II.2Создание и понимание программного кода

Это исследовательский чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO с помощью OpenRLHF. Обучение напрямую начато с базовой instruct-модели без отдельного этапа SFT; сохранён шаг 48 из двух эпизодов. Архитектура — плотная причинная языковая модель Qwen3 примерно на 3,7 млрд параметров, с контекстом до 262 144 токенов. Модель предназначена прежде всего для генерации кода и решения задач программирования: обучение и проверка ориентированы на сложные задачи, где исходная модель редко проходила тесты, а вознаграждение зависело от корректности программы. В этом запуске чекпойнт показал лучший результат по pass@8, однако численные метрики в журнале обучения отсутствуют. Модель принимает текст и генерирует текст, включая код; репозиторий использует формат safetensors и библиотеку Transformers. Это ранний экспериментальный RL-чекпойнт, поэтому результаты могут быть нестабильны и не подтверждают качество на задачах за пределами описанного набора. Лицензия в предоставленных данных не указана.

neulab/codebert-python — модель семейства RoBERTa, дообученная на Python-коде из набора codeparrot/github-code-clean. Она основана на microsoft/codebert-base-mlm и обучена 1 000 000 шагов на задаче маскированного языкового моделирования. Модель содержит около 151,8 млн параметров, принимает последовательности длиной до 514 токенов и доступна в форматах PyTorch и safetensors. Основное назначение — подстановка пропущенных токенов в Python-коде; также модель предназначена для использования в CodeBERTScore и может применяться в других задачах, где полезны представления кода. Для работы с ней указана архитектура RobertaForMaskedLM. Лицензия в предоставленных данных не указана.

JetBrains разработала DeepSeek Coder 6.7B Kexer — плотную языковую модель для генерации кода, дообученную на синтетическом наборе Kotlin Exercices. Модель содержит 6,6 млрд параметров, использует архитектуру семейства Llama и запускается через Transformers; максимальная длина контекста — 16 384 токена. Модель предназначена прежде всего для решения задач по Kotlin в формате HumanEval: генерации функций и дополнения кода. Она поддерживает заполнение пропусков в коде по схеме FIM. На Kotlin HumanEval указана доля успешно решённых задач 55,28% против 40,99% у базовой DeepSeek Coder 6.7B. Дообучение проводилось на 15 тысячах синтетических примеров, содержащих около 3,5 млн токенов. За пределами формата задач по Kotlin ответы могут быть неточными или нежелательными, а приведённая оценка не гарантирует качество в других сценариях. Модель распространяется по лицензии Apache-2.0.

DeepSeek V4 Flash REAP K128 Mixed NVFP4 — это экспериментальная производная модели DeepSeek, подготовленная sleepyeldrazi на основе deepseek-ai/DeepSeek-V4-Flash. Это текстовая MoE-модель для генерации текста и диалогов; в ней оставлено 128 маршрутизируемых экспертов на слой, что соответствует примерно 50% сокращению экспертов. Дообучение не проводилось: модель создана структурным удалением части экспертов и преобразованием формата весов. Веса экспертов gate и up представлены в NVFP4 после заявленного в карточке преобразования шкал из MXFP4, down-эксперты — в Q2_K; внимание и общие эксперты используют Q8_0. Репозиторий распространяется в формате GGUF, но для запуска необходимы специализированный движок ds4 и NVFP4 CUDA-ядра: стандартные среды llama.cpp и GGUF модель не загружают. Автор ориентирует сборку на DGX Spark с GB10 Blackwell и заявляет поддержку контекста до 1 млн токенов при использовании FP8 KV-кэша. Карточка указывает английский язык и лицензию MIT. Практические сценарии включают программирование, вызовы инструментов, исследовательские и справочные диалоги; характеристики качества в README описаны без независимых оценок.

sleepyeldrazi/DeepSeek-v4-Flash-REAP-K180-NVFP4 — это производная текстовая модель на основе DeepSeek V4 Flash, подготовленная sleepyeldrazi. Она использует структурное удаление экспертов методом REAP: в слоях MoE оставлено 180 из 256 маршрутизируемых экспертов, а слои 0–2 сохранены без такого сокращения. По README, дообучения не было: это подмножество исходных весов, упакованное в GGUF с гибридной точностью NVFP4, Q2_K и Q8_0; NVFP4-конверсия экспертных весов описана как преобразование формата масштабов без потери точности относительно исходного MXFP4. Модель предназначена для генерации текста и диалогового использования, включая программирование, агентные сценарии с вызовом инструментов, исследования и ответы на длинном контексте. README заявляет поддержку контекста до 1 млн токенов на NVIDIA DGX Spark с GB10 при использовании FP8 KV-кэша и специального движка ds4-nvfp4-spark с управляемой памятью. Обычные GGUF-движки, включая стандартный llama.cpp, модель не загружают. Лицензия — MIT. Запуск зависит от специализированного оборудования и программного обеспечения; для конфигурации K180 в README указана необходимость режима управляемой памяти, а сама карточка помечена как экспериментальная. В заявленных характеристиках есть оптимизации под DGX Spark, поэтому переносимость и производительность на других системах не подтверждены предоставленными данными.

Dragon-1.5-0.5B — компактная модель для диалогов и генерации текста, разработанная автором репозитория на базе Qwen2-0.5B-Instruct. Она предназначена для рассуждений, выполнения инструкций, ответов на вопросы общего характера и задач по программированию. Модель содержит 493,7 млн параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель дообучена на трассах рассуждений и кода с помощью SFT, а затем обучена методом GRPO. Автор заявляет о возможности быстрого запуска на ноутбуках и коммерческих GPU, однако качество ответов и устойчивость к галлюцинациям не подтверждены приведёнными данными. Карточка обозначает модель как экспериментальную. Лицензия — Apache-2.0.

Fijik 2.0 350M SFT — компактная языковая модель Pinkstack для генерации текста и диалогов на устройствах с ограниченными ресурсами. Она основана на Granite 4.0 350M Base и имеет архитектуру GraniteMoeHybrid; по описанию автора, это вариант без слоёв Mamba. Модель содержит около 352,3 млн параметров, работает с контекстом до 65 536 токенов с масштабированием YaRN и распространяется в формате safetensors. Модель предназначена для быстрого инференса на периферийных устройствах и поддерживает сценарии с агентными задачами, рассуждениями и вызовом инструментов через шаблон чата. Обучение включало непрерывное предобучение и supervised fine-tuning на смешанных данных, включая диалоги, код, веб-поиск и использование инструментов. Внутренние сравнительные тесты автора показывают конкурентные результаты среди моделей схожего размера, но метрики приведены как pass@4 и не являются независимой оценкой. Модель не проходила RLHF; автор сообщает о настройке безопасности в ходе SFT и рекомендует задавать системную инструкцию для ответов при недостатке информации. Лицензия — Apache-2.0. Она может уступать более крупным моделям, а сам автор отмечает слабые результаты на математических задачах.

Functionary Small v2.5 — языковая модель семейства Llama, разработанная MeetKai для диалогов с вызовом функций и плагинов. Модель имеет 7,5 млрд параметров, использует плотную архитектуру и контекст до 8192 токенов; в репозитории представлены веса Safetensors. Лицензия — MIT. Модель принимает сообщения диалога и определения функций в формате JSON Schema, представленные в шаблоне Functionary, и генерирует текстовые ответы или вызовы инструментов. Она умеет выбирать, когда вызвать функцию, выполнять вызовы последовательно или параллельно, учитывать результаты инструментов в ответе и продолжать беседу без инструментов, когда они не нужны. В карточке также заявлена поддержка code interpreter. Модель подходит для создания чат-ассистентов, которым нужно обращаться к внешним API, плагинам или интерпретатору кода. Для запуска разработчик рекомендует OpenAI-совместимый сервер vLLM; для удобного разбора сырых ответов предлагается пользовательский код. Карточка не приводит сравнительных оценок качества, поэтому заявления о превосходстве над другими моделями следует считать утверждениями автора.

OS-Software/Gemma 4 12B IT QAT Q4_0 Unquantized Heretic JA v2 — экспериментальная производная модели Google Gemma 4 12B IT. Репозиторий описывает Gemma 4 как мультимодальную модель Google DeepMind для работы с текстом, изображениями, видео и аудио; эта версия дообучена на базе google/gemma-4-12B-it и помечена как uncensored/abliterated. Указаны гибридное внимание с локальными окнами и глобальными слоями, рассуждение, вызов инструментов, генерация и исправление кода, а также мультиязычная поддержка. Для семейства 12B заявлено контекстное окно до 256K токенов и поддержка распознавания речи и перевода аудио в текст; метаданные указывают Transformers, safetensors и лицензию Apache-2.0. Карточка позиционирует модель для исследований и экспериментов, включая исследования безопасности, выравнивания и red teaming, и просит не развёртывать её в публичных сервисах или пользовательских приложениях. Возможны предвзятые, неточные или устаревшие ответы, трудности со сложными инструкциями и языковыми нюансами; для этой версии отдельные измерения качества не приведены.

GLM-5.3-Flash-Uncensored-Q2-ds4 — квантованная версия uncensored-модели GLM-5.3-Flash, разработанной на базе модели zai-org/GLM-5.3-Flash; сборка подготовлена DogContext на основе orcarouter/GLM-5.3-Flash-Uncensored-FP8. Модель предназначена для локальных исследований, авторизованного security/red-team тестирования и оценки агентного программирования, включая работу с кодом, инструментами и длинным контекстом. Это текстовая MoE-модель архитектуры Glm5Next с 320 млрд общих и примерно 18 млрд активных параметров, 45 слоями, 288 маршрутизируемыми и одним общим экспертом, маршрутизацией top-8, гибридным вниманием KDA-linear и sparse-DSA, а также встроенным native MTP для speculative decoding. Поддерживаются английский и китайский языки, заявлен контекст до 1 млн токенов, размер GGUF-файла составляет около 96,5 ГБ. Модель рассчитана на запуск в движке ds4/DwarfStar с Metal и может работать резидентно на одном Mac с Apple Silicon и 128 ГБ памяти; mainline llama.cpp, Ollama, LM Studio и vLLM для этой сборки не поддерживаются. Модель текстовая, при этом vision заявлена только через дополнительный encoder sidecar. Ключевые особенности — imatrix-калибровка на 1,5 млн токенов, смешанная примерно 2-битная квантизация IQ2_XXS и Q2_K с сохранением более высокой точности для управляющих компонентов, а также native MTP. На M5 Max указана скорость декодирования около 22–23 токенов в секунду и предварительной обработки около 360 токенов в секунду. Abliteration существенно снижает количество отказов на обычных запросах, но не устраняет возможности модели и повышает риски неправильного или вредоносного применения; это является важным ограничением. Распространение выполняется по лицензии MIT, унаследованной от базовой модели, однако использование должно соответствовать законодательству и условиям лицензии.

GRM-Coder-14b — дообученная модель OrionLLM на базе Qwen3-14B для написания и решения задач по программированию, особенно в соревнованиях по спортивному программированию. Это плотная причинная языковая модель на 14 млрд параметров с контекстом до 81 920 токенов; она принимает текстовые условия задач и генерирует код и пояснения. По данным карточки, обучение проводилось на 24 тысячах задач с проверяемыми решениями. На LiveCodeBench v6 указана точность Pass@1 67,87% против 60,79% у базовой Qwen3-14B. Модель распространяется по лицензии Apache-2.0.

InCoder-32B (Industrial-Coder-32B) — плотная языковая модель на 31,6 млрд параметров для генерации и анализа кода в промышленных инженерных задачах. В карточке указаны области применения: проектирование микросхем на Verilog и RTL, оптимизация GPU-ядер на CUDA и Triton, встроенные системы для ARM Cortex-M и STM32, оптимизация компиляторов и ассемблера x86-64/LLVM, а также 3D-моделирование через CadQuery и OpenCascade. Модель поддерживает контекст до 131 072 токенов и диалоговый режим. Разработчики описывают трёхэтапное обучение: предварительное обучение с адаптацией на промышленном коде, расширение контекста и дообучение на примерах с выполнением кода и обратной связью. README приводит результаты на отдельных промышленных бенчмарках, но не даёт независимой оценки этих сравнений. Модель может генерировать ошибочный или небезопасный код; результаты требуют проверки специалистом, особенно перед использованием в прошивках, RTL и GPU-ядрах. В метаданных лицензия обозначена как «other»; конкретные условия использования следует сверять с лицензией репозитория.

braindao/iq-code-evmind-v1-granite-8b-instruct — чат-модель для генерации текста, ориентированная на инструкции по смарт-контрактам. Это дообученная версия IBM Granite 8B Code Instruct, обученная на наборе AlfredPros/smart-contracts-instructions. Модель имеет плотную архитектуру семейства Llama, содержит 8,1 млрд параметров и принимает контекст длиной до 4096 токенов. Модель подходит для генерации и объяснения кода смарт-контрактов в диалоговом формате. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Сведений о конкретных поддерживаемых языках программирования и результатах оценки качества в доступных данных нет.

jina-v2-code-ft2 — это 161-миллионная модель эмбеддингов кода, созданная дообучением jinaai/jina-embeddings-v2-base-code. Она предназначена для локализации изменений по описанию GitHub issue: преобразует issue и фрагменты кода в векторы для поиска фрагментов, которые нужно изменить. Архитектура — плотный энкодер JinaBert на базе BERT; модель поддерживает контекст до 8192 токенов. В README описано обучение на парах из CORE-Bench Level-2 с hard negatives и оценка на задачах issue-to-edit retrieval. Модель особенно рассчитана на длинные запросы в стиле issue и должна применяться в гибридном поиске вместе с лексическим ранжированием, например BM25. В оценке CORE-Bench Level-2 гибридный подход повысил NDCG@10, однако выигрыш не переносится на короткие запросы разработчиков. Результаты относятся к одному семейству бенчмарков и не подтверждают качество для общего поиска кода или других языков. Лицензия CC-BY-NC-SA-4.0 исключает коммерческое использование.

Karma Electric v9 (KE-v9) — диалоговая языковая модель на базе Apertus-8B-Instruct-2509, дообученная разработчиком репозитория методом QLoRA. Она предназначена для генерации ответов с акцентом на оценку последствий, безопасность и уважительное взаимодействие, а также поддерживает общие диалоговые и программные задачи. Обучение включало этапы Model Spec Midtraining и Alignment Fine-Tuning с примерами рассуждений о последствиях, программирования, работы с инструментами и многоязычных диалогов. Модель использует плотную архитектуру ApertusForCausalLM, содержит 10,3 млрд параметров и имеет нативный контекст 65 536 токенов по метаданным; в README для базовой модели указано 256K. В репозитории доступны веса safetensors и GGUF в вариантах F16 и Q8_0. В README приведены результаты StrongReject и DystopiaBench, указывающие на повышенную устойчивость к некоторым попыткам обойти защиту по сравнению с базовой моделью; это результаты конкретных тестов, а не гарантия безопасности. Карточка указывает поддержку английского, чешского, немецкого и французского языков. README отмечает ограниченные возможности модели размера 8B в сложных рассуждениях и многоязычных задачах, низкое качество тибетского и избыточные отказы на части запросов с угрожающими ключевыми словами. Модель не проверена для производственного развертывания. Лицензия — Apache-2.0.

SHS-Lab/Kimi-K3-Abliterated — открытая мультимодальная модель на основе Kimi K3, обработанная методом abliteration для ослабления отказов, связанных с механизмами выравнивания. Она предназначена для исследований механизмов отказа, red-team-оценки и контролируемых экспериментов. Архитектура унаследована от базовой модели: Mixture-of-Experts с 2,8 трлн параметров, Kimi Delta Attention и Attention Residuals; модель поддерживает контекст до 1 млн токенов, изображения и видео наряду с текстом. Модель подходит для программирования, многошаговых агентных задач, анализа документов и работы с визуальными данными. По заявлению карточки, ослабление отказов нацелено на запросы на английском и японском языках и не добавляет новых знаний или возможностей; возможны небольшие изменения тона и формулировок. Независимая оценка этой версии не проводилась, поэтому точность для конкретных задач следует проверять отдельно. Модель распространяется с весами для самостоятельного развёртывания по лицензии Kimi K3 License; карточка не рекомендует её для неконтролируемого использования в пользовательских продуктах или там, где обязательна модерация контента.

Карточка модели Resggg/Kimi-K3-Abliterated-modal на Hugging Face совпадает с карточкой SHSLab/Kimi-K3-Abliterated, поэтому описание составлено по ней. SHS-Lab/Kimi-K3-Abliterated — открытая мультимодальная модель на основе Kimi K3, обработанная методом abliteration для ослабления отказов, связанных с механизмами выравнивания. Она предназначена для исследований механизмов отказа, red-team-оценки и контролируемых экспериментов. Архитектура унаследована от базовой модели: Mixture-of-Experts с 2,8 трлн параметров, Kimi Delta Attention и Attention Residuals; модель поддерживает контекст до 1 млн токенов, изображения и видео наряду с текстом. Модель подходит для программирования, многошаговых агентных задач, анализа документов и работы с визуальными данными. По заявлению карточки, ослабление отказов нацелено на запросы на английском и японском языках и не добавляет новых знаний или возможностей; возможны небольшие изменения тона и формулировок. Независимая оценка этой версии не проводилась, поэтому точность для конкретных задач следует проверять отдельно. Модель распространяется с весами для самостоятельного развёртывания по лицензии Kimi K3 License; карточка не рекомендует её для неконтролируемого использования в пользовательских продуктах или там, где обязательна модерация контента.

LeetCodeWizard_7B_V1.1 — языковая модель Nan-Do для решения и объяснения задач LeetCode и других задач программирования. Это дообученная версия WizardCoder-Python-7B-V1.1 на наборе задач LeetCode; модель построена на архитектуре Llama и содержит 6,6 млрд параметров. Модель генерирует код и текстовые объяснения решений, поэтому подходит для подготовки к техническим собеседованиям, практики алгоритмов и разбора программных задач. Для взаимодействия используется шаблон инструкций Alpaca. Указанный контекст составляет 16 384 токена; в метаданных язык карточки — английский, а Python указан среди тегов. Модель распространяется по лицензии Llama 2. Заявленная способность решать большинство задач LeetCode не является гарантией корректности: ответы и код следует проверять, особенно для задач со скрытыми тестами и требованиями, не отражёнными в условии.

lemur-70b-v1 — языковая модель с архитектурой Llama, опубликованная OpenLemur. Она предназначена для генерации текста и кода; модель не обучалась на корпусе следования инструкциям, поэтому хуже подходит для диалога и ответов на прямые вопросы. Веса представлены в формате PyTorch, размер модели — 68,7 млрд параметров, контекст — до 4096 токенов. Карточка указывает лицензию Llama 2.

albertge/llada-8b-dllm-registers-mix60k-r4 — экспериментальный чекпойнт проекта dLLM Registers, созданный дообучением базовой модели GSAI-ML/LLaDA-8B-Base. Это плотная диффузионная языковая модель на архитектуре LLaDA для генерации текста; в карточке Hugging Face указан класс LLaDAModelLM и формат safetensors. Модель обучена на 60 тысячах примеров из OpenMathInstruct-2 и OpenCodeInstruct. Четыре непрерывных регистра служат каналом переноса состояния между окнами денойзинга; при обучении использовались окна по 128 токенов и dropout подсказки с вероятностью 0,3. Для корректного использования этого канала при генерации нужны параметры `num_registers=4`, `channel_mode=registers`, `tail_length=0` и `use_mask_token_for_registers`. Модель подходит для генерации текста в сценариях, связанных с математикой и программированием. Метаданные указывают английский язык и возможность диалога. Репозиторий распространяется по лицензии Apache-2.0. Для запуска автор рекомендует использовать свой evaluator и wrapper; отдельные результаты качества в карточке не приведены.

teddylee777/Llama-3-Open-Ko-8B-gguf — это квантизированная в формате GGUF версия Llama-3-Open-Ko-8B, разработанной Junbum Lee (Beomi) на основе Meta Llama 3. Модель представляет собой продолжающее предварительное обучение языковой модели Llama-3-8B на более чем 60 ГБ дедуплицированных общедоступных текстов и свыше 17,7 млрд токенов. Квантизация выполнена с помощью llama.cpp. Модель предназначена для генерации текста и кода, включая задачи на английском и корейском языках, а также для локального запуска и разработки приложений на базе языковых моделей. Она использует оптимизированную архитектуру Transformer, содержит около 8 млрд параметров, поддерживает Grouped-Query Attention и имеет контекст длиной до 8 тысяч токенов. В README также приведена конфигурация Ollama с контекстом 4096 токенов и ограничением генерации до 3000 токенов. К сильным сторонам относятся специализация на корейскоязычных данных, совместимость с инструментами llama.cpp и Ollama, а также возможность локального использования квантизированной модели. Это базовая предварительно обученная модель, а не полноценная корейская instruction-tuned версия, поэтому качество диалоговых ответов, следование инструкциям и безопасность требуют дополнительной настройки и тестирования. В README не указаны точные параметры квантизации GGUF и требования к ресурсам. Модель распространяется по лицензии Llama 3 Community License; использование должно соответствовать применимому законодательству и Acceptable Use Policy Meta.

Luaudev-177M-Preview-inst-GGUF — предварительная instruct-модель Pinkstack для генерации кода на Luau, ответов на вопросы и математических запросов. Это GGUF-сборка производной модели Pinkstack/Luaudev-177M-Preview-inst; в метаданных указан формат GGUF BF16. Модель дообучена методом SFT на смеси данных с кодом Luau, математикой и вопросами и ответами. По README, предварительное обучение охватывало 21 млрд токенов, а постобучение — около 1,5 млрд токенов. Модель принимает текст и генерирует текст. Она поддерживает диалоговый режим, четыре уровня рассуждений и интерфейс вызова инструментов, но автор предупреждает, что работа с инструментами и агентные сценарии в этой версии недостаточно качественны. Максимальная длина последовательности, заявленная в README, — 32 тыс. токенов. В README приведены результаты внутреннего PLB-бенчмарка, но они не гарантируют качество на других задачах. Это preview-версия: автор прямо не рекомендует её для production и советует дождаться официального релиза. Модель выпущена по лицензии OpenMDW-1.1.

LunarAI — дообученная языковая модель, созданная ThePegasusGroup на базе deepseek-ai/DeepSeek-Coder-V2-Lite-Base. Она выступает в роли помощника по программированию и особенно ориентирована на разработку плагинов для Minecraft-серверов на Spigot: модель генерирует примеры кода, объясняет работу Spigot API и помогает с задачами на Java, связанными с плагинами. Модель имеет плотную архитектуру DeepSeek V2 и 2,5 млрд параметров; заявленная длина контекста — 163 840 токенов. Репозиторий содержит объединённую с LoRA адаптером версию в safetensors и квантованную до q8_0 версию в GGUF для локального запуска, например через Ollama. Лицензия — Apache-2.0. LunarAI рассчитана на текстовый диалог и генерацию кода. Её специализация на Spigot и Minecraft делает ответы в этой области основным сценарием; качество за пределами программирования для плагинов и Java не охарактеризовано.

LYRA-LLAMA — компактная языковая модель на архитектуре Llama, разработанная и поддерживаемая Muhammad Taqi. Это плотная причинная модель с 1,2 млрд параметров, предназначенная для многоходового диалога, логического анализа и генерации кода. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов; заявленная длина контекста — 131 072 токена. В метаданных указан английский язык. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. README не уточняет базовую модель или процесс обучения, поэтому происхождение модели определить нельзя. Лицензия — Apache-2.0. Заявления о скорости и точности приведены без оценок или бенчмарков; качество генерации кода и рассуждений по карточке проверить нельзя.

MagiSeek-V1.1 — текстовая генеративная модель groxaxo на архитектуре Mistral с 23,4 млрд параметров. Она дообучена на основе groxaxo/MagiSeek-Pro-V1 для диалоговой помощи в программировании и прототипирования работы с инструментами. Модель поставляется в формате Transformers с весами safetensors в bf16 и шаблоном чата; метаданные указывают контекст до 131 072 токенов, тогда как README описывает обучение с длиной контекста 8 192 токена. Это ранний экспериментальный чекпойнт после 800 шагов supervised fine-tuning с QLoRA/rsLoRA, а не завершённый или подтверждённый бенчмарками релиз. Он может помогать разбирать запросы, предлагать изменения кода и формировать следующие практические шаги, а также подходит для экспериментов с диалогом и вызовом инструментов. Лицензия — Apache-2.0. Качество и устойчивость не подтверждены бенчмарками: модель может ошибаться, галлюцинировать, чрезмерно подстраиваться под шаблоны coding agent или предлагать неправильные вызовы инструментов. Сгенерированный код и аргументы инструментов следует проверять; модель не предназначена для самостоятельных решений с высокими последствиями.

Ramikan-BR/Mis3-7b-v1 — дообученная текстовая генеративная модель на архитектуре Mistral, разработанная Ramikan-BR на основе unsloth/mistral-7b-v0.3-bnb-4bit с использованием Unsloth и Hugging Face TRL. В карточке приведён пример ответа на запрос о создании игры «Змейка» на Python; пример содержит ошибки в коде, поэтому качество и надёжность генерации кода по нему подтвердить нельзя. Модель имеет 7,1 млрд параметров и контекстное окно до 32 768 токенов. Метаданные указывают английский язык. Репозиторий содержит веса в форматах PyTorch и safetensors, а лицензия — Apache-2.0.

nuprl/MultiPL-T-DeepSeekCoder_33b — дообученная модель на базе DeepSeekCoder-33b-Base, созданная в рамках проекта MultiPL-T. Она предназначена для генерации кода на языке программирования Racket; репозиторий содержит отдельные контрольные точки по эпохам обучения. Модель имеет плотную архитектуру семейства Llama и около 33,1 млрд параметров, работает через Transformers и распространяется в формате safetensors. Контекст составляет до 16 384 токенов. Модель подходит для генерации кода на Racket и экспериментов с переносом знаний на языки программирования с меньшим объёмом обучающих данных. В README указана лицензия OpenRAIL. Подробности об ограничениях, оценке качества и условиях практического применения в карточке не приведены.

Nex-N2.5-mini-Mixed-Q2Q3-128K-GGUF — неофициальная смешанная квантизация модели Nex-N2.5-mini, разработанной Nex-AGI. Сборку и квантизацию выпустил пользователь karmx для экспериментов на одной видеокарте RTX 5060 Ti с 16 ГБ памяти. Модель распространяется в формате GGUF и предназначена для запуска через llama.cpp. Модель поддерживает текстовые и визуальные сценарии при использовании отдельного vision projector, включая распознавание текста на одном изображении, структурированный tool calling и задачи программирования. В протестированной конфигурации заявлена общая длина контекста 131 072 токена, включая промпт, токены изображения и генерируемый ответ. Основной файл имеет размер около 13,32 ГБ, проектор — около 0,90 ГБ. Квантизация использует Q2_K для части routed-expert-тензоров, Q3_K для другой части, Q5_K для эмбеддингов и выходных тензоров, а также Q4_K_M для остальных тензоров; vision projector оставлен в F16. Обучение, объединение моделей и pruning не выполнялись. Сильными сторонами являются поддержка большого контекста, vision-возможностей, инструментальных вызовов и запуск на относительно компактной видеокарте. При этом это экспериментальная сборка с ограничениями качества и совместимости: в сравнении с эталонной Q5_K_M зафиксировано снижение результатов на HumanEval+ и MBPP+, а отсутствие регрессий не подтверждено. Надёжность работы с 128K-контекстом, несколькими изображениями, скорость на стандартной сборке llama.cpp и отсутствие выгрузки в CPU-память не гарантируются; проверка проводилась на конкретной версии llama.cpp, ОС, GPU и настройках. Модель распространяется по лицензии Apache-2.0. Для работы с изображениями необходимо скачать оба файла — GGUF-модель и vision projector. Это не официальный релиз Nex-AGI.

NVIDIA-Nemotron-3-Nano-4B-GGUF — небольшая языковая модель, разработанная NVIDIA Corporation. Это квантизированная версия NVIDIA-Nemotron-3-Nano-4B-BF16 в формате Q4_K_M, предназначенная для коммерческого использования и работы на периферийных устройствах. Модель обучена с нуля и рассчитана на единое выполнение задач с рассуждением и без него: она может сначала формировать трассу рассуждений, а затем итоговый ответ, причём режим рассуждений управляется системным промптом. Архитектура гибридная: преимущественно слои Mamba-2 и MLP, дополненные четырьмя слоями Attention. Модель сжата из NVIDIA-Nemotron-Nano-9B-v2 с использованием фреймворка Nemotron Elastic. Поддерживается английский язык и языки программирования; в README также указано улучшение с использованием Qwen. Заявлено окно контекста 128k, подтверждённое оценкой RULER. Данные предобучения актуальны по сентябрь 2024 года. Модель ориентирована на Agentic AI в edge-средах, включая Jetson Thor, GeForce RTX и DGX Spark. Основные сценарии — игровые NPC, локальные голосовые ассистенты для устройств, приложений и игр, а также автоматизация IoT. Сильными сторонами являются компактность, пригодность для периферийного развертывания, поддержка рассуждений и сочетание эффективности гибридной архитектуры с большим контекстом. При отключении трасс рассуждений ответы могут быть быстрее и компактнее, но для сложных запросов возможно некоторое снижение точности. Использование регулируется лицензией NVIDIA Nemotron Open Model License.

Tuwhy/Olmo-3-7B-Think-OPSA — дообученная исследовательская модель на базе Olmo-3-7B-Think от Ai2, представленная в виде чекпойнта шага 19. Она использует архитектуру Olmo3ForCausalLM с 6,9 млрд параметров и предназначена для генерации текста в диалоге и задач рассуждения, особенно математических. Обучение OPSA проводилось на вопросах из DAPO-17k без учительской модели, модели вознаграждения и эталонной модели; веса представлены в формате safetensors с типом bfloat16. Модель принимает текстовые запросы, поддерживает контекст до 65 536 токенов и рассчитана прежде всего на английский язык. В карточке приведены результаты на математических тестах AIME24, AIME25 и HMMT25, а также на MBPP+ и GPQA-Diamond; эти оценки воспроизводят результаты авторов. Для генерации авторы рекомендуют экспериментировать с температурой 1,5, top_p 0,8 и top_k 20, но оптимальные настройки зависят от задачи. Модель распространяется по лицензии Apache-2.0.