II.2Создание и понимание программного кода

Pareto — мультимодальная составная модель, предназначенная для исследований, программирования и агентных сценариев. По карточке модели, она рассчитана на широкий круг задач общего назначения и заявляет высокий уровень производительности. Метаданные каталога относят её к моделям типа image-text-to-text, поэтому она принимает изображения и текст и формирует текстовые ответы. Сведений об архитектуре, размере, языковой поддержке и лицензии в доступных данных нет. Карточка позиционирует модель для исследовательских и агентных рабочих процессов, но не описывает конкретные возможности, ограничения или условия применения.

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.

Pluto-Genesis-0.6B — компактная языковая модель для следования инструкциям, разработанная в рамках исследовательского проекта Pluto AI Сиддхартом Н. Р. и дообученная на базе Qwen3-0.6B методом QLoRA. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 507,9 млн параметров; метаданные указывают контекст до 40 960 токенов и формат safetensors. Модель предназначена для диалогов и генерации ответов на инструкции, включая рассуждения, решение математических задач и генерацию или отладку кода. При обучении использовано 80 тысяч примеров из OpenHermes-2.5, Orca-Math-200K и CodeFeedback-Filtered. Карточка описывает проект как исследование эффективного дообучения небольших моделей; результаты бенчмарков на момент её публикации ещё оценивались. Модель распространяется по лицензии Apache-2.0. Указанная в карточке рекомендация загружать 4-битные веса относится к настройке инференса, а не к основному формату репозитория. Размер модели ограничивает её возможности в сложных задачах; опубликованных результатов бенчмарков в карточке пока нет.

PocketSQL 0.5B — компактная языковая модель на 494 млн параметров от MidlightDDK, дообученная на базе Qwen/Qwen2.5-Coder-0.5B-Instruct для преобразования вопросов на английском языке в запросы DuckDB SQL по предоставленной схеме базы данных. Она использует архитектуру Qwen2ForCausalLM и рассчитана на генерацию текста в диалоговом формате; контекст модели — 32 768 токенов. Репозиторий содержит веса safetensors и ONNX-экспорты для работы через Transformers.js: 4-битный вариант для WebGPU и вариант для WASM или Node.js на CPU. Лицензия — Apache-2.0. Модель подходит для создания SQL по естественно-языковому запросу и схеме таблиц, в том числе в локальном браузерном приложении без подключения к сети после загрузки. В тестах автора 4-битный WebGPU-вариант достиг 45% точности выполнения на 100 вопросах по демонстрационным базам и 49% на 981 вопросе Spider-dev; качество снижается при сложных запросах. Модель обучена на примерах в стиле Spider и синтетических вопросах для трёх демобаз, поэтому хуже справляется с незнакомыми областями, широкими схемами и входами свыше 1 024 токенов. Она генерирует только диалект DuckDB: результат может содержать неверные таблицы, столбцы или логику, поэтому SQL и его результаты следует проверять.

PowerLM-3B — компактная языковая модель от IBM Research с архитектурой Granite и 3,5 млрд параметров. Она обучена с планировщиком скорости обучения Power и на смеси открытых и проприетарных наборов данных. Модель предназначена для генерации текста и демонстрирует результаты в задачах выбора ответа на естественном языке, генерации кода и математических рассуждений. Контекст составляет 4096 токенов. Для запуска используется библиотека Transformers; README отмечает, что требуется её версия из исходного кода. Модель распространяется по лицензии Apache 2.0. Карточка сообщает о перспективных результатах на бенчмарках, но не приводит их численные значения; пригодность для конкретных задач следует оценивать отдельно.

Quasar-10B — языковая модель SILX AI для генерации текста и работы с длинным контекстом. Она основана на Qwen3.5-9B-Base, но её архитектура переработана: часть механизмов внимания заменена на Gated Linear Attention (GLA), а позиционные эмбеддинги RoPE удалены. Модель имеет около 10 млрд параметров и нативное контекстное окно 2 097 152 токена. Модель предназначена прежде всего для генерации синтетических рассуждений и передачи знаний при подготовке Quasar 22B MoE. Заявленные направления применения включают задачи с длинным контекстом, математику, STEM и код; метаданные также отмечают чат-возможности и языки английский и арабский. GLA обеспечивает линейную сложность обработки последовательностей, однако заявленная возможность работы за пределами обучающего контекста не подтверждена отдельными данными об оценке качества. Для запуска указана библиотека Transformers, веса представлены в формате safetensors. Лицензия Apache-2.0.

Карточка модели prompt-agnostic-language-models/Qwen-1B_dare_ties на Hugging Face совпадает с карточкой Qwen/Qwen3-0.6B-Base, поэтому описание составлено по ней. 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.

Карточка модели prompt-agnostic-language-models/Qwen-1B_ties на Hugging Face совпадает с карточкой Qwen/Qwen3-0.6B-Base, поэтому описание составлено по ней. 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.

Это квантизированная версия инструктивной языковой модели Qwen2.5-0.5B-Instruct, подготовленная dispatchAI для запуска на мобильных устройствах. Модель содержит 494 млн параметров и распространяется в формате GGUF с квантизацией INT4; по данным карточки, она занимает около 0,7 ГБ памяти и ориентирована на быстрый запуск на процессоре смартфона. Модель предназначена для генерации текста и диалоговых сценариев на устройстве: генерации кода в мобильных IDE, классификации и извлечения данных из текста, а также встраивания ассистентов в приложения. Карточка заявляет скорость около 45 токенов в секунду на CPU Samsung S20 FE и сохранение примерно 94% качества относительно исходной модели. Поддерживаются английский и китайский языки; лицензия — Apache-2.0.

Модель thisavros/qwen25-1_5b-text2sql-lora-merged — дообученная автором thisavros языковая модель Qwen2.5-1.5B-Instruct. Она предназначена для генерации текста; название репозитория указывает на сценарий Text-to-SQL, однако README не описывает его точнее. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и формат safetensors; базовая модель рассчитана на контекст до 32 768 токенов. Модель дообучена на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL от Hugging Face. Метаданные указывают поддержку английского языка и возможности чата. Лицензия — Apache-2.0.

Карточка модели anassaifi12/qwen2.5-3b_final_sql_tuned_model 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.

Qwen2.5-Coder-0.5B-GGUF — это квантизированная в формате GGUF версия базовой модели Qwen2.5-Coder-0.5B, разработанной Qwen. Квантизация выполнена bartowski на основе llama.cpp. Модель предназначена для генерации и автодополнения исходного кода, а также других сценариев продолжения текста, связанных с программированием. Модель имеет контекст длиной 32 тысячи токенов и обучена на 5,5 триллиона токенов исходного кода и связанных данных. В README указан английский язык. Размер базовой модели — 0,5 млрд параметров; сведения о конкретном уровне квантизации и поддерживаемых модальностях не указаны. Это base-модель, поэтому она рассчитана на completion и generation, а не на ведение диалога или выполнение instruct-запросов. К сильным сторонам относятся компактный размер, возможность локального запуска в совместимых инструментах и большой контекст для небольшой модели. Ограничения связаны с базовым, а не инструкционным характером модели: она может хуже следовать указаниям и поддерживать чатовый формат, а качество генерации зависит от выбранного варианта квантизации и аппаратных ресурсов. Лицензия — Apache-2.0.

Qwen2.5-Coder-0.5B-Instruct-abliterated-GGUF — набор GGUF-квантизаций модели Qwen2.5-Coder-0.5B-Instruct-abliterated. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; исходная модель связана с huihui-ai. Модель предназначена для генерации текста и кода, диалогового взаимодействия и запуска локально через совместимые среды, включая LM Studio. Модель имеет размер 0,5 млрд параметров и работает с текстовыми и программными запросами. В репозитории доступны варианты от F16 до низкобитных Q3/Q4 и других квантизаций размером примерно от 0,35 до 0,99 ГБ. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5 или Q6; отдельные форматы оптимизированы для ARM и требуют поддержки соответствующих инструкций. Формат prompt использует шаблон ChatML с ролями system, user и assistant. Сильными сторонами являются небольшой размер, возможность локального запуска и наличие большого выбора квантизаций с разным компромиссом между качеством и потреблением памяти. Ограничениями выступают небольшой масштаб модели, неизвестные по представленным данным размер контекста и точные характеристики архитектуры, а также возможное снижение качества в низкобитных вариантах. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-0.5B-Instruct-heretic — небольшая языковая модель для генерации текста и кода, разработанная на основе Qwen/Qwen2.5-Coder-0.5B-Instruct. Модель опубликована пользователем saidutta69 и модифицирована с помощью Heretic 1.4.0: целевые изменения весов подавляют встроенное поведение отказа без дообучения, поэтому исходные знания и навыки следования инструкциям должны в значительной степени сохраняться. Модель предназначена для локальных кодовых агентов, сценариев copilot, генерации и обработки программного кода, ролевых приложений и исследований механизмов выравнивания и отказов моделей. Она содержит около 0,5 млрд параметров, ориентирована на текстовую модальность и заявляет английский язык. Доступны веса BF16 и варианты GGUF, включая F16, Q8_0, Q5_K_M и Q4_K_M; благодаря небольшому размеру модель подходит для запуска на CPU, Apple Silicon и видеокартах с ограниченной памятью. Размер контекста в README не указан. Сильной стороной является компактность и существенно сниженная частота отказов: в приведённом тесте она составила 8 из 100 случаев против 52 из 100 у исходной модели, при низком заявленном KL-расхождении 0,1249. Ограничения включают небольшой размер, унаследованные фактические ограничения и предвзятости базовой модели, а также намеренное отсутствие защитных фильтров: модель может выполнять запросы, от которых исходная версия отказалась бы, включая небезопасные. Для публичных неотмодерированных сервисов её использование не рекомендуется. Лицензия — Apache 2.0, унаследованная от базовой модели.

ApolloRaines/Qwen2.5-Coder-7B-Instruct-Jbliterated — экспериментальная доработанная версия Qwen2.5-Coder-7B-Instruct от ApolloRaines. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом и инструкционном форматах; исходная модель ориентирована на задачи с программным кодом. В карточке указано, что изменены все трансформерные слои, а базовый тип данных — bfloat16. Модель принимает текст и выдаёт текст, поддерживает английский и китайский языки, а контекстное окно составляет 32 768 токенов. В README автор описывает её как демонстрацию обработки инструкций и заявляет об изменениях, направленных на более связные ответы и равное отношение к разным формулировкам запросов. Эти заявления не сопровождаются подробными результатами оценки; также автор указывает, что опубликованная версия намеренно ограничена по возможностям и служит proof of concept. Лицензия — Apache-2.0.

Это дообученная Jongbin-kr модель семейства Qwen2.5-Coder: плотная авторегрессионная языковая модель с 7,1 млрд параметров на базе Qwen2ForCausalLM. Она предназначена для генерации текста в диалоговом формате; пример в карточке показывает ответ на общий вопрос, а название модели указывает на настройку без рассуждений. Модель обучена с помощью TRL и опубликована в формате safetensors; поддерживает контекст до 32 768 токенов. Модель можно применять для диалоговых ответов и генерации текста, включая сценарии, связанные с кодом, хотя карточка не содержит результатов оценки качества или подробного описания специализированных возможностей. Лицензия и явное указание поддерживаемых естественных языков в предоставленных данных отсутствуют.

Qwen3-14B-Base — базовая причинно-авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это плотная модель с 14,8 млрд параметров и 40 слоями; она обучена на этапе предварительного обучения и предназначена для продолжения обучения и генерации текста на основе контекста. Архитектура использует групповое внимание с 40 головами запросов и 8 головами ключей и значений. Длина контекста — 32 768 токенов. Модель подходит для языкового моделирования, генерации текста, а также для задач, связанных с кодом, STEM, логическими рассуждениями и многоязычными данными. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; это описание относится к обучающему корпусу семейства и не гарантирует одинаковое качество на каждом языке. В метаданных указаны интерфейсы чата и вызова инструментов, однако вариант Base прошёл предварительное обучение, поэтому эти возможности не означают, что он настроен как готовый диалоговый ассистент. Для работы предусмотрена библиотека Transformers; в README рекомендуется актуальная версия, поскольку версии ниже 4.51.0 не распознают архитектуру qwen3. Модель распространяется по лицензии Apache-2.0. Для развёртывания нужна инфраструктура, способная обслуживать модель такого размера; конкретные требования к памяти в предоставленных данных не приведены.

MBIRD — модель семейства Qwen3.5 с 2 млрд параметров, разработанная авторами проекта SQaLe как специализированный агент для преобразования вопросов на естественном языке в SQL. Модель дообучена методом GRPO на обучающей выборке BIRD без предварительного supervised warm start и без дистиллированных рассуждений от более крупной модели. MBIRD исследует базу SQLite через вызовы инструментов: ищет нужные таблицы и значения, проверяет запрос и затем выдаёт итоговый SQL. Для работы требуется агентный цикл, который выполняет вызовы модели к базе и возвращает результаты; схема базы не включается в исходный запрос. В карточке указаны результаты на BIRD dev, SQaLe test и EHRSQL, однако лучший показатель модели — на BIRD, использованном при обучении. Чекпойнт содержит неизменённую башню зрения Qwen3.5, но обучалась и оценивалась только языковая часть на текстовых данных. Модель поддерживает английский язык; выпущена по лицензии Apache-2.0. Ограничения: обучалась и оценивалась только для SQLite и хуже находит нужные таблицы в больших схемах; качество на медицинском EHRSQL остаётся низким. Её следует запускать в агентном цикле с контролируемым доступом к базе, поскольку SQL-запросы исполняются над данными.

MSQaLe — специализированная модель на 2 млрд параметров, разработанная авторами проекта SQaLe на базе Qwen3.5-2B. Её дообучили методом обучения с подкреплением GRPO на наборе SQaLe для преобразования вопросов на естественном языке в SQL-запросы к базам данных SQLite. Вместо передачи всей схемы в одном запросе модель работает как агент: исследует базу через инструменты, ищет нужные таблицы и значения, проверяет запрос и возвращает ответ. Для работы требуется цикл выполнения вызовов инструментов, например из файла sqale_agent.py. В тестах авторов модель показала точность выполнения 66,3% на SQaLe test и 52,3% на BIRD dev; при росте размера схем точность снижается. Модель обучалась и оценивалась только на SQLite. Хотя экспорт включает неизменённую башню зрения Qwen3.5-2B, обучение и оценка касались только текста. Лицензия — Apache-2.0.

Qwen3.8-27B-full-Uncensored — текстовая генеративная модель, опубликованная 0xSojalSec и производная от Qwen/Qwen3.8-27B. Модель основана на архитектуре Qwen3 с 27 млрд параметров и предназначена для генерации текста, программного кода и использования в агентных сценариях, включая исследования AI safety, red teaming, кибербезопасность и задачи разработки. Доступны форматы GGUF, safetensors и MLX; поддерживаемые языки и размер контекстного окна в README не указаны. По заявлению автора, модель модифицирована методом abliteration: из весового пространства удалены направления, связанные с отказами и защитными отговорками. Версия V3 сочетает итеративное уточнение и целевую обработку данных. Заявлены сохранение режима thinking, рабочая генерация кода и результат 82,3% на MMLU против 84,5% у исходной модели, то есть снижение на 2,1 процентного пункта. Для генерации рекомендуются температура 0, repetition_penalty 1,15 и не менее 2048 новых токенов; системный промпт лучше не использовать. Ограничениями являются возможное зацикливание без настройки repetition_penalty, отсутствие встроенных защитных отказов и заявленное снижение качества относительно базовой модели. Приведённые оценки основаны на тестах автора и могут не отражать результаты независимой проверки. Модель распространяется по лицензии Apache-2.0. Поскольку защитные механизмы были намеренно ослаблены или удалены, её применение требует дополнительной оценки рисков, особенно в публичных и агентных системах.

Donfagez/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — это набор GGUF-квантизаций многоэтапной дообученной и объединённой модели, созданной на базе DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU. В README указано, что разработка выполнялась с использованием Unsloth, методов COLD FUSION и Fable Fusion 711, а также датасетов DavidAU/Polar-STRICT-Datasets и DavidAU/F451-STRICT-Datasets. Модель распространяется под лицензией Apache-2.0. Модель предназначена для широкого спектра задач: решения задач и рассуждений, программирования, творческого письма, создания художественных текстов и ролевых сценариев. Заявлены режимы thinking и reasoning, а также поддержка нескольких режимов работы с уменьшенным объёмом рассуждений и ускоренной генерацией, включая MTP-варианты. Репозиторий содержит обычные GGUF-квантизации и MTP GGUF-квантизации, в том числе варианты с разрядностью 4 и 8 бит. Заявленные языки — английский и китайский; при этом в метаданных указан pipeline_tag image-text-to-text, но подробности о поддержке изображений в README не приведены. Ключевая характеристика модели — размер базовой модели 27B и ориентация на высокую детализацию, программирование и снижение избыточного рассуждения. Автор заявляет превосходство над базовой Qwen3.8 27B и рядом других моделей на семи внутренних бенчмарках, а также высокие результаты ARC-C и ARC-E, однако эти утверждения не подтверждены независимыми данными в представленном README. Ограничения включают отсутствие сведений о размере контекстного окна, точной архитектуре, системных требованиях, фактической мультимодальности и результатах внешнего тестирования; характеристики зависят от выбранной квантизации.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — это многоэтапная дообученная и объединённая версия модели Qwen3.8-27B, опубликованная в репозитории trinityomnis и основанная на модели DavidAU. Модель распространяется в формате GGUF, включая обычные и MTP-квантизации, и ориентирована на запуск на потребительском оборудовании. В README заявлены поддержка английского и китайского языков, размер около 27 млрд параметров, режимы рассуждения, а также специализация на программировании, творческом письме, художественной прозе и ролевых сценариях. Ключевая цель разработки — повысить способность к решению задач и детализации ответов, одновременно сократив объём токенов, затрачиваемых на рассуждение, по сравнению с базовой Qwen3.8. По заявлению автора, модель обучалась с использованием методов COLD FUSION и Fable Fusion 711 и показывает более высокие результаты на ряде внутренних или указанных в README бенчмарков, включая ARC-C и ARC-E. Эти результаты не подтверждены независимыми данными в представленном описании. Сильными сторонами модели заявлены скорость генерации, сокращённое рассуждение, кодинг, подробное творчество и широкий спектр сценариев применения. Ограничения включают отсутствие сведений о размере контекстного окна, точной архитектуре, поддерживаемых мультимодальных входах и системных требованиях. Модель обозначена как uncensored и abliterated, поэтому её ответы могут требовать дополнительной фильтрации и контроля. Лицензия — Apache-2.0.

AetherPrior/Qwen3-8B-Implementation-level PRM — модель оценки предпочтений для рекомендаций по безопасной реализации кода, созданная на базе Qwen3-8B и дообученная как модель классификации последовательностей с одним скалярным выходом. Она сравнивает рекомендации по реализации: при обучении использовались предпочтения между улучшенными, исходными и ухудшенными рекомендациями, отфильтрованные по функциональной корректности и безопасности. Модель предназначена для ранжирования трасс рекомендаций для задачи программирования и оценки того, какая из них лучше соответствует требованиям безопасности реализации. В README указаны 6 933 парных примера и точность 0,968 на 741 паре валидации. Контекст составляет 40 960 токенов; веса доступны в формате safetensors, лицензия Apache-2.0. Для подачи запросов README предлагает использовать vLLM в режиме pooling/classify через POST /classify.

Qwen3.8-Flash-Next-Uncensored-REAP288-MTP-MLX-4bit — неофициальная экспериментальная производная модели Qwen3.8-Flash-Next, подготовленная сообществом butterf1ying для локального запуска на компьютерах Apple Silicon с 64 ГБ unified memory. Модель предназначена для генерации текста, программирования, экспериментов с coding-agent, исследований длинного контекста и оценки нативного speculative decoding через MTP. Поддерживаются английский и китайский языки. Модель использует архитектуру qwen4_exp с разреженным MoE-трансформером: 48 языковых слоёв, hidden size 2560, гибридное linear/full attention, 288 маршрутизируемых экспертов на слой и активацию top-10 экспертов совместно с shared expert. Применены MLX affine 4-bit quantization с group size 64 и 4-битное квантование N-gram-таблицы с group size 32. Таблица размером около 29,8 ГиБ отображается с SSD через memory mapping. В составе сохранена нативная однос layer MTP head, заявлена поддержка контекста до 262 144 токенов, а общий размер пакета составляет около 71,67 ГиБ. Мультимодальные vision-веса включены, но работа vision-пути для этой сборки не подтверждена. Сильными сторонами являются возможность запуска крупной MoE-модели на совместимой системе Apple Silicon, уменьшенный за счёт REAP-288 объём экспертов, поддержка локального OpenAI-compatible API и нативного MTP. К ограничениям относятся экспериментальный статус, отсутствие формальной оценки качества и степени снижения отказов, зависимость от mlx-serve и SSD, а также непроверенная мультимодальная функциональность. Сборка тестировалась на Apple M1 Max с 64 ГБ памяти и mlx-serve 26.8.11; приведённые результаты подтверждают загрузку и работу MTP, но не являются общим бенчмарком производительности. Указана лицензия qwen-community-license-1.0.

Qwen3-Coder-30B-A3B-DFlash — вспомогательная модель DFlash от z-lab для ускорения генерации кода. Это лёгкая черновая модель на основе блочной диффузии: она параллельно предлагает блоки токенов, которые затем проверяет целевая модель Qwen/Qwen3-Coder-30B-A3B-Instruct. Модель предназначена для работы в связке с этой целевой моделью и не является самостоятельной заменой ей. В карточке указано обучение на 289 тысячах примеров кода и следов выполнения Cline. В тестах SGLang на одном GPU B200 авторы сообщают об ускорении относительно обычной авторегрессионной генерации на HumanEval, MBPP и LiveCodeBench. Эти показатели относятся к описанной конфигурации и аппаратуре; фактическое ускорение зависит от целевой модели, оборудования и настроек спекулятивного декодирования. Метаданные указывают 688,7 млн параметров и контекст 262 144 токена; архитектура обозначена как DFlashDraftModel семейства Qwen3. Лицензия — MIT.

SaShi 1.0 — разговорная языковая модель, созданная двумя разработчиками из Варанаси, Индия. Модель предназначена для общения на хинди и хинглише, а также для задач программирования и культурно ориентированных ответов с учётом индийского контекста. Это модель на 8,03 млрд параметров, опубликованная в формате GGUF с 4-битной квантизацией Q4_K_M для запуска, в частности, через Ollama или llama.cpp. Карточка описывает её как разговорную модель; метаданные указывают text-generation и поддержку чата. Лицензия — Apache-2.0.

Belumind SBD-SQL 0.5B — модель семейства Qwen2, дообученная разработчиком Belumind для ускорения генерации SQL с помощью Set Block Decoding. Это плотная авторегрессионная языковая модель примерно на 494 млн параметров с поддержкой чата и контекстом до 32 768 токенов. В одном чекпойнте объединены предсказание следующего токена и вспомогательное предсказание блока токенов; декодер также использует предложения из n-грамм и проверяет их без отдельной черновой модели. Модель ориентирована на генерацию SQL и ускоренный инференс при пакетной генерации запросов. В описанном тесте на отложенных SQL-документах ускорение составило 1,58 раза относительно обычного greedy-декодирования на тех же весах и GPU; результат зависит от корпуса и метода декодирования. Дообучение заметно ухудшило качество относительно базовой Qwen2.5-0.5B: на приведённом наборе NLL выросла, а точность следующего токена снизилась на 8,4 процентного пункта. Модель распространяется по лицензии Apache-2.0.

SmartBERT V3 — доменно-адаптированная модель для понимания кода смарт-контрактов, разработанная авторами Youwei Huang и Sen Fang на основе CodeBERT-base-mlm и SmartBERT V2. Это RoBERTa-модель с 151,8 млн параметров, обученная в Transformers методом masked language modeling на корпусе из 80 тысяч смарт-контрактов, преимущественно на Solidity. Она восстанавливает замаскированные токены и формирует представления функций смарт-контрактов; модель предназначена для выявления намерений функций, анализа сходства кода, классификации и обнаружения уязвимостей. Контекст составляет 514 токенов. Модель принимает текст кода и предсказывает пропущенные токены. Обучение на расширенном корпусе контрактов направлено на более устойчивое представление семантики функций, однако карточка не приводит количественных результатов оценки качества. В метаданных указана лицензия MIT.

Это модель Sentence Transformers на базе CodeBERTa-small-v1, дообученная автором buelfhood на наборе SOCO_TRAIN_java с использованием TripletLoss. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура состоит из RoBERTa-трансформера и mean pooling. Модель предназначена для сравнения семантической близости текстов и поиска по смыслу, в частности для текстов, связанных с кодом на Java. Векторы можно использовать для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Сходство рассчитывается косинусной мерой. Максимальная длина последовательности — 512 токенов по README и 514 токенов в метаданных. Лицензия в доступных данных не указана.

TinyChampion-3B-R1 — компактная языковая модель семейства Llama, разработанная MAlexC и содержащая 2,7 млрд параметров. Это плотная авторегрессионная модель для генерации текста и диалогов; карточка указывает контекст до 131 072 токенов и поддержку английского и румынского языков. Модель дообучена на дистиллированных многошаговых цепочках рассуждений DeepSeek-R1 и предназначена для ответов с пошаговым разбором задач, включая математику и код. Разработчик позиционирует её как компактную модель для устройств с ограниченными ресурсами и потребительских GPU. Доступны веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Пример в README содержит испорченные исходные числа и приводит к неверному ответу, поэтому качество вычислений по карточке оценить нельзя.