II.2Создание и понимание программного кода

neyssemhajji16 опубликовал smollm2-360m-text2sql-sft — дообученную с помощью TRL компактную языковую модель на базе HuggingFaceTB/SmolLM2-360M-Instruct. Она предназначена для генерации текста в формате диалога и заявлена как модель для Text-to-SQL: преобразования вопросов к данным в SQL-запросы. Модель имеет плотную архитектуру семейства Llama, содержит 361,8 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. В репозитории указаны веса в формате safetensors и лицензия Apache-2.0, унаследованная от базовой модели. Компактный размер облегчает локальный запуск, однако карточка не приводит оценок качества или подробностей обучающих данных; возможности генерации SQL стоит проверять на целевой схеме базы данных.

Soar-qwen-7b-i1-GGUF — это набор квантованных файлов GGUF для модели Soar-qwen-7b, разработанной julien31 и квантованной mradermacher. Модель обучалась на датасете julien31/soar_arc_train_5M и предназначена главным образом для генерации текста и кода, синтеза программ, а также задач, связанных с эволюционными алгоритмами и ARC/ARC-AGI. Указан английский язык. Модель относится к семейству Qwen и имеет размер 7B параметров. README не содержит сведений о точной архитектуре, поддерживаемой длине контекста или мультимодальных возможностях, поэтому эти характеристики нельзя достоверно определить. Представлены варианты квантования IQ и Q с размером файлов примерно от 2,0 до 6,4 ГБ; вариант i1-Q4_K_M отмечен как быстрый и рекомендуемый, а низкобитные варианты могут заметно уступать по качеству. Файлы предназначены для запуска через совместимое с GGUF программное обеспечение. Лицензия модели указана как Apache-2.0.

abenzerps/Spark-X2.5-4B-GGUF — набор GGUF-квантизаций модели Spark-X2.5-4B, разработанной XHToken и предназначенной для генерации текста. Модель ориентирована на рассуждения, программирование, использование инструментов и агентские рабочие процессы. Доступны варианты квантизации Q4_0, Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером от 2,41 до 4,38 ГБ. Модель имеет около 4 млрд параметров и поддерживает нативный контекст до 1 048 576 токенов. README не указывает поддерживаемые языки и результаты конкретных бенчмарков, поэтому оценить качество по языкам и задачам нельзя. Квантизация уменьшает требования к памяти, но может снижать точность по сравнению с исходной моделью; степень компромисса зависит от выбранного варианта. Для запуска требуется llama.cpp версии b10828 или новее с поддержкой архитектуры Spark-X2.5 (spark2_5). Распространяется по лицензии Apache-2.0.

Модель suriya7/t5-base-text-to-sql — дообученная версия T5 для преобразования вопросов на естественном английском языке в SQL-запросы SELECT. Она предназначена для получения данных из баз по текстовым вопросам; в карточке приведён сценарий автоматического перевода вопросов в SQL. Архитектура — encoder-decoder T5 с 38,5 млн параметров и контекстом до 512 токенов. Модель работает с текстовым вводом и выдаёт SQL-текст на английском языке. В README указано, что модель основана на Google T5-small и дообучена на парах английских вопросов и SQL SELECT из разных предметных областей; метаданные также связывают её с датасетом b-mc2/sql-create-context. Для оценки в карточке приведён BLEU 34,9627. Лицензия — MIT. Модель узкоспециализирована на SELECT: карточка не подтверждает поддержку записи данных, других SQL-операций или адаптацию к конкретной схеме базы данных.

TAQ Qwen3-Coder-Next outlier_4bit — исследовательский чекпойнт на основе Qwen/Qwen3-Coder-Next, созданный в рамках Tail-Aware Quantization. Архитектура — MoE-декодер для генерации текста; в метаданных указано 2,3 млрд параметров и контекст до 262 144 токенов. Модель ориентирована на задачи кодирования и работу в диалоговом режиме с интерфейсом вызова инструментов. Несмотря на обозначение 4-bit, репозиторий содержит деквантизированные тензоры BF16/FP16 для оценки, а не упакованный 4-битный формат: README не заявляет снижения занимаемого места на диске или VRAM. Для чекпойнта приведено значение PPL 12,38 на WikiText-2; сопоставимые оценки на HumanEval+ и MBPP+ ещё ожидаются. Лицензия — Apache-2.0.

Модель разработана Hari Krishna как дообученный энкодер предложений для поиска таблиц в схемах баз данных по вопросам на естественном языке в сценариях text-to-SQL. На вход она принимает текст вопроса и формирует векторы для сравнения с описаниями таблиц; ранжирование выполняется по косинусному сходству. Базовая архитектура — BERT из sentence-transformers/all-MiniLM-L6-v2, около 25,9 млн параметров, контекст до 512 токенов. Репозиторий содержит веса safetensors и квантированный до int8 экспорт ONNX для использования, в частности, с Transformers.js. Модель дообучена контрастивным методом на парах вопросов и таблиц из обучающей части enterprise text-to-SQL benchmark. В описанной оценке она помещала все нужные таблицы в топ-3 для 96,3% тестовых вопросов; особенно полезна для предварительного отбора таблиц перед генерацией SQL. Модель рассчитана на английский язык. Лицензия — Apache-2.0. Качество зависит от формулировок вопроса и текстовых описаний таблиц. В README отмечены ошибки, когда нужную таблицу можно распознать только по значениям данных или скрытым связям, не отражённым в схеме; результаты теста также не гарантируют качество на других базах данных и доменах.

Thespis-Krangled-7b-v2 — разговорная языковая модель на архитектуре Mistral, опубликованная cgato. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста; карточка указывает контекст длиной до 32 768 токенов. Для диалога предлагается шаблон с репликами пользователя и бота, совместимый с форматами Oobabooga и SillyTavern. Модель обучалась на смесях наборов Dolphin, UltraChat, Capybara, Augmental, ToxicQA, MagicCoder Evol Instruct, Yahoo Answers, OpenOrca и Airoboros 3.1. Её можно использовать для диалогов, ответов на вопросы и генерации кода. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не сообщает, на какой базовой модели выполнено дообучение, и не приводит оценки качества или подробных сведений о поддерживаемых языках. Результаты могут зависеть от промпта и выбранного шаблона диалога.

laion/tt-x3_kl-kl0 — дообученная методом обучения с подкреплением модель на базе Qwen/Qwen3-Coder-30B-A3B-Instruct. Её обучали с помощью RLOO и FSDP2 для агентных задач из набора terminal-bench exp_rpt_multifile; эта версия соответствует эксперименту с коэффициентом KL-потерь, равным нулю. Модель использует архитектуру Qwen3 MoE и предназначена для генерации текста в агентных сценариях, включая выполнение задач в терминале. Метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Заявленный язык — английский. Репозиторий содержит веса Safetensors; лицензия в предоставленных данных не указана.

VibeThinker-3B LiteRT-LM — это конвертированная версия модели WeiboAI/VibeThinker-3B, разработанная на базе Qwen2.5-Coder-3B. Репозиторий Tdamre содержит артефакты для локального инференса на устройствах с использованием LiteRT-LM. Модель представляет собой плотную reasoning-модель примерно на 3 млрд параметров, ориентированную на генерацию текста и решение задач, требующих рассуждений, включая программирование и математические запросы. Доступны варианты с кэшем контекста на 2048, 4096, 32768 и 65536 токенов, что позволяет выбирать баланс между потреблением ресурсов и поддержкой длинных запросов. Артефакты используют динамическую квантизацию dynamic_wi8_afp32 и рассчитаны на CPU или GPU; в состав входят токенизатор, метаданные LLM, квантизированные TFLite-модели для prefill/decode и внешний embedder. Указанная модальность — текстовая; сведения о поддерживаемых языках в README отсутствуют. Сильные стороны модели — компактный размер, локальная работа без обязательного обращения к облачным сервисам, варианты для короткого и длинного контекста и совместимость с LiteRT-LM, включая мобильные сценарии. Ограничения связаны с отсутствием готовых Qualcomm SM8750 NPU AOT-артефактов и MediaPipe .task-бандлов, а также с тем, что характеристики качества, скорости и потребления памяти не приведены. Модель и конвертированные артефакты распространяются по лицензии MIT.

VTXAI/vtx-embed-7M — компактная модель эмбеддингов, разработанная Vortexa и используемая в поисковой системе по исходному коду vortexa. Она преобразует текстовые фрагменты в плотные векторы для семантического поиска и извлечения данных; заявленные сценарии включают индексирование кода и поиск по нему для разработчиков и ИИ-агентов. Модель содержит 7,56 млн параметров, использует архитектуру VortexEmbedV3 и формат хранения LF4 с 4-битной квантизацией. В README заявлены размер 4,72 МБ в памяти, субмиллисекундная задержка на CPU и поддержка Matryoshka-размерностей эмбеддингов. Опубликованные в карточке результаты показывают меньшие значения на приведённых тестах STSBenchmark, SICK-R и Banking77Classification, чем у сравниваемых MiniLM-L6-v2 и bge-small-en-v1.5, поэтому качество может уступать более крупным моделям. В метаданных указан английский язык и лицензия MIT; заявленная специализация README — поиск по коду.

WEBGEN-4B-Preview-GGUF — предварительная модель для генерации веб-интерфейсов, разработанная Tesslate и основанная на Qwen/Qwen3-4B-Instruct-2507. Модель ориентирована на преобразование текстового запроса в HTML, CSS и Tailwind CSS, особенно для создания современных адаптивных макетов с подходом mobile-first. Она предназначена для прототипирования веб-дизайна и генерации пользовательских интерфейсов; по умолчанию не предполагает использование внешнего JavaScript. Модель содержит около 4 миллиардов параметров и распространяется в формате GGUF для запуска с llama.cpp. Заявлена поддержка английского языка. К сильным сторонам относятся специализация на веб-генерации, компактный размер, пригодность для работы на ноутбуках и стремление к единообразным, адаптивным результатам. Это исследовательская preview-версия, поэтому в README не приведены количественные оценки качества, подробные сведения о контекстном окне и системные требования; качество и полноту генерируемого кода следует проверять на конкретных сценариях. При подготовке GGUF применялся экспериментальный подход к квантованию с повышением точности отдельных важных слоёв, что может увеличить размер файла. В метаданных указана лицензия Apache-2.0. Карточка описывает открытые веса, но конкретные ограничения и рекомендации по эксплуатации следует уточнять для выбранного файла квантования.

Whittle-Next-27B-A3B — экспериментальная языковая модель, созданная автором проекта Whittle на основе Qwen3.6-35B-A3B и предыдущей Whittle-Next-26B-A3B. Это причинная модель генерации текста архитектуры Qwen4-Next (qwen4_exp) с архитектурой mixture-of-experts: около 2,9 млрд параметров по метаданным, примерно 3 млрд активных на токен и дополнительная хешированная память n-грамм на 2 млрд строк. Контекст — до 262 144 токенов. Модель обучалась с дистилляцией рассуждений от Qwen3.8-27B и предназначена как исследовательская основа для дальнейшей работы с этой архитектурой, в том числе для генерации кода и математических рассуждений. Карточка сообщает о запуске на штатном llama.cpp и рекомендует включать режим рассуждений; результаты полной оценки актуальной версии v4.4 ещё не представлены, а опубликованная оценка v3 не подтверждает качество v4.4 в полном масштабе. Модель распространяется под лицензией Apache-2.0.

Whittle-Qwen-3.8-35B-A3B — экспериментальная языковая модель с архитектурой Qwen3.8-Flash-Next (qwen4_exp), разработанная автором проекта Whittle. Это MoE-модель с 35,1 млрд параметров, включая 10 млрд параметров хешированной n-граммной памяти; на каждом токене активны примерно 3 млрд параметров. Модель получена дистилляцией Qwen3.8-27B на обучающих примерах с математическими задачами, кодом, диалогами, строгим JSON и эпизодами работы агента. По данным метаданных, базовая модель — logic65/Whittle-Next-27B-A3B. Модель предназначена для генерации текста и диалогов, написания кода, математических рассуждений и сценариев с инструментами. Она поддерживает контекст до 262 144 токенов; автор сообщает о запуске через стандартный llama.cpp, а файлы репозитория представлены в safetensors. Английский и китайский указаны среди языков карточки; метаданные также характеризуют модель как многоязычную. Это исследовательский предварительный выпуск: дистилляция охватывает ответы учителя, помещавшиеся в окно обучения 4k токенов, длинные примеры пока не использовались, а этап дистилляции на собственных ответах модели ещё не начат. Автор предупреждает, что модель не следует напрямую сравнивать с Qwen3.8 на равных условиях. Лицензия — Apache-2.0.

XCurOS-0.1-8B-Instruct — проприетарная инструкционно настроенная языковая модель, разработанная XCurOS. Она построена на архитектуре Qwen2 с плотной трансформерной моделью примерно на 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговых помощников и выполнения инструкций в локальной или облачной инфраструктуре, включая защищённые корпоративные среды. Заявлены рассуждения, программирование, автоматизация рабочих процессов и анализ больших структурированных и неструктурированных текстовых документов; в метаданных также отмечен интерфейс для вызова инструментов. Карточка заявляет поддержку английского и арабского языков. Модель распространяется по проприетарной лицензии: личное и исследовательское использование допускается на частном сервере или локальной инфраструктуре. Коммерческое применение требует отдельной лицензии XCurOS; перераспространение и перепродажа без письменного разрешения запрещены. Качество заявленных возможностей и пригодность для конкретных задач в карточке не подкреплены результатами оценки.

Zamba-7B-v1 — предварительно обученная языковая модель Zyphra для генерации текста и кода. Она использует гибридную архитектуру: основу из слоёв Mamba с общим слоем внимания Transformer через каждые шесть блоков. Модель обучена предсказанию следующего токена на текстовых и кодовых данных; для токенизации применяется Mistral v0.1. В метаданных указано 16,9 млрд параметров и контекст 4096 токенов. Модель предназначена для продолжения текста и генерации кода. Благодаря архитектуре SSM она снижает затраты памяти на KV-кэш и обеспечивает высокую скорость генерации по сравнению с сопоставимыми моделями 7B–8B. По оценке разработчиков, она уступает ведущим открытым моделям 7B в основном на задачах MMLU и рассуждения. Это базовая модель без модерации, не дообученная для чата, поэтому качество диалоговых ответов не гарантируется. Карточка отмечает повышенную задержку в реализации Hugging Face по сравнению с внутренней реализацией. Лицензия — Apache-2.0.

Карточка модели qihoo360/360Zhinao-7B-Chat-32K на Hugging Face совпадает с карточкой qihoo360/360Zhinao-7B-Base, поэтому описание составлено по ней. 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.

AAP-SQL Column Retriever — двуэнкодерная модель на базе sentence-transformers/all-mpnet-base-v2 для первого этапа поиска колонок в схеме базы данных в рабочем процессе AAP-SQL. Она кодирует запрос и описания схемы для извлечения до 50 кандидатов-колонок, которые затем передаются реранкеру для выбора наиболее подходящих. Модель дообучена на примерах поиска колонок, полученных из обучающей части BIRD и описаний схем, с использованием MultipleNegativesRankingLoss. Модель использует архитектуру MPNet и библиотеку Sentence Transformers; число параметров — 136,7 млн, длина контекста — 514 токенов. Репозиторий содержит веса в формате safetensors. Карточка указывает английский язык. Лицензия в предоставленных данных не указана.

laion/ablation-pymethods2test-seqmean-arm0-15-8B — исследовательский чекпойнт, дообученный командой LAION на базе laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink. Это плотная причинно-языковая модель семейства Qwen3 с 7,6 млрд параметров, предназначенная для генерации текста в диалоговом формате и агентных задач разработки программного обеспечения, в частности для решения задач из набора pymethods2test. Чекпойнт получен на шаге 15 обучения с подкреплением SkyRL GRPO: в абляции использованы усреднение потерь по последовательности и оцениватель преимуществ RLOO-n. Модель принимает текст и генерирует текст; метаданные указывают контекстное окно 40 960 токенов. В README описаны обучение и связанный набор обучающих трасс, но не приведены измерения качества или подробные ограничения применения. Лицензия в предоставленных данных не указана.

Aletheia-Bench разработала BatchOnline-GRPO-14B — дообученную 14-миллиардную модель-верификатор кода на архитектуре Qwen2. Она принимает условие задачи по программированию и несколько кандидатных решений, оценивает их и ранжирует по корректности. Модель обучена методом полуонлайн GRPO: политика генератора синхронизируется каждые четыре шага; данные взяты из Aletheia-Train с решениями, проверенными выполнением. Модель предназначена для выбора правильного решения среди вариантов, автоматической оценки кода и использования в качестве функции вознаграждения при оптимизации моделей генерации кода. Базовая модель — DeepSeek-R1-Distill-Qwen-14B; заявленный контекст составляет 131 072 токена. Карточка описывает задачи на Python, C++ и Java, но метаданные не указывают естественные языки поддержки. Модель доступна в формате Safetensors через Transformers по лицензии CC-BY-NC-SA-4.0, которая ограничивает коммерческое использование. Результаты зависят от заданного формата промпта; точный формат приведён во внешнем репозитории проекта.

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.

Это исследовательский чекпойнт Qwen3-4B-Instruct-2507, дообученный методом обучения с подкреплением GRPO без предварительного SFT-сеяния. Его разработчик обучал модель генерировать программы, проходящие тесты: сигнал вознаграждения бинарный и зависит от корректности кода. Чекпойнт сохранён на шаге 4; в этом экспериментальном запуске он показал лучший результат по pass@8, однако численные метрики оценки в журнале обучения отсутствуют. Модель предназначена для генерации кода и решения задач программирования, в частности задач, которые исходная модель решала редко. Обучение использовало до 4096 новых токенов на ответ; контекст модели — до 262 144 токенов. Архитектура — плотная Qwen3 с 3,7 млрд параметров, веса доступны в формате safetensors через Transformers. Лицензия в предоставленных данных не указана.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung с помощью GRPO в OpenRLHF. Обучение проводилось непосредственно от базовой модели, без промежуточного SFT, на задачах программирования с проверкой сгенерированного кода тестами. В метаданных указаны 3,7 млрд параметров, архитектура Qwen3 с плотной моделью причинного декодирования, формат Safetensors и контекст до 262 144 токенов. Чекпойнт получен на четвёртом шаге обучения и показал лучший pass@8 среди вариантов в этом запуске. Он предназначен для генерации программ и решения задач, отобранных как трудные для исходной модели. Обучение использовало бинарную награду за прохождение тестов, а также штрафы за усечение длинных ответов; метрики оценки для этого чекпойнта в журнале обучения отсутствуют. Модель принимает текст и генерирует текст, включая код. README не сообщает отдельные языки программирования или естественные языки, поэтому языковая поддержка не уточняется. Лицензия в предоставленных данных не указана.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO в OpenRLHF с подкреплением за корректность сгенерированного кода. Обучение проводилось непосредственно от базовой instruct-модели без отдельного SFT-этапа; этот вариант сохранён на шаге 56 и показал лучший в данном запуске результат pass@8 на отложенной выборке задач программирования. Модель предназначена для генерации программ в ответ на задачи с проверкой результата тестами. Она использует плотную архитектуру Qwen3ForCausalLM и содержит 3,7 млрд параметров; заявленная длина контекста — до 262 144 токенов. Чекпойнт рассчитан на исследование и оценку обучения с подкреплением для кодогенерации; показатели в README относятся к конкретной выборке и протоколу оценки, поэтому не гарантируют аналогичного качества на других задачах. Файлы представлены в safetensors, библиотека загрузки — Transformers. Лицензия в предоставленных данных не указана.

Это контрольная точка обучения с подкреплением для генерации кода, созданная исследовательской командой agurung на основе Qwen3-4B-Instruct-2507. Модель дообучали алгоритмом GRPO непосредственно от базовой модели, без этапа SFT; использовалась награда за прохождение тестов сгенерированной программой. Веса сохранены на шаге 72 обучения, контрольная точка показала лучший в этом запуске результат по pass@8. Модель предназначена для генерации программ в ответ на задачи, особенно для задач из набора cobalt-train, отобранных как сложные для исходной модели. Она принимает текстовые запросы и генерирует текст с кодом; максимальная длина контекста составляет 262 144 токена, а для генерации в обучении задавался предел 4096 новых токенов. Это экспериментальный чекпойнт конкретного запуска, поэтому метрики на указанном наборе задач не гарантируют качество на других задачах. Лицензия в предоставленных данных не описана.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный методом обучения с подкреплением GRPO в OpenRLHF. Обучение напрямую начато с базовой модели без предварительной SFT-настройки; чекпойнт сохранён на шаге 24. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 262 144 токенов. Чекпойнт предназначен для генерации кода и решения задач программирования: обучение и проверка ориентированы на сложные задачи из набора cobalt-train, а сигнал вознаграждения основан на прохождении тестов сгенерированной программой. В указанном запуске он показал pass@1 0,2794 и pass@8 1,8061 на отложенной выборке; эти результаты относятся к конкретному протоколу оценки и не гарантируют качество на других задачах. Модель принимает текстовые запросы и выдаёт текст, включая код. Файлы опубликованы в формате safetensors; лицензия в предоставленных сведениях не указана.

CodeBERT-base-mlm — предобученная модель Microsoft для работы с программным кодом и естественным языком. Она основана на архитектуре RoBERTa и обучена на корпусе CodeSearchNet с задачей восстановления замаскированных токенов. Веса и токенизатор можно использовать через Transformers как RobertaForMaskedLM. Модель содержит около 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Её основная задача — предсказывать пропущенные фрагменты в тексте и коде, что подходит для дополнения кода и изучения контекстных представлений программного текста. В метаданных указаны версии весов для PyTorch, TensorFlow и Flax. Модель инициализирована весами Roberta-base и дополнительно обучена на CodeSearchNet; это не специализированный генератор кода или диалоговая модель. Карточка не содержит сведений о лицензии, поэтому условия использования следует проверять в репозитории Hugging Face.

crane-30b-i1-GGUF — это квантованная версия модели crane-30b, разработанной пользователем или организацией zmzfpc и опубликованной в формате GGUF пользователем mradermacher. По метаданным, модель связана с объединением моделей, семейством Qwen3, архитектурой MoE и задачами генерации кода и рассуждений. Указан английский язык. Точное число активных и общих параметров, размер контекста, поддерживаемые модальности и подробности исходного обучения в README не приведены. Модель предназначена для локального запуска через совместимые инструменты, поддерживающие формат GGUF, включая различные варианты квантования с разным компромиссом между размером, скоростью и качеством. Доступны файлы размером примерно от 6,5 до 25,2 ГБ; среди рекомендуемых вариантов отмечен i1-Q4_K_M как быстрый, а i1-Q4_K_S — как сбалансированный по размеру, скорости и качеству. Низкобитные варианты могут заметно уступать в качестве, тогда как i1-Q6_K заявлен как практически сопоставимый со статическим Q6_K. В репозитории также доступен imatrix-файл для самостоятельного создания квантованных версий. Лицензия модели указана как Apache-2.0. README не содержит результатов бенчмарков, подробной документации по применению, системного промпта или ограничений исходной модели, поэтому качество на конкретных задачах и точные требования к аппаратным ресурсам следует оценивать отдельно.

Darwin-V9-Chimera-4B-SFT — экспериментальная диалоговая языковая модель, созданная автором проекта Darwin путем объединения компонентов Qwen3-4B и Gemma4-E4B с последующим полным дообучением на инструкциях. Архитектура — плотная Qwen3ForCausalLM; модель содержит около 3,7 млрд параметров, принимает текст и рассчитана на контекст до 40 960 токенов. В README заявлена поддержка корейского и английского языков и переключения между режимами рассуждения и краткого ответа. Модель предназначена для диалогов, следования инструкциям, генерации кода и задач с многошаговым рассуждением. По оценке авторов на KMMLU она набрала 52,2% при разрешении генерировать до 768 токенов; результат короткого ответа они считают нехарактерным из-за необходимости сначала рассуждать. Это частный исследовательский чекпойнт, а весовой отпечаток остаётся преимущественно близким к Qwen3-4B. Указана лицензия Apache-2.0.

huihui-ai выпустил версию DeepSeek-R1-0528-Qwen3-8B, изменённую методом abliteration для ослабления отказов языковой модели. Это экспериментальная proof-of-concept модификация базовой модели deepseek-ai/DeepSeek-R1-0528-Qwen3-8B, предназначенная для диалоговой генерации текста; README описывает запуск через Ollama и использование библиотеки Transformers. Базовая модель рассчитана на диалоги, математику, программирование и логические задачи. Модель доступна в формате safetensors и распространяется по лицензии MIT. Abliteration не гарантирует полного удаления отказов, а переключение режима рассуждений через /no_think может срабатывать непоследовательно.

WaveCut подготовил квантованную сборку DeepSeek-V4-Flash-0731-REAM96-111B в формате GGUF. Это чат-модель с архитектурой mixture-of-experts: в сборке оставлено 96 из исходных 256 экспертов на слой. Экспертов квантовали до 2 бит, внимание — до 8 бит; для квантования использована importance matrix. Файл ream96.gguf занимает 36,4 ГБ, сборка рассчитана на конфигурации с 48 ГиБ памяти. Модель предназначена для многоязычного диалога, рассуждений, ответов на вопросы о коде и продолжительных бесед. В README отмечено, что многоязычный чат, рассуждения и длинные диалоги показывают стабильные результаты, однако 2-битная квантизация особенно ухудшает агентное поведение. В отдельных прогонах наблюдались сбои в русской игре слов, переключении с английского на русский, вызове инструментов и удержании фокуса в длинном диалоге. Для запуска требуется специализированная ветка DS4 с поддержкой переменного числа экспертов; обычный llama.cpp этот файл не загрузит. Лицензия — MIT. Для конфигураций запуска в README приведён контекст 8192 токена.