II.2Создание и понимание программного кода

Dolphin 3.0 Llama 3.2 1B — модель для диалогов и выполнения инструкций, подготовленная Eric Hartford, Ben Gitter, BlouseJury и Cognitive Computations на основе Meta Llama 3.2 1B. Это плотная авторегрессионная языковая модель семейства Llama с 1,2 млрд параметров и контекстом до 131 072 токенов; используется формат ChatML. Модель предназначена для локального применения в качестве универсального помощника: она подходит для генерации кода, решения математических задач, вызова функций и общения на общие темы. Её можно настраивать системным промптом; обучающие данные включают наборы для кода, математики, агентных инструкций и диалогов. Карточка перечисляет английский язык. Доступны веса в формате safetensors. Модель лицензирована по условиям llama3.2. Это компактная модель с существенно меньшим числом параметров, чем крупные универсальные ассистенты; карточка не содержит результатов оценивания, поэтому качество для конкретных задач не подтверждено приведёнными тестами.

Это объединённая модель covaga для помощи разработчикам, работающим с API EPLAN Electric P8 2027. Она основана на Qwen3.5-9B и включает адаптер eplan-2027-lora-v3, встроенный в веса. Модель дообучена на вопросах и ответах по официальной документации API, примерах диагностики ошибок и случаях, где следует отказаться от выдуманных API. Доступны веса BF16 в формате safetensors; для работы требуется Transformers версии 5 или выше. Модель отвечает на вопросы об API Eplan.EplApi.*, генерирует C#-скрипты для среды сценариев EPLAN и помогает разбирать ошибки компиляции и выполнения. Она рассчитана на двуязычную работу на английском и испанском языках. Для запуска автор указывает минимум 24 ГБ видеопамяти либо около 24 ГБ оперативной памяти при работе на CPU; CPU-вариант работает очень медленно. По приведённой в карточке оценке модель улучшает точность идентификаторов API относительно базовой Qwen3.5-9B, но всё ещё может придумывать правдоподобные имена API. Она не обрабатывает изображения: зрительная часть базовой модели не обучалась. Сгенерированный код следует проверять по официальной документации и компилировать в установленной среде EPLAN. Лицензия — Apache-2.0; карточка также указывает, что применяются условия лицензии базовой модели.

Eurus-2-7B-SFT — языковая модель, созданная PRIME-RL путём дообучения Qwen2.5-Math-7B-Base. Это версия supervised fine-tuning, обученная на наборе Eurus-2-SFT-Data с пошаговыми рассуждениями, ориентированными на действия; она служит начальной моделью для Eurus-2-7B-PRIME. Модель предназначена для решения математических задач и задач программирования. Для таких запросов авторы рекомендуют промпт, который просит написать Python-код и поместить его в конце ответа. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель выпущена под лицензией Apache-2.0. Карточка не приводит подробных результатов оценки, поэтому качество на конкретных наборах задач по ней оценить нельзя.

Falcon-H1-Tiny-Coder-90M — компактная языковая модель для генерации текста и кода из семейства Falcon-H1, опубликованная под идентификатором tiiuae. Она использует причинную decoder-only архитектуру, сочетающую Transformer и Mamba, и содержит 60,8 млн параметров по метаданным. README указывает размер 90 млн параметров; источники расходятся в оценке размера. Модель предназначена для генерации продолжений текста и кода. Английский указан как поддерживаемый язык. Заявленный контекст составляет 262 144 токена. Модель можно запускать через Transformers и другие совместимые движки, перечисленные в карточке. Лицензия указана как Falcon-LLM License в README и как other в метаданных. Перед использованием следует проверить условия лицензии в репозитории. Карточка не приводит результатов оценки или подробных ограничений качества; малый размер модели может ограничивать сложность задач, которые она решает надёжно.

Fast Code Pruner — модель классификации токенов для сокращения контекста в инструментах программирования и coding-агентах. Она дообучена irotem98 на базе Qwen/Qwen2.5-Coder-0.5B и использует архитектуру Qwen2 с плотными весами; в README указаны 17 слоёв, 389,6 млн параметров и контекст до 32 768 токенов. Модель оценивает токены кода и контекста, помогая отбирать полезные фрагменты для дальнейшей обработки агентом. Для развёртывания предусмотрен путь обслуживания через vLLM. README сообщает точность 85,94% и F1 82,48% на валидационном наборе из 6 119 примеров, а также высокую пропускную способность в тестах на RTX PRO 6000 Blackwell. Входы длиннее 8 192 токенов автоматически разбиваются на перекрывающиеся фрагменты. Модель обучалась с hard labels без дистилляции; обновления LoRA ранга 8 объединены с плотными весами. Лицензия — MIT.

Модель laion/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning_adam-beta1_0-95_Qwen3-32B — дообученная версия Qwen3-32B, созданная на датасете open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, рассчитанная на генерацию текста и диалоговый режим. Размер модели — 29,7 млрд параметров, нативный контекст — 40 960 токенов. Модель может применяться для генерации ответов в стиле Stack Exchange и Stack Overflow, решения задач по программированию и рассуждений в пределах обучающего распределения. Карточка не содержит результатов оценки качества или подробных рекомендаций по использованию, поэтому качество на конкретных задачах не подтверждено. Лицензия указана как other; конкретные условия следует сверить с карточкой репозитория и базовой модели.

HelpingAI-Lite — компактная языковая модель семейства Llama, разработанная автором репозитория OEvortex и предназначенная для генерации текста в диалогах и помощи с задачами программирования. Модель содержит 1 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 2048 токенов. Модель дообучена на наборах SlimPajama-627B, StarCoderData, UltraChat 200k и UltraFeedback Binarized. Она ориентирована на английский язык и может применяться для ответов в чате, объяснения кода и помощи при написании программ. Репозиторий предоставляет веса в формате safetensors; README также упоминает отдельную версию GGUF. Лицензия модели — MIT. Компактный размер и короткое контекстное окно ограничивают работу со сложными задачами и большими фрагментами кода; заявленная специализация не заменяет проверку сгенерированных ответов.

Hercules-4.0-Yi-34B — языковая модель Locutusque, дообученная на базе Yi-34B для следования инструкциям и диалогов. Она использует плотную архитектуру LlamaForCausalLM и содержит 33,9 млрд параметров; формат весов — safetensors, максимальный контекст — 4096 токенов. Модель рассчитана на английский язык. Модель предназначена для многошаговых инструкций, вызова функций и бесед по научным и техническим темам, включая биологию, химию, физику, математику, медицину и информатику. Её можно использовать для специализированных чат-ботов, учебных помощников и генерации кода с вызовом функций. Для обучения использован набор Hercules-v4.0, составленный на основе OpenHerm Hermes-2.5 и дополнительных отобранных наборов данных. Модель может выдавать токсичные ответы, галлюцинировать и допускать фактические ошибки, в том числе в специализированных областях; её возможности вызова функций могут быть использованы во вредоносных сценариях. Лицензия — Apache-2.0.

Locutusque/hyperion-small-preview — диалоговая языковая модель, опубликованная M4-ai и дообученная на наборе данных Hyperion на основе Qwen/Qwen1.5-1.8B. Это плотная модель семейства Qwen2 с 1,5 млрд параметров, поддержкой контекста до 32 768 токенов и форматом весов safetensors. Модель предназначена для ответов на сложные вопросы и ведения диалога, в том числе по научным и техническим темам. В карточке заявлены помощь в обучении естественным и медицинским наукам, математике и информатике, понимание медицинских текстов, генерация кода, а также математические и логические рассуждения. Основной заявленный язык — английский. Разнообразие обучающих данных и различия в их форматировании и качестве разметки могут приводить к непоследовательным ответам. Результаты оценки в карточке не приведены. Модель распространяется по лицензии Apache-2.0.

CAUKiel/JavaBERT — модель семейства BERT, разработанная Christian-Albrechts-Universität zu Kiel и предварительно обученная на исходном коде Java. Она предсказывает замаскированные токены в коде: подайте фрагмент Java с маркером [MASK], чтобы получить варианты заполнения. Модель имеет около 136,7 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Для токенизации применяется регистрозависимый bert-base-cased; обучение проводилось на 2 998 345 файлах Java из открытых проектов GitHub. Модель предназначена для заполнения пропусков и исследования представлений кода Java. Карточка указывает лицензию Apache-2.0. Предсказания могут отражать вредные стереотипы; метрики и результаты оценки в карточке не приведены, поэтому качество на конкретных задачах следует проверять отдельно.

jd9 — дообученная модель генерации текста на базе deepseek-ai/deepseek-coder-1.3b-base, обученная на датасете generator. Она использует плотную архитектуру семейства Llama, содержит 1,3 млрд параметров и принимает текст для генерации продолжения. Базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде, поэтому jd9 может подойти для экспериментов с генерацией кода и текстовым автодополнением. Для модели заявлено контекстное окно 16 384 токена; веса доступны в формате safetensors. Лицензия в предоставленных данных не указана.

K2-Horizon-0.9B GGUF — набор общественных GGUF-квантизаций компактной плотной reasoning-модели класса 0,9 млрд параметров K2-Horizon-0.9B, разработанной IFM. Квантизации подготовлены сообществом; этот выпуск не является официальным релизом или одобрением IFM. Модель предназначена для локального запуска через llama.cpp. Модель рассчитана на англоязычные и китайскоязычные диалоги, рассуждения, программирование, научные задачи и сценарии с использованием инструментов. Она поддерживает контекст до 128K токенов и использует масштабирование RoPE методом YaRN. В выпуск входят варианты от Q8_0 до Q1_0 и IQ1_M/IQ2_XS; размер файлов составляет примерно от 0,21 до 1,07 ГиБ, что позволяет выбирать баланс между качеством, скоростью и требованиями к памяти. Высокобитные варианты обеспечивают более высокую точность, а Q4_K_M заявлен как рекомендуемый начальный вариант для общего применения. Агрессивные низкобитные варианты снижают требования к памяти, но могут заметно ухудшать рассуждения, следование инструкциям и надёжность вызова инструментов. Поддержка K2-Horizon в llama.cpp находится на стадии предварительного релиза: полнофункциональный шаблон для tool calling не разбирается используемой версией runtime, поэтому вызов инструментов этим выпуском не сертифицирован. Релиз распространяется по Apache License 2.0 с требованием сохранять атрибуцию и лицензию исходной модели при перераспределении.

KBBridge-v3 — дообученная модель Qwen/Qwen3.8-27B от разработчиков KBBridge, специализирующаяся на программировании для GeneXus и генерации объектов в нативном формате .gxSource. Она предназначена для генерации и дополнения объектов GeneXus, объяснения существующего кода и ответов на вопросы по документации. Модель содержит 27 млрд параметров, использует плотную гибридную архитектуру с 48 слоями Gated DeltaNet и 16 слоями полного внимания; контекст составляет 262 144 токена. В репозитории также сохранены без изменений модуль обработки изображений и голова предсказания нескольких токенов базовой модели. Для генерации .gxSource рекомендуется отключать reasoning, явно указывать формат в запросе и выделять не менее 4096 токенов. При объяснении существующего кода reasoning помогает снизить долю неподтверждённых утверждений. Модель не знает содержимое конкретной Knowledge Base: передавайте нужный код в контексте и проверяйте результат в GeneXus IDE. Она хуже базовой модели справляется с общими задачами, а в объяснениях заметен уклон в испанский. README сообщает о лицензии Apache-2.0.

Kimi-K2.7-Code-Alis-MLX-Dynamic-3.6bpw-VLM — это квантованная MLX-версия модели Kimi-K2.7-Code, разработанной Moonshot AI. Сборка создана avlp12 и предназначена для запуска на устройствах Apple Silicon, прежде всего на M3 Ultra. Это мультимодальная vision-language модель для работы с текстом, программным кодом, изображениями и видео. В основе лежит MoE-архитектура в стиле DeepSeek-V3 примерно на 1 триллион параметров, из которых активно около 32 миллиардов, с языковой частью MLA и визуальной башней MoonViT. Модель сохраняет полный vision encoder и мультимодальный проектор в формате bf16, а языковые веса подвергнуты чувствительно-ориентированному квантованию с эффективной точностью 3,629 бит на вес. Поддерживается контекст до 256 тысяч токенов. Размер модели на диске составляет около 465,9 ГБ; для запуска требуется единый компьютер с 512 ГБ памяти M3 Ultra либо распределённый запуск на двух машинах. Модель поддерживает подробное описание изображений и анализ изменений и движения в видео; заявленная скорость декодирования составляет около 23 токенов в секунду. К сильным сторонам относятся сохранённая визуальная часть без дополнительной ошибки квантования, большой контекст и высокая эффективность памяти KV-кэша. Ограничения связаны с экстремальными требованиями к объёму памяти, зависимостью от совместимых версий mlx-vlm и специальных компонентов для видео, а также с потерями качества из-за 3-битного квантования экспертов: средний KL относительно 4-битного эталона составляет 0,199 ната, а частота изменения top-1 ответа — 10,2%. Лицензия указана как modified MIT.

Kronumos — экспериментальная модель для автоматизированного поиска и исправления ошибок в коде, созданная Мухаммадом Науфалом Даффой. Карточка называет её базовым выпуском экосистемы автоматического ремонта программ; метаданные указывают дообучение Qwen2.5-Coder-7B-Instruct в 4-битной версии и архитектуру Qwen2 с 7,1 млрд параметров. Модель ориентирована на генерацию кода и сценарии автономного исправления ошибок, включая самовосстановление и работу с интерфейсом вызова инструментов. Заявлены контекст до 32 768 токенов и английский язык. Указаны Transformers и формат Safetensors; лицензия — Apache-2.0. README сообщает о более новых выпусках экосистемы, поэтому этот репозиторий представляет раннюю версию. Карточка не приводит результатов оценки качества или подробностей обучения, поэтому практическую надёжность автоматических исправлений по этим данным оценить нельзя.

Korabbit/Llama-2-7b-chat-hf-afr-100step-v2 — экспериментальная чат-модель Korabbit, основанная на Llama-2-7b-chat и обученная автором с использованием подхода «AFR training». В карточке приведён пример ответа на инструкцию реализовать бинарный поиск на Python; метаданные указывают архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов. Модель предназначена для диалоговых ответов на инструкции и общих текстовых запросов, включая вопросы о программировании. В метаданных указан английский язык и набор данных vicgalle/alpaca-gpt4. Указана лицензия llama2. README описывает подход к обучению лишь кратко, поэтому его детали и качество модели по примеру оценить нельзя.

Apollo Raines представляет Llama-3.1-8B-Instruct-Uncensored-Complete — вариант Llama-3.1-8B-Instruct, изменённый инструментом jBlaze. По README, модель создана без дополнительного обучения: поведенческие изменения внесены непосредственно в веса. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она принимает текст и генерирует текст; метаданные указывают контекст до 131 072 токенов и английский язык. Модель предназначена для диалогов и генерации ответов, включая прямые ответы без обычных отказов и оговорок. Примеры в карточке показывают ответы на общие вопросы, простые вычисления, написание кода и практические инструкции. В README заявлено подавление многословности, уклончивости, токсичности и отказов; это описание поведения автора, а не независимая оценка качества. Карточка сообщает, что известных проблем не наблюдалось, но не приводит результатов систематической оценки. Модель распространяется в формате safetensors и использует лицензию Llama 3.1 (llama3.1).

dispatchAI выпустила GGUF-версию Llama 3.2 3B, настроенную для вызова функций и работы на мобильных устройствах. Модель содержит 3,2 млрд параметров; заявленный размер файла — около 2,15 ГБ. В карточке указана скорость около 15 токенов/с на CPU смартфона Samsung Galaxy S20 FE. Модель предназначена для диалоговых сценариев с инструментами: многошаговых агентских рабочих процессов, оркестрации API, интеграции с CRM и ERP, помощи в средах разработки и автоматизации конвейеров данных. Указан английский язык. Формат GGUF рассчитан на локальный запуск в совместимом программном обеспечении. Репозиторий распространяется по лицензии Llama 3.2. Карточка не сообщает результаты сравнительных оценок или ограничения точности; фактическая скорость зависит от устройства и среды запуска.

Llama-3-Teal-Instruct-2x8B-MoE — экспериментальная языковая модель с архитектурой MoE, созданная RDson путём слияния Meta-Llama-3-8B-Instruct и nvidia/Llama3-ChatQA-1.5-8B с помощью Mergekit. Она предназначена для диалогов с ассистентом и генерации текста; в README отдельно выделены запросы на объяснения и общение, а также задачи по Python, математике и программированию. Метаданные указывают 7,5 млрд параметров, контекст до 8192 токенов и формат Safetensors. Модель принимает текст и выдаёт текст. В карточке не приведены результаты оценки качества или подробные ограничения, поэтому пригодность для конкретных задач следует проверять самостоятельно. Лицензия в предоставленных данных не указана.

HA-Siala/Mamba-full-v0.2 — дообученная языковая модель на архитектуре Mistral с 7,1 млрд параметров, предназначенная для анализа кода на Mamba. Она выявляет недостатки в коде и предлагает его рефакторинг, помогая при проверке и улучшении реализаций Mamba. Модель принимает текст и генерирует текстовые ответы. Контекст составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В README также указано, что набор данных и исходный код исследования доступны в официальном репозитории GitHub.

MaziyarPanahi/mergekit-slerp-fecxcxs-GGUF — это набор файлов модели в формате GGUF, созданный пользователем MaziyarPanahi на основе модели mergekit-community/mergekit-slerp-fecxcxs. Исходная модель разработана сообществом mergekit-community и связана с объединением моделей budecosystem/code-millenials-34b и oobabooga/CodeBooga-34B-v0.1 с использованием подхода mergekit SLERP. Точная архитектура, размер в параметрах и конфигурация исходной модели в README не указаны, однако базовые модели относятся к классу 34B и предназначены для генерации текста и работы с кодом. Модель ориентирована на задачи text generation, включая локальный запуск и применение в инструментах, совместимых с GGUF. Формат поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All, LoLLMS Web UI, candle и рядом других клиентов. Доступны варианты квантования с разрядностью от 2 до 8 бит, что позволяет выбирать компромисс между потреблением памяти, скоростью и качеством генерации. К сильным сторонам относятся широкий выбор квантованных вариантов и совместимость с популярной экосистемой локального инференса на CPU и GPU. При этом README не содержит точных сведений о поддерживаемых языках, размере контекста, мультимодальности, результатах тестирования, качестве на конкретных задачах и рекомендуемых параметрах запуска. Инференс для карточки модели не заявлен. Лицензия в предоставленных данных не указана.

Это языковая модель семейства Llama, созданная автором репозитория методом TIES с помощью mergekit. В объединение вошли Meta Llama 3.2 1B и несколько её вариантов, настроенных для диалогов, медицинских вопросов, SQL, математики и кода. Модель содержит 1,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и распространяется в формате safetensors через Transformers; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и может служить компактной основой для диалогов и ответов на вопросы, а также запросов по медицинским темам, SQL, математике и коду. README не приводит результатов оценки, подробностей о качестве или явного перечня поддерживаемых языков. Базовая модель Llama 3.2 1B распространяется по лицензии Llama 3.2 Community License; условия использования итогового объединения отдельно не описаны в предоставленных данных.

MiMo-7B-Base — базовая языковая модель Xiaomi, обученная с нуля для развития способностей к рассуждению. Это плотная авторегрессионная модель с архитектурой MiMoForCausalLM и 7 млрд параметров; для обучения использовано около 25 трлн токенов, а дополнительная цель Multiple-Token Prediction поддерживает ускоренное декодирование. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и интерфейс диалога и вызова инструментов. Модель предназначена прежде всего для дальнейшего дообучения и постобучения, а также для экспериментов с задачами математического и программного рассуждения. README описывает потенциал базовой модели в этих областях и результаты отдельных производных моделей MiMo, но не следует считать их результатами этого чекпойнта. В карточке не приведены конкретные языковые покрытия и подробные ограничения качества. Лицензия — MIT.

ricdomolm/mini-coder-1.7b — компактная плотная причинно-языковая модель на 1,7 млрд параметров, дообученная и дистиллированная на основе Qwen3 Coder 30B A3B для решения задач программной инженерии. Она обучена на 400 тысячах траекторий, сформированных с использованием mini-swe-agent и датасета SWE-smith с задачами из GitHub. Модель предназначена для работы в агентном цикле разработки, в частности для генерации траекторий SWE-bench и исправления ошибок в коде; для запуска автор рекомендует mini-swe-agent и vLLM. В метаданных указаны архитектура Qwen3ForCausalLM, библиотека Transformers и контекст 40 960 токенов. README сообщает об одном сравнении на SWE-bench Verified Bash, но не приводит его результат в видимой части карточки, поэтому по этим данным нельзя оценить заявленную эффективность. Модель распространяется по лицензии MIT.

MiniCPM5-1B-heretic — модифицированная версия MiniCPM5-1B, разработанная автором RACER IS OP на основе модели openbmb. С помощью Heretic v1.4.0 к модели применена направленная абляция: целевые изменения весов в выходных проекциях attention и down-projection MLP подавляют поведение, связанное с отказами, без дообучения. Заявлено, что при этом в основном сохраняются знания, следование инструкциям, генерация кода, рассуждения и использование инструментов. Модель предназначена для диалоговых приложений, локальных агентов, генерации кода, function calling, ролевых сценариев и исследований механизмов alignment и отказов. Это текстовая causal language model примерно на 1,1 млрд параметров с поддержкой английского и китайского языков, контекста до 128K токенов и режимов Think/No-Think. Доступны форматы Transformers и GGUF, запуск возможен через llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang; модель ориентирована на потребительские GPU, CPU, Apple Silicon и edge-устройства. Ключевое заявленное преимущество — существенное снижение отказов: 2 из 100 против 96 из 100 у исходной MiniCPM5-1B в описанном тесте, при низком KL-divergence 0,0381. Ограничения включают небольшой для сложных задач размер модели, возможное снижение качества на низких уровнях квантования и отсутствие защитных ограничений, поэтому результаты и безопасность применения требуют дополнительной проверки. Указана лицензия Apache-2.0.

Mythos-nano — независимая открытая модель проекта squ11z1, дообученная на базе WeiboAI/VibeThinker-3B. Это текстовая авторегрессионная модель для генерации текста, ориентированная прежде всего на рассуждения, математические задачи и программирование. Указан английский язык; модель также позиционируется для задач на знания и следование инструкциям. Модель содержит около 3 млрд параметров и относится к семейству Qwen2 согласно тегам репозитория. В README не указаны точная архитектура, размер контекста и данные обучения. По приведённым результатам она демонстрирует сильные показатели на соревновательной математике и задачах программирования, включая LeetCode, а также хорошие результаты на отдельных тестах следования инструкциям и знаний. Для сложных задач рекомендуется генерировать до 40960 токенов с температурой 0,6–1,0. Модель не обучалась на данных для tool calling и агентского программирования, поэтому не рекомендуется для вызова функций, оркестрации API и автономных coding-агентов. В README также указано снижение защитных ограничений: удалено направление отказа, поэтому модель может не отклонять запросы, которые обычно блокируются моделями с настройкой безопасности. Доступны форматы для Transformers и GGUF, включая варианты для llama.cpp и Ollama. Лицензия MIT.

Narwhal-7b — языковая модель Vezora на архитектуре Llama, содержащая 6,6 млрд параметров. По карточке, это слияние Stable Beluga, MegaCoder, Wizard-Math и Llama Chat 7B; заявленные доли компонентов в описании противоречивы, поэтому точный состав слияния установить нельзя. Модель предназначена для генерации текста, ответов на вопросы и решения математических задач. В тестировании автор использовал шаблоны запросов Stable Beluga и Llama Chat и сообщает о лучших результатах с форматом Llama v2. Контекст модели — 2048 токенов; репозиторий содержит веса PyTorch. Автор предупреждает, что модель не предназначена для коммерческого использования из-за лицензий базовых моделей и происхождения части обучающих данных. Подробные результаты бенчмарков в карточке не приведены.

Nemotron-3-Nano-30B-A3B-Base — базовая большая языковая модель, разработанная NVIDIA и опубликованная в репозитории Unsloth. Это вариант модели NVIDIA-Nemotron-3-Nano-30B-A3B-Base-BF16; заявленная архитектура — гибрид Mamba2 и Transformer с Mixture of Experts (MoE), общий размер — 30 млрд параметров. Модель предназначена как основа для дообучения под инструкции и создания специализированных ИИ-агентов, а не как готовый чат-ассистент. Модель принимает и генерирует текст, поддерживает длинные последовательности: в README указаны вход и выход до 128 тыс. токенов, а также возможность контекста до 1 млн токенов при соответствующей настройке. Она рассчитана на английский и ряд других естественных языков, включая русский, и обучалась на данных по коду, математике, естественным наукам и общим знаниям. Репозиторий содержит веса в формате safetensors; README отмечает исправления chat template для Unsloth. Модель подходит разработчикам, которые создают и дообучают языковые модели для генерации текста и агентских сценариев. README заявляет готовность к коммерческому использованию, однако в метаданных указана лицензия other, поэтому перед применением следует свериться с её условиями. Для работы рекомендуются NVIDIA GPU; указанная в README совместимость включает H100-80GB и A100.

nomic-embed-code-i1-GGUF — GGUF-квантизированная версия модели nomic-ai/nomic-embed-code, подготовленная пользователем mradermacher. Это модель эмбеддингов для работы с исходным кодом, предназначенная для преобразования программного кода в векторные представления и решения задач семантического поиска, сравнения фрагментов кода, извлечения признаков и sentence similarity. Модель обучалась на наборах данных для Python, JavaScript, Java, Go, PHP и Ruby; в карточке также указан английский язык. Она распространяется в формате GGUF с различными вариантами квантизации i1, объёмом примерно от 1,8 до 5,9 ГБ. Архитектура, размер исходной модели, размерность эмбеддингов, поддерживаемая длина контекста и точные характеристики модальностей в README не указаны. Квантизация позволяет выбирать компромисс между размером, скоростью и качеством, однако наиболее компактные варианты могут заметно уступать по качеству; для некоторых конфигураций отдельно отмечены низкое качество или предпочтительность других вариантов. Модель подходит для локального использования в системах поиска и анализа исходного кода, включая retrieval-пайплайны и сравнение программных фрагментов. Ограничения связаны с отсутствием подробных сведений о производительности, бенчмарках, контексте и точных языковых гарантиях, а также с возможными потерями качества из-за квантизации. Модель распространяется по лицензии Apache-2.0.

Ornith-1.0-9B-Heretic-Uncensored — производная модель DeepReinforce/Ornith-1.0-9B, подготовленная методом направленной абляции: из весов удалено направление отказа, без дополнительного обучения. Это плотная мультимодальная модель семейства Qwen 3.5 с примерно 9 млрд параметров, гибридной архитектурой из 32 слоёв линейного и полного внимания, обработкой изображений и текста. Выпущена в формате bf16 Safetensors для Transformers; для работы README требует transformers версии 5.8.1 или новее. Модель предназначена для диалогов, визуальных вопросов и задач рассуждения и агентного программирования. Удаление направления отказа снижает вероятность отказов на запросы, на которые базовая модель отказывала, однако не гарантирует точность или безопасность ответов и может облегчить получение вредоносного контента. README описывает англоязычную модель; лицензия — MIT.