II.2Создание и понимание программного кода

Negentropy-claude-opus-4.7-9B — экспериментальная модель рассуждений на 9 млрд параметров от Jackrong, созданная при участии Kyle Hessling. Она основана на Qwen3.5-9B, дообученной с помощью Unsloth на реконструированных цепочках рассуждений: авторы описывают метод Trace Inversion, который восстанавливает промежуточные шаги из кратких сводок рассуждений Claude Opus 4.7. Модель предназначена для сложных логических задач, математики, программирования, многошагового следования инструкциям и генерации данных с цепочками рассуждений для более компактных моделей. В метаданных указаны возможности чата и анализа изображений; README преимущественно описывает текстовые сценарии. Поддерживаемые языки по метаданным — английский, китайский, корейский, японский и русский. Модель распространяется под лицензией Apache-2.0. README предупреждает о более низкой скорости по сравнению с версией 4B, потребности примерно в 8–12 ГБ видеопамяти в зависимости от квантизации и возможности фактических ошибок при убедительно выглядящих рассуждениях.

OS-Software выпустила North-Mini-Code-1.0-Uncensored-Heretic — изменённую с помощью abliteration версию CohereLabs/North-Mini-Code-1.0, модели для генерации кода и агентных задач. Это текстовая модель с архитектурой decoder-only Transformer и разреженным Mixture-of-Experts. В метаданных указаны 1,2 млрд параметров и контекст до 500 000 токенов; README базовой модели описывает 30 млрд общих и 3 млрд активных параметров, контекст 256 тыс. токенов и до 64 тыс. токенов вывода. Источники расходятся в размере и длине контекста. Модель предназначена для генерации и анализа кода, агентной разработки ПО и задач в терминале; поддерживает чат и может работать с инструментами через шаблон чата Transformers. Abliteration существенно ослабила защитное выравнивание: в приведённом README тесте refusals снизились с 84/100 у исходной модели до 0/100. Это повышает вероятность вредных, неточных, предвзятых или оскорбительных ответов. README рекомендует исследовательское применение, эксперименты, исследования безопасности и red-teaming, а также независимую проверку результатов и защитные меры. Для модели указана лицензия Apache 2.0. Она принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены.

Occiglot-7B-ES-EN — базовая генеративная языковая модель с 7,1 млрд параметров, разработанная коллективом Occiglot Research Collective. Это плотный decoder-only трансформер с причинной языковой моделью Mistral; модель продолжает предобучение Mistral-7B-v0.1 на 112 млрд дополнительных токенов многоязычных данных и кода. Репозиторий содержит веса в формате safetensors, лицензия — Apache 2.0. Модель предназначена для генерации текста на английском и испанском языках, а также работы с кодом. Её можно использовать как основу для дообучения и оценок или напрямую для продолжения текста; заявленная длина контекста — 32 768 токенов. Это базовая модель без дообучения на инструкциях, поэтому она не оптимизирована для диалогов и может не следовать пользовательским запросам как чат-ассистент. Авторы приводят предварительные результаты оценивания, но отмечают, что часть неанглоязычных тестов основана на машинном переводе и англоязычных запросах, поэтому результаты следует трактовать осторожно.

CDLM-0.5B — компактная языковая модель с маскированной диффузией, разработанная в рамках работы Corrective Diffusion Language Models. Это дообученная на 2 000 шагов версия fredzzp/open-dcoder-0.5B с архитектурой Qwen2 и 494 млн параметров. Модель предназначена для генерации и исправления кода по текстовым запросам; использует двунаправленное внимание и контекст до 32 768 токенов. Для запуска требуется реализация диффузионного Qwen2 из оценочного конвейера проекта: стандартная загрузка через AutoModelForCausalLM интерпретирует веса как причинную модель и даёт неверные результаты. В README также описана особенность использованной реализации функции потерь, из-за которой градиенты при обучении не соответствовали заданным весам отдельных токенов. Модель распространяется по лицензии MIT.

OPSD-PI Qwen3.5-9B Medium Trailing — Update 4 — это полностью объединённый чекпойнт Qwen3.5-9B от автора LSW142857. Репозиторий содержит модель после четырёх обновлений оптимизатора в экспериментальном OPSD-прогоне на 1024 строках Medium PI с вариантом trailing_user; обучение выполнялось на восьми RTX A6000. Архитектура — плотная Qwen3.5 с классом Qwen3_5ForConditionalGeneration; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для генерации текста в диалоговом формате и задач с кодом. Веса включают объединённую инициализацию expert-SFT, обновления OPSD для основной модели и MTP через LoRA, а также обученные тензоры full-MTP. Дополнительные адаптеры или этап объединения при загрузке не требуются. README рекомендует оценивать студента без добавления PI и использовать отложенные задачи, а не обучающие строки. Поскольку чекпойнт зафиксирован всего после четырёх обновлений, его следует считать экспериментальным; результаты могут не отражать качество завершённого обучения. Лицензия в предоставленных данных не указана.

OPSD-PI Qwen3.5-9B Medium Trailing — update 8 — это непосредственно загружаемая объединённая модель на базе Qwen3.5-9B, опубликованная LSW142857. Репозиторий содержит результат восьми обновлений оптимизатора в эксперименте OPSD на выборке из 1024 строк; в него включены объединённая начальная настройка expert-SFT, изменения основной модели и MTP, включая дообученные тензоры MTP. Отдельный адаптер или дополнительное объединение для загрузки не требуются. Модель предназначена для генерации текста и диалогового использования; в метаданных также отмечена работа с кодом. README описывает экспериментальную обучающую конфигурацию и рекомендует оценивать модель на отложенных задачах без добавления PI, который использовался только как учитель. Архитектура Qwen3.5, библиотека Transformers и формат safetensors указаны в метаданных. Лицензия, размер контекста и поддерживаемые естественные языки в предоставленных данных не установлены.

Ornith-1.0-35B-MTPLX — производная версия модели Ornith-1.0-35B от deepreinforce-ai, дополненная официальным MTP-слоем из Qwen/Qwen3.5-35B-A3B и упакованная для MTPLX. Модель предназначена для генерации текста и агентного программирования, особенно при использовании speculative decoding на устройствах Apple Silicon. Указан английский язык. Это MoE-модель архитектуры Qwen3_5MoeForConditionalGeneration с конфигурацией MTPLX qwen3-next-mtp. Базовая модель имеет размер 35B-A3B, а MTP-часть использует 256 экспертов и один слой. Основные веса и MTP-sidecar квантизированы в 4-bit affine с group size 64. При тестировании на M3 Max глубина MTP 3 обеспечила скорость 116,4 токена/с против 76,3 токена/с без MTP, то есть ускорение примерно в 1,53 раза; уровень принятия токенов составил 91,5%, 80,3% и 65,6% для последовательных шагов. Сильная сторона модели — практическое ускорение спекулятивного декодирования: 4-битная квантизация MTP существенно снижает стоимость чернового прохода при незначительной потере принятия токенов. Ограничения включают зависимость от MTPLX, Apple Silicon и сценария speculative decoding; сведения о размере контекста, поддерживаемых модальностях и качестве на стандартных бенчмарках не указаны. Производная модель выпущена под лицензией MIT; для заимствованных MTP-тензоров также применяются Apache-2.0 и соответствующее NOTICE от Qwen.

Ouro-1.4B-Thinking — языковая модель ByteDance для генерации текста и диалогов с акцентом на рассуждения. Это плотная причинно-языковая архитектура OuroForCausalLM примерно на 1,3 млрд параметров; модель дообучена методом supervised fine-tuning на данных для рассуждений. Поддерживает контекст до 65 536 токенов и принимает текст, выдавая текст с подробными шагами рассуждения. Модель предназначена прежде всего для математических, научных и связанных с кодом задач, а также для диалогов. В архитектуре используются четыре рекуррентных шага с настраиваемым адаптивным выходом; промежуточные выходы могут служить оценками финального ответа. README сообщает о результатах, сопоставимых с некоторыми моделями на 4 млрд параметров, но не приводит конкретных оценок. Для запуска рекомендуется Transformers 4.56.0; vLLM не поддерживает адаптивный выход. Лицензия — Apache-2.0. Разработчики обозначают модель как исследовательскую и предоставляют её без гарантий пригодности для промышленного применения.

Parable-Granite-4.1-3B-Claude-Fable-5-heretic — языковая модель для генерации текста, разработанная автором saidutta69 на основе AnkitAI/Parable-Granite-4.1-3B-Claude-Fable-5, которая, в свою очередь, дообучена на ibm-granite/granite-4.1-3b. Модель предназначена для локального диалога, рассуждений, планирования, генерации кода, терминальных сценариев, агентских задач и использования инструментов. Заявлен английский язык, поддерживаются форматы Safetensors и GGUF для запуска через Transformers, vLLM, llama.cpp, Ollama, LM Studio и Jan. Это текстовая causal language model архитектуры GraniteForCausalLM с нативным размером около 3,4 млрд параметров. Версия создана методом abliteration с помощью Heretic v1.4.0: целевые изменения весов в attention output и MLP down-projections подавляют поведение отказа без дополнительного fine-tuning. Модель сохраняет trace-дистиллированные возможности исходной Parable-версии в области рассуждений, планирования и работы с терминалом. Для локального запуска доступны квантизации от Q2_K до Q8_0; вариант Q4_K_M требует около 2,1 ГБ под веса и примерно 1 ГБ дополнительно для контекста. К сильным сторонам относятся малый размер, возможность работы на ноутбуках и CPU, широкий набор GGUF-квантизаций и существенно сниженное число отказов по сравнению с исходной моделью: 5 против 96 на 100 проверенных adversarial-запросов. При этом это не улучшение базовых возможностей, а версия той же модели с удалёнными защитными ограничениями; снижение отказов сопровождается измеримым отклонением от исходного поведения, а заявленные показатели получены на ограниченных тестах. Контекстное окно, точные языковые возможности и дополнительные модальности в карточке не указаны. Распространяется по лицензии Apache-2.0.

RedHatAI/phi-2-pruned50 — версия модели Phi-2, оптимизированная для NM-vLLM, движка высокопроизводительного обслуживания сжатых языковых моделей. В метаданных указаны архитектура PhiForCausalLM и 3,5 млрд параметров; модель основана на microsoft/phi-2 и отмечена как дообученная производная. README описывает разреживание модели с помощью SparseGPT. Модель предназначена для генерации текста локально и обслуживания через NM-vLLM с целью ускорить инференс и снизить потребление памяти. Базовая Phi-2 ориентирована на английский язык, ответы на вопросы и генерацию кода. Контекст модели составляет 2048 токенов. Файлы репозитория представлены в формате safetensors. Карточка не сообщает лицензию и не уточняет ограничения качества после разреживания. Для применения следует учитывать короткий контекст и проверять качество на своих запросах.

askalgore/Phi-4-mini-reasoning-heretic — производная версия Phi-4-mini-reasoning от Microsoft, обработанная методом abliteration для снижения частоты отказов. Это компактная трансформерная языковая модель с архитектурой Phi3ForCausalLM, 3,8 млрд параметров и контекстом 4096 токенов; опубликована в формате safetensors и рассчитана на запуск через Transformers. Модель предназначена прежде всего для многошагового математического рассуждения, логических задач, символьных вычислений и генерации формальных доказательств в условиях ограниченных ресурсов. В README приведено сравнение с исходной моделью: частота отказов снизилась с 80 до 14 из 100 запросов, а KL-дивергенция составила 17,38. Модель поддерживает диалог и генерацию кода; основной язык карточки — английский. Лицензия — MIT. Модель ориентирована на математическое рассуждение и не оценивалась для всех возможных прикладных задач. Из-за небольшого размера она может ошибаться в фактах; её ответы следует проверять, особенно в критически важных сценариях.

pip-code-bandit — компактная языковая модель PipableAI для управления агентными сценариями, где нужно следовать инструкциям, планировать шаги и выбирать действия с учётом доступных инструментов. По описанию разработчика, модель предварительно обучена на коде, документации к функциям и связанных наборах данных, а затем дообучена с подкреплением в симуляторах, где агент достигал целей, выбирая действия и их параметры. Модель использует плотную причинную архитектуру семейства Llama, содержит 1,3 млрд параметров и поддерживает контекст до 16 384 токенов. Она рассчитана на генерацию текста и диалоговое взаимодействие; метаданные также отмечают возможности работы с кодом. Репозиторий распространяет веса в формате safetensors и указывает лицензию Apache-2.0. Модель подходит для прототипирования небольших агентных систем, генерации планов и выбора вызовов инструментов в ограниченных сценариях. Разработчик подчёркивает настройку на надёжное следование инструкциям, однако описание не приводит количественных оценок качества или сравнительных тестов; результативность следует проверять на целевых задачах. Основной язык в карточке — английский.

Poro-34B — базовая авторегрессионная языковая модель семейства Poro, созданная SiloGen (Silo AI), группой TurkuNLP Университета Турку и High Performance Language Technologies. Модель основана на архитектуре BLOOM и содержит 34,2 млрд параметров по README; в метаданных Hugging Face указано 45,3 млрд параметров. Она обучена на смеси финского и английского текстов, а также кода, примерно на 1 трлн токенов. Для токенизации используется словарь BLOOM на 128 тыс. токенов; ALiBi позволяет экстраполировать длину контекста при инференсе, однако точный размер контекста в источниках не приведён. Модель предназначена для продолжения текста и генерации на финском и английском языках, работы с кодом и базового перевода между финским и английским. Это базовый чекпойнт, которому для большинства прикладных сценариев требуется дополнительное дообучение. Разработчики отмечают, что модель не обладает значимыми навыками в других языках. Лицензия — Apache 2.0.

Это компактная модель Qwen2.5-Coder-0.5B-Instruct, дообученная автором giangkh19 для преобразования схемы таблицы и вопроса на естественном языке в запрос pandas. Веса LoRA ранга 8 уже объединены с базовой моделью, поэтому репозиторий можно загружать для генерации без PEFT. Модель содержит 494 млн параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы по одиночным таблицам в стиле WikiSQL: на вход подаются имя таблицы, названия и типы столбцов и вопрос, на выходе генерируется запрос pandas. В README приведён результат exact match 79,1% на оценке из 6 000 примеров, однако автор отмечает пересечение обучающих и оценочных данных и мягкую проверку формата. Модель обучалась только на англоязычных вопросах по одиночным таблицам; сложная многошаговая аналитика и реальные DataFrame выходят за пределы распределения обучения, а арифметически сложные фильтры могут давать ошибки. Лицензия — Apache-2.0.

praful1/Qwen-0.6b-python-grpo — дообученная модель семейства Qwen3, разработанная на основе praful1/Qwen-0.6b-pythoncode-instruct с использованием TRL. Это плотная причинная языковая модель примерно на 507,9 млн параметров, рассчитанная на генерацию текста и диалоговые запросы; в примере карточки она пишет функцию сложения двух чисел. Модель предназначена для генерации Python-кода по запросам на естественном языке и ответов на инструкции по программированию. Она принимает текстовые сообщения и генерирует текст, включая код. Указанная длина контекста — 32 768 токенов. Веса опубликованы в формате Safetensors для использования с Transformers. Лицензия в предоставленных данных не указана. Карточка не приводит результаты оценки качества, поэтому надёжность кода и пригодность для сложных задач по программированию по этим данным оценить нельзя.

tripathysagar/Qwen2.5-Coder-196M-Shell — компактная текстовая модель семейства Qwen2, разработанная путём дистилляции Qwen2.5-Coder-0.5B-Instruct и NL2SH-ALFA. Она предназначена для генерации Bash-команд по описанию задачи на естественном языке. Модель имеет около 195,8 млн параметров, использует архитектуру Qwen2ForCausalLM, исходный токенизатор базовой модели и контекст до 32 768 токенов. Модель подходит для преобразования коротких запросов в команды оболочки и помощи при написании Bash. В карточке указана лицензия MIT. README не описывает оценку качества и практические ограничения; из-за узкой специализации и малого размера результат стоит проверять перед выполнением.

tvall43/Qwen3.5-14B-A3B-Claude-4.6-Opus-Reasoning-Distilled-reap-gguf — GGUF-версия экспериментальной текстовой reasoning-модели, разработанной tvall43 на базе Qwen3.5 и дообученной с использованием дистилляции цепочек рассуждений, связанных с Claude-4.6 Opus. Модель предназначена для офлайн-аналитики, программирования, математики, планирования и других задач, где важны пошаговое решение и структурированный анализ. Она обучалась в формате с блоками <think> и итоговым ответом, однако README не гарантирует, что внутренние рассуждения всегда будут корректно или безопасно отображаться пользователю. В описании указана MoE-архитектура Qwen3.5 с конфигурацией 35B-A3B, тогда как идентификатор модели содержит 14B-A3B; точные характеристики GGUF-квантизации и итоговый размер файла не приведены. Указано текстовое назначение, языки Chinese, English и Korean, а также контекстное окно 8192 токена. Обучение выполнялось с SFT и LoRA при помощи Unsloth, с использованием отфильтрованных наборов данных по reasoning-дистилляции. Сильные стороны модели — структурированное пошаговое мышление и ориентация на сложные логические задачи. Ограничения включают риск галлюцинаций, экспериментальный статус, возможные проблемы совместимости и нестабильность инструментальной экосистемы; приведённые тесты также показывают неоднозначные результаты на генерации HTML-игры и сценарии с автомобилем. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-2B-Claude-4.6-Opus-Reasoning-Distilled — языковая модель для генерации текста и задач, требующих многошагового рассуждения. Она разработана на базе плотной архитектуры Qwen3.5-2B и дообучена с помощью Supervised Fine-Tuning (SFT) и LoRA на дистиллированных траекториях рассуждений, преимущественно полученных из взаимодействий с Claude 4.6 Opus. Дополнительные данные от Qwen3.5-27B и набора Qwen3.5-reasoning-700x расширяют покрытие научных, математических и инструкционных задач. Модель предназначена для офлайн-аналитики, программирования, математики, решения сложных логических задач и сценариев, где полезно структурированное пошаговое рассуждение. Обучение ориентировано на формат с блоком <think> перед итоговым ответом и на более последовательное планирование решения. Поддерживается контекст до 16 384 токенов. В README указан английский язык; сведения о других языках и дополнительных модальностях отсутствуют. К сильным сторонам относятся компактный размер 2B параметров, структурированное рассуждение и сниженная избыточность переходов при решении простых запросов. Модель сохраняет риск галлюцинаций и не гарантирует достоверность внешних фактов. Это тестовая версия, предназначенная для обучения, демонстрации, академических исследований и технических экспериментов, а не для критически важных применений. Лицензия — Apache-2.0.

Это конверсия мультимодальной модели Qwen3.5-4B команды Qwen для устройств SpacemiT K1 и K3. Она предназначена для понимания изображений, диалога, программирования и агентных задач; README демонстрирует запуск через локальный сервер llama.cpp с передачей изображения и текстового запроса. Модель сочетает текстовую часть в формате GGUF Q4_1 с ONNX-кодировщиками изображений для разрешений 224, 384 и 768 пикселей; по умолчанию используется 384 пикселя. Обработка зрения задействует SpacemiT Execution Provider, а конфигурации для K1 и K3 различаются и привязаны к их AI-ядрам. В метаданных указан Apache-2.0; зависимости среды выполнения распространяются по лицензиям соответствующих проектов.

Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled-v2 — модель, разработанная Jackrong на базе Qwen/Qwen3.5-4B. Это вторая версия reasoning-ориентированной дообученной модели, созданная с использованием SFT и LoRA через Unsloth на более чем 14 000 образцов рассуждений в стиле Claude 4.6 Opus. Модель не является Claude, а использует дистиллированные шаблоны рассуждений. Модель предназначена для математики, текстовых задач, логического вывода, общих знаний, выполнения инструкций и переноса рассуждений на программирование и другие многошаговые задачи. Основной акцент сделан на экономичности reasoning: по сравнению с официальной Qwen3.5-4B модель формирует более короткие и структурированные цепочки рассуждений, что может снижать задержку и расходы инференса в локальном использовании и агентских сценариях. Указана поддержка английского, китайского и корейского языков; в метаданных также заявлен pipeline image-text-to-text, однако подробности мультимодальных возможностей и размер контекстного окна не приведены. Ключевое ограничение — компромисс между эффективностью рассуждений и максимальной точностью: по приведённым данным, официальная Qwen3.5-4B превосходит эту версию по абсолютным результатам HumanEval и HumanEval+, хотя v2 требует существенно меньше символов рассуждений на один успешный результат. Модель распространяется по лицензии Apache-2.0.

Jackrong/Qwen3.5-9B-GLM5.1-Distill-v1-GGUF — экспериментальная дистиллированная версия Qwen3.5-9B, разработанная Jackrong. Модель дообучена методом supervised fine-tuning с использованием Unsloth и LoRA на отфильтрованных данных рассуждений, созданных на основе GLM-5.1. В README также указана лицензия Apache-2.0. Модель предназначена для локального запуска и генерации ответов в диалоговых, инструкционных, математических, STEM- и кодовых сценариях. Основной акцент сделан на многошаговом рассуждении, декомпозиции задач, соблюдении инструкций и более структурированной организации ответов. Заявлена поддержка английского, китайского, японского и испанского языков. По метаданным репозитория модель относится к multimodal и image-text-to-text моделям с поддержкой vision, однако подробности о поддерживаемых форматах изображений и способах их обработки не приведены. Ключевая характеристика — размер 9 млрд параметров и дистилляция структуры рассуждений GLM-5.1, а не простое копирование ответов учителя. Ожидаемые преимущества включают более стабильное многошаговое рассуждение, лучшую декомпозицию задач и более последовательное следование инструкциям. При этом автор отмечает, что улучшения для модели такого масштаба, вероятно, будут постепенными, а не радикальными. README не содержит сведений о размере контекста, точной архитектуре мультимодальной части, количественных результатах бенчмарков и ограничениях безопасности, поэтому эти характеристики нельзя оценить дополнительно.

Alittlehammmer/Qwen3.6-27B-DFlash-GGUF-llama.cpp — это набор GGUF-квантизаций модели z-lab/Qwen3.6-27B-DFlash, подготовленный пользователем Alittlehammmer для запуска через llama.cpp. Модель предназначена для генерации текста и сценариев agentic coding, а также для использования в качестве draft-модели в speculative decoding вместе с совместимыми квантованными версиями Qwen3.6-27B. Доступны варианты Q4_K_M, Q5_K, Q6_K, Q8_0 и BF16 с разрядностью от 4 до 16 бит и размером примерно от 1,03 до 3,47 ГБ. Версия Q8_0 описана как почти без потерь и рекомендуемая, а BF16 является эталонным файлом полной точности. Формат GGUF и интеграция с llama.cpp упрощают локальный запуск, однако README не содержит сведений о точной архитектуре, поддерживаемых языках, размере контекста, модальностях, результатах тестирования и самостоятельных возможностях базовой модели. Для использования требуется llama.cpp и совместимые квантованные модели Qwen3.6; в примере применяется режим draft-dflash с параметрами llama-server. Автор отмечает, что настройка sm = tensor может приводить к сбою при запуске, тогда как sm = layer используется в рабочем примере. Лицензия указана как Apache-2.0, при этом подробности возможностей и ограничения следует уточнять в карточке исходной модели.

Qwen3.6-27B-Fable-5-Experimental — мультимодальная дообученная модель от TeichAI на базе Qwen/Qwen3.6-27B. Она предназначена для диалогов и сценариев с изображениями, а настройка на небольшом наборе трасс Fable 5 усилила планирование и стиль общения, а также показала улучшения в проектировании 3D-сцен и небольших игр на three.js и задачах ML-инженерии. Архитектура — плотная Qwen3.5 с 27 млрд параметров; доступны веса safetensors, интерфейс вызова инструментов и обработка изображений. В README отмечено, что способность рассуждать не меняли. Модель экспериментальная: автор сообщает о переобучении на малом наборе данных и ухудшении результатов на части задач. Приведённые тесты ARC, ARC-E и BoolQ показывают смешанные результаты относительно базовой модели. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-OBLITERATED — производная текстовая генеративная модель, опубликованная пользователем bniler2 на базе Qwen/Qwen3.8-27B. Она относится к семейству Qwen3 и предназначена для генерации текста, программного кода и ответов на запросы, включая запросы, на которые исходная модель могла отвечать отказом или отвлечёнными предупреждениями. Модель ориентирована на исследовательские, red-team- и агентные сценарии, а также на локальный запуск в форматах GGUF, SafeTensors и MLX. Заявлены размер 27 млрд параметров и совместимость с режимом рассуждений Qwen3. В README рекомендуются температура 0, repetition_penalty 1.15 и не менее 2048 новых токенов; для агентных сценариев предлагаются более короткие ответы и периодическое суммирование контекста. Размер контекстного окна и перечень поддерживаемых языков не указаны. Для V3 заявлены показатель MMLU 82,3% в тесте lm-eval 0-shot, близкая к исходной модели производительность и полноценные ответы на тестовые задачи генерации кода, однако эти результаты приведены автором модели и не подтверждены независимой проверкой. Главная особенность модели — удаление или ослабление отказов и защитных ответов методом abliteration с последующей итеративной доработкой и смешиванием вариантов. Это может повысить полезность в задачах анализа безопасности и генерации кода, но одновременно снижает встроенные механизмы безопасного поведения и может привести к выдаче рискованного или вредоносного содержания. По сравнению с исходной моделью заявлено снижение MMLU на 2,1 процентного пункта. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Opus-Distill-v2 — плотная мультимодальная модель семейства Qwen, созданная barozp дообучением Qwen/Qwen3.8-27B методом LoRA с последующим объединением адаптера с базовыми весами. Дообучение выполнено на 11 716 примерах с проверенными трассами рассуждений Claude Opus; по данным карточки, набор очищен от строк с проблемным шаблоном и непроверенных источников. Модель предназначена для диалогов, анализа изображений и решения многошаговых задач с рассуждением. В README приведены результаты тестирования на логических и научных заданиях, а также проверка исправления ошибки зацикливания при совместном задании ограничений формата. Возможности зрения и MTP унаследованы от базовой модели и в этом дообучении не менялись. Модель принимает текст и изображения и генерирует текст; контекстная длина и поддерживаемые естественные языки в предоставленных данных не описаны. Модель распространяется под лицензией Apache-2.0. Карточка сообщает об исправлении конкретного случая зацикливания, но это не гарантирует его отсутствия во всех сценариях; приведённые бенчмарки ограничены режимом 0-shot, loglikelihood и QUICK с лимитом 500 примеров.

Qwen3.8-27B-Uncensored-Cyber — GGUF — это квантизированная версия модели philbert440/Qwen3.8-27B-Uncensored-Cyber, опубликованная cyjin-yl. Репозиторий содержит только GGUF-квантизацию и калибровочную importance matrix, построенную на реальном трафике агентного программирования; дообучение, слияние моделей и изменения поведения не выполнялись. Лицензия — Apache-2.0. Модель предназначена прежде всего для агентного кодинга и задач кибербезопасности, включая сценарии с вызовами инструментов, JSON, командными строками, путями к файлам и точным воспроизведением идентификаторов. Это de-refusal («abliterated») модель, специализированная на offensive security. Доступны текстовые IQ4_XS-веса размером около 14,96 GiB и вариант около 15,38 GiB с совместимыми MTP-тензорами для speculative decoding; обычным GGUF-загрузчикам рекомендуется файл без MTP, если поддержка MTP не проверена. Сохраняются vision tower и MTP-head исходной модели, поэтому заявлена мультимодальная возможность image-text-to-text и поддержка MTP в совместимых средах. Указан контекст до 262K токенов для исходной модели, однако калибровка выполнялась с контекстом 512. Калибровочная матрица оптимизирована для агентных данных, включая tool-call токены, специальные chat-template токены и смешанные китайско-английские материалы, что может улучшать точность вызовов инструментов и копирования длинных литералов после квантизации. Ограничения включают зависимость от совместимости конкретного runtime с GGUF, MTP и мультимодальными компонентами, а также возможную потерю качества из-за двойной квантизации: исходные веса были получены из Q8_0, а не BF16. Модель унаследовала отсутствие отказов и кибернетическую специализацию базовой модели, поэтому требует осторожного применения.

Montalte/qwen4b-code-nothink-taskvector — объединённая модель на архитектуре Qwen3, созданная Montalte для экспериментов по переносу навыков между математикой и программированием. В README указано, что в качестве основы использована Qwen/Qwen3-4B-Base, а в веса перенесён task vector специализированной модели modrill/code-nothink-q4b-20260908. Метаданные описывают модель как плотную языковую модель с 3,7 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и кода в диалоговом формате; среди заявленных возможностей также указан интерфейс вызова инструментов. Метаданные указывают язык программирования, но не называют поддерживаемые естественные языки. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. README представляет модель как экспериментальный артефакт переноса навыков, поэтому качество на конкретных задачах не следует считать гарантированным.

Qwick-3.5-9B — модель Nobuyuki Horiuchi, дообученная на основе Qwen/Qwen3.5-9B. Это самостоятельный чекпойнт BF16 в формате Transformers, предназначенный для генерации текста с более короткими рассуждениями: при близких результатах на MMLU-Pro и GPQA-Diamond длина ответов в приведённых сравнениях сокращалась примерно на 29–40%. Модель также оценивалась на следовании инструкциям, японских вопросах и генерации кода. Основные сценарии — текстовые рассуждения и ответы на вопросы; README приводит оценку сохранения возможностей на изображениях по валидационной выборке MMMU, но автор не квалифицирует модель для широкого мультимодального развёртывания. Модель рассчитана в первую очередь на японский и английский языки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Качество зависит от задачи и профиля генерации: например, в README зафиксировано снижение результата на HMMT и регрессия в разделе инженерии MMLU-Pro. Модель не оценивалась для критически важных рекомендаций, решений с высоким воздействием без надзора или автономных действий; результаты для других форматов, настроек и распределений изображений требуют отдельной проверки.

RavenX × Gemma 4 12B MTP OBLITERATED — экспериментальная модель сообщества RavenX на архитектуре Gemma4 Unified с MTP-головами. Это дообученная версия OBLITERATUS/Gemma-4-12B-OBLITERATED, рассчитанная на запуск через MLX на компьютерах Apple Silicon; репозиторий содержит веса SafeTensors. В карточке заявлены структурированное многоэтапное рассуждение в задачах программирования, математики и анализа, а также чат-взаимодействие. Модель представлена как proof of concept с экспериментальной методикой обучения, подробности которой не раскрыты. Базовая модель описана как abliterated, то есть с удалёнными фильтрами отказа; ответы поэтому могут требовать дополнительной проверки и осторожной настройки применения. Лицензия указана как other, конкретные условия в доступных сведениях не приведены.

Rosetta-7B-Think — двуязычная модель рассуждений от PoSTMEDIA на основе плотной авторегрессионной архитектуры Rosetta. Она содержит 7,1 млрд параметров и дообучена на Rosetta-7B-Base методом supervised fine-tuning на длинных трассах рассуждений. Модель генерирует трассу рассуждений перед итоговым ответом и поддерживает контекст до 65 536 токенов. Модель предназначена для диалоговой генерации ответов и пошаговых рассуждений на корейском и английском языках, в том числе для математических задач, понимания корейского текста, программирования и научных вопросов. В описанных разработчиком тестах она показала результаты на HRM8K, HAE-RAE, AIME24, AIME25 и GSM8K; сравнительные показатели получены по внутреннему протоколу разработчика. Длинные трассы рассуждений увеличивают задержку и расход токенов, а убедительные рассуждения могут содержать фактические ошибки. Модель оптимизирована для корейского и английского; качество на других языках не гарантируется. Хотя контекстное окно достигает 65 536 токенов, разработчик рекомендует проверять качество на длине свыше 32 768 токенов. Лицензия Apache-2.0 допускает коммерческое использование.