II.2Создание и понимание программного кода

OPSD-PI Qwen3.5-9B Medium Trailing — это полностью объединённый чекпойнт Qwen3.5-9B, опубликованный LSW142857. Репозиторий содержит промежуточную версию на итерации 8 после девяти завершённых обновлений, а не финальную версию на итерации 31. В веса включены экспертная SFT-инициализация, обновления OPSD LoRA для основной модели и MTP, а также непосредственно обученные тензоры full-MTP; для загрузки дополнительных адаптеров или чекпойнтов не требуется. Модель имеет плотную архитектуру Qwen3.5 и загружается через Transformers; заявлены чат и задачи с кодом. Чекпойнт предназначен для экспериментальной оценки студенческой модели после обучения с PI-моделью в роли учителя. В README рекомендовано оценивать студента без добавления Medium PI и использовать отложенные задания, а не 1024 обучающие строки. Параметры обучения, метрики итерации 8, происхождение и хеши частей весов вынесены в файлы конфигурации и манифеста. Сведения о лицензии и контекстном окне в предоставленных данных отсутствуют.

Карточка модели ArchiveStudio/phi-1 на Hugging Face совпадает с карточкой microsoft/phi-1, поэтому описание составлено по ней. Phi-1 — языковая модель Microsoft на архитектуре Transformer с 1,7 млрд параметров и контекстом 2048 токенов. Она предназначена прежде всего для генерации простого кода на Python; в репозитории доступны веса в формате safetensors, а для работы используется библиотека Transformers. README сообщает, что при обучении использовались фрагменты кода Python, вопросы и ответы с StackOverflow, соревновательные задачи и синтетические учебные материалы. В тесте HumanEval модель показала точность выше 50%. Модель лучше работает с запросами, оформленными как фрагмент кода с комментарием или docstring, после которого нужно продолжить код. Phi-1 подходит для создания черновиков Python-функций и примеров, а также для подсказок при решении простых задач программирования. Английский — язык карточки; данных о поддержке других естественных языков нет. Модель часто ошибается и может неверно использовать API, особенно для библиотек за пределами небольшого набора распространённых пакетов из обучающих данных. Ответы в формате чата и на общие вопросы ненадёжны; сгенерированный код нужно проверять на корректность и безопасность. Лицензия — MIT.

QaptaanLM-0.75B-ONNX — экспортированные веса графа ONNX Runtime для базовой foundation-модели QaptaanLM-0.75B, разработанной kaptaan45. Модель предназначена для генерации текста и прежде всего для лёгкого автодополнения кода во встроенных браузерных IDE, а также для вывода кода на периферийных устройствах. Она может использоваться через ONNX Runtime, включая сценарии с CPU, CUDA и WebGPU. Модель имеет архитектуру causal language model и размер 0,75 млрд параметров. Согласно карточке, она связана с семейством Qwen и использует hybrid attention; исходная модель прошла continued pretraining. Указаны английский язык и код, поэтому основными сценариями являются работа с англоязычным программным кодом и текстовыми подсказками. Формат ONNX делает модель удобной для запуска в браузере и на устройствах с ограниченными ресурсами, однако README не содержит данных о размере контекста, точных поддерживаемых языках программирования, производительности, качестве генерации или требованиях к памяти. Модель распространяется по лицензии Apache 2.0. Она является базовой, а не инструкционно дообученной моделью, поэтому её поведение ориентировано на продолжение последовательности и автодополнение, а не на выполнение сложных диалоговых команд без дополнительной настройки.

Qwen2-57B-A14B — базовая большая языковая модель серии Qwen2, разработанной командой Qwen. Это декодерная модель на архитектуре Transformer с разреженной смесью экспертов (MoE): всего 57 млрд параметров, из которых 14 млрд активируются при одном проходе. Модель предназначена для дальнейшего обучения и оценки возможностей в генерации и понимании текста, ответах на вопросы, рассуждениях, математике, программировании и многоязычных задачах. Модель принимает текст и генерирует текст; карточка указывает контекст до 131 072 токенов и адаптивный к разным естественным языкам и кодам токенизатор. В README не советуют использовать базовую версию для прямой генерации и рекомендуют сначала провести дополнительное обучение, например SFT, RLHF или продолжение предобучения. Для загрузки архитектуры Qwen2MoE требуется Transformers версии 4.40.0 или новее. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0.

Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-deft_stocky_termite — языковая модель для работы с программным кодом, судя по идентификатору основанная на Qwen2.5-Coder с инструкционной настройкой. Модель размещена пользователем sabitbro; в README также указаны связи с проектами и методами rl-swarm, genrl-swarm, GRPO и Gensyn. Суффикс deft_stocky_termite, вероятно, обозначает конкретный вариант или участника распределённого обучения, однако подробности этого процесса не приведены. Заявленное назначение — выполнение инструкций и решение задач, связанных с программированием, например генерация, объяснение или изменение кода. Из доступных данных известен размер около 0,5 млрд параметров. Сведения о поддерживаемых языках, длине контекста, точной архитектуре, обучающих данных, результатах оценки, ограничениях и рекомендуемых сценариях использования отсутствуют. Лицензия в README не указана. Также отсутствуют данные о разработчике, происхождении базовой модели, условиях коммерческого использования и безопасности, поэтому перед применением в продуктивных системах необходимо самостоятельно проверить метаданные репозитория и качество модели на целевых задачах.

afroneko/Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-frisky_foraging_duck — языковая модель на архитектуре Qwen2 для генерации текста, опубликованная пользователем afroneko на Hugging Face. Название указывает на вариант Qwen2.5-Coder-0.5B-Instruct, участвовавший в Gensyn Swarm; карточка репозитория автоматически создана и не содержит подробностей о разработчике или обучении. Модель содержит около 494 млн параметров, использует архитектуру Qwen2ForCausalLM и имеет заявленное контекстное окно 32 768 токенов. Она предназначена для генерации текста; название указывает на ориентированность исходного семейства на задачи программирования и следование инструкциям. Репозиторий содержит веса Safetensors. Сведения о лицензии, поддерживаемых языках и специальных ограничениях карточка не приводит.

DeryFerd разработал эту причинно-языковую модель на базе Microsoft Phi-2 и дообучил её для генерации кода на Python и пошагового решения математических задач. Модель содержит 3,5 млрд параметров, использует архитектуру PhiForCausalLM, распространяется в формате Safetensors и работает с контекстом до 2048 токенов. Для обучения использовались примеры из MBPP, opc-sft-stage2, GSM8K, MetaMathQA и MATH; в карточке заявлен английский язык. Модель предназначена для генерации функций Python по описанию или docstring, а также для решения школьных текстовых задач с объяснением хода решения. Она может быть полезна как компактный помощник по программированию и математике и для быстрого прототипирования. Лицензия — MIT. Качество ответов за пределами базового кода на Python и школьной математики ограничено. Сгенерированные программы могут быть логически неверными или небезопасными, а математические решения — содержать ошибки, поэтому результаты следует проверять. В README также отмечен возможный конфликт памяти GPU при совместной загрузке с существенно более крупной и архитектурно отличающейся моделью; рекомендуется запускать её в отдельном процессе.

Карточка модели crazyman177607/Qwen3-0.6B-Base 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.

jaymanaryan/qwen3-0.6b-reasoning-indic-merge — слитая модель на архитектуре Qwen3-0.6B, созданная автором репозитория с помощью arcee_fusion из кластеров reasoning_stem и indic. Это плотная авторегрессионная модель примерно на 507,9 млн параметров с контекстом до 40 960 токенов; она предназначена для генерации текста, диалогов, рассуждений, математических задач, программирования и запросов на Indic-языках, включая Hinglish. В README указаны проверки на небольшом наборе промптов: результаты были связными, а проверка perplexity дала значение около 28,1. Модель ориентирована на компактное локальное применение и поддерживает интерфейсы чата и вызова инструментов. В тестах по умолчанию проявлялись видимые цепочки рассуждений с многоточиями. Она не специализируется на творческом письме и не заявлена для медицинских или широких общих задач; приведённые проверки ограничены небольшим набором примеров. Лицензия — Apache-2.0.

Authereon разработал Qwen3.6-35B-A3B-Fable-5-Distill-heretic — текстовую диалоговую модель на архитектуре Qwen3.6 MoE, полученную из armand0e/Qwen3.6-35B-A3B-Fable-5-Distill. Исходная модель была дообучена на сессиях Claude Fable 5; эта версия прошла LoRA-DPO с 4 559 примерами и предназначена для снижения податливости к инструкциям, внедрённым в контекст агента, при сохранении сниженного уровня отказов. Модель рассчитана на диалоговые и агентные сценарии, включая ответы на запросы и работу с инструментами при наличии явно заданных схем. В README приведены результаты тестов защиты от нескольких типов prompt injection; улучшение зависит от типа атаки и не гарантирует защиту от новых атак. Для ограничения утечки данных через аргументы инструментов автор требует внешнюю фильтрацию исходящих аргументов. Модель основана на Qwen3.6-35B-A3B, но размер активируемых параметров в метаданных не указан. Репозиторий содержит веса safetensors и опубликован под лицензией Apache-2.0.

Qwen3.8-20B-Minitron — экспериментальная производная модель exnivo на базе Qwen/Qwen3.8-27B. Это плотная мультимодальная модель с архитектурой Qwen3.5 и классом Qwen3_5ForConditionalGeneration, принимающая текст и изображения и предназначенная для диалогов и генерации ответов по визуальному содержимому. Модель уменьшена структурным удалением слоёв: число языковых слоёв сокращено с 64 до 44, а размер — с 27,357 до 19,746 млрд параметров; это не квантизация. После удаления слоёв модель восстанавливали дистилляцией по логитам исходной модели, обучением на текстовых, учебных, математических и кодовых данных, а также корректировкой с помощью LoRA с последующим слиянием адаптера в веса. Разработчик приводит результаты собственных проверок, но они не являются стандартизованными бенчмарками. Модель распространяется в формате safetensors под лицензией Apache-2.0. Качество и устойчивость могут уступать исходной модели; особенно отмечена слабость в рассуждениях о последовательностях и шаблонах, а также ошибки при необычных формулировках. Восстановление и оценка были сосредоточены главным образом на тексте, поэтому возможности сохранённой визуальной части проверены ограниченно.

Qwen3-Embedding-0.6B-GraphQL — компактная модель эмбеддингов, дообученная xthor на базе Qwen/Qwen3-Embedding-0.6B с использованием набора данных xthor/Qwen3-Embedding-GraphQL-v1. Она предназначена для локального извлечения GraphQL-координат Type.field по вопросам на естественном языке, особенно в AI-агентах, которым нужно находить релевантные части большой схемы без передачи всей схемы в контекст. Указанный язык — английский. Модель основана на архитектуре SentenceTransformers, содержит около 0,6 млрд параметров и формирует векторы размерности 1024. Для запросов и документов корпуса предусмотрены отдельные промпты: query следует использовать для естественно-языковых вопросов, а document — для описаний GraphQL-координат. Поддерживаются веса SentenceTransformers и сборки GGUF для llama.cpp и Ollama; доступны варианты F16, Q8_0 и Q4_K_M с различным соотношением качества и размера. Ключевое преимущество — специализация на различении одинаковых имён полей у разных GraphQL-типов. На приведённом бенчмарке модель достигает recall@20 50,6% и recall@50 63,6%, превосходя базовую модель и указанные OpenAI-эмбеддинги по извлечению полевых координат. Качество существенно зависит от формата корпуса: рекомендуются SDL-фрагменты или форматирование dot_plus_gloss. Ограничения включают сравнительно невысокий размер контекста и специализацию на GraphQL retrieval; показатели зависят от структуры схемы и представления документов. Модель распространяется по лицензии Apache-2.0.

Это компактная языковая модель Qwen2.5 с архитектурой Qwen2ForCausalLM, разработанная дообучением Qwen/Qwen2.5-0.5B-Instruct командой автора репозитория. Модель предназначена для узкой подзадачи агентной разработки: преобразует обычный текстовый запрос в исполняемое поисковое регулярное выражение для поиска по коду и возвращает результат в заданной JSON-схеме. Модель содержит 494 млн параметров, работает с текстом и имеет контекст до 32 768 токенов. В проверке на отложенных репозиториях HTTPX и Jinja2 корректность результата после одной попытки обратной связи по схеме составила 88,4%; валидность JSON с первой попытки — 100%. Рекомендуется использовать её внутри проверяющей обвязки с детерминированными ограничениями и резервными правилами. Это экспериментальная специализированная модель, а не универсальный помощник по программированию; README отмечает узкую схему и возможную потерю широких навыков следования инструкциям. Лицензия — Apache-2.0.

Soar-qwen-32b-i1-GGUF — квантизированная версия модели Soar-qwen-32b, разработанной julien31. Квантизацию выполнил mradermacher; модель основана на Qwen с заявленным размером 32B параметров и распространяется в формате GGUF. Модель предназначена для генерации текста, написания кода, программного синтеза и задач, связанных с ARC и ARC-AGI, включая подходы на основе эволюционных алгоритмов. В метаданных указан английский язык. Данные для обучения включают набор julien31/soar_arc_train_5M. Информация о поддерживаемых модальностях, размере контекстного окна и точной архитектуре в README не приведена, поэтому модель следует рассматривать как текстовую. Доступны варианты квантизации от IQ1_S до Q6_K с размером файлов примерно от 7,4 до 27 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; README рекомендует Q4_K_M как быстрый вариант и отмечает Q4_K_S как хороший компромисс между размером, скоростью и качеством. Ограничения включают потери качества, зависящие от выбранного уровня квантизации, а также отсутствие подробных оценок производительности и спецификаций контекста. Лицензия — Apache-2.0.

Solidity Llama 3 — языковая модель семейства Llama 3, разработанная для автодополнения и заполнения пропусков в коде на Solidity. Она основана на Llama 3 8B и дополнительно обучена на наборе DISL с реальными смарт-контрактами, развёрнутыми в основной сети Ethereum. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и работает через Transformers; для весов указан формат safetensors. Модель рассчитана на интеграцию в редакторы кода и использует формат Fill-in-the-Middle: контекст до курсора и после него задаёт место, которое нужно заполнить. Максимальный родной контекст — 8192 токена. Метаданные и карточка указывают английский язык. Модель может быть полезна для генерации и продолжения Solidity-кода, но её качество за пределами автодополнения и заполнения кода на Solidity может быть низким; результат требует проверки. Лицензия в карточке не определена, поэтому условия использования следует уточнить у автора.

speechless-tools-7b — дообученная языковая модель от uukuguy на базе speechless-coding-7b-16k-tora, созданная по рекомендациям проекта ToolLlama. Она предназначена для генерации текста с вызовом инструментов и работы с разнообразными API, в том числе для выбора подходящего API и формирования инструкций для него. Модель использует плотную архитектуру Llama и содержит 6,6 млрд параметров; длина контекста — 16 384 токена. Репозиторий предоставляет веса в формате PyTorch. В README приведены результаты локального сравнения с ChatGPT-CoT и ToolLlama на наборах G1_instruction, G1_category и G1_tool; они указывают на оценку сценариев выбора и применения инструментов. Модель лицензирована по условиям Llama 2. В карточке не перечислены поддерживаемые естественные языки и конкретные ограничения качества.

Карточка модели princeton-nlp/SWE-Llama-13b на Hugging Face совпадает с карточкой princeton-nlp/SWE-Llama-7b, поэтому описание составлено по ней. SWE-Llama-7b — языковая модель Princeton NLP на основе архитектуры CodeLlama, дообученная для решения задач программной инженерии. Она генерирует патчи по описанию проблемы в GitHub и контексту кода; обучение проводилось на 19 тысячах задач и pull request из 37 репозиториев Python, не входивших в SWE-bench. Модель содержит около 6,6 млрд параметров, использует архитектуру Llama и принимает текстовый контекст длиной до 16 384 токенов. Модель предназначена для помощи в исправлении ошибок и подготовке изменений в коде Python, в частности в сценариях, похожих на задачи SWE-bench. В опубликованной оценке SWE-Llama-7b решила 3% задач при предоставлении эталонного контекста. Это указывает на ограниченную результативность автономного решения задач; сгенерированные изменения требуют проверки. Доступный формат весов — PyTorch. Лицензия в предоставленных данных не указана.

TinyR1-32B-Preview — экспериментальная модель рассуждений, разработанная командой Qihoo 360 на основе DeepSeek-R1-Distill-Qwen-32B. Это плотная языковая модель семейства Qwen2 с 32 млрд параметров; она принимает текст и генерирует текст, а нативная длина контекста составляет 131 072 токена. Модель создана объединением трёх специализированных вариантов, дообученных на математике, программировании и науке, и предназначена для решения задач в этих областях. В README сообщается о высоких результатах на отдельных тестах по математике, программированию и научным вопросам. Модель доступна в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка характеризует её как preview-релиз и предупреждает, что она не предназначена для общего пользовательского применения. Возможны повторяющиеся циклы генерации при неподходящих настройках; авторы рекомендуют temperature 0.6 и top-p 0.95. Модель может выдавать чрезмерно длинные цепочки рассуждений, имеет ограничения в маркерах начала рассуждения и требует дополнительных мер безопасности; опубликованные оценки охватывают ограниченный набор тестов.

jungler9/vuse — текстовая разговорная модель для генерации ответов и рассуждений. В README она представлена как Ling-3.0-tiny, компактная гибридная MoE-модель для локального запуска и ресурсоограниченных сред. Однако карточка противоречит метаданным: README заявляет 7,9 млрд параметров, из которых активны 1,3 млрд на токен, а метаданные указывают 977,5 млн параметров и архитектуру Bailing MoE V3. Поэтому эти характеристики нельзя однозначно отнести к опубликованному репозиторию. README описывает чередование слоёв KDA и MLA и разреженную MoE-сеть с 128 экспертами, а также режимы быстрого ответа и пошагового рассуждения. Среди целевых сценариев названы агентные задачи, программирование, математика, научные рассуждения и следование инструкциям. Метаданные указывают контекст 131 072 токена, формат safetensors и возможность чата; заявленная в README поддержка FP8 и INT4 расходится с форматом репозитория. Модель опубликована под лицензией MIT. Из-за несоответствия README и метаданных размер, архитектуру и форматы весов следует считать неподтверждёнными; README также не перечисляет языки модели.

Zyphra ZR1-1.5B-GGUF — это набор квантизированных вариантов текстовой генеративной модели ZR1-1.5B, разработанной Zyphra и подготовленной пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, включая задачи, связанные с математикой и программированием; среди использованных датасетов указаны AI-MO/NuminaMath-CoT, codeparrot/apps, deepmind/code_contests, BAAI/TACO и MatrixStudio/Codeforces-Python-Submissions. Заявленный язык — английский. В набор входят версии с разными уровнями квантизации — от BF16 до 2-битных вариантов, с размером файлов примерно от 0,75 до 3,56 ГБ. Более качественными и рекомендуемыми автор считает варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q4_K_L, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS; версии с меньшей разрядностью экономят оперативную память, но снижают качество. Архитектура исходной модели, максимальная длина контекста, точное число параметров и поддерживаемые модальности в README не указаны; из идентификатора и названия следует размер класса 1,5B, но дополнительные характеристики подтверждены не были. Модель можно запускать через LM Studio, llama.cpp и другие проекты на его основе. Приведён специальный формат промпта с ролями system, User и Assistant, поэтому при использовании следует придерживаться указанной шаблонной структуры. Основные ограничения — небольшая ёмкость модели, возможное ухудшение качества в квантизированных версиях и отсутствие данных о производительности, безопасности и поддержке языков помимо английского. Лицензия — MIT.

AAP-SQL Candidate Reranker — англоязычный cross-encoder, разработанный для этапа переранжирования кандидатов в схеме Text-to-SQL. Он получает кандидатов столбцов, найденных первым этапом поиска схемы, оценивает их релевантность и оставляет 10 наиболее важных для последующего дополнения промпта. Модель построена на cross-encoder/ms-marco-MiniLM-L6-v2 с архитектурой BERT и содержит 25,9 млн параметров; длина контекста — 512 токенов. Модель дообучена на примерах ранжирования схем, полученных из обучающей части BIRD и описаний схем. Она предназначена для использования в конвейере AAP-SQL, а не как самостоятельная модель генерации SQL. Для работы ожидается sentence-transformers версии 5.1.2 или новее. Веса опубликованы в формате safetensors; лицензия в предоставленных источниках не указана.

Aetheris-Core-2B — языковая модель Miiyamoto255 для локальной генерации текста и диалогов. Она использует плотную архитектуру Gemma 2 с причинной языковой моделью на 2,7 млрд параметров; контекст составляет до 8192 токенов. В карточке заявлены помощь в программировании и разработке игр, рассуждения, следование инструкциям, объяснения, ответы на вопросы, суммаризация и творческая генерация. Указаны Python, JavaScript, HTML/CSS, C и C++, однако метаданные подтверждают английский как язык модели. Модель распространяется в формате Safetensors и предназначена для быстрого локального запуска при умеренных требованиях к памяти. В метаданных её происхождение отмечено как слияние с google/gemma-2-2b-it; карточка при этом называет её созданной с нуля, поэтому детали происхождения описаны противоречиво. Автор заявляет о меньшей склонности к необоснованным отказам. Модель может ошибаться в рассуждениях и ответах, а её надёжность для перечисленных задач не подтверждена приведённой демонстрацией. Указана пользовательская лицензия Miiyamoto255; перед использованием следует ознакомиться с её условиями.

Arch-Agent-3B — дообученная языковая модель Katanemo для вызова функций и агентных сценариев. Она основана на Qwen/Qwen2.5-Coder-3B-Instruct и использует плотную архитектуру Qwen2 с 3,1 млрд параметров; для работы с моделью в README рекомендована библиотека Transformers версии 4.51.0 или новее. Модель предназначена для многоходового диалога с инструментами, выбора функций и планирования последовательностей вызовов API. Она может разбивать сложные запросы на подзадачи, учитывать промежуточные результаты и продолжать работу в нескольких ходах. README сообщает об оценке на Berkeley Function-Calling Leaderboard; для многоходовой оценки применялось масштабирование YaRN при контексте 64K. Метаданные указывают нативный контекст 32 768 токенов. Для получения JSON-подобных вызовов функций рекомендуется использовать формат промпта Katanemo. Модель принимает текстовые запросы и генерирует текстовые ответы с вызовами функций. Карточка описывает поддержку английского языка. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория. Описанные возможности зависят от правильного формата промпта и наличия внешних инструментов; в предоставленной карточке нет подробных результатов бенчмарка или описания ограничений надёжности.

Atomight V2.5-1.7B — языковая модель NovatasticRoScript для генерации текста и диалогов с упором на пошаговые рассуждения. Она основана на Qwen/Qwen3-1.7B и дообучена методом GRPO с использованием LoRA/PEFT; адаптер объединён с весами в 16-битном формате. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3 для причинной генерации текста и поддерживает контекст до 40 960 токенов. Модель предназначена для математических и STEM-задач, научных вопросов, программирования, отладки, многошагового планирования и сценариев с агентами. В карточке заявлено обучение на открытых наборах данных по STEM, науке, математике и коду; также приведены результаты собственных оценок на ряде бенчмарков. Основной язык, указанный в метаданных карточки, — английский. Модель распространяется по лицензии CC-BY-4.0. Это компактная модель, поэтому её результаты могут уступать более крупным системам; авторы отдельно отмечают слабые результаты на задачах HumanEval и MBPP по сравнению с некоторыми моделями, специально дообученными для кода. Результаты бенчмарков заявлены авторами и не являются независимой проверкой.

AynCoding-Qwen2.5-Coder-1.5B-Instruct — диалоговая модель для генерации кода, основанная на Qwen2.5-Coder-1.5B-Instruct и дообученная для задач классической арабской логики (мантик) и синтеза кода. Это плотная причинно-языковая архитектура Qwen2 с 1,5 млрд параметров, принимающая текст и выдающая текст; заявленная длина контекста — 32 768 токенов. Карточка описывает её как чекпойнт Transformers в формате Safetensors, совместимый с распространёнными средствами инференса и оценки. Модель предназначена для генерации и анализа кода с учётом понятий эпистемической логики и арабской интеллектуальной традиции. В README приведены результаты HumanEval и метрики сохранения логических инвариантов и синтаксической корректности, однако методика и независимая проверка этих результатов не представлены. Языки карточки — английский и арабский; упоминание классической арабской логики указывает на специализированный контекст, но не доказывает поддержку генерации на арабском языке. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке репозитория.

Карточка модели dolphin-the-goat/baby-dolphin-2.0 на Hugging Face совпадает с карточкой microsoft/phi-2, поэтому описание составлено по ней. Phi-2 — базовая плотная Transformer-модель Microsoft с 2,7 млрд параметров, предназначенная для генерации текста. Она предсказывает следующий токен и рассчитана прежде всего на стандартный английский. В карточке Hugging Face указаны 3,5 млрд параметров; контекст составляет 2048 токенов. Модель распространяется в формате safetensors по лицензии MIT. Phi-2 подходит для ответов на вопросы, диалоговых подсказок и генерации кода, особенно на Python. В бенчмарках на здравый смысл, понимание языка и логические рассуждения модель показала высокие результаты среди моделей менее 13 млрд параметров. Она не проходила дообучение на инструкциях или RLHF, поэтому может плохо следовать сложным указаниям и часто выдаёт лишний текст. Сгенерированные факты и код требуют проверки: модель может ошибаться, а её знания о коде в основном охватывают Python и распространённые библиотеки. Возможны общественные предубеждения и токсичные ответы. Microsoft указывает, что модель не проверена для производственных задач без предварительной оценки.

AmberYifan/capsdnum-marin-8b-base-code_cap_b1000_s0 — дообученная модель на базе marin-community/marin-8b-base, созданная с использованием набора данных capsd_marin-8b-base-n80000-opc__mix_code_cap_b1000_s0. Это плотная Llama-модель с 7,5 млрд параметров для генерации текста; метаданные также указывают на возможность диалогового использования. Заявленный контекст составляет 4096 токенов, библиотека — Transformers. Название набора данных указывает на примеры, связанные с кодом и его описаниями, однако карточка не уточняет конкретные задачи, языки программирования, методы оценки или ожидаемое качество. Базовая Marin 8B Base описана как англоязычная модель для генерации и продолжения текста. Лицензия указана как other, поэтому условия использования следует проверять в материалах репозитория.

mondk/Claude-smolLM2-2B.safetensors — англоязычная модель генерации текста, разработанная пользователем mondk на основе HuggingFaceTB/SmolLM2-1.7B. Модель распространяется в формате safetensors и обучалась с использованием корпусов SmolLM, The Stack, SmolTalk, UltraFeedback и набора трассировок claude-code-fable-5-traces.jsonl. Модель предназначена для диалоговой генерации текста и сценариев, связанных с вызовами инструментов; метаданные также отмечают её как conversational и tool-call модель. Она может использоваться для создания ответов ассистента, прототипирования небольших локальных чат-ботов и экспериментов с генерацией структурированных действий. Объём модели составляет 1,7 млрд параметров, а нативное контекстное окно — 8192 токена. К сильным сторонам относятся небольшой размер, англоязычная специализация и возможность локального применения в задачах генерации текста и взаимодействия с инструментами. Из-за компактного размера модель может уступать более крупным моделям в сложном рассуждении, точности и устойчивости формата; конкретный формат вызова инструментов в карточке не описан. Модель распространяется по лицензии Apache-2.0.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO с помощью OpenRLHF. Обучение с подкреплением применялось непосредственно к базовой модели без предварительного SFT; чекпойнт сохранён на шаге 16 и показал лучший в этом запуске результат pass@8 на отложенных задачах генерации кода. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Чекпойнт предназначен прежде всего для генерации программ по условиям задач, включая задачи, где исходная модель справлялась редко. Обучение использовало бинарную награду за прохождение тестов, а также штрафы за усечение и чрезмерно длинные ответы. Показатель pass@8 на валидации составил 0,1614; опубликованное значение pass@1 равно -0,4173 и требует осторожной интерпретации. Это отдельный ранний исследовательский RL-чекпойнт, поэтому результат не гарантирует качество на других наборах задач. Файлы представлены в формате safetensors для Transformers; лицензия в предоставленных данных не указана.

neulab/codebert-java — модель семейства RoBERTa, разработанная на основе microsoft/codebert-base-mlm и дообученная на исходном коде Java из набора codeparrot/github-code-clean. Обучение продолжалось 1 000 000 шагов с размером пакета 32 для задачи восстановления замаскированных токенов. Модель предназначена для использования в CodeBERTScore и может применяться для заполнения пропусков в Java-коде и других задач анализа кода, где полезны представления, обученные на Java. Число параметров — 151,8 млн, длина контекста — 514 токенов; формат репозитория — PyTorch. Карточка не сообщает отдельную лицензию и не описывает сравнительные преимущества или ограничения качества модели.