-2B, обученная с учётом человеческих предпочтений методом DPO; в README для семейства указано 2,4 млрд параметров без эмбеддингов, а в метаданных репозитория — 2,7 млрд параметров. Модель принимает текст и генерирует текст, поддерживает диалог и рассчитана на контекст до 4096 токенов. Модель предназначена для диалоговых ответов и генерации текста общего назначения, включая задачи на китайском языке, математику и программирование. Разработчики сообщают о результатах DPO-версии на MTBench, однако отдельно отмечают, что качество генерации в Hugging Face может уступать vLLM. Репозиторий содержит веса PyTorch в формате fp32; README указывает на академическое исследование и ограниченное коммерческое использование. Более точные условия лицензии в предоставленных данных не приведены.

GnLOLot/MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking-GGUF — это набор GGUF-квантизаций языковой модели MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking, разработанной на базе openbmb/MiniCPM5-1B и дообученной на данных Fable 5. Репозиторий подготовлен для локального запуска через llama.cpp, Ollama, LM Studio, jan, KoboldCpp и другие совместимые среды. Модель предназначена для генерации текста, диалогов, следования инструкциям, программирования, отладки и рабочих процессов с инструментами и вызовами функций. Модель имеет размер 1B параметров, работает с текстом и поддерживает английский и китайский языки. Заявлена длина контекста до 128K токенов, однако фактический доступный размер зависит от используемого GGUF-рантайма и оборудования. В V2 улучшена поддержка tool calling и function calling по сравнению с предыдущей версией; также предусмотрен режим рассуждений, при котором модель может выдавать блоки рассуждений перед итоговым ответом. Шаблон чата MiniCPM5 встроен в метаданные GGUF-файлов. Доступны варианты Q8_0 размером около 1,1 ГБ и F16 размером около 2,1 ГБ; Q8_0 рекомендован как стандартный вариант. К сильным сторонам относятся компактность, возможность локального развертывания, поддержка длинного контекста, программирования и вызова инструментов. Ограничение — небольшой масштаб 1B параметров, поэтому модель не относится к моделям передового уровня и может уступать более крупным системам в сложных задачах. Лицензия — Apache-2.0.

Dingdust/MiniCPM5-1B-heretic — текстовая генеративная модель на базе MiniCPM5-1B, изменённая методом abliteration для снижения склонности к отказам. В карточке приведено сравнение: доля отказов снизилась с 97 до 7 из 100, а KL-дивергенция относительно исходной модели составляет 0,0253. Модель сохраняет архитектуру LlamaForCausalLM и контекстное окно 131 072 токена; метаданные указывают 837,6 млн параметров и формат Safetensors. Модель предназначена для локальных диалоговых ассистентов, генерации кода, рассуждений и сценариев с использованием инструментов. Исходная карточка MiniCPM5-1B описывает режимы быстрого ответа и пошагового рассуждения, однако метаданные этого репозитория подтверждают только генерацию текста и чат; отдельная проверка tool calling для данной версии не приведена. Языковые теги — английский и китайский. Репозиторий распространяется по лицензии Apache-2.0. Снижение отказов может повысить вероятность ответа на запросы, на которые исходная модель отказалась бы отвечать, но не гарантирует точность или безопасность результата. Модель может выдавать неточную, предвзятую или небезопасную информацию; ответы следует проверять, особенно перед применением в ответственных сценариях.

MJPansa/MiniMax-M2.7-REAP-172B-A10B-AutoRound-W4A16 — экспериментальная сжатая и квантизированная версия модели семейства MiniMax-M2, разработанная на основе MiniMaxAI/MiniMax-M2.7. Это текстовая генеративная модель для продолжения текста, диалогов, программирования и других задач обработки естественного языка; предусмотрена интеграция с vLLM и Hugging Face Transformers. Заявленный язык — английский. Модель использует архитектуру Mixture-of-Experts: 62 трансформерных слоя, 192 эксперта на слой после сокращения исходных 256 экспертов на 25%, top-8 маршрутизацию, скрытый размер 3072, 48 attention heads и 8 KV heads. Всего около 172 млрд параметров, из которых примерно 10 млрд активируются на токен. REAP применён для pruning экспертов, а AutoRound — для квантизации весов в формате W4A16 с 4-битными весами, 16-битными активациями и group size 128. Размер checkpoint составляет около 86 GiB; заявлена поддержка контекста до 32768 токенов при использовании соответствующей конфигурации сервера. Сильная сторона модели — существенно уменьшенный размер и возможность запуска на одной NVIDIA GB10/DGX Spark с 128 GiB unified memory, а также на CUDA GPU с kernels Marlin или GPTQ-Marlin W4A16. Ограничения связаны с экспериментальным статусом: pruning и калибровка выполнены всего на 64 последовательностях длиной 512 токенов из evol-codealpaca-v1, поэтому качество ещё оценивается и может уступать исходной модели. Для Transformers требуется trust_remote_code=True. Модель распространяется по лицензии MiniMax M2.7, обозначенной в README как minimax-m2.7-license.

Mtrini-SVL-1.1-Merged — открытая модель Compiwer AI примерно на 8 млрд параметров, дообученная на базе Qwen3-VL-8B-Instruct. Это мультимодальная архитектура Qwen3-VL, рассчитанная на диалог и задачи рассуждения; в карточке также заявлены кодирование, математика, марокканская дариджа и многоязычные сценарии. Модель принимает текст и изображения и генерирует текстовые ответы. Обучение проводилось с LoRA / PEFT на 58 574 примерах: данных для вопросов и рассуждений на марокканской даридже, OpenCodeReasoning-2 и OpenMathInstruct-2. Концепция Self-Verifying Loop направлена на проверку и улучшение ответов, но в README она описана как продолжающееся исследовательское направление, а не как подтверждённая гарантия качества. Указаны точность BF16 и контекст обучения 4096 токенов. Модель подходит для диалога, помощи с кодом и математическими задачами, особенно в сценариях с марокканской дариджей. Она экспериментальная: может галлюцинировать, ошибаться в коде и математике или неверно понимать запросы, поэтому важные результаты нужно проверять. Лицензия — Apache-2.0.

nuprl/MultiPL-T-StarCoderBase_1b — версия на 1 млрд параметров из семейства MultiPLCoder, разработанная на основе StarCoder и дообученная на наборе MultiPL-T. Это авторегрессионная языковая модель архитектуры GPTBigCode для генерации кода; в карточке перечислены специализированные ревизии для Lua, Racket и OCaml. Для загрузки конкретной языковой версии требуется выбрать соответствующую ревизию репозитория. Модель предназначена для генерации кода на языках с ограниченными ресурсами, в частности для написания и продолжения программ на Lua, Racket и OCaml. Она принимает текстовые запросы и выдаёт текст, включая код; заявленная длина контекста — 8192 токена. Модель распространяется по лицензии BigScience OpenRAIL-M. Ее сравнительно небольшой размер позволяет рассматривать её для экспериментов и задач генерации кода, однако качество для языков и сценариев, не упомянутых в карточке, не описано.

Mythos-9B-Unhinged — языковая модель примерно на 9 млрд параметров, разработанная King3Djbl. Данный репозиторий содержит её квантизированные версии в формате GGUF, подготовленные mradermacher с использованием imatrix-квантования. Модель ориентирована на англоязычную генерацию текста, ролевые сценарии, программирование, работу с агентами, вызов функций и инструментов, а также взаимодействие с shell-командами. В описании также заявлены режимы без отказов и использование в FableForge, LM Studio, llama.cpp и Ollama, однако подробности обучения и результаты тестирования не приведены. Архитектура, точное число параметров, поддерживаемый размер контекста и дополнительные модальности в README не указаны; по имеющимся данным это текстовая модель без заявленной поддержки изображений или аудио. Доступны варианты GGUF с разными уровнями квантования и размером примерно от 2,2 до 6,8 ГБ. Более компактные варианты требуют меньших ресурсов, но могут заметно терять в качестве; автор рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S характеризует как оптимальный баланс размера, скорости и качества. Модель подходит для локального запуска и задач, где важны ролевое взаимодействие, генерация кода и использование инструментов. Ограничения включают неизвестные параметры контекста, отсутствие опубликованных бенчмарков и вероятное ухудшение качества у низкобитных квантов. Указанная лицензия — Apache-2.0.

Nemotron 3.5 Lightning 30B-A3B REAP-20B — экспериментальная производная модель sleepyeldrazi на основе NVIDIA Nemotron 3.5 Lightning 30B-A3B. Это гибридная архитектура Mamba-2, MoE и attention для генерации текста и диалога. Метод REAP сократил число маршрутизируемых экспертов с 128 до 77 в каждом из 23 MoE-слоёв; по README, размер модели уменьшен с 31,58 до 19,87 млрд параметров, при этом активными остаются около 3 млрд. Метаданные каталога указывают 1,9 млрд параметров, поэтому точный размер в источниках расходится. Модель предназначена как базовая точка для последующего дообучения LoRA и для общих текстовых задач с небольшим уклоном в программирование: ответов на вопросы, рассуждений, математических задач и работы с кодом. Калибровка выполнена на смеси инструкций, примеров кода и математики; заявленный нативный контекст в метаданных — 262 144 токена. README описывает ограниченную проверку генерации, но не приводит результатов полных бенчмарков. Это ранняя альфа-версия, поэтому качество следует проверять на целевых задачах; для специализированных сценариев автор рекомендует калибровку на собственных данных. Модель распространяется по лицензии OpenMDW-1.1.

Mungert/nomic-embed-code-GGUF — набор GGUF-квантованных версий модели для создания векторных представлений исходного кода. Модель разработана пользователем Mungert на базе Qwen/Qwen2.5-Coder-7B-Instruct; преобразование выполнено с помощью llama.cpp. В метаданных она обозначена как sentence-transformers с задачей sentence-similarity и feature-extraction. Модель предназначена для семантического сравнения и поиска фрагментов исходного кода, извлечения признаков, построения систем поиска по репозиториям и других сценариев, где требуется сопоставлять программный код по смыслу. В обучающих данных представлены Python, JavaScript, Java, Go, PHP и Ruby. Архитектура и размер базовой модели указаны как Qwen2.5-Coder-7B-Instruct и 7B параметров соответственно; поддерживаемые языки, размер контекста и дополнительные модальности в README не уточняются. Ключевая особенность сборки — специальная схема квантования с повышением точности отдельных слоёв относительно стандартного imatrix-подхода, особенно для низкобитных вариантов. Доступны форматы различной точности и размера, включая BF16, F16, гибридные варианты и квантования Q4, Q6, Q8 и IQ3. Это позволяет выбирать баланс между качеством, скоростью и требованиями к памяти на GPU или CPU, однако низкобитные варианты могут уступать более точным по качеству, а размер файлов увеличивается при сохранении отдельных слоёв в повышенной точности. Лицензия — Apache-2.0.

Nylon V1 — компактная авторская трансформерная модель Абдулварита для генерации текста, диалогов, рассуждений и помощи в инженерных задачах. Согласно карточке, модель создана с нуля и обучалась на инженерных, математических и системных данных, затем прошла настройку на многоходовых инструкциях и оптимизацию предпочтений для кратких и практичных ответов. Модель построена на декодерной архитектуре GPT-2 с 24 слоями, 16 головами внимания и размерностью представлений 1024; размер составляет около 338 млн параметров, контекст — 2048 токенов. Заявлены сценарии чат-общения, написания и анализа кода, а также решения задач по математике и системам. Метаданные указывают английский язык и поддержку генерации текста; опубликованы форматы PyTorch, SafeTensors и GGUF. Модель распространяется по лицензии Apache-2.0. Её небольшой размер удобен для локального запуска, однако контекст ограничен 2048 токенами; заявленные возможности не подкреплены в карточке описанием оценок или бенчмарков.

omega-coder-phi-3-mini-1K — языковая модель Samuelswandi, дообученная методом SFT на базе microsoft/Phi-3-mini-4k-instruct с использованием пользовательского набора данных deepmind/code_contests. Она предназначена для генерации текста и помощи с задачами программирования в диалоговом формате. Модель относится к семейству Phi-3, использует плотную архитектуру Phi3ForCausalLM, содержит 3,7 млрд параметров и рассчитана на контекст до 4096 токенов; в обучении указана максимальная длина последовательности 2048 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или перечня поддерживаемых языков программирования; возможности решения задач кода основаны на описании обучения на code_contests и не гарантируют корректность сгенерированных решений.

OpenAgent-8b-i1-GGUF — квантованная версия языковой модели на 8 млрд параметров, созданная mradermacher на основе OrionLLM/Terminus-Qwen3-8b и обучавшаяся с использованием набора данных OrionLLM/OpenAgentInstruct. Модель ориентирована на генерацию текста, агентские сценарии, рассуждения и работу с терминалом, включая задачи, связанные с разработкой программного обеспечения и оцениванием в SWE-bench. Указан английский язык. Модель распространяется в формате GGUF и доступна в вариантах с разными уровнями квантования — от IQ1 до Q6_K. Это позволяет выбирать компромисс между размером файла, скоростью работы, требованиями к памяти и качеством: например, Q4_K_M обозначен как быстрый и рекомендуемый вариант, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Низкобитные варианты могут заметно уступать по качеству, тогда как более крупные варианты требуют больше ресурсов. Сведения об архитектуре, размере контекста, дополнительных модальностях и точных языковых возможностях, кроме английского, не приведены. Лицензия модели — Apache-2.0. README описывает в основном процесс квантования и доступные файлы, поэтому результаты применения, ограничения в конкретных задачах и характеристики исходной модели, не указанные явно, требуют самостоятельной проверки.

palmyra-mini-thinking-AIO-GGUF — набор GGUF-вариантов семейства Palmyra Mini, разработанного Writer и опубликованного в формате GGUF пользователем или организацией prithivMLmods. В состав входят варианты palmyra-mini, palmyra-mini-thinking-a и palmyra-mini-thinking-b с разными уровнями квантования: от Q2_K до Q8_0, а также BF16, F16 и F32. Модель предназначена для генерации текста, программирования и решения математических задач на английском языке. Сильной стороной семейства является рассуждение в задачах с пошаговым решением: заявлены результаты 0,818 на GSM8K и MATH500, а также 0,6 на AMC23. Это делает модели подходящими для учебной математики, количественного анализа, ответов на вопросы и задач, связанных с кодом. Доступны файлы размером примерно от 676 МБ до 7,11 ГБ в зависимости от варианта и точности. README не содержит сведений об архитектуре, числе параметров, размере контекста, поддерживаемых дополнительных модальностях или сравнении качества между вариантами, поэтому эти характеристики нельзя определить. Распространение указано по лицензии Apache-2.0.

failspy/Phi-3-medium-4k-instruct-abliterated-v3 — доработанная модель Microsoft Phi-3 Medium Instruct, созданная автором failspy. Веса bfloat16 обработаны ортогонализацией, чтобы ослабить склонность модели отказываться отвечать на запросы. Это плотная авторегрессионная языковая модель на 13,8 млрд параметров с контекстом 4096 токенов; репозиторий содержит веса Safetensors. Модель предназначена для диалоговой генерации текста и кода, в том числе для запросов, на которые исходная модель могла бы отказать. Автор сообщает, что сохранены остальные свойства исходной модели, однако результат может зависеть от запроса и не гарантирует отсутствия отказов. Модель в целом стабильна по оценке автора, но склонна к галлюцинациям сильнее оригинала; методика также может иметь побочные эффекты. Лицензия — MIT. Автор указывает, что модель проверялась на галлюцинации, но не приводит результаты количественной оценки. В карточке языки обозначены только как multilingual, поэтому конкретные поддерживаемые языки и основной язык не уточняются.

pand4kingg/phi4mini-bash-powershell — дообученная языковая модель pand4kingg на базе unsloth/phi-4-mini-instruct-unsloth-bnb-4bit. Это плотная причинная модель семейства Phi-3 с 3,8 млрд параметров, предназначенная для генерации текста в диалоговом формате; заявленная тематика — Bash и PowerShell. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 4096 токенов. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0. Карточка не описывает состав обучающих данных, точность для конкретных типов команд или результаты оценки качества.

PlaidQ-0.7B-1step — чекпойнт непрерывной языковой модели с гауссовой латентной диффузией, разработанный на основе Qwen3-0.6B. Вместо последовательного предсказания токенов модель диффундирует всю последовательность в 16-мерном непрерывном пространстве и восстанавливает её двунаправленным Qwen3-трансформером. Генерация выполняется параллельно по позициям; число шагов денойзинга можно выбирать при семплировании. Чекпойнт содержит 717,4 млн параметров в формате fp32 и опубликован в safetensors. Модель предназначена для генерации текста и кода, включая дополнение фрагментов кода с учётом префикса и суффикса. В README описаны обучение на смеси Nemotron с длиной последовательности 2048 токенов и нулевые примеры кода; базовая модель Qwen3 поддерживает несколько языков. Для запуска требуется собственный репозиторий PlaidQ и токенизатор Qwen/Qwen3-0.6B; это не архитектура Transformers. В репозитории представлены только веса, поэтому по этому чекпойнту нельзя возобновить обучение. Модель является дообученной производной Qwen/Qwen3-0.6B. Лицензия — Apache-2.0.

addy88/programming-lang-identifier — дообученная на CodeSearchNet модель для классификации фрагментов кода по языку программирования. Она основана на CodeBERT с архитектурой RoBERTa и использует классификационную голову RobertaForSequenceClassification. Модель принимает текстовый фрагмент кода и выдаёт оценку для каждого класса; наиболее вероятный класс можно выбрать по максимальному логиту. Размер модели — 96,6 млн параметров, контекст — до 514 токенов. В карточке указана загрузка через Transformers с весами PyTorch. Лицензия в предоставленных данных не указана.

Puffin-Qwen2.5-CodeMath — объединённая языковая модель семейства Qwen2, созданная сообществом mergekit-community из Qwen/Qwen2.5-Coder-1.5B и Qwen/Qwen2.5-Math-1.5B методом SLERP. Модель с 1,5 млрд параметров предназначена для генерации текста, кода и математических рассуждений в диалоговом режиме. Модель принимает текст и генерирует текст. Её контекст составляет 4096 токенов; репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не уточняет лицензию и не приводит результаты оценивания качества, поэтому конкретные преимущества в программировании или математике не подтверждены сравнительными тестами.