II.2Создание и понимание программного кода

HelpingAI-Lite-2x1B — англоязычная диалоговая модель генерации текста, разработанная OEvortex как дообучение HelpingAI-Lite. Она использует архитектуру Mixtral с механизмом смеси экспертов (MoE), содержит 1 млрд параметров и поддерживает контекст длиной до 2048 токенов. Модель предназначена для диалогов и генерации текста; в карточке также заявлено превосходство по точности над HelpingAI-Lite при немного более низкой скорости. Модель распространяется в формате Safetensors для библиотеки Transformers. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

Hercules-2.0-Mistral-7B-GGUF — это набор файлов модели в формате GGUF для Locutusque/Hercules-2.0-Mistral-7B. Исходную модель разработал Locutusque, а квантизированную версию подготовил MaziyarPanahi. Модель относится к семейству Mistral и предназначена для генерации текста. В репозитории представлены варианты квантизации от 2 до 8 бит, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K с различным балансом между размером файлов, требованиями к памяти и сохранением качества. README указывает на специализацию исходной модели в задачах, связанных с химией, математикой, программированием и физикой. Размер исходной модели — 7B параметров; сведения о модальностях, поддерживаемых языках и размере контекста не приведены. Формат GGUF подходит для локального запуска через llama.cpp и совместимые приложения, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и другие инструменты. Основные преимущества версии — выбор степени квантизации и возможность локального использования на широком спектре конфигураций. Ограничения связаны с потерями качества при сильной квантизации и отсутствием в README подробных результатов тестирования, характеристик производительности и рекомендаций по выбору конкретного варианта. Лицензия — Apache 2.0.

Huihui-gemma-4-12B-agentic-fable5-abliterated-GGUF — локальная GGUF-версия модели, разработанная huihui-ai на основе yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF. Модель создана методом abliteration с использованием llama.cpp и предназначена для text generation, reasoning, coding, agentic-сценариев, работы с терминалом и tool use. Модель содержит около 12 млрд параметров и распространяется в формате GGUF для запуска через llama.cpp. В README приведён пример контекста 8192 токена; конкретные модальности, языки и архитектурные детали не указаны. Доступен вариант квантования Q8_0. Сильной стороной является ориентация на локальное выполнение и агентские задачи, однако степень абляции защитных механизмов означает повышенный риск чувствительных, спорных или небезопасных ответов. Модель рекомендуется использовать в исследовательских и контролируемых средах с мониторингом и ручной проверкой результатов. Модель распространяется по лицензии Apache-2.0. README предупреждает, что она не имеет стандартных гарантий безопасности и может быть неподходящей для публичных, коммерческих или высокорисковых применений; ответственность за соблюдение законодательства, этических норм и последствия использования несёт пользователь.

ICE 0001 — диалоговая языковая модель организации DarkPs, входящей в FanuonAI. Она предназначена для естественных бесед, коротких фрагментов кода и быстрых ответов. Модель построена на архитектуре Qwen3 с плотной causal language model, содержит 7,6 млрд параметров и принимает текст; заявленная длина контекста — 40 960 токенов. В репозитории доступны веса safetensors для Transformers, а метаданные отмечают поддержку чата и интерфейса вызова инструментов. В карточке заявлено обучение на многоязычных данных, включая 119 языков и диалектов, с особым вниманием к арабским диалектам, международным языкам и программированию. Модель может подойти для чат-ботов, простых вопросов по коду и многоязычного общения. Указанные в README размер 8B и контекст 32 768 токенов расходятся с метаданными, поэтому здесь приведены значения метаданных. Лицензия Apache-2.0.

QuantFactory/INTELLECT-1-GGUF — это квантизированная версия базовой языковой модели INTELLECT-1, подготовленная QuantFactory с использованием llama.cpp. Исходную модель разработала Prime Intellect совместно с 30 независимыми участниками, предоставлявшими вычислительные ресурсы. Модель предназначена для генерации английского текста и кода, а также исследовательских и прикладных сценариев, где требуется базовая языковая модель. Для диалогового использования рекомендуется отдельная версия INTELLECT-1-Instruct. INTELLECT-1 содержит 10 миллиардов параметров, 42 слоя, 32 attention heads, hidden size 4096, контекст длиной до 8192 токенов и словарь из 128256 токенов. Она обучена с нуля на 1 триллионе токенов преимущественно англоязычного текста и кода, включая FineWeb-Edu, FineWeb, Stack V1, DCLM и OpenWebMath. Обучение выполнялось распределённо на узлах в разных частях мира с применением DiLoCo и оптимизированного int8 all-reduce. К сильным сторонам относятся крупный объём обучения, открытая базовая архитектура и возможность запуска в формате GGUF через llama.cpp, включая сценарии локального инференса с подходящим уровнем квантизации. Ограничения связаны с тем, что это base-модель, не оптимизированная для инструкций и диалогов; заявленный основной язык — английский, а характеристики конкретного варианта квантизации в README не указаны. При подготовке входных данных необходимо добавлять BOS-токен, иначе производительность может снизиться. Модель распространяется по лицензии Apache 2.0.

INTELLECT-1-step-59200 — промежуточный контрольный чекпойнт языковой модели INTELLECT-1, созданной Prime Intellect совместно с участниками сообщества и Arcee AI. Модель обучалась с нуля; в этом чекпойнте зафиксирован шаг 59 200. Архитектура — плотная LlamaForCausalLM примерно на 9,7 млрд параметров, формат весов — safetensors. Контекст составляет 8192 токена. Модель предназначена для генерации текста на английском языке и кода. Семейство INTELLECT-1 обучалось на триллионе токенов английского текста и кода, включая веб-материалы, образовательные данные и математические тексты; для обучения применялась распределённая инфраструктура Prime. Это базовая генеративная модель, а не финальная или инструктивная версия. Промежуточный статус чекпойнта означает, что его поведение и качество могут отличаться от финальной версии INTELLECT-1; README указывает на наличие отдельной финальной и instruct-версии. Модель распространяется по лицензии Apache 2.0.

IRx-2 — компактный офлайн-чат-ассистент семейства IRx, разработанный автором репозитория ikppramesh. Модель предназначена для повседневных вопросов и запуска непосредственно на телефонах, планшетах и компьютерах; сборка в этом репозитории использует MLX и 4-битные веса safetensors на базе архитектуры Qwen3.5. README рекомендует устройство с 8 ГБ оперативной памяти или больше и отмечает баланс качества ответов и скорости. Модель помогает объяснять ошибки и писать код, составлять учебные планы и отвечать на общие практические вопросы, в том числе о фермерском хозяйстве. Встроенный дайджест новостей охватывает отдельные заголовки по состоянию на 3 октября 2026 года. Модель работает без подключения к интернету; заявленная лицензия — Apache-2.0. Ограничения: это небольшая модель, которая уступает крупным облачным системам в сложных рассуждениях, программировании и широте знаний, а также может уверенно сообщать неверные факты. Новости после указанной даты и темы вне дайджеста ненадёжны; автор не рекомендует включать нативный вызов инструментов.

K2 Think V2 — открытая модель с 70,5 млрд параметров для рассуждений, разработанная командой IFM и основанная на дообученной модели K2-V2-Instruct. Это плотная авторегрессионная модель семейства Llama для генерации текста и диалогов, с акцентом на сложные математические задачи и сильными результатами на конкурсных бенчмарках. Модель также показывает результаты на задачах программирования. В README указана длина контекста 131 072 токена с расширением вдвое через YaRN; метаданные каталога указывают нативный контекст 262 144 токена. Шаблон чата унаследован от K2-V2-Instruct, по умолчанию задан высокий уровень рассуждений; режимы low и medium доступны, но не проверялись. Карточка сообщает о хороших агрегированных результатах оценки безопасности, однако отмечает потенциал улучшения в обработке чувствительных персональных данных. Лицензия Apache-2.0; условия использования запрещают незаконное и вредоносное применение и предоставляют модель без гарантий.

Kimi-K2.7-Code-UD-Q4_K_XL-layers — пакет слоёв GGUF для распределённого запуска модели Kimi-K2.7-Code на нескольких машинах. Пакет подготовлен для Mesh LLM и получен из unsloth/Kimi-K2.7-Code-GGUF: исходное распределение весов разбито на отдельные артефакты слоёв; вариант квантования — UD-Q4_K_XL. Модель предназначена для локального приватного вывода, запуска на кластере из нескольких узлов, когда полный набор весов трудно разместить на одном компьютере, и для чат-запросов через локальный API, совместимый с OpenAI. Метаданные указывают задачу text-generation и библиотеку mesh-llm; карточка описывает диалоговое применение. Подробности об архитектуре, размере, контексте, языках и условиях лицензии отсылают к карточке исходной модели и здесь не приведены.

Kimi-K3-REAP73-zh-code-MLX-mxfp4-q8 — это сильно прореженная и преобразованная в формат MLX версия Kimi-K3, разработанного Moonshot AI. Модель предназначена для генерации текста, прежде всего для работы с китайским языком и программным кодом, на компьютерах Apple Silicon с большим объёмом unified memory. Она рассчитана на загрузку на машине с 512 ГБ памяти и занимает около 451 ГБ. В основе лежит нативная мультимодальная MoE-архитектура Kimi-K3 с Kimi Delta Attention, Attention Residuals и контекстом до 1 млн токенов. Исходная модель содержит 2,78 трлн параметров, из которых 104 млрд активны при обработке токена. В данной версии сохранены 242 из 896 экспертов в каждом из 92 MoE-слоёв, всего около 793 млрд параметров. Используется MXFP4; для сохранённых экспертных весов заявлена побитно точная копия исходного представления, тогда как основная потеря качества связана с удалением экспертов. Скорость генерации на M3 Ultra с 512 ГБ памяти составляет около 5,51 токена в секунду. Главное преимущество модели — возможность запускать Kimi-K3 на одной мощной машине Apple Silicon при сохранении хорошей структурной корректности генерации кода и относительно сильной работе с китайским языком. Это агрессивное прореживание, поэтому качество заметно ниже полной Kimi-K3: возможны уход в списки или продолжение в стиле исходного файла, повторения и циклы. Японский, корейский, русский, арабский, немецкий, французский и испанский языки деградируют сильнее; для них рекомендуется смешанная версия модели. Лицензия указана как other с именем kimi-k3.

LFM2.5-1.2B-Thinking-ONNX — ONNX-экспорт модели LFM2.5-1.2B-Thinking, разработанной Liquid AI. Это текстовая генеративная модель для кроссплатформенного вывода, включая локальный запуск, браузерные приложения и устройства с поддержкой ONNX Runtime или WebGPU. Модель предназначена для задач, требующих рассуждений: математических вычислений, программирования, логического анализа и других сложных запросов. Она генерирует пошаговый процесс рассуждения в тегах <think>...</think>, после чего формирует итоговый ответ. Поддерживаются английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. Архитектура и максимальная длина контекста в README не указаны; размер модели составляет около 1,2 млрд параметров согласно идентификатору и описанию варианта. Доступны варианты FP32, FP16, Q8 и Q4. Квантизированный Q4-вариант занимает около 1,2 ГБ и рекомендован для большинства сценариев, FP16 — около 2,4 ГБ и ориентирован на более высокое качество, Q8 — около 1,7 ГБ как компромисс между качеством и размером. ONNX-формат облегчает переносимость, но для браузерного запуска требуется WebGPU. Ограничения включают небольшой размер по современным меркам, возможные ошибки в сложных задачах и необходимость самостоятельно обрабатывать разделение рассуждений и итогового ответа. Модель распространяется по лицензии lfm1.0; точные условия следует проверить в файле LICENSE репозитория.

AcademieDuNumerique/Llama-3.2-3B-SQL-Instruct — диалоговая модель генерации текста на архитектуре LlamaForCausalLM с 3,2 млрд параметров. Она дообучена на основе unsloth/llama-3.2-3b-instruct-bnb-4bit; карточка связывает её также с meta-llama/Llama-3.2-3B-Instruct. В названии модели заявлена специализация на SQL, однако README не приводит сведений о наборе данных или качестве SQL-генерации. Модель предназначена для диалоговых сценариев генерации текста; с учётом названия её можно применять для составления SQL-запросов по текстовым описаниям. Метаданные указывают контекст до 131 072 токенов и интерфейс вызова инструментов. Язык карточки — английский, а базовая модель описана как мультиязычная. Модель распространяется под лицензией Apache-2.0.

LoggenixMoE133M — небольшая причинно-языковая модель с архитектурой Mixture-of-Experts, разработанная kshitijthakkar и обученная с нуля на наборах данных для анализа первопричин, генерации кода и рассуждений. В метаданных указаны 92,5 млн параметров, семейство Qwen3 MoE и контекст 1024 токена; карточка README приводит другое число — 133 млн параметров, из них примерно 80 млн активны на шаге, и описывает восемь экспертов с маршрутизацией Top-2. Модель предназначена для следования инструкциям, анализа первопричин, структурированного суммирования, генерации кода на Python и диалоговых сценариев. Её можно дообучать для узких задач на устройствах с ограниченными ресурсами и использовать как основу специализированных агентов; токенизатор содержит специальные токены для взаимодействия с инструментами. Заявлена поддержка Transformers и форматов PyTorch/Safetensors. README указывает, что модель обучена с нуля, поэтому связь архитектуры с Qwen3 не означает, что она основана на базовой модели Qwen3. Репозиторий распространяется по лицензии Apache-2.0. Карточка предостерегает от длинного контекста, ответов на фактические вопросы с высокими ставками и применения в критически важных системах без надзора.

Maverick-Math-7B — плотная Mistral-модель на 7,1 млрд параметров, дообученная разработчиком feeltheAGI на математических и программных данных. Она предназначена для генерации ответов при решении математических задач, в том числе текстовых задач и задач на рассуждение; в карточке приведены результаты на GSM8K и MathQA. Модель поддерживает контекст до 32 768 токенов и распространяется в формате PyTorch. Модель можно использовать для получения решений и объяснений к математическим задачам, а также для задач, связанных с кодом. Доступные результаты бенчмарков дают ориентир по математическим задачам, но сами по себе не гарантируют точность ответов в практическом применении. Лицензия — Apache-2.0.

Это объединённая методом TIES модель семейства Llama 3.2, созданная с помощью mergekit на базе meta-llama/Llama-3.2-1B. В объединение вошли инструкция-настроенные и специализированные варианты Llama 3.2 1B, в том числе модели для медицинских вопросов, математики, программирования, SQL, commonsense QA и китайского языка. Модель содержит 1,2 млрд параметров и предназначена для генерации текста; заявленная длина контекста — 131 072 токена. Модель может быть полезна для диалогов и ответов на вопросы, включая медицинские, математические и общеобразовательные запросы, а также для генерации SQL и кода. Состав объединения предполагает широкий набор навыков, но карточка не приводит оценок качества или сравнительных тестов. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

MiniCPM5-1B-Turkish — чат-модель, опубликованная пользователем thealper2 и созданная на основе openbmb/MiniCPM5-1B. Она предназначена прежде всего для следования инструкциям на турецком языке, диалогов, ответов на вопросы и генерации кода по запросам на турецком языке; поддержка английского языка сохранена. Модель обучена методом полного supervised fine-tuning на 195 876 примерах, включая общие турецкие инструкции, диалоги, задачи программирования и Python-код. Модель использует архитектуру LlamaForCausalLM (MiniCPM5) и содержит 1 080 632 832 параметра. Основной язык — турецкий, дополнительный — английский. Во время обучения использовалась длина последовательности 2048 токенов, тогда как базовая модель заявляет контекст до 131 000 токенов; поэтому характеристики длинного контекста для этой версии не подтверждены. Доступны форматы Transformers и GGUF, включая варианты BF16, Q4_K_M, Q5_K_M и Q8_0, что делает модель подходящей для локального запуска и edge-сценариев. Сильные стороны модели — специализация на турецких инструкциях и кодогенерации, полный fine-tuning и сравнительно небольшой размер, позволяющий запускать её на ограниченных ресурсах. Ограничения включают размер в 1B параметров, возможные галлюцинации и ограниченную фактическую точность; ошибки и особенности синтетических или собранных обучающих данных могли перейти в модель. В отдельных тестах отмечены возможные регрессии в генерации JavaScript-кода и англоязычном программировании. Модель распространяется по лицензии Apache-2.0.

tinyopsec/minicpm5-2b-distilled-reasoning-GGUF — это квантизированная GGUF-версия модели jigs97022/minicpm5-2b-distilled-reasoning, разработанная на базе openbmb/MiniCPM5-2B. Модель создана для генерации текста и решения задач с рассуждением; она дистиллирована из Qwen3.8-Max, GLM-5.2 и Kimi K3 с использованием QLoRA на 10 000 отфильтрованных примеров по математике, программированию, логическим головоломкам и структурированному решению задач. Модель содержит около 2 млрд параметров, поддерживает английский и китайский языки и имеет максимальный контекст 4096 токенов. Доступны варианты с точностью от 16 до 2 бит и размером примерно от 5,0 до 0,8 ГБ; рекомендуемым указан вариант Q5_K_M, а Q4_K_M требует около 2 ГБ VRAM. Модель предназначена для локального запуска через llama.cpp, llama-cpp-python, LM Studio или Ollama и подходит для компактных приложений, где важны низкое потребление памяти и пошаговое решение задач. Сильными сторонами являются небольшой размер, несколько уровней квантизации и специализация на математическом, программном и логическом рассуждении. Ограничения включают ухудшение качества за пределами контекста в 4K токенов, возможную слабость на нестандартных случаях из-за обучения на подмножестве из 10 000 примеров, поддержку только английского и китайского языков и ориентировочную границу знаний около 2024 года. Модель распространяется по лицензии Apache-2.0.

Mistral-Small-3.2-24B-Qiskit — разработанная IBM донастройка Mistral-Small-3.2-24B-Instruct-2506 для программирования на Qiskit. Модель содержит 24 млрд параметров, использует плотную архитектуру Mistral 3 и поддерживает диалоговую работу с текстом и изображениями. Она обучена на коде и инструкциях по Qiskit, ориентирована на актуальные API версии 2.1 и заявленный контекст до 128 тыс. токенов. Модель подходит для генерации и анализа кода квантовых вычислений, включая создание примеров на Qiskit и обновление устаревшего синтаксиса. В карточке приведены результаты сравнительных бенчмарков, в том числе для задач Qiskit, общего программирования и математики. Указанная лицензия — Apache-2.0. Сгенерированный код может содержать ошибки, модель не проходила safety alignment, а карточка отмечает риск воспроизведения фрагментов обучающих данных.

MobileLLM-R1.5-140M — компактная языковая модель Meta, дообученная методом on-policy дистилляции от facebook/MobileLLM-R1-140M-base. Это SFT-модель для решения математических и научных задач, а также задач программирования на Python и C++; разработчики отдельно отмечают, что она не предназначена для универсального общения. Модель содержит 140 млн параметров, использует текст на входе и выдаёт текст, поддерживает контекст до 32 тыс. токенов и словарь размером 128 тыс. токенов. Архитектура включает 15 слоёв, 9 attention heads и 3 KV heads. Дополнительная on-policy дистилляция применена как заключительный этап постобучения и, по данным авторов, улучшает результаты небольших моделей на сложных задачах рассуждения. Карточка приводит результаты семейства MobileLLM-R1.5, но конкретные численные показатели для версии 140M не выделяет. Модель опубликована под лицензией с обозначением «other»; условия лицензии следует проверить в карточке репозитория перед использованием.

Mtreelva Dune 12B — экспериментальная текстовая генеративная модель на 12 млрд параметров, созданная слиянием моделей команд CompiwerAI, MuXodious и Reelva с помощью mergekit и метода flux. Архитектура — Gemma 4 12B; веса опубликованы в формате safetensors и доступны через Transformers. Лицензия — Apache-2.0. Модель предназначена для диалогов, задач рассуждения, программирования и многошаговых агентных сценариев. В описании заявлена поддержка индонезийского, английского, арабского, французского и марокканского дариджа; базовые модели дополнительно заявляют возможности для компаньонского общения и настраиваемую глубину рассуждения. Карточка также описывает мультимодальные возможности семейства Gemma 4, включая входные изображения, аудио и видео, однако не подтверждает их отдельно для этого слитого чекпойнта. Автор характеризует модель как экспериментальную и частично снявшую ограничения безопасности: защитные отказы всё ещё встречаются, но их можно обходить. Производительность и поведение могут отличаться от базовых моделей; карточка не приводит независимых оценок качества.

Модель malek391/my-custom-flutter-coder — дообученная malek391 версия Qwen2.5-Coder-7B-Instruct-bnb-4bit, созданная с помощью Unsloth и библиотеки TRL от Hugging Face. Это плотная языковая модель архитектуры Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; название указывает на специализацию на коде Flutter, однако README не приводит примеров или подробностей об этой специализации. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 32 768 токенов. Весы представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает результаты оценки качества и не уточняет, какие версии Flutter или языки программирования охватывает дообучение.

Abiray/Nanbeige4.2-3B-GGUF — набор квантизированных версий модели Nanbeige/Nanbeige4.2-3B, опубликованный в формате GGUF. Модель разработана Nanbeige; в репозитории представлены файлы для локального запуска через llama.cpp. Базовая архитектура — Looped Transformer с 3 миллиардами параметров без учёта embedding-параметров. Модель предназначена для генерации текста, включая задачи, связанные с кодом и агентными сценариями. Указанные языки — английский и китайский. Мультимодальные возможности и размер контекста в README не указаны. Доступны варианты квантизации от 4 до 8 бит: Q4_K_S и Q4_K_M уменьшают требования к памяти, Q5_K_M и Q6_K обеспечивают более высокую точность, а Q8_0 ориентирован на максимальное качество среди GGUF-версий. Квантизация позволяет запускать модель локально, но может снижать качество относительно исходной версии, особенно при использовании более агрессивных вариантов. Распространение указано под лицензией Apache-2.0. Для запуска рекомендуется llama.cpp с поддержкой Nanbeige4.2; конкретные требования к оборудованию и производительности зависят от выбранного файла квантизации.

NVIDIA Nemotron-H-47B-Base-8K — базовая языковая модель для продолжения заданного текста, предназначенная для разработчиков и исследователей, создающих и настраивающих LLM. Она использует гибридную архитектуру Mamba-2 и Transformer с преимущественно слоями Mamba-2 и MLP и пятью слоями Attention. Модель содержит 47 млрд параметров, обучена с использованием 63 млрд токенов и поддерживает контекст до 8 тысяч токенов. Модель принимает и генерирует текст. В README заявлена поддержка английского, немецкого, испанского, французского, итальянского, корейского, португальского, русского, японского и китайского языков. Обучающие данные включают текст и код; оценки представлены для задач здравого смысла, программирования и математики. Для адаптации к конкретным задачам NVIDIA рекомендует инструменты NeMo для дообучения и выравнивания. Модель оптимизирована для GPU NVIDIA, а в README указана совместимость с H100-80GB и A100. Это базовая модель без рекомендуемого формата промпта, поэтому она рассчитана прежде всего на продолжение текста и может требовать адаптации для целевых сценариев. Она унаследовала от обучающих данных токсичный контент и социальные предубеждения, может выдавать неточные или нежелательные ответы и уязвима к некоторым вариантам косвенных prompt injection. Лицензия обозначена в метаданных как other; README ограничивает применение исследованиями и разработкой.

Это GGUF-квантизированная версия модели nomic-ai/nomic-embed-code, разработанной nomic-ai и подготовленной для распространения пользователем bartowski. Модель предназначена для построения векторных представлений исходного кода и связанных текстов, задач семантического поиска, определения сходства, извлечения признаков и других сценариев, где требуется сравнивать или индексировать программный код. В README также указана совместимость с экосистемой sentence-transformers и llama.cpp. Модель обучалась с использованием наборов данных cornstack для Python, JavaScript, Java, Go, PHP и Ruby. Точная архитектура, размерность эмбеддингов, максимальная длина контекста и полный перечень поддерживаемых языков в предоставленных данных не указаны. Доступны варианты от BF16 до различных уровней квантизации GGUF; размеры файлов составляют примерно от 3,11 до 14,15 ГБ. Более качественные варианты требуют больше памяти, а малые варианты предназначены для систем с ограниченными ресурсами и могут заметно уступать по качеству. Модель можно запускать через llama.cpp, LM Studio и другие проекты на базе llama.cpp. Указана лицензия Apache-2.0. README не содержит результатов бенчмарков, подробных сведений об ограничениях качества или инструкций по использованию эмбеддингов в конкретных библиотеках.

NYXIS-Pro — диалоговая текстовая модель QuantaSparkLabs на архитектуре Qwen2 с 1,5 млрд параметров, дообученная на базе QuantaSparkLabs/NYXIS-1.1B. Она предназначена для генерации ответов и помощи с вопросами по программированию, математике, науке, истории и общим знаниям. В комплект входят база AEGIS из 5 426 фрагментов знаний и двухэтапный поиск: первичный подбор с bge-small-en-v1.5 и переранжирование с ms-marco-MiniLM-L-6-v2. Модель также оценивает эмоцию в пользовательском тексте и подстраивает тон ответа. Контекст модели — до 32 768 токенов. По README, система может обращаться к внешнему поиску при наличии предоставленной пользователем API-функции, а при нехватке данных должна сообщать об этом. Заявление карточки о том, что модель не галлюцинирует, не гарантирует фактическую точность. Модель ориентирована на английский язык; небольшое число параметров ограничивает сложные рассуждения, база знаний охватывает ограниченный набор фрагментов, а определение эмоций основано на ключевых словах. Лицензия — Apache-2.0.

Occiglot-7B-DE-EN — базовая генеративная языковая модель, разработанная Occiglot Research Collective. Это плотный декодерный трансформер с причинным языковым моделированием на архитектуре Mistral, содержащий 7,1 млрд параметров. Модель продолжительно предварительно обучена на базе Mistral-7B-v0.1 на 114 млрд дополнительных токенов многоязычных данных и кода; длина контекста по метаданным — 32 768 токенов. Модель рассчитана прежде всего на генерацию текста на немецком и английском языках, а также обучалась на коде. Её можно использовать как базу для генерации продолжений и дальнейшей адаптации под конкретные задачи. Это базовая модель без дообучения на инструкциях, поэтому она не оптимизирована для диалогов и может не следовать запросам как чат-ассистент. Для таких сценариев авторы предлагают отдельную instruct-версию. Распространяется по лицензии Apache 2.0.

Olmo2-7B-Breadcrumbs-v1 — объединённая текстовая языковая модель, созданная Alelcv27 методом mergekit Breadcrumbs на основе OLMo-2-1124-7B-Instruct и моделей Olmo2-7B-Code и Olmo2-7B-Math-CoT. Она предназначена для генерации текста в диалогах и сочетает возможности следования инструкциям с решением задач по программированию и математике. Модель имеет плотную архитектуру OLMo 2 с причинным декодированием, содержит 6,9 млрд параметров и рассчитана на контекст до 4096 токенов. Репозиторий использует формат safetensors, для работы применяется Transformers. Основной язык базовой модели — английский; сведения о поддержке других языков не приведены. Модель подходит для диалоговых ответов, генерации и объяснения кода, а также пошагового решения математических задач. Качество на этих задачах отдельно не подтверждено в карточке, а объединение нескольких моделей может приводить к непредсказуемым результатам. Условия лицензии в предоставленных данных не указаны.

Olmo-3-7B-Instruct-OPSA — англоязычная авторегрессионная языковая модель на архитектуре Transformer, разработанная Allen Institute for AI (Ai2). Это чекпойнт шага 319 базовой модели allenai/Olmo-3-7B-Instruct, дообученный методом On-Policy Self-Adaptation (OPSA) на вопросах из DAPO-17k. Модель содержит 6,9 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. Модель предназначена для диалогов и генерации ответов с упором на математические рассуждения, а также подходит для общих текстовых и кодовых задач. В оценках с 32 генерациями на запрос OPSA-чекпойнт показал улучшение относительно базовой модели на AIME 2024, AIME 2025, HMMT 2025, MBPP+ и GPQA_D. Модель распространяется в формате safetensors по лицензии Apache 2.0. Ответы могут содержать фактические ошибки и предвзятые или вредоносные формулировки; результаты следует проверять, а при использовании учитывать риски генерации небезопасного контента.

Open-Dcoder-0.5B-CDLM-OpenCodeInstruct — компактная модель генерации кода, разработанная Shuibai12138 как часть открытого релиза Corrective Diffusion Language Models. Это дообученная на 2 000 шагах версия fredzzp/open-dcoder-0.5B на наборе nvidia/OpenCodeInstruct с корректирующей целью CDLM: к маскированному зашумлению добавлена равномерная замена 10% видимых токенов. Архитектура — плотная Qwen2 с 494 млн параметров и контекстом 32 768 токенов. Модель предназначена для генерации кода по текстовым запросам, а также для локализации и исправления заменённых фрагментов кода. Она использует маскированную диффузию и двунаправленное внимание; загрузка через AutoModelForCausalLM приводит к некорректным результатам, поэтому для оценки следует применять средства из репозитория CDLM. Обучение выполнено на открытом корпусе OpenCodeInstruct; результаты этой модели не являются результатами моделей из статьи. Лицензия — MIT. В README отмечено ограничение в реализации вычисления градиента: веса отдельных токенов обучающей цели фактически не применялись ожидаемым образом, хотя значения логируемых потерь корректны. Это может влиять на качество и воспроизводимость обучения.

Ornith-1.5-9B-OBLITERATED — модифицированная версия модели Ornith-1.5-9B, разработанной DeepReinforce. Модель подготовлена проектом OBLITERATUS и создана с применением abliteration — хирургического удаления направлений, связанных с отказами модели. Она предназначена для генерации текста, программирования, рассуждений, агентских задач, исследований выравнивания и red teaming, где требуется менее фильтруемое поведение. Заявлена поддержка английского языка. Модель построена на гибридной архитектуре Qwen3.5 с Gated DeltaNet и полноразмерными механизмами внимания и содержит около 9 млрд параметров. Доступны веса bf16 и варианты GGUF от Q2_K до Q8_0; также указан vision encoder, однако возможности мультимодального применения в описании подробно не раскрыты. Поддерживается режим рассуждений, но для общего использования рекомендуется отключать его. Для запуска доступны Transformers и llama.cpp, рекомендуемый размер контекста в примере llama.cpp — 8192 токена. Сильной стороной является существенно сниженная склонность к отказам: в приведённых тестах модель показала высокую готовность отвечать на ограниченные запросы, сохранив результаты в генерации кода и агентских сценариях. Ограничения включают снижение MMLU примерно на 4 процентных пункта относительно базовой модели, частично ухудшенную поддержку function calling, возможные дополнительные отказы в низкобитных квантизациях и риск галлюцинаций в сложных химических и синтетических задачах. Удаление защитных механизмов повышает риски небезопасного использования, поэтому результаты требуют независимой проверки. Лицензия — MIT.