II.2Создание и понимание программного кода

NT-Java-1.1B-GGUF — это набор квантизированных файлов модели NT-Java-1.1B в формате GGUF, разработанной Infosys и подготовленной квантизатором Infsys. Модель предназначена для генерации исходного кода и работы с текстом, связанным прежде всего с языком программирования Java; в карточке приведён пример генерации класса HelloWorld. Это узкоспециализированная модель с архитектурой GPT BigCode и размером 1,1 млрд параметров, ориентированная на локальный запуск. Файлы доступны в вариантах квантизации от Q2_K до Q8_0 с размером примерно от 511 МБ до 1,32 ГБ. Оптимальным по соотношению качества и размера указан вариант Q4_K_M, а Q5_K_M рекомендуется как второй выбор; Q2_K имеет низкое качество и не рекомендуется для использования. Модель поддерживается llama.cpp и совместима с рядом локальных интерфейсов и библиотек, включая text-generation-webui, LM Studio и llama-cpp-python. Поддержка GPU позволяет переносить часть нагрузки из оперативной памяти в видеопамять. Модель ориентирована на сценарии с ограниченными ресурсами, включая локальную генерацию Java-кода, однако README не содержит сведений о размере контекста, точном наборе языков программирования, обучающих данных, результатах бенчмарков или ограничениях качества за пределами оценок для отдельных вариантов квантизации. Лицензия указана как BigCode OpenRAIL-M.

Orion-MoE8x7B — базовая предварительно обученная языковая модель компании OrionStar со sparse Mixture of Experts (MoE). Она обучена с нуля на корпусе примерно из 5 трлн токенов; в конфигурации указаны 32 слоя и скрытый размер 4096, а метаданные сообщают 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для генерации текста, включая продолжение запросов и генерацию кода. Обучающий корпус включает английский, китайский, японский, корейский и другие языки. В README заявлены сильные результаты в многоязычных оценках, особенно для японского и корейского, а разреженная архитектура, по словам разработчика, ускоряет вывод относительно плотных моделей сопоставимого масштаба. Это базовая модель: карточка сообщает, что отдельная instruction-модель планируется к выпуску, поэтому из неё не следует ожидать специализированного поведения чат-ассистента без дополнительной настройки. В README приведены инструкции по инференсу через PyTorch и vLLM. Лицензия в предоставленных материалах не указана.

Ornith-1.5-35B-A3B-REAP-20pct — разреженная MoE-модель для генерации текста, программирования и вызова инструментов, созданная oxfrug на основе Ornith-1.5-35B-A3B от ornith-ai. Модель предназначена для локального и самостоятельного развёртывания, особенно в сценариях кодирования, диалогового взаимодействия и tool calling. В метаданных указан английский язык. Модель использует гибридную архитектуру GatedDeltaNet + MoE с 40 слоями. После удаления 20% экспертов в каждом слое осталось 205 экспертов вместо 256, при этом для каждого токена активны 8 экспертов. Активный объём параметров составляет около 3B на токен, размер BF16-весов — примерно 56 ГБ вместо 67 ГБ у базовой модели. Общие эксперты, vision tower, эмбеддинги и lm_head не изменялись; архитектура обозначена как Qwen3_5MoeForConditionalGeneration, поэтому модель поддерживает текстово-мультимодальный интерфейс базовой архитектуры. Для работы требуются transformers версии 5.8.1 или новее; для vLLM заявлена конфигурация с контекстом до 262144 токенов. Главное преимущество — экономия около 11 ГБ дискового пространства при сохранении примерно 3B активных параметров на токен и совместимость с transformers и vLLM. Ограничения связаны с потерей качества из-за pruning: модель не является lossless-копией и не является квантизированной или дообученной. Для этого чекпойнта не проводились полноценные тесты SWE-bench, Terminal-Bench и GPQA, а опубликованные результаты родственной модели нельзя переносить на него. Калибровка выполнялась на последовательностях длиной 1024 токена, что также может повышать риск ухудшения специализированных возможностей, включая tool calling. Модель распространяется по лицензии MIT. Она требует значительных ресурсов: это не вариант для одной видеокарты на 24 ГБ; для длинного контекста в vLLM рекомендуется конфигурация с двумя GPU по 80 ГБ. Форматы GGUF для данного pruning в README не заявлены.

OUI-1 — модель Thesys для генерации пользовательских интерфейсов в приложениях OpenUI. Она дообучена методом LoRA на DiffusionGemma 26B-A4B-it, после чего адаптер объединён с базовыми весами. Модель принимает текстовое описание экрана и сигнатуры компонентов, переданные в системном промпте, и выдаёт программу на декларативном языке openui-lang — по одному компоненту на строку. Архитектура — диффузионная DiffusionGemma; в общей сложности 26 млрд параметров, из которых активны 4 млрд. Контекст при использовании описан как 16 384 токена. Модель рассчитана на создание экранов для библиотек компонентов с заданными сигнатурами, в том числе в сценариях, где важна низкая задержка. По результатам Generative UI Benchmark она набрала 71,7% против 13,0% у базовой модели; эти показатели получены в описанном авторами протоколе и не гарантируют аналогичное качество для произвольных библиотек или промптов. На A100 80 ГБ лёгкий экран генерируется примерно за секунду, плотный — за три-шесть секунд. Для генерации требуется передать библиотеку компонентов в системном промпте, а результаты следует проверять парсером openui-lang и рендерером приложения. Модель не предназначена для общего диалога. Лицензия — Apache-2.0.

Ouro-1.4B-Thinking-depth-SFT — дообученная разговорная языковая модель примерно с 1,3 млрд параметров, основанная на ByteDance/Ouro-1.4B-Thinking. Она использует плотную архитектуру Ouro для генерации текста и ответов с рассуждениями; карточка задаёт параметр глубины DEPTH=16. Модель рассчитана на диалоги и задачи, где полезны пошаговые рассуждения, включая математику, науку и код. Она принимает текст и выдаёт текст, поддерживает контекст до 65 536 токенов и предназначена для использования через Transformers. Модель опубликована под лицензией Apache-2.0. Доступная карточка содержит мало сведений о данных и результатах обучения, поэтому качество на конкретных задачах и языках по ней оценить нельзя.

Карточка модели Josephgflowers/Phi-3-mini-4k-instruct-Cinder-llamafied-with-16bit-GGUF на Hugging Face совпадает с карточкой Josephgflowers/Phi-3-mini-4k-instruct-Cinder-with-16bit-GGUF, поэтому описание составлено по ней. Josephgflowers/Phi-3-mini-4k-instruct-Cinder-with-16bit-GGUF — англоязычный чат-бот Cinder на основе Phi-3 Mini, доработанный для научных и образовательных бесед, общения и творческого исследования. В карточке указано, что дообучение включает данные о персонаже Cinder, вопросы и ответы по знаниям о мире и STEM, а также сокращённый набор данных Samantha, отредактированный для Cinder. Метаданные описывают плотную архитектуру Phi-3 с 3,7 млрд параметров и контекстом 4096 токенов; репозиторий содержит GGUF в формате F16 и safetensors, а модель поддерживает генерацию текста и код. Модель предназначена для диалогов и следования инструкциям, а компактный размер подходит для сценариев с ограничениями по памяти и задержке. В README также отмечены STEM-темы, математика, логика и программирование. Лицензия — MIT. Основное заявленное применение — английский язык. Качество на других языках может быть ниже; ответы могут содержать ошибки, выдуманные сведения, предвзятость или оскорбительный контент. Код и ответы в чувствительных областях требуют проверки; для высокорисковых сценариев нужны дополнительные меры оценки и защиты.

plaidq-0.7b — модель генерации текста семейства PlaidQ, построенная на дообученном Qwen3-0.6B. Вместо последовательного предсказания токенов слева направо она использует непрерывную гауссову латентную диффузию: целая последовательность представляется в 16-мерном пространстве, а двунаправленный Qwen3-0.6B последовательно её уточняет. Генерация выполняется параллельно по позициям, а число шагов денойзинга можно выбирать при семплировании. Чекпойнт содержит 717,4 млн параметров в формате fp32 и рассчитан на последовательности до 2048 токенов. README описывает оценки на задачах генерации и заполнения кода, поэтому модель подходит для экспериментов с генерацией и инфиллингом кода, а также с диффузионной генерацией текста. Для запуска нужны репозиторий PlaidQ и токенизатор Qwen/Qwen3-0.6B; это веса для инференса без состояния обучения. Модель выпущена по лицензии Apache-2.0.

Quillan-Ronin — диалоговая модель генерации текста от CrashOverrideX, представленная как смесь экспертов (MoE) и предназначенная для работы на потребительском оборудовании. В карточке описаны разреженная маршрутизация экспертов, тернарное квантование BitNet и инструменты для агентных сценариев, однако метаданные указывают 177,3 млн параметров и архитектуру QuillanOniForCausalLM, тогда как README приводит другие, противоречивые характеристики; поэтому подробности о слоях и размере из README нельзя считать подтверждёнными. Модель заявлена для диалогов, генерации кода и автономных агентных сценариев с инструментами и памятью, а также для исследований квантования и рекурсивного вывода. Метаданные перечисляют объединение с Qwen/Qwen3.5-0.8B, Llama-3.2-1B-Instruct и BitNet b1.58-2B-4T, но не позволяют установить, как именно устроено это объединение. Указаны английский язык и контекст 512 токенов; поддержка изображений, аудио и видео отмечена в тегах README, но основная задача и каталог классифицируют модель как генерацию текста. Лицензия — Apache-2.0. Среди заявленных ограничений — возможные отказы на некоторых запросах, повышенная задержка и вариативность в Mini-Ronin, а также галлюцинации мультимодальных компонентов на данных вне обучающего распределения. README отдельно предостерегает от применения в медицинских и иных критически важных сценариях.

bappi/Qwen2.5-Coder-3B-Uncensored — текстовая генеративная модель, опубликованная пользователем bappi на Hugging Face. Репозиторий содержит модель примерно на 3 млрд параметров в формате Safetensors и предназначен для запуска через Transformers, vLLM и совместимые инструменты. По идентификатору и тегам это вариант семейства Qwen2.5-Coder, ориентированный прежде всего на генерацию и обработку программного кода, однако точное описание дообучения и сведения о разработчике в карточке модели отсутствуют. Надёжно подтверждены возможности text generation и conversational inference. Для базовой модели Qwen2.5-Coder-3B официально указаны архитектура Qwen2ForCausalLM, 3,09 млрд параметров, 36 слоёв, механизм GQA и контекст до 32 768 токенов; семейство предназначено для задач кодогенерации, завершения кода и работы с математическими и общими текстовыми запросами. Мультимодальность не заявлена. Языки и фактическое качество именно этой производной модели не описаны в её карточке, поэтому их нельзя достоверно установить. Карточка модели автоматически сгенерирована и не содержит данных о тестах, обучающих данных, ограничениях, рисках или лицензии. Условия лицензирования данной производной модели не указаны; лицензию базовой модели нельзя автоматически считать лицензией этого репозитория. Из-за отсутствия сведений о методе модификации, оценках и ограничениях следует ожидать возможных ошибок и проверять результаты, особенно в программном коде.

StephYang выпустил текстовый чекпойнт Qwen3.5-4B, дообученный методом on-policy distillation (OPD) на наборе tmax15k Harbor SWE. Это плотная авторегрессионная модель семейства Qwen3.5 с 3,4 млрд параметров и контекстом до 262 144 токенов; репозиторий содержит объединённый экспорт весов в safetensors, сохранённых в bfloat16. Модель предназначена для генерации текста в диалоговом формате и задач, связанных с разработкой программного обеспечения. Чекпойнт получен после одной эпохи и 35 шагов обучения. Для загрузки README указывает Transformers версии 5.6.0 или новее. Лицензия — Apache 2.0. Это текстовая версия Qwen3.5; возможности понимания изображений базовой мультимодальной модели к этому чекпойнту не следует автоматически приписывать. Карточка не приводит результатов оценки качества, поэтому пригодность для конкретных SWE-сценариев требует проверки.

hellohazime/Qwen3.8-2.4T-A95B-REAP-256GB-GGUF — это сжатая версия крупной MoE-модели Qwen3.8-2.4T-A95B, разработанная на основе unsloth/Qwen3.8-2.4T-A95B-GGUF. Модель предназначена для генерации текста и прежде всего для англоязычных задач и программирования на компьютерах с примерно 256 ГБ оперативной или унифицированной памяти. Она загружается и работает в стандартной основной ветке llama.cpp без специального runtime или форка. В модели сохранены 304 из 512 экспертов в каждом MoE-слое, выбранные по частоте маршрутизации на англоязычном и кодовом корпусе объёмом 200 тысяч токенов. Внутренняя ширина каждого оставшегося эксперта уменьшена с 2048 до 1536 каналов. Квантизация не выполнялась повторно: сохранённые данные побайтово соответствуют исходной квантизованной модели UD-IQ1_S с плотностью 1,56 бит на вес. Итоговый размер составляет 246 ГБ, или 229 ГиБ. Сильная сторона модели — существенное уменьшение требований к памяти при сохранении значительной части поведения исходной модели: на отложенных данных совпадение главного токена составило 79,2% для английского языка и 86,6% для кода. При этом модель заметно отклоняется от исходной на редких и сложных случаях; показатель perplexity вырос с 9,05 до 10,90 на английском и с 1,89 до 2,38 на коде. Авторы предупреждают, что неанглоязычные и выходящие за пределы калибровочного корпуса задачи намеренно принесены в жертву, поэтому модель не рекомендуется для многоязычной работы и сложного рассуждения. Лицензия указана как qwen3.8-max, тип лицензии — other.

Карточка модели Andronovo/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 на Hugging Face совпадает с карточкой denyzhirkov/Qwen3.8-27B-AEON-ULTIMATE-U-BF16, поэтому описание составлено по ней. 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.

Карточка модели ansulev/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 на Hugging Face совпадает с карточкой denyzhirkov/Qwen3.8-27B-AEON-ULTIMATE-U-BF16, поэтому описание составлено по ней. 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.

Карточка модели HFCK99/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 на Hugging Face совпадает с карточкой denyzhirkov/Qwen3.8-27B-AEON-ULTIMATE-U-BF16, поэтому описание составлено по ней. 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.

gjtgjt создал abliteration-версию Qwen/Qwen3.8-27B с помощью Heretic v1.4.0. Это доработка готовых весов, а не новое предобучение или SFT: изменена часть проекций языковых слоёв, тогда как токенизатор, шаблон чата, визуальный энкодер и блок MTP сохранены. Модель использует плотную гибридную архитектуру Qwen3.5 с 64 языковыми слоями: 48 Gated DeltaNet и 16 Gated Attention. Она принимает текст и изображения и предназначена для диалогов, анализа изображений и многошаговых запросов; описание базовой модели также указывает на поддержку видео и программирования. Языковые теги карточки — английский и китайский. Изменение направлено на снижение шаблонных отказов на английских запросах. В приведённой оценке число маркеров отказа на 100 вредоносных запросов снизилось с 98 у базовой модели до 27; KL-дивергенция на 100 безвредных запросах составила 0,0446. Это не гарантия безопасности и не подтверждение качества на других языках или модальностях. Для режима без рассуждений README рекомендует передавать enable_thinking=False. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-tq4-g64 — 27,8-миллиардная плотная мультимодальная модель семейства Qwen, подготовленная для Apple Silicon в формате 4-битной квантизации TurboQuant-MLX. Она сохраняет возможности обработки изображений и диалогового взаимодействия базовой модели, включая интерфейс вызова инструментов. Архитектура включает 64 декодерных слоя: 48 слоёв Gated DeltaNet с линейным вниманием и 16 слоёв полного внимания; также указана 27-блочная башня зрения. В метаданных библиотека модели — MLX, лицензия — Apache-2.0. Модель подходит для диалогов с изображениями, распознавания текста на изображениях, подсчёта объектов, анализа диаграмм, визуального описания и агентных сценариев с вызовом инструментов, в том числе для работы с кодом. README приводит тесты на Apple Silicon: файл занимает около 15,15 ГиБ, пиковое потребление памяти при контексте 16 тысяч токенов составляет около 22,5 ГБ, а скорость генерации — примерно 11 токенов в секунду. При запуске на Mac с 24 ГБ памяти рекомендуется размер шага предварительной обработки 256; на системах с 16 ГБ автор сообщает, что модель не помещается. Встроенный тест зрения пройден на четырёх синтетических примерах, но эти результаты не гарантируют качество на произвольных данных. README не сообщает поддерживаемые естественные языки или длину контекста базовой модели.

RavenX Chaos Agent — Qwen3.8-27B OBLITERATED — это текстовая языковая модель в формате GGUF, разработанная RavenX AI Labs LLC на базе OBLITERATUS/Qwen3.8-27B-OBLITERATED. По данным карточки, модель обучалась методом Soul Injection на 1 903 806 примерах, объединяющих программирование, рассуждения, агентное взаимодействие, анализ кибербезопасности и другие предметные области. Заявлена поддержка английского языка; сведения о других языках, длине контекста и мультимодальности не приведены. Модель предназначена для генерации кода, технического анализа, работы с инструментами и цепочками вызовов, задач red team и пентестинга, анализа уязвимостей, подготовки bug bounty-отчётов, сопоставления с MITRE ATT&CK, а также для торгового, блокчейн- и криптографического анализа, математического рассуждения и творческого письма. Заявлена совместимость с llama.cpp, Ollama и LM Studio. Версия GGUF Q4_K_M имеет размер около 15,7 ГБ и заявленную скорость 21,6 токена в секунду; также доступна отдельная версия MLX для Apple Silicon. Сильными сторонами заявлены широкий охват задач, специализированные знания по кибербезопасности, генерация производственного кода, вызов инструментов и автономная оркестрация. При этом заявления о результатах основаны на приведённых разработчиком описаниях и внутренних тестах, поэтому их следует дополнительно проверять. Карточка не содержит подробностей о качестве на независимых бенчмарках, длине контекста и точных системных требованиях. Модель описана как abliterated и имеющая нулевые отказы и защитные ограничения, что повышает риск небезопасной генерации и требует контроля при использовании в реальных системах. Лицензия — Apache-2.0.

ShaderLLM-CodeLlama-13b-it — дообученная Sean Memery инструктивная модель семейства CodeLlama для генерации кода шейдеров. Она основана на codellama/CodeLlama-13b-Instruct-hf и дообучена на наборе данных generator. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 16 384 токенов. Модель предназначена для генерации и дополнения кода в диалоговом формате, в частности для сценариев работы с шейдерами. В карточке приведён результат оценки на тестовом наборе: loss 0,7616. Язык шейдеров, методика оценки и качество на практических задачах не описаны. Лицензия — Llama 2; применяйте модель в соответствии с её условиями.

Code Search-Hit Ranker — компактная модель семейства Qwen2.5, разработанная Ishaan Ranjan как полноразмерное дообучение Qwen/Qwen2.5-0.5B-Instruct. Она предназначена для узкой подзадачи агента-разработчика: выбирать место определения символа среди результатов поиска по коду. Модель принимает текстовый запрос со списком совпадений и формирует ответ в заданной JSON-схеме; её обучали на примерах из репозиториев Python, а оценивали на отложенных HTTPX и Jinja2. Архитектура — плотная авторегрессионная Qwen2, около 494 млн параметров, контекст до 32 768 токенов. В описанном тесте точность успешного ответа после одной попытки обратной связи по схеме составила 94%; корректность JSON на первом проходе — 100%. Модель рассчитана на запуск внутри проверяющей обвязки с разбором JSON, детерминированными проверками и резервными правилами. Это не универсальный помощник по программированию и не модель для свободного диалога; авторы отмечают, что в этом сценарии достаточно правил. Лицензия — Apache-2.0.

kenpeter123/small-1b-dpo — языковая модель семейства Llama, разработанная автором репозитория и дообученная методом Direct Preference Optimization на базе kenpeter123/small-1b-sft. Она предназначена для генерации текста по запросам; метаданные также отмечают поддержку генерации кода. В README описана архитектура Transformer с 32 слоями, 12 головами внимания и группированным запросом внимания (GQA, 4 KV-головы); число параметров в метаданных — 956,3 млн, а контекст — 8192 токена. DPO-обучение использует пары предпочтений: правильное эталонное решение выбирается вместо ошибочного или повторяющего запрос ответа базовой SFT-модели. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Лицензия Apache-2.0. Карточка описывает обучающий чекпойнт, но не приводит оценки качества или подробностей о поддерживаемых языках помимо английского в метаданных.

Snowball 67B-A2B SFT Stage 3: OpenCode — модель генерации текста, разработанная командой Marin и опубликованная в формате BF16 для Hugging Face и vLLM. Это MoE-модель семейства Grug с 2,8 млрд параметров и контекстом до 32 768 токенов; она продолжает этап Thinking и дообучена на траекториях OpenCode, созданных с помощью учителя Qwen3.5-122B. Модель предназначена для диалоговых сценариев и работы с агентными траекториями OpenCode. Для оценки авторы рекомендуют использовать OpenCode harness; метаданные также указывают интерфейс вызова инструментов. Модель сохраняет токенизатор Marin и специальные токены Delphi. Модель распространяется по лицензии Apache-2.0. Это специализированный чекпойнт третьего этапа SFT, поэтому его качество следует оценивать на задачах OpenCode; в README не приведены результаты независимых тестов или подробные сведения о поведении за пределами этого сценария.

Карточка модели anassaifi12/sql_model_2 на Hugging Face совпадает с карточкой anassaifi12/qwen2.5-3b_sql_trained_model, поэтому описание составлено по ней. anassaifi12 дообучил модель Qwen2.5-3B для генерации текста на базе unsloth/qwen2.5-3b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Название репозитория указывает на обучение для работы с SQL, однако README не описывает обучающие данные и конкретные возможности модели, поэтому качество генерации SQL по карточке оценить нельзя. Модель принимает и выдаёт текст; в метаданных указан английский язык. Распространяется по лицензии Apache-2.0.

Stable-Cypher-Instruct-3B — специализированная языковая модель с примерно 3 млрд параметров, разработанная ragraph-ai на основе stable-code-instruct-3b от Stability AI. Это дообученная causal language model для преобразования текстовых запросов в запросы на языке Cypher, предназначенные прежде всего для графовых баз данных, включая Neo4j. Модель ориентирована на генерацию Cypher по описаниям на естественном языке: поиск людей по навыкам и стажу, получение сведений о фильмах, анализ подписок пользователей и другие задачи работы с графовыми данными. В карточке указано, что заявленный язык — английский. Модель работает с текстом и не предназначена для мультимодальных сценариев. Объём контекста явно не указан; для одного из вариантов запуска приведён параметр n_ctx 512, а при обучении использовалась максимальная длина последовательности 256 токенов. По данным README, на представленном наборе тестов модель существенно превзошла базовую модель и GPT-4o по BLEU, ROUGE, Jaro-Winkler, Jaccard и Pass@1 для генерации Cypher, однако эти результаты относятся к конкретной методике оценки и не гарантируют аналогичное качество на других схемах данных. Для практического использования потребуется дополнительное дообучение под синтаксис, сущности и структуру данных конкретной компании. Модель распространяется по лицензии Apache-2.0.

Stack-Llama-2 — языковая модель Kashif на архитектуре Llama 2, дообученная методом DPO на данных Stack Exchange. Модель с 6,6 млрд параметров и контекстом до 4096 токенов предназначена для развёрнутых ответов на вопросы по программированию, математике, физике и другим темам Stack Exchange; также подходит для демонстрации генерации ответов в стиле сообщества Stack Exchange. Поддерживает английский язык. Модель может выдавать неверные или вводящие в заблуждение ответы, воспроизводить фрагменты обучающих данных и наследует смещения Llama и Stack Exchange. Ответы следует проверять по внешним источникам; модель не предназначена для замены экспертной оценки. Лицензия — bigscience-openrail-m.

STAR1-R1-Distill-7B — языковая модель, дообученная исследователями UCSC-VLAA на наборе STAR-1 из 1 000 примеров для повышения безопасности ответов моделей с многошаговыми рассуждениями. Она основана на DeepSeek-R1-Distill-Qwen-7B и использует архитектуру Qwen2; размер составляет 7,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Модель предназначена для диалоговой генерации текста и ответов с учётом принципов безопасности, сохраняя способности к рассуждению, в том числе в математике и программировании. Контекст модели — до 131 072 токенов. В README описана оценка и фильтрация обучающих примеров, однако конкретные языки, поддерживаемые моделью, не перечислены. Модель распространяется по лицензии Apache-2.0. Улучшения безопасности заявлены по результатам бенчмарков, но их величина и устойчивость в разных сценариях требуют проверки; дообучение на 1 000 примерах не гарантирует безошибочную обработку небезопасных запросов.

Tyr-4B-v0.1 — языковая модель, созданная автором trollek путём обучения LoRA-адаптеров и их объединения методом DELLA. Модель основана на trollek/LittleInstructionMaker-4B-v0.2; её плотная архитектура Llama содержит 3,8 млрд параметров, а контекст составляет 8192 токена. В репозитории представлены веса safetensors. Модель предназначена для диалоговой генерации текста, в том числе для задач, связанных с кодом и данными WhiteRabbitNeo. Она обучена с шаблоном ChatML и может использоваться с системным сообщением или без него. В карточке заявлено, что модель может выдавать контент без цензурных ограничений; отдельные показатели качества не приведены. Модель распространяется по лицензии Apache-2.0. Это ранняя версия v0.1; возможности и качество для конкретных задач следует проверять на собственных примерах.

Zamba2-7B — базовая языковая модель от Zyphra для генерации текста и кода. Она сочетает слои Mamba2 и общие трансформерные блоки с механизмом внимания; LoRA-проекции помогают этим блокам специализироваться на разных этапах сети. Модель обучена на 2 трлн токенов текста и кода, а затем дополнительно обучена на смеси примерно из 100 млрд высококачественных токенов. Для токенизации используется токенизатор Mistral v0.1. Модель рассчитана на общие сценарии генерации и продолжения текста, включая код. Разработчик заявляет о низкой задержке генерации и меньшем потреблении памяти по сравнению с сопоставимыми трансформерными моделями. Это предварительно обученная базовая модель, а не чат-модель: качество следования инструкциям не гарантируется, встроенной модерации нет, и возможна генерация токсичного или вредоносного текста. Реализация для Hugging Face обозначена как временная; для оптимальной производительности требуются совместимые версии Transformers и ядра Mamba2. Лицензия — Apache-2.0.

Карточка модели qihoo360/360Zhinao-7B-Chat-360K 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.

Apex 1.5 Coder Instruct 350M — компактная модель для генерации текста и кода по инструкциям, разработанная LH-Tech-AI. Это дообученная на CodeAlpaca версия Apex 1.5 Instruct 350M; по метаданным, модель основана на плотной архитектуре GPT-2 и содержит 350 млн параметров. Она рассчитана на диалоговое использование и несложные задачи на логику и программирование. Модель ориентирована прежде всего на англоязычные запросы. В репозитории доступны форматы GGUF и ONNX; автор также описывает запуск через Ollama и LM Studio. Модель распространяется по лицензии Apache-2.0. Карточка заявляет об улучшениях логики и исправлении ошибок в коде относительно базовой модели, но не приводит количественных оценок качества.

Модель malteklaes/based-CodeBERTa-language-id-llm-module определяет язык фрагмента исходного кода, возвращая результат классификации текста. Это модель на архитектуре RoBERTa с примерно 96,6 млн параметров и контекстом до 514 токенов; она доступна для использования через Transformers. В карточке указана базовая модель huggingface/CodeBERTa-small-v1 и обучение на наборе CodeSearchNet. Лицензия — Apache-2.0. Модель предназначена для распознавания языка программирования в переданном фрагменте кода, например для автоматической маршрутизации кода в инструменты анализа или обработки. README сообщает, что веса полностью переняты у huggingface/CodeBERTa-language-id и дополнительно не обучались. Карточка не приводит метрик качества и описания ограничений, поэтому точность на конкретных языках и типах кода не подтверждена.