II.2Создание и понимание программного кода

VictorMr/slm-terminal-specialist — компактная языковая модель на архитектуре Qwen2, дообученная автором на базе Qwen/Qwen2.5-Coder-1.5B-Instruct с помощью LoRA и MLX-LM. Она предназначена для преобразования запросов на бразильском португальском в готовые команды терминала Unix, особенно для macOS на Apple Silicon и оболочки Zsh; обучающий набор содержит 500 проверенных пар инструкций по 60 утилитам, включая awk, sed, jq, ffmpeg, Docker и Git. Модель генерирует текстовые команды в диалоговом формате, имеет 1,5 млрд параметров и контекст до 32 768 токенов. Репозиторий использует формат Safetensors, библиотеку MLX и лицензию Apache-2.0. Карточка описывает узкую специализацию, но не приводит результатов оценки точности; сгенерированные команды следует проверять перед выполнением.

Huangsssz/SmolLM3-3B-MOPD-PG-SGD-lr2p5e-3-NoThinking-500 — исследовательский чекпойнт языковой модели SmolLM3, созданный дообучением BytedTsinghua-SIA/Open-MOPD-SmolLM3-3B-MixSFT. Модель содержит 3,1 млрд параметров, использует плотную архитектуру SmolLM3ForCausalLM и экспортирована в BF16 в формате Safetensors; заявленная длина контекста — 65 536 токенов. Чекпойнт получен после 500 обновлений методом дистилляции с обучением по policy gradient на ответах, оцениваемых профильными учителями для математики, программирования и следования инструкциям. Обучение и оценивание выполнялись с отключённым режимом рассуждений; шаблон чата поддерживает соответствующую настройку при инференсе. Модель предназначена для генерации ответов и экспериментов с математическими, программными и инструкционными задачами. Приведённые в карточке оценки ещё не завершены, поэтому качество по этим бенчмаркам оценить нельзя. Лицензия — Apache-2.0.

Space Bunny Alpha — анонимно представленная большая модель. В карточке заявлены сильные возможности в программировании, мультимодальный ввод и настраиваемый уровень рассуждений. Также указано контекстное окно в 1 миллион токенов. Применение модели не описано подробнее; сведения о лицензии отсутствуют.

sqlpup-394m-sft-grpo — текстовая генеративная модель для преобразования вопросов на естественном языке в SQL, разработанная shivenkk. Это декодер Llama-стиля с 394,3 млн параметров, обученный с нуля на 9,67 млрд токенов, затем прошедший supervised fine-tuning и этап GRPO с наградой за выполнение запросов. Архитектура включает 32 слоя, grouped-query attention, RoPE, SwiGLU и RMSNorm; контекст — 2048 токенов. Модель использует байтовый BPE-токенизатор с 32 768 элементами. Модель предназначена для генерации SQL по вопросу пользователя, схеме базы данных в виде операторов CREATE TABLE и строке evidence из формата BIRD. Она выводит комментарий с предполагаемыми таблицами и столбцами, а затем SQL. На dev-разбиении BIRD точность выполнения составила 18,12% при жадном декодировании, 19,23% с уплотнением схемы и 23,51% при уплотнении и голосовании по семи вариантам. Эти результаты показывают ограниченную точность и относятся только к BIRD dev. Модель распространяется по лицензии MIT. Короткое окно контекста затрудняет работу с крупными схемами без этапа их уплотнения; около 1% вопросов dev-разбиения не дают разбираемого SQL в конфигурации голосования.

STAR1-R1-Distill-1.5B — языковая модель UCSC-VLAA для генерации ответов с более безопасным поведением и сохранением возможностей рассуждения. Это плотная архитектура Qwen2 с 1,5 млрд параметров, дообученная на наборе STAR-1 из 1 000 примеров, отобранных и оценённых с помощью GPT-4o. Базовая модель — deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель предназначена для диалоговых сценариев, где важно учитывать требования безопасности при решении задач рассуждения, математики и программирования. В README заявлены улучшения на нескольких бенчмарках безопасности при минимальном влиянии на способности рассуждать. Модель принимает текст и генерирует текст; метаданные указывают контекст до 131 072 токенов и поддержку Transformers. Распространяется в формате safetensors по лицензии Apache-2.0. Результаты оценки описаны в README без численных показателей, поэтому степень улучшения безопасности и сохранения качества рассуждений по этим данным оценить нельзя.

Tennda-Nano — компактная языковая модель для генерации кода, разработанная командой Tennda. Она предназначена для выполнения инструкций и выдачи коротких ответов, в том числе для генерации SQL-запросов. В README указана архитектура Transformer-декодера из 35 слоёв и параметрически эффективное локальное обучение; метаданные относят модель к семейству Gemma 4 и указывают класс Gemma4ForConditionalGeneration. README описывает полные веса для инференса и пример запуска через MLX на компьютерах Apple Silicon с mlx-lm версии 0.30 или новее; для работы заявлено не менее 16 ГБ памяти, предпочтительно 24 ГБ. Модель ориентирована прежде всего на англоязычные инструкции по коду. Разработчик приводит предварительную ручную оценку: 100% точности на двух SQL-примерах и соответствие формату прямого ответа в двух из трёх случаев; этих малых выборок недостаточно для надёжной оценки качества. Лицензия в метаданных указана как other, конкретные условия README не описывает.

laion/tt-x2_clip-hi0p2-60-30B — контрольная точка обучения GRPO, созданная в рамках эксперимента TaskTrove X2 с настройкой верхнего PPO clip 0,2. Модель основана на Qwen/Qwen3-Coder-30B-A3B-Instruct и дообучена на DCAgent/exp_rpt_multifile с помощью SkyRL и Terminus-2; архитектура — MoE Qwen3. Метаданные указывают 2,6 млрд параметров и контекст 262 144 токена. Модель предназначена для генерации текста в диалоговом формате, прежде всего для многофайловых задач программирования и агентных сценариев. Для выбора чекпойнта использовалась скользящая EMA награды; приведённые в карточке результаты включают pass@8 0,375 на шаге 60. Обучение было остановлено владельцем на шаге 78 из 80, а выбранный чекпойнт — на шаге 60. Репозиторий содержит веса в safetensors. Лицензия — Apache-2.0. Показатели получены в ходе конкретного эксперимента, поэтому не характеризуют качество на произвольных задачах; базовые характеристики и ограничения унаследованы от исходной модели.

UIGEN-T1.1 — плотная трансформерная модель на 14 млрд параметров, разработанная smirki и дообученная на Qwen/Qwen2.5-Coder-14B-Instruct. Она предназначена для генерации интерфейсов на HTML и CSS с опорой на пошаговое рассуждение; карточка сообщает об обучении на наборе из более чем 700 примеров. Модель работает с текстовыми запросами, поддерживает английский язык, использует архитектуру Qwen2 и контекст до 32 768 токенов. Модель подходит для создания базовых дашбордов, целевых страниц, форм регистрации и других простых веб-компонентов. Она может выдавать структурированный HTML/CSS и код, однако результаты могут требовать ручной доработки. Модель ограниченно справляется со сложной интерактивностью и логикой приложений, предлагает мало разнообразия в дизайне и иногда создаёт артефакты форматирования. Для отдельных запросов карточка рекомендует добавлять в конец промпта слово «answer». Модель распространяется по лицензии Apache 2.0. Для запуска указана библиотека Transformers; карточка рекомендует 12 ГБ видеопамяти.

Locutusque/UltraQwen-7B — диалоговая языковая модель на 7,1 млрд параметров, дообученная на примерно 100 000 примерах набора HuggingFaceH4/ultrachat_200k. В метаданных указаны архитектура LlamaForCausalLM, формат safetensors и контекст до 32 768 токенов; модель предназначена для генерации текста в диалоге. Автор сообщает о хороших результатах личных проверок на математике, истории, викторинах и задачах программирования, однако подробные метрики не приведены. Модель не проходила выравнивание DPO. Базовая модель — Qwen/Qwen-7B; в README указана лицензия other в метаданных, без конкретных условий использования.

UniXcoder-base — модель представлений кода, разработанная командой Microsoft и повторно опубликованная claudios в формате SafeTensors. Это модель на архитектуре RoBERTa с 152,7 млн параметров и контекстом до 1026 токенов; при предварительном обучении использовались код, комментарии к нему и AST. Модель предназначена для извлечения векторных представлений кода и последующего применения в задачах понимания и поиска фрагментов кода. Модель поддерживает английский язык и ориентирована на работу с программным кодом. В карточке отмечены задачи понимания и генерации кода, а также поиск кода по коду; основной сценарий использования репозитория — извлечение признаков. Репозиторий является неофициальной перезагрузкой microsoft/unixcoder-base с исправлениями конфигурации; лицензия — Apache-2.0. В описании результатов отмечено, что BLEU-4 для суммаризации и генерации кода несколько ниже, а качество поиска кода зависит от контрастивного обучения. Карточка предупреждает о возможных стереотипных и вредоносных смещениях в предсказаниях и содержит мало сведений о данных и оценке модели.

XVERSE-MoE-A36B — базовая многоязычная языковая модель, самостоятельно разработанная компанией Shenzhen Yuanxiang Technology. Это decoder-only Transformer с архитектурой смеси экспертов (MoE): в модели 255,4 млрд параметров, из которых при вычислении активируется около 36,5 млрд. Она включает 64 разделяемых между токенами эксперта и 2 общих эксперта; маршрутизатор выбирает 6 экспертов. Модель предназначена для генерации текста и служит базой для дальнейшей адаптации, а не готовой чат-моделью. Модель обучалась на текстах более чем на 40 языках, включая китайский, английский, русский и испанский; авторы отмечают особенно высокие результаты на китайском и английском. Длина обучающих последовательностей составляла 8 тысяч токенов, что соответствует заявленному контекстному окну. В карточке приведены сравнительные оценки на наборах для общих знаний, рассуждений и программирования. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Как и другие большие языковые модели, она может выдавать неточную, предвзятую или оскорбительную информацию. Для прикладного использования авторы рекомендуют проверять безопасность и адаптировать модель к конкретному сценарию; для диалогового применения может потребоваться отдельная чат-адаптация.

Air Nano — разговорная модель первого поколения от независимой компании Air Intelligence, основанной разработчиком Эджиро Прайсом из Нигерии. Модель построена на плотной архитектуре Qwen2 с причинным языковым моделированием; содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для общего общения, помощи с программированием, генерации идей и простых рассуждений. В карточке заявлены диалоговый режим и интерфейс вызова инструментов. Основной язык по метаданным — английский. Разработчик описывает стиль ответов как спокойный, наблюдательный и практичный, с готовностью признавать неопределённость и участвовать в ролевых сценариях. Это ранняя модель первого поколения: она может ошибаться, особенно в сложных рассуждениях и технических задачах, поэтому важные ответы следует проверять. По README модель предназначена для пользователей от 13 лет; запрещено использовать её для незаконного контента, травли и имитации реальных людей. Лицензия репозитория — Apache-2.0.

ArrowNeo-AME-4x3B-v0.1-MoE — диалоговая языковая модель, созданная DataPilot на базе Sarashina 2.2 Instruct от SB Intuitions. В ней объединены базовая модель и три экспертные модели с помощью Mergekit-MoE: для программирования, следования инструкциям и многошаговых диалогов. Архитектура — MoE на базе Mixtral; объём модели составляет 3,1 млрд параметров, контекст — 8192 токена. Модель предназначена для диалогового использования в качестве «личности» виртуального ютубера AItuber. Она ориентирована на продолжительные беседы, следование запросам и генерацию кода. Поддерживает японский и английский языки, работает с текстом и выдаёт текст; метаданные также отмечают интерфейс вызова инструментов. Распространяется под лицензией MIT. Разработчик предупреждает об ограниченном обучении безопасности: возможны бессмысленные последовательности, фактические ошибки, предвзятые или оскорбительные ответы. Перед применением рекомендуется дополнительная настройка с учётом человеческих предпочтений и требований безопасности.

AutoCoder-IMat-GGUF — это набор GGUF-квантизованных файлов модели AutoCoder, разработанной Bin12345 и переквантованной legraphista с помощью llama.cpp версии b3010. Исходная модель использует формат BF16, а репозиторий предоставляет варианты от BF16 и F16 до различных уровней квантования Q- и IQ-семейств, включая версии с IMatrix. Модель предназначена для генерации текста и, судя по названию AutoCoder, ориентирована на задачи, связанные с программированием, однако README не содержит подробного описания возможностей исходной модели, поддерживаемых языков, архитектуры, размера в параметрах или длины контекста. GGUF-формат рассчитан на запуск через совместимые инструменты, включая llama.cpp. Доступны файлы размером примерно от 7,16 до 66,69 ГБ; более компактные варианты снижают требования к хранению и памяти, но могут уступать высокоточным версиям по качеству. К преимуществам относятся широкий выбор уровней квантования и наличие IMatrix для ряда низко- и среднебитных вариантов, что может способствовать сохранению качества при уменьшении размера. Ограничения включают отсутствие в README результатов оценки, точных характеристик архитектуры, языковой поддержки, контекстного окна и подтверждённых сценариев применения. Распространение указано по лицензии Apache-2.0.

AutoTriton — языковая модель, представленная авторами работы «AutoTriton: Automatic Triton Programming with Reinforcement Learning in LLMs», предназначенная для генерации программ на Triton и оптимизации вычислительных ядер для глубокого обучения. Модель построена на архитектуре Llama, содержит 7,6 млрд параметров и работает с контекстом до 65 536 токенов. Модель последовательно дообучили на примерах кода Triton, а затем с помощью обучения с подкреплением по алгоритму GRPO. Награда учитывала правила и результаты выполнения кода. В испытаниях на TritonBench и KernelBench модель показала результаты, сопоставимые с рядом крупных языковых моделей. AutoTriton принимает текстовые запросы и выдаёт текст, в том числе код. Она предназначена для задач программирования Triton; в репозитории указана лицензия Apache-2.0. Карточка не описывает аппаратные требования и практические ограничения генерации кода.

axeai_m_0.2 — разговорная языковая модель, разработанная Manish Biswal (@iamanishx) и дообученная на базе iam anishx/axeai_m_0.1, модели семейства Qwen2.5. Она предназначена для общения на хинглише — хинди, записанном латиницей, с английской технической лексикой, — и помощи с программированием. Модель с плотной архитектурой Qwen2, 494 млн параметров и контекстом до 32 768 токенов выдаёт текст. По карточке, она обучалась на примерно 3 000 диалоговых и инструкционных примерах и умеет объяснять веб-разработку, системную архитектуру и программные концепции, а также создавать фрагменты кода. Веса LoRA объединены с базовыми весами в самостоятельный файл safetensors; для запуска заявлена библиотека Transformers. Модель ориентирована на хинглиш и небольшие разговорные и программные задачи; её размер может ограничивать качество и надёжность ответов на сложные запросы. Выпущена под лицензией Apache-2.0.

Brian-3B — авторегрессионная трансформерная языковая модель команды Brian, дообученная на базе Meta Llama 3.2 3B для задач Web3. Модель предназначена для распознавания намерений и понимания запросов в блокчейн-сценариях, включая разбор пользовательских намерений для транзакций, генерацию Solidity и ответы на вопросы о Web3. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовые запросы, выдавая текст. В карточке заявлен английский язык; контекстное окно составляет 131 072 токена. Модель описана как ранний этап серии дообучений, поэтому её готовность к использованию в производственной системе ограничена. Для критически важных сценариев, таких как создание смарт-контрактов и выполнение транзакций, результаты следует проверять. Лицензия — Llama 3.2 Community License.

Axilotal/cadquery-qwen2.5-7b-v5.2-hardened — дообученная Axilotal модель на архитектуре Qwen2 для генерации текста. Она основана на unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit и содержит 7,1 млрд параметров; заявлено обучение с помощью Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалогового взаимодействия и генерации кода; название указывает на специализацию на CadQuery, однако README не описывает конкретные возможности или результаты в этой области. Поддерживает английский язык, контекст до 32 768 токенов и поставляется в формате safetensors. Лицензия — Apache-2.0.

AmberYifan/capsd-marin-8b-base-code_ifd_b16000_s0 — дообученная авторами AmberYifan модель семейства Llama на базе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и предназначена для генерации и продолжения текста; каталог отмечает поддержку чата. Обучение проводилось на наборе capsd_marin-8b-base-n80000-opc__mix_code_ifd_b16000_s0, что указывает на связь с кодом, но README не описывает конкретные возможности модели. Модель принимает текст и выдаёт текст. Базовая модель ориентирована на английский язык; подтверждений поддержки других языков карточка не приводит. Контекстное окно — 4096 токенов. Репозиторий содержит веса Safetensors и использует Transformers. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория.

AmberYifan/capsd-marin-8b-base-code_qurating_b16000_s0 — дообученная модель генерации текста на архитектуре Llama, созданная на основе marin-community/marin-8b-base. По названию обучающего набора модель ориентирована на код и ранжирование качества ответов, однако README не описывает её поведение и результаты подробно. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors; заявленная длина контекста — 4096 токенов. Она принимает текст и генерирует текст, поддерживает разговорный сценарий. Базовая модель описана как англоязычная, но языки и качество этой производной модели отдельно не подтверждены. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели.

AmberYifan/capsd-marin-8b-base-code_random_b10000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации и продолжения текста. Обучение выполнено на наборе capsd_marin-8b-base-n80000-opc__mix_code_random_b10000_s0; название набора указывает на включение кода, но README не описывает состав данных или результаты оценки. Модель принимает текст и выдаёт текст; в метаданных заявлена поддержка чата. Базовая Marin 8B Base описана как англоязычная, а длина контекста модели составляет 4096 токенов. Лицензия указана как other, поэтому условия использования следует сверить с карточкой и файлами репозитория.

Это дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base и набора данных capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_ppl_b1000_s0. Она предназначена для генерации и продолжения текста; карточка указывает возможность чата, но не описывает отдельные сценарии применения или результаты оценки. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors. Контекст — до 4096 токенов. Базовая модель ориентирована на английский язык; отдельные языковые возможности этой версии не уточнены. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория.

Chichu 2.5 Reasoning — компактная языковая модель на 494 млн параметров, разработанная Sebastianpro88 и дообученная на основе Sebastianpro88/Chichu-2.0-500M-Instruct. Модель использует архитектуру Qwen2 и генерирует текст; в карточке указана поддержка диалогов и пошаговых рассуждений с блоками `<think>`. Она предназначена для ответов на общие вопросы и задач по математике, логике и коду. Контекст модели составляет 32 768 токенов. В метаданных указан английский язык и лицензия other. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, однако карточка не приводит результатов оценки качества. Рассуждения модели могут содержать ошибки; условия лицензии следует уточнить в карточке репозитория.

CleverBoi-Llama-3.1-8B-v2 — языковая модель для генерации текста, разработанная theprint. Она дообучена на базе unsloth/meta-llama-3.1-8b-bnb-4bit в течение одной эпохи с использованием набора CleverBoi-Data-20k, содержащего данные с акцентом на логику, рассуждения, математику и программирование. Для обучения применялись Unsloth и библиотека Hugging Face TRL. Модель предназначена для текстовой генерации и сценариев, где важны решение логических задач, выводы, математические рассуждения и задачи программирования. Заявленный язык — английский. Известно, что модель основана на варианте Llama 3.1 с размером 8B параметров и 4-битным представлением; сведения о длине контекста и дополнительных модальностях не указаны. Сильная сторона модели — специализированное дообучение на задачах логики, математики и кода. В Open LLM Leaderboard она получила средний результат 14,01: IFEval — 19,61, BBH — 24,13, MATH Level 5 — 4,46, GPQA — 4,81, MuSR — 6,72 и MMLU-PRO — 24,31. Эти показатели следует учитывать как результаты конкретных тестовых режимов, а не как гарантию качества в прикладных сценариях. Модель распространяется по лицензии Apache-2.0.

Это экспериментальный чекпойнт языковой модели Qwen3-4B, дообученный методом обучения с подкреплением GRPO в OpenRLHF. Разработчик — agurung; в качестве исходной модели указана Qwen/Qwen3-4B-Instruct-2507. Чекпойнт сохранён на шаге 8 обучения и показал лучший результат pass@8 среди чекпойнтов этого запуска. Модель предназначена для генерации кода и решения задач программирования. Обучение проводилось на задачах, которые исходная модель решала редко, с бинарным вознаграждением за прохождение тестов. Используются архитектура Qwen3 с плотной причинной языковой моделью, 3,7 млрд параметров и контекст до 262 144 токенов; модель принимает и генерирует текст. В обучающем описании нет доступных метрик оценки этого чекпойнта, поэтому преимущество по pass@8 относится только к чекпойнтам данного запуска и не подтверждает качество на других наборах задач. Данные не сообщают лицензию.

CodeBarcenas-1b — языковая модель для генерации кода на Python, созданная автором Danielbrdz. Она основана на WizardLM/WizardCoder-1B-V1.0 и дообучена на наборе mlabonne/Evol-Instruct-Python-1k. Модель использует архитектуру GPTBigCode с плотной причинной языковой моделью; в метаданных указан контекст 8192 токена и формат PyTorch. Модель предназначена для генерации и продолжения кода на Python по текстовым запросам. Карточка не приводит результатов оценки качества и не описывает дополнительные возможности, поэтому её пригодность для сложных задач программирования не подтверждена. Указана лицензия llama2.

CodeBERTaJS — модель семейства RoBERTa, созданная Мануэлем Ромеро для работы с кодом на JavaScript. Она обучена с нуля на корпусе JavaScript из CodeSearchNet, собранном из GitHub: шестислойный трансформер с примерно 96,6 млн параметров по метаданным и контекстом до 514 токенов. Токенизатор использует byte-level BPE и кодирует примеры JavaScript компактнее, чем GPT-2 и RoBERTa на том же корпусе. Модель предназначена для masked language modeling: она предсказывает пропущенные токены в фрагментах JavaScript. Её можно применять для автодополнения кода по маске и экспериментов с языковыми представлениями кода. Репозиторий содержит веса PyTorch и Flax. Лицензия в предоставленных данных не указана.

Sharathhebbar24/code_gpt2_mini_model — дообученная модель семейства GPT-2, опубликованная Sharathhebbar24. Она генерирует продолжения текста по текстовой подсказке; дообучение включает датасет CodeLlama-2-20k и опирается на модель Sharathhebbar24/chat_gpt2_dpo. Архитектура — GPT2LMHeadModel, веса сохранены в формате safetensors, контекст ограничен 1024 токенами. Карточка указывает английский язык, а метаданные также связывают модель с UltraChat 200k и наборами предпочтений Orca DPO. Модель можно применять для генерации текстовых и кодовых фрагментов по подсказке, однако карточка не содержит оценок качества или результатов бенчмарков, поэтому пригодность для конкретных задач требует проверки. Лицензия — Apache-2.0.

code-think-q4b-20260908 — исследовательский чекпойнт на базе Qwen/Qwen3-4B-Base, созданный командой modrill. Модель дообучена методом LoRA SFT на смеси трасс рассуждений учителей, после чего адаптер объединён с базовыми весами. Это плотная причинная языковая модель семейства Qwen3 примерно с 3,7 млрд параметров и контекстом 32 768 токенов; для генерации в режиме рассуждений README рекомендует включать think mode без предварительной вставки токена режима. Модель предназначена для генерации кода и рассуждений при решении задач программирования. В карточке приведена оценка на 256 задачах dev-набора LiveCodeBench: 73 решения pass@1, но это результат одного запуска с фиксированным seed, а 136 генераций достигли лимита длины. Авторы прямо обозначают чекпойнт как исследовательский, а не продуктовый, поэтому результаты не следует считать подтверждённой оценкой качества или лидербордом. Репозиторий распространяется по лицензии Apache-2.0.

Darwin-2B-Opus — модель для генерации текста и диалогов, разработанная FINAL-Bench / VIDRAFT_LAB на основе Qwen/Qwen3.5-2B. В неё встроен стиль рассуждений, полученный дистилляцией ответов Claude Opus 4.5/4.6 и Sonnet 4.6; обучение проводилось методом SFT с LoRA, после чего адаптер объединили с базовыми весами. Модель содержит около 1,7 млрд параметров по метаданным; в README указано 2,3 млрд. Архитектура — плотная Qwen3.5 для причинной генерации текста. Метаданные указывают контекст до 262 144 токенов, однако обучение проводилось с длиной последовательности 4 096 токенов. Модель предназначена для диалогов, рассуждений, математических задач и написания кода на английском и корейском языках; README также описывает примеры на обоих языках. Карточка приводит результат 37,37% на GPQA Diamond и предупреждает об ограниченных энциклопедических знаниях из-за небольшого размера. Лицензия модели — Apache 2.0; лицензии обучающих наборов могут различаться.