II.2Создание и понимание программного кода

Ornith-1.5-9B-GGUF — квантованные сборки мультимодальной модели Ornith 1.5 9B, разработанной ornith-ai и преобразованной и измеренной AtomicChat. Модель распространяется в формате GGUF для локального запуска с llama.cpp и поддерживает сценарии диалога, работы с изображениями и agentic coding. Для текстового режима vision projector можно не использовать; для обработки изображений требуется отдельный проектор объёмом около 0,92 ГБ. Доступны варианты от BF16 размером 17,9 ГБ до сильно сжатых IQ2/IQ1-сборок размером 2,81–3,38 ГБ. Рекомендуемый компромисс для видеопамяти около 8 ГБ — AD-Q5_K-Q4_K: он занимает 5,93 ГБ и показывает 93,10% совпадения следующего токена с эталонной BF16-моделью. Для более высокой точности доступны Q8_0 и BF16, а варианты с низкой разрядностью заметно теряют качество: самая компактная сборка имеет согласие лишь 53,74%. В README указаны запуск с контекстом до 8192 токенов и поддержка vision, но языки модели и дополнительные архитектурные характеристики не описаны. Сильные стороны модели — возможность локального запуска, широкий выбор квантований под разный объём видеопамяти и наличие мультимодального режима. Ограничения связаны с компромиссом между размером и точностью: самые компактные варианты авторы не рекомендуют для практического использования, а качество измерялось на отдельном нейтральном корпусе и не гарантирует результаты во всех задачах. Модель и сборки распространяются по лицензии MIT.

OBLITERATUS/Ornith-1.5-9B-OBLITERATED — это модифицированная версия модели Ornith-1.5-9B, разработанной DeepReinforce. Модель создана командой OBLITERATUS с применением precision abliteration surgery: из неё удалено исходное поведение отказа от потенциально вредных запросов при сохранении возможностей кодирования, рассуждений и агентных задач. Она предназначена для генерации текста, программирования, исследовательского анализа механизмов отказа и red-teaming-сценариев, где требуется более неограниченное поведение модели. Модель имеет архитектуру Qwen3.5 hybrid, объединяющую Gated DeltaNet и полное внимание, и содержит около 9 млрд параметров. Указан английский язык, поддерживается текстовая генерация и режим рассуждений; в поставке также присутствует vision encoder, однако возможности мультимодального применения явно не описаны. Доступны веса bf16 и варианты GGUF от Q8_0 до Q2_K. Для большинства сценариев рекомендуется отключать thinking mode, а для максимального сохранения свойств abliteration — использовать Q8_0 или Q6_K. По сравнению с исходной моделью версия демонстрирует более высокую готовность отвечать на ограниченные запросы и сохраняет результаты в генерации кода, однако её показатель MMLU снизился с 78,82% до 74,82%. Частично ухудшена поддержка function calling, а на низких уровнях квантования возможны дополнительные отказы или уклончивые ответы. Как модель с 9 млрд параметров, она может галлюцинировать в сложных химических и синтетических задачах, поэтому технические сведения требуют независимой проверки. Лицензия — MIT.

LearningOpt/pie-all-uncon-13b — плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная на полном наборе данных PIE без дополнительных условий. Она предназначена для генерации и оптимизации программ на C++; карточка модели отсылает к отдельной веб-странице с подробностями о сборе данных и обучении. Модель принимает текстовые запросы и генерирует текст, в частности варианты кода C++. Контекст модели составляет 16 384 токена. Репозиторий содержит веса в формате safetensors и использует лицензию Llama 2. README не приводит результаты оценивания качества или сведения об ограничениях, поэтому практическую эффективность следует проверять на целевых задачах.

plaidq-0.7b-16step — контрольная точка модели PlaidQ, разработанная на основе Qwen3-0.6B. Это языковая модель с непрерывной гауссовой латентной диффузией: она обрабатывает последовательность в 16-мерном пространстве непрерывных представлений и генерирует текст параллельным уточнением позиций, а не последовательным предсказанием токенов. В основе используется двунаправленный блок Qwen3-0.6B; контрольная точка содержит около 717,4 млн параметров в формате fp32 и распространяется по лицензии Apache-2.0. Модель предназначена для генерации текста и кода, включая дополнение кода по заданному префиксу и заполнение пропусков между префиксом и суффиксом. Число шагов диффузии можно менять при сэмплировании; в названии указано 16 шагов. README описывает обучение на смеси данных Nemotron Mix с длиной последовательности 2048 токенов. Для запуска необходимы код и семплер из репозитория PlaidQ, а токенизатор загружается отдельно из Qwen/Qwen3-0.6B. В контрольной точке приведены оценки на кодовых бенчмарках, однако README не сообщает их численные результаты. Это только веса для инференса: состояние оптимизатора и загрузчика данных отсутствует, поэтому продолжить обучение с сохранённого состояния нельзя. Модель не является архитектурой Transformers и требует специальной реализации PlaidQ; её практическая производительность зависит от числа шагов диффузии и соответствующего программного окружения.

PolyCoder-0.4B — языковая модель для генерации кода, представленная в исследовании «A Systematic Evaluation of Large Language Models of Code». Модель разработана исследовательской группой PolyCoder и содержит 454,2 млн параметров; архитектура — плотная GPT-NeoX с авторегрессионной генерацией текста. Модель обучена на 249 ГБ кода на 12 языках программирования и предназначена для генерации продолжения кода по текстовому контексту. Её можно применять для предложений кода и экспериментальной оценки языковых моделей кода. Контекст модели — до 2048 токенов. Репозиторий содержит веса PyTorch; для использования README указывает Transformers версии не ниже 4.23.0. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Модель компактнее крупных кодовых моделей, но ограниченный размер и контекст могут снижать качество на сложных задачах и больших фрагментах кода; результаты также зависят от поддерживаемых обучением языков программирования.

QaptaanLM-0.75B-Instruct-ONNX — это экспорт весов модели QaptaanLM-0.75B-Instruct в формате ONNX Runtime. Модель связана с разработчиком kaptaan45; репозиторий также содержит ссылку на GitHub-проект QaptaanLM-0.75B. Версия предназначена для локального запуска через ONNX Runtime, в том числе в браузере на стороне клиента с использованием WebGPU, а также в Node.js и кроссплатформенных настольных приложениях. Модель относится к каузальным языковым моделям с instruction-tuning и ориентирована прежде всего на генерацию текста и программного кода. В README заявлена поддержка английского языка и кода, а среди характеристик указаны совместимость с ONNX, ONNX Runtime и WebGPU, а также hybrid attention и связь с семейством Qwen/Qwen3.5. Размер модели составляет около 0,75 млрд параметров. Для работы используются токенизатор Transformers и ONNX-граф model.onnx с тензорными сегментами; запуск возможен на CPU и CUDA через соответствующие execution provider. Сильными сторонами являются небольшой размер, возможность локального и браузерного выполнения, кроссплатформенность и специализация на инструкциях и задачах программирования. README не содержит подробных результатов бенчмарков, ограничений по длине контекста, описания точной архитектуры или сведений о поддержке других модальностей, поэтому эти характеристики нельзя подтвердить. Модель распространяется по лицензии Apache 2.0.

Atomic-Germ/Qwable-Claude-Fable-5-Distilled-NPU2 — это квантованный порт модели empero-ai/Qwable-9B-Claude-Fable-5, подготовленный разработчиком Atomic-Germ для инференса на NPU AMD XDNA. Модель собрана в формате Q4NX для среды выполнения FastFlowLM и не является файлом GGUF. Указанный размер исходной модели — 9 млрд параметров, размер файла весов model.q4nx — 7,11 ГБ. Модель поддерживает языковые и визуальные входы и ориентирована на агентное программирование, работу с кодом и мультимодальные сценарии, включая анализ изображений. В репозитории также присутствуют отдельные веса vision-модуля, токенизатор и шаблон диалога. Для работы требуется FastFlowLM версии 1.0.1 и совместимое оборудование AMD XDNA NPU; запуск предусмотрен через утилиту flm-add и runtime FastFlowLM. Ключевое преимущество модели — адаптация под локальный NPU-инференс с использованием квантования Q4NX, что может снизить требования к памяти и повысить практичность запуска на совместимом оборудовании. Ограничения включают зависимость от FastFlowLM и AMD XDNA, отсутствие совместимости с GGUF, а также отсутствие в карточке сведений о поддерживаемых языках, размере контекстного окна, точных характеристиках архитектуры и результатах оценки качества. Лицензия в предоставленном README не указана.

Это чат-модель Qwen1.5-0.5B, дообученная автором репозитория panzarasa на наборе WebSight для генерации HTML-страниц по текстовому описанию на английском языке. Она принимает идею страницы и выдаёт самодостаточный HTML с классами Tailwind CSS. В основе — плотная архитектура Qwen2ForCausalLM примерно на 463,9 млн параметров; модель распространяется в формате safetensors, а контекстная длина по метаданным — до 32 768 токенов. Для обучения использовался QLoRA, а в репозитории доступны объединённые 16-битные веса и отдельный LoRA-адаптер. Модель подходит для быстрого создания каркасов веб-страниц: обычно формирует основные секции, разметку и Tailwind-классы. Обучение велось на синтетических шаблонных страницах, поэтому результат склонен повторять типовые макеты и может содержать заглушки вместо содержимого или не соблюдать точные указания по стилю. Модель текстовая и не принимает скриншоты; README указывает, что при обучении примеры длиннее 1024 токенов отбрасывались, поэтому модель рассчитана на короткие и средние страницы. Лицензия в метаданных обозначена как other, конкретные условия в предоставленных данных не раскрыты.

blaze-star выпустил компактную языковую модель Qwen2.5-1.5B-Instruct, дообученную методом QLoRA и опубликованную со слитыми fp16-весами. Она преобразует вопрос на естественном английском языке и явно переданную схему CREATE TABLE в один запрос SQLite; в карточке описано обучение на датасете b-mc2/sql-create-context и тестирование на отложенной выборке. Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель рассчитана на генерацию SQL для небольших схем с одной таблицей. Автор сообщает о точном совпадении 74,8% на тесте из 1 000 примеров и отдельно предупреждает, что эта метрика чувствительна к стилю запроса и не проверяет его фактическое выполнение. Модель обучалась для английского языка и диалекта SQLite; результаты не следует напрямую переносить на крупные многотабличные хранилища. Сгенерированный SQL нужно проверять и безопасно валидировать перед использованием. Лицензия — Apache-2.0.

Qwen2.5-3B MBPP replay lambda-0.1 seed 2 — готовый к инференсу чекпойнт размером 3,1 млрд параметров, разработанный в рамках эксперимента RL-Forgetting-Experiments-3. Это дообученная на базе Qwen/Qwen2.5-3B плотная авторегрессионная модель семейства Qwen2, опубликованная на шаге оптимизатора 1000 в рамках завершённого запуска обучения с подкреплением для программирования. Модель предназначена для генерации текста в сценариях общения и задач программирования; карточка указывает на данные MBPP и replay в названии эксперимента, но не описывает конкретные результаты или гарантии качества. Модель использует Transformers и формат Safetensors, поддерживает контекст до 32 768 токенов. Лицензия в предоставленных сведениях не указана.

Qwen2.5-Coder-0.5B-Q8_0-GGUF — это версия модели Qwen2.5-Coder-0.5B, преобразованная в формат GGUF проектом ggml-org с использованием llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и работы с программным кодом; в карточке указаны теги code и qwen, а заявленный язык — английский. Модель содержит около 0,5 млрд параметров и использует 8-битную квантизацию Q8_0, что делает её подходящей для локального запуска при ограниченных вычислительных ресурсах. Поддерживается работа через llama.cpp в режиме CLI или сервера; в примере запуска указан контекст размером 2048 токенов. Сведения об архитектуре, мультимодальности и точном наборе поддерживаемых языков, кроме английского, в карточке отсутствуют. Компактный размер и формат GGUF являются сильными сторонами для локального развёртывания, однако по сравнению с более крупными моделями модель, вероятно, имеет более ограниченные возможности при сложной генерации кода и рассуждениях. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-14B-n8n-Workflow-Generator — дообученная модель автора mbakgun на базе Qwen/Qwen2.5-Coder-14B-Instruct от команды Qwen. Она предназначена для генерации JSON-конфигураций рабочих процессов n8n по описанию на естественном языке, например для автоматизации интеграций, мониторинга RSS-лент, отправки уведомлений в Discord или Slack и обработки событий из GitHub. Модель обучена методом QLoRA с 4-битным квантованием, LoRA rank 32 и LoRA alpha 64. Для дообучения использован датасет mbakgun/n8nbuilder-n8n-workflows-dataset, содержащий более 2304 шаблонов рабочих процессов из публичной галереи n8n. Максимальная длина последовательности при обучении составляет 8192 токена; заявленный язык — английский. Доступны варианты для Transformers и MLX, включая квантованную сборку для Apple Silicon. Сильная сторона модели — специализация на структуре и шаблонах n8n, что может ускорять создание автоматизаций из текстовых требований. При этом сгенерированные процессы требуют ручной проверки и валидации, длинные рабочие процессы свыше 8192 токенов могут быть усечены, а обучение только на публичных шаблонах ограничивает охват сценариев. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-7B-Abliterated — производная инструкционная языковая модель семейства Qwen2, созданная Sci4AI на основе Qwen/Qwen2.5-Coder-7B-Instruct. Веса модели изменены методом ablation: из 28 слоёв удалено направление отказа с помощью ортогонализации матриц внимания и MLP. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации кода и диалоговых сценариев, включая запросы, от которых исходная модель могла отказаться, например разработку эксплойтов, вредоносного ПО и сетевые атаки. Карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Изменение поведения отказа снижает действие защитных ограничений исходной модели; ответы на вредоносные запросы могут быть сгенерированы. Результаты требуют проверки, особенно в задачах, где важны корректность и безопасность кода.

neph1/Qwen2.5-Coder-7B-Instruct-Unity — чат-модель для помощи с разработкой на Unity, созданная neph1 дообучением Qwen2.5-Coder-7B-Instruct. Обучение проводилось на объединённом наборе вопросов и ответов по Unity3D, включая сведения об API Unity 2022.3 и коде C# для Unity. Модель предназначена для ответов на вопросы по Unity и генерации кода для игровых проектов; автор также предлагает опробовать её с Tabby и похожими инструментами для программирования. Это плотная архитектура Qwen2 с 7,1 млрд параметров, контекстом 32 768 токенов и текстовым вводом и выводом. Карточка указывает английский язык; наборы данных ориентированы на Unity. Автор описывает выпуск как предварительную версию и сообщает о базовом тестировании, поэтому качество ответов требует проверки, особенно для API и версий Unity. Модель обучалась с родным шаблоном чата, но без использования инструментов. Лицензия — Apache-2.0.

Qwen2.5-Coder-7B-SkyRL-SQL — языковая модель на архитектуре Qwen2, дообученная авторами репозитория lecunyin на базе Qwen/Qwen2.5-Coder-7B-Instruct методом GRPO по рецепту SkyRL-SQL. Модель содержит 7,1 млрд параметров, распространяется в формате Safetensors и имеет контекст до 32 768 токенов. Она предназначена для многошагового Text-to-SQL: получает схему базы данных и вопрос, выполняет исследовательские запросы к SQLite, учитывает результаты или ошибки и формирует итоговый SQL-ответ. В README сообщается о точности выполнения 69,8% pass@1 на отложенной выборке Spider после обучения; модель обучалась на 653 примерах и ожидает специальный формат взаимодействия SkyRL-SQL. Модель выпущена под лицензией Apache-2.0. Результаты и обучающие данные указывают на ограниченную область настройки; качество на других базах, диалектах SQL и форматах запросов отдельно не подтверждено.

Qwen3-0.6B-Base — базовая плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это предварительно обученная модель примерно с 508 млн параметров: 28 слоёв, группированное внимание с 16 головами Q и 8 головами KV. Она принимает текст и генерирует продолжение, служит основой для дообучения и адаптации под прикладные задачи. Модель предназначена для языкового моделирования общего назначения, включая генерацию текста, работу с кодом, STEM-темами, логическими рассуждениями и многоязычными данными. Контекстное окно составляет 32 768 токенов. В README указано, что семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; перечень языков, поддерживаемых именно этой базовой версией, отдельно не приведён. Модель распространяется под лицензией Apache-2.0. Это базовая предобученная версия, поэтому для диалогового помощника или специализированного приложения обычно потребуется дообучение либо настройка шаблона запросов; карточка не приводит конкретных гарантий качества для таких сценариев.

unsloth/Qwen3-4B-Base-bnb-4bit — 4-битная версия базовой языковой модели Qwen3-4B-Base, подготовленная Unsloth на основе модели Qwen/Qwen3-4B-Base. Это каузальная языковая модель на стадии предварительного обучения, предназначенная для генерации и продолжения текста, а также общих задач обработки естественного языка, программирования, STEM и рассуждений. README не уточняет особенности именно 4-битной упаковки и сценарии её применения. Модель содержит 4,0 млрд параметров, из которых 3,6 млрд приходятся на параметры без embedding, имеет 36 слоёв и использует Grouped-Query Attention с 32 головами для Q и 8 для KV. Максимальная длина контекста составляет 32 768 токенов. Семейство Qwen3 обучалось на 36 трлн токенов на 119 языках и включает данные для кодирования, STEM, рассуждений, книг, мультиязычных и синтетических задач, однако точные языковые возможности данной версии отдельно не приведены. К сильным сторонам относятся компактный размер, сниженные требования к памяти благодаря 4-битному представлению, длинный контекст и универсальная базовая направленность. Ограничения состоят в том, что это именно базовая, а не инструкционно настроенная модель: README не заявляет о специальной диалоговой настройке, конкретных результатах бенчмарков или требованиях к оборудованию. Для работы рекомендуется актуальная версия библиотеки transformers; версии ниже 4.51.0 могут вызывать ошибку KeyError: 'qwen3'. Модель распространяется по лицензии Apache-2.0.

MSynSQL — специализированная модель для преобразования вопросов на естественном языке в SQL-запросы к базам SQLite. Её выпустила команда SQaLe как одну из моделей исследования о данных для компактных text-to-SQL систем. Модель основана на Qwen3.5-2B и дообучена методом GRPO на наборе SynSQL-2.5M; размер базовой модели — 2 млрд параметров. Веса доступны в формате safetensors, лицензия — Apache-2.0. Модель работает как агент: исследует базу через инструменты, проверяет запрос выполнением и затем возвращает ответ. Для работы требуется цикл, который исполняет вызовы инструментов и передаёт результаты модели; схема базы не включается в исходный запрос. В README указаны результаты 44,3% на BIRD dev, 50,7% на SQaLe test и 13,3% на EHRSQL. Модель обучалась и оценивалась только на SQLite; на больших схемах она менее надёжно находит таблицы и значения, чем MSQaLe, и чаще вызывает инструменты, из-за чего выполнение может занимать больше времени. Архитектура включает неизменённую зрительную часть Qwen3.5, однако обучалась и оценивалась только языковая часть, на текстовых данных.

Qwen3.5-9B Opus 4.6 Reasoning Distill — текстовая диалоговая модель Empero AI, дообученная на рассуждениях Claude Opus 4.6 и Qwen. Она предназначена для пошагового анализа задач и формирования ответа после блока рассуждений в специальных тегах. Модель основана на Qwen/Qwen3.5-9B; для обучения применялся supervised fine-tuning с QLoRA 4-bit. В метаданных указаны 7,2 млрд параметров, контекст до 262 144 токенов и формат safetensors; README сообщает о максимальной длине последовательности 4096 токенов при обучении. Поддерживается английский язык. Модель подходит для диалоговых запросов, решения задач с многошаговым рассуждением и помощи в программировании. Как и другие модели, обученные на трассах рассуждений, она может ошибаться и выдавать убедительно звучащие, но неверные выводы; качество на независимых задачах в карточке не подтверждено. Доступна по лицензии Apache-2.0.

Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled — текстовая диалоговая модель с открытыми весами, созданная r3lax на основе Qwen/Qwen3.6-35B-A3B. Это дообученная MoE-модель семейства Qwen3.5: в ней 35 млрд параметров, из которых около 3 млрд активируются на каждом токене. Для обучения использовали дистилляцию примерно 8 тысяч цепочек рассуждений Claude Opus 4.7; стиль рассуждения настраивали с помощью LoRA только для слоёв внимания. Модель предназначена для многошаговых рассуждений, решения задач по математике и STEM, анализа кода, логических головоломок и агентного планирования. Контекст — до 64 тысяч токенов; при сложных запросах модель может генерировать от 5 до 30 тысяч токенов рассуждений перед ответом. Поддерживает английский язык. В метаданных указаны чат и интерфейс вызова инструментов; README рекомендует vLLM для сервинга. Дистилляция перенимает стиль рассуждений, но не добавляет фактических знаний сверх базовой Qwen3.6-35B-A3B. Экспертные FFN-слои не дообучались, генерация может быть очень длинной, а README отмечает проблемы с форматом ответов для автоматической оценки AIME. Лицензия — Apache-2.0; для сценариев, использующих данные, созданные Claude Opus 4.7, README рекомендует проверить применимые условия Anthropic.

Qwen3.8-27B-AEON-ULTIMATE-U-BF16 — экспериментальная ранняя версия модели Qwen3.8-27B, подготовленная denyzhirkov. Это дообученная и аблитерированная BF16-версия с уменьшенным числом отказов; базовая модель — Qwen/Qwen3.8-27B. Плотная мультимодальная архитектура поддерживает диалог, следование инструкциям, вызов инструментов и работу с изображениями. В README описана проверка на NVIDIA H200 через vLLM; при тестировании использовалось окно 16 384 токена, а автор указывает, что базовая модель поддерживает контекст до 262 000 токенов. Модель рассчитана на прямые ответы, творческое письмо, исследования безопасности, red-team-тестирование и работу с запросами, которые базовая модель могла бы отклонить. Снятие части отказов может сделать ответы более доступными, но не гарантирует точности или безопасности. README предупреждает о повторениях и потере связности на очень длинных запросах; модель может выдавать опасный или незаконный контент. Лицензия — Apache-2.0.

TurboVadim/Qwen3.8-27B-OBLITERATED — производная модель на базе Qwen/Qwen3.8-27B, распространяемая под лицензией Apache 2.0. Это текстовая autoregressive-модель для генерации текста, кода и ответов в диалоговых сценариях. По описанию автора, модель модифицирована методом abliteration для ослабления отказов и защитных ответов, поэтому ориентирована на red-team-тестирование, исследования безопасности ИИ, разработку кода и агентные сценарии, где требуется более прямой ответ на ограниченные запросы. Модель имеет архитектуру Qwen3, размер 27B параметров и поддерживает режим thinking; доступны варианты в форматах GGUF, Safetensors и MLX. Для работы рекомендуется температура 0, repetition_penalty 1.15 и не менее 2048 новых токенов, а системный промпт лучше не использовать. В README не указаны точное максимальное окно контекста, перечень поддерживаемых языков и дополнительные модальности, поэтому подтверждённо описать их нельзя. Сильной стороной заявляется близкая к исходной способность на общих задачах: показатель MMLU для версии V3 составляет 82,3%, что на 2,1 процентного пункта ниже базовой модели. Также заявлены стабильная генерация рабочего кода и снижение числа жёстких отказов и защитных «лекций». Ограничения включают некоторую потерю качества относительно исходной модели, возможные циклы при генерации без repetition penalty и отсутствие встроенных защитных ограничений, что повышает риски при использовании в продуктивных или недоверенных сценариях.

Rain-2x7B-MoE-32k-v0.1 — экспериментальная языковая модель с архитектурой Mixtral MoE, опубликованная yuuko-eth. Она объединяет два дообученных эксперта размером 7B: Breeze-7B-Instruct-v0_1 и CodeNinja-1.0-OpenChat-7B, построенных поверх Marcoro14-7B-slerp. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста на китайском и английском языках, включая диалоговые запросы и задачи программирования. Для работы README рекомендует использовать шаблоны промптов базовых моделей; активационные слова для программирования включают code, python, typescript, javascript, programming и algorithm. Это экспериментальная версия, а README рекомендует оценить её перед использованием в прикладных системах и сообщает о выпуске более новой версии v0.2. Репозиторий содержит веса Safetensors. Лицензия в метаданных обозначена как unknown, поэтому условия использования по доступным сведениям определить нельзя.

Rooja — дообученная Lone17k языковая модель на архитектуре Qwen2.5-7B-Instruct с 7,1 млрд параметров. Она предназначена для помощи в разработке ресурсов FiveM и серверов GTA V на Lua, в том числе с фреймворком QBCore. Модель принимает текстовые запросы и генерирует код или пояснения; контекст — до 32 768 токенов. В репозитории используются веса Safetensors, для работы указана библиотека Transformers. Rooja подходит для создания и отладки клиентских и серверных Lua-скриптов, конфигураций и файлов fxmanifest.lua, а также для работы с событиями, callback-функциями и системами игроков. Модель обучалась на наборе из 5 969 примеров, посвящённых разработке для FiveM. Указана лицензия Apache-2.0. Модель может предлагать неверные, неполные или устаревшие API FiveM и QBCore. Сгенерированный код следует проверить и протестировать до использования на рабочем сервере; Rooja не заменяет официальную документацию.

ShaderLLM-v2-13b — дообученная Sean Memery модель на архитектуре Llama, созданная на базе codellama/CodeLlama-13b-Instruct-hf и датасета generator. Она предназначена для генерации текста в диалоговом формате; базовая модель специализируется на генерации, дополнении и понимании кода, однако карточка не уточняет, какие именно задачи по шейдерам или другим видам кода решает дообученная версия. Модель содержит 12,9 млрд параметров, использует формат safetensors и поддерживает контекст до 16 384 токенов. Лицензия — Llama 2 Community License.

SLIMDER Qwen3.8 Depth-32 Agentic REAM-288 — экспериментальная модель семейства Qwen, опубликованная пользователем jakeatx. Она создана на основе sjakek/slimder-qwen38-reap384-depth32-mb2-3-4-5 и предназначена для генерации текста, особенно для агентных сценариев: вызова инструментов, программирования и выполнения кода, retrieval-задач и многошагового рассуждения. Модель использует архитектуру Mixture-of-Experts с 32 трансформерными слоями, 288 маршрутизируемыми экспертами на слой и выбором 10 экспертов для каждого токена. Это результат структурного сжатия с 384 до 288 экспертных слотов в каждом слое. Применена точность BF16. Калибровка выполнена на 1 024 последовательностях длиной 512 токенов с повышенным весом агентных, кодовых, retrieval- и reasoning-сценариев. Дополнительные сведения о поддерживаемых языках, размере параметров, модальностях и длине контекста не указаны. Сильной стороной модели является целевая оптимизация под агентное поведение при сохранении разреженной экспертной архитектуры и уменьшении числа экспертов. При этом это исследовательский контрольный снимок: ему необходимы более широкие проверки агентных функций, генерации кода, выполнения инструментов, retrieval, длинных последовательностей и безопасности, поэтому модель не рекомендуется считать готовой к промышленному использованию без дополнительной оценки. Модель распространяется по лицензии Apache-2.0.

SmallThinker-4BA0.6B-Instruct — языковая модель с открытыми весами, разработанная IPADS и Школой искусственного интеллекта Шанхайского университета Цзяо Тун совместно с Zenergize AI. Модель предназначена для локального запуска на устройствах с ограниченными ресурсами и генерации ответов в диалоговом формате. Это плотная по типу каталожной архитектуры модель семейства SmallThinker с архитектурой Mixture-of-Experts: всего 4 млрд параметров, из которых активируются 0,6 млрд; в метаданных указано 1,3 млрд параметров. Модель принимает текст, поддерживает контекст до 32 768 токенов и обучена преимущественно на английском языке. Разработчики сообщают о механизмах разреженной маршрутизации и внимания, рассчитанных на снижение вычислительных затрат, памяти и задержек при локальном инференсе. Модель подходит для диалоговых помощников, ответов на вопросы, рассуждений и генерации кода; в README приведены результаты тестов по математике, знаниям и программированию. Показатели тестов не гарантируют точность в практических сценариях. Ответы могут содержать ошибки, предвзятость или устаревшие сведения, поэтому их следует проверять. Лицензия — Apache-2.0.

ArmelR/starcoder-gradio-v0 — экспериментальный языковой помощник для разработчиков, созданный на основе StarCoder и дообученный для ответов на вопросы и помощи при работе с Gradio. Обучение включало код Gradio из The Stack, вопросы из GitHub Issues официального репозитория Gradio и код из подходящих Spaces на Hugging Face Hub; затем модель прошла инструкционное дообучение на данных OpenAssistant Guanaco. В README описана версия 0.0 и сохранение ранних чекпойнтов обучения. Модель использует архитектуру GPTBigCode для генерации текста, включая кода; в метаданных указано контекстное окно 8192 токена и формат PyTorch. Она предназначена для разработки приложений на Gradio: например, для ответов на вопросы по библиотеке и помощи с примерами кода. Это ранняя версия, поэтому качество ответов может быть нестабильным. Лицензия модели в предоставленных данных не указана.

Ternary Bonsai 2 27B Abliterated v2 — производная 27-миллиардная текстовая модель, представленная BoldingBuilds в формате GGUF PQ2_0 с дополнительным вариантом MTP для спекулятивного декодирования. В README описаны изменения относительно исходной модели: удаление отказов и корректировка одной строки выходного слоя, призванная помочь модели завершать рассуждение и выдавать ответ. По карточке, файлы рассчитаны на запуск через форк llama.cpp от PrismML; стандартные сборки llama.cpp, Ollama и LM Studio без поддержки PQ2_0 их не загрузят. Модель предназначена для локальной генерации текста и диалогов, включая сложные запросы, рассуждения, математические и программные задачи. В сравнительных тестах она близка к исходной Bonsai 2 на математике и HumanEval, но результаты зависят от бюджета токенов и параметра reasoning_effort; в README рекомендован уровень medium. Вариант MTP, по заявлению автора, ускоряет декодирование примерно на 40%. Модель лишена обычного поведения отказа и может отвечать на запросы, которые исходная модель отклонила бы. Автор указывает исследование устойчивости выравнивания и локальное использование без фильтрации как сценарии применения, а также предостерегает от пользовательского развертывания без собственного слоя безопасности. В README также отмечено статистически значимое снижение MMLU относительно исходной модели. Лицензия репозитория — Apache-2.0.

TroyDoesAGI — экспериментальная плотная языковая модель на архитектуре Mistral с 15 млрд параметров и контекстом до 32 768 токенов, созданная независимым разработчиком TroyDoesAI. Модель предназначена для генерации текста по инструкциям и ответов с опорой на предоставленный контекст, в том числе для сценариев RAG. В карточке описан специальный формат контекстного запроса с разделителями для входных блоков, метаданных и инструкций. Обучение включало набор инструкций по Python, вручную подготовленные графы знаний и данные персонального помощника; автор экспериментировал с прореживанием, абляциями и учебными последовательностями. Модель распространяется в формате safetensors по лицензии CC BY-ND 4.0. Автор сообщает о хорошей привязке к контексту и следовании инструкциям, но это не сопровождается формальной оценкой; результат зависит от формата запроса и качества контекста.