II.2Создание и понимание программного кода

CodeRankLLM — языковая модель на 7,1 млрд параметров, разработанная nomic-ai и дообученная на базе Qwen/Qwen2.5-Coder-7B-Instruct для списочного переранжирования фрагментов программного кода. Она оценивает несколько найденных passages одновременно и помогает улучшить порядок результатов поиска кода; модель предназначена для использования вместе с эффективными кодовыми ретриверами, например CodeRankEmbed. Для обучения использовали 50 000 примеров из CoRNStack, а ранжированные ответы Qwen-2.5-32B-Instruct — как источник supervision. Архитектура — плотная Qwen2, контекст — 32 768 токенов; репозиторий содержит веса safetensors. Лицензия — MIT. Модель ориентирована на кодовый поиск, однако качество зависит от ретривера и соответствия входных данных обучающему сценарию.

CoMa-7B-v0.1 — экспериментальная объединённая языковая модель, созданная DevQuasar с помощью mergekit из предварительно обученных Meta Llama 2 7B и CodeLlama 7B. Использован линейный метод с весами 1,0 для Llama 2 и 0,5 для CodeLlama; в конфигурации указана точность float16. Модель содержит около 6,6 млрд параметров и имеет контекст длиной до 4096 токенов. Модель предназначена для генерации текста, включая сценарии, связанные с кодом. Карточка описывает её как эксперимент по объединению моделей и не приводит результатов оценки качества или подробных рекомендаций по применению. Лицензия — Llama 2; её условия следует учитывать при использовании модели.

DeepSeek-Coder-Instruct-8x1.3b — чат-модель для генерации текста, опубликованная SanjiWatsuki. Это объединение нескольких моделей с помощью mergekit; архитектура Mixtral использует разреженную смесь экспертов. В репозитории указано 1,3 млрд параметров и контекст до 16 384 токенов. Модель предназначена для диалогового использования и генерации текста; название указывает на специализацию на программировании, однако README не описывает конкретные возможности или качество в задачах кодирования. Файлы опубликованы в формате safetensors. Лицензия — Apache-2.0. README не раскрывает состав объединения, поэтому базовые модели определить нельзя.

Deepthink-1.5B-Open-PRM Fine-tuned GGUF — это языковая модель на основе prithivMLmods/Deepthink-1.5B-Open-PRM, дообученная на диалогах для обучения на вьетнамском языке. Модель рассчитана на чат с объяснением решений задач по математике, программированию, литературе, переводу и логическому рассуждению. Согласно карточке, LoRA-адаптер объединён с базовой моделью, а веса преобразованы из F16 в GGUF F16 для локального запуска через LM Studio, Ollama или llama.cpp. Поддерживаются вьетнамский и английский языки. Модель распространяется по лицензии Apache-2.0. Размер параметров и длина контекста в предоставленных данных не приведены.

DPO-Think-14B — плотная языковая модель на архитектуре Qwen2 с 14 млрд параметров, разработанная INSAIT-Institute для проверки решений задач по программированию. Она дообучена методом DPO на наборе INSAIT-Institute/Aletheia-DPO поверх deepseek-ai/DeepSeek-R1-Distill-Qwen-14B и использует заранее собранные трассы рассуждений без обучения на новых примерах в процессе оптимизации. Модель получает условие задачи и несколько кандидатных решений, оценивает их корректность и ранжирует кандидатов. Модель предназначена для использования как оценщик или функция вознаграждения в оптимизации генерации кода, а также для автоматической оценки решений. Метаданные указывают контекст до 131 072 токенов и формат safetensors; модель работает с текстовыми входами и генерирует текстовый вердикт. Лицензия CC BY-NC-SA 4.0 допускает использование на её условиях, включая ограничения на коммерческое применение. Проверка кода ориентирована на конкурентное программирование; результаты зависят от точности формулировки запроса и кандидатов, а модель не заменяет исполнение кода для подтверждения его корректности.

Estragon-9B — специализированная текстовая модель Blugart для генерации кода на GDScript под Godot 4.7. Это дообученная методом SFT и GRPO плотная модель семейства Qwen3.5 с 7,2 млрд параметров; для обучения с подкреплением использовалась оценка headless-сборкой Godot. Модель предназначена для написания идиоматичного кода с актуальным API Godot 4.7, включая скрипты игровой логики и выполнение технических требований в запросе. По README, на наборе GDScript-Eval v2 модель набрала 248 из 300 при одном жадном запуске и 285 из 300 при восьми попытках; результаты зависят от системного промпта, который входит в рекомендуемую настройку. Нативное окно контекста — 262 144 токена. Модель принимает текст и выдаёт текст с кодом; она ориентирована на GDScript и не является универсальным помощником. Известные слабые места — редкие методы API, длинные цепочки требований и временная логика таймеров и tween-анимаций. Лицензия — Apache-2.0.

Это версия Gemma 4 12B в формате SafeTensors, опубликованная пользователем tepirale. Согласно карточке, веса преобразованы из GGUF в SafeTensors; метаданные связывают модель с yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF и классифицируют её как дообученную производную. Модель предназначена для диалоговых сценариев с изображениями; теги также указывают на агентное использование, работу с инструментами и кодом. Архитектура — плотная Gemma4UnifiedForConditionalGeneration, размер семейства — 12B по идентификатору модели. Карточка указывает поддержку изображений и текста, а лицензия в метаданных — Apache-2.0. README сообщает о конверсии формата, но не описывает методику преобразования или проверку сохранности поведения; сведений о контекстном окне и поддерживаемых естественных языках в предоставленных данных нет.

Карточка модели GENNKANN/Gemma-4-31B-JANG_4M-CRACK на Hugging Face совпадает с карточкой YuviAzu/Gemma-4-31B-JANG_4M-Jailbreak, поэтому описание составлено по ней. YuviAzu/Gemma-4-31B-JANG_4M-Jailbreak — конверсия Gemma 4 31B Instruct от dealignai с удалёнными ограничениями на ответы и смешанной точностью. Модель построена на плотном трансформере Gemma 4 с гибридным скользящим и глобальным вниманием; карточка сообщает о 60 слоях и размере около 18 ГБ. Веса внимания и эмбеддинги сохранены в 8-битном представлении, остальные компоненты преимущественно сжаты до 4 бит. Для запуска указан MLX или совместимый движок с поддержкой Gemma 4; рекомендуются Apple Silicon и не менее 24 ГБ объединённой памяти. Модель предназначена для диалогов, написания кода и ответов на запросы, в том числе на темы, от которых обычные модели могут отказаться. В README приведены результаты собственных тестов: 93,7% соответствия запросам в HarmBench и снижение результата MMLU на 2 процентных пункта; это заявления автора карточки, а не независимая оценка. Лицензия — Gemma; модель ориентирована на исследование поведения моделей безопасности. Карточка также сообщает о сохранённом vision-энкодере, но не описывает проверенные сценарии работы с изображениями.

Карточка модели TitanPythons/Gemma-4-31B-JANG_4M-Uncensored на Hugging Face совпадает с карточкой YuviAzu/Gemma-4-31B-JANG_4M-Jailbreak, поэтому описание составлено по ней. YuviAzu/Gemma-4-31B-JANG_4M-Jailbreak — конверсия Gemma 4 31B Instruct от dealignai с удалёнными ограничениями на ответы и смешанной точностью. Модель построена на плотном трансформере Gemma 4 с гибридным скользящим и глобальным вниманием; карточка сообщает о 60 слоях и размере около 18 ГБ. Веса внимания и эмбеддинги сохранены в 8-битном представлении, остальные компоненты преимущественно сжаты до 4 бит. Для запуска указан MLX или совместимый движок с поддержкой Gemma 4; рекомендуются Apple Silicon и не менее 24 ГБ объединённой памяти. Модель предназначена для диалогов, написания кода и ответов на запросы, в том числе на темы, от которых обычные модели могут отказаться. В README приведены результаты собственных тестов: 93,7% соответствия запросам в HarmBench и снижение результата MMLU на 2 процентных пункта; это заявления автора карточки, а не независимая оценка. Лицензия — Gemma; модель ориентирована на исследование поведения моделей безопасности. Карточка также сообщает о сохранённом vision-энкодере, но не описывает проверенные сценарии работы с изображениями.

Granite-3B-Code-Instruct-2K — языковая модель IBM Research, дообученная на Granite-3B-Code-Base-2K для выполнения инструкций по программированию. Модель с архитектурой Llama содержит 3,5 млрд параметров, принимает текст и использует контекст до 2048 токенов. Она предназначена для создания помощников по программированию: может отвечать на запросы о коде, помогать с решением задач и рассуждениями, а также работать с инструкциями для генерации кода. Для настройки использовались наборы данных с коммитами, примерами кода и инструкциями, математическими задачами и общими диалоговыми запросами. Обучающие данные о коммитах охватывают 92 языка программирования; это не означает поддержку 92 естественных языков. IBM указывает, что модель не рекомендуется для новых проектов и опубликована для исторических и научных целей; для новых приложений рекомендуются более современные модели Granite. Качество может снижаться на языках программирования вне обучающего распределения, а для критичных сценариев README рекомендует проверку безопасности и целевую настройку. Лицензия — Apache 2.0.

ticlazau/granite-8b-rpgle — экспериментальная языковая модель на архитектуре Llama с 8,1 млрд параметров, предназначенная для работы с программами на ILE RPG. Она генерирует код по текстовому описанию, преобразует фиксированный формат RPG-кода в свободный и составляет текстовые описания кода. Модель рассчитана на английский язык; размер контекста — 4096 токенов. Модель создана для прототипирования и анализа ILE RPG-программ. Данные для обучения взяты из частного набора. Модель распространяется в формате safetensors по лицензии MIT.

GRPO-Think-7B-8k — специализированная языковая модель для проверки и ранжирования решений задач программирования. Она разработана командой Aletheia-Bench и дообучена методом GRPO на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-7B с набором Aletheia-Train. Архитектура — плотная Qwen2, размер — 7,1 млрд параметров; модель принимает текст с условием задачи и несколькими кандидатами решений, а затем оценивает и ранжирует их, используя промежуточные рассуждения. В обучении применялся бюджет рассуждений до 8 тыс. токенов на ответ. Модель предназначена для выбора корректного решения среди кандидатов, автоматизированной оценки кода и использования в качестве функции вознаграждения при оптимизации генераторов кода. Карточка указывает поддержку задач программирования на Python, C++ и Java; эти сведения относятся к языкам решений, а не обязательно к языкам естественного текста. В метаданных указан контекст 131 072 токена. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

HPC-Coder-v2-1.3b — языковая модель для генерации кода в задачах высокопроизводительных вычислений (HPC), разработанная HPCGroup. Это дообученная на инструкциях версия DeepSeek Coder 1.3B с плотной архитектурой LlamaForCausalLM и 1,3 млрд параметров; веса доступны в формате safetensors. Для обучения использованы наборы hpc-instruct, Magicoder OSS-Instruct и Evol-Instruct-Code, а распределённое обучение выполнялось с помощью AxoNN. Модель предназначена для генерации и дополнения кода по инструкциям, связанным с параллельным программированием, оптимизацией и переносом вычислений на ускорители. Она рассчитана на контекст до 16 384 токенов и ориентирована на английские инструкции. Запуск возможен через Transformers, vLLM и другие совместимые средства; для лучших результатов README рекомендует использовать формат инструкционного шаблона модели. Указанные в карточке результаты бенчмарка относятся к более крупным вариантам семейства, поэтому их нельзя считать подтверждёнными характеристиками версии 1.3B. Лицензия в предоставленных данных не указана.

HPC-Coder-v2-6.7b — языковая модель для программирования в области высокопроизводительных вычислений, разработанная HPC Group. Это дообученная на инструкциях версия DeepSeek Coder 6.7B с плотной архитектурой LlamaForCausalLM и 6,6 млрд параметров. Модель обучалась на наборах HPC-Instruct, OSS-Instruct и Evol-Instruct-Code; обучение с распределением по нескольким GPU выполнялось с AxoNN. Модель предназначена для генерации и помощи в написании кода для параллельных вычислений, оптимизации программ и переноса кода на ускорители. Она принимает текстовые инструкции и генерирует текст, включая код; для лучших результатов карточка рекомендует использовать формат инструкций модели. Родной размер контекста — 16 384 токена, основной язык в метаданных — английский. Весы доступны в формате safetensors и могут использоваться через Transformers, vLLM и другие стандартные среды инференса. README не сообщает лицензию, поэтому условия использования по карточке определить нельзя. Модель отстаёт по производительности от версии на 16 млрд параметров; результаты оценки заявлены авторами, но подробности в карточке не приведены.

stojchet/jd2 — дообученная модель на базе deepseek-ai/deepseek-coder-1.3b-base, обученная на наборе данных generator. Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста; базовая модель ориентирована на продолжение и автодополнение кода. Контекст модели составляет 16 384 токена. Модель может подойти для экспериментов с генерацией и продолжением кода. README не содержит сведений о специализированных сценариях, качестве, оценке или ограничениях дообученной версии. Репозиторий использует формат safetensors; лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

stojchet/k2 — дообученная модель для генерации текста на основе deepseek-ai/deepseek-coder-1.3b-base. В метаданных указаны архитектура семейства Llama, 1,3 млрд параметров и контекст до 16 384 токенов; веса опубликованы в формате safetensors. Карточка сообщает результаты оценки, но не раскрывает обучающий набор данных и подробное назначение модели. Базовая модель предназначена для продолжения и автодополнения кода, поэтому k2 может быть полезна для генерации кода и работы с текстом, однако эти сценарии не подтверждены описанием конкретной специализации дообучения. Лицензия в предоставленных данных не указана.

Kimi-K2T-ling-coder-sft-sandboxes-1-maxeps-32k — дообученная компанией LAION модель Qwen3-8B для генерации текста в диалоговом формате. Она обучена на наборе open-athena/Kimi-K2T-ling-coder-sft-sandboxes-1-maxeps-32k; название набора указывает на специализацию, связанную с кодом и песочницами, однако README не описывает конкретные сценарии или результаты обучения. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Она принимает текст и выдаёт текст; метаданные указывают на диалоговую возможность. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это производная версия Qwen/Qwen3-8B, дообученная на указанном наборе данных. Практическое качество, точное поведение при работе с кодом и ограничения не описаны в карточке, поэтому их следует проверять на целевых задачах.

Kiyo-135M — авторская базовая языковая модель DedeProGames с 134,5 млн параметров, обученная с нуля на смеси из 200 млрд токенов FineWeb-Edu, DCLM-Baseline, FineMath и Stack-v3-train. Она использует архитектуру декодера Llama по схеме SmolLM2-135M: 30 слоёв, grouped query attention, RMSNorm, блоки SwiGLU и связанные входные и выходные эмбеддинги. Модель написана на английском языке; её контекстное окно составляет 2048 токенов. Модель предназначена для продолжения текста, языкового и кодового дополнения, а также генерации ответов на основе усвоенных знаний. Это базовая модель без дообучения на следование инструкциям: она может поддерживать диалоговый сценарий, но не гарантирует выполнение запросов в формате ассистента. В карточке приведены самооценочные результаты бенчмарка; автор отмечает сильные стороны в завершении текста и кода, а также снижение точности на количественных задачах и многошаговом отслеживании контекста. Модель доступна по лицензии Apache-2.0. Она может генерировать неверные факты и повторяться или отклоняться от темы при длинной генерации, поэтому ответы следует проверять, особенно перед использованием в ответственных сценариях.

Kwai-AutoSQL-32B — языковая модель Kwai, дообученная на базе Qwen/Qwen3-32B. Репозиторий содержит только веса, без скриптов обучения и инференса. Модель предназначена для генерации текста; название указывает на применение к задачам, связанным с SQL, однако README не описывает конкретные сценарии или качество работы с SQL. Модель имеет плотную архитектуру Qwen3ForCausalLM с 29,7 млрд параметров и контекстом до 40 960 токенов. Она принимает текст и генерирует текст; в метаданных заявлена поддержка чата. В карточке не перечислены поддерживаемые естественные языки. Веса представлены в формате safetensors. Лицензия — Apache License 2.0.

Laguna-XS.2-dense-stage2-chat — исследовательский чекпойнт Poolside, полученный дистилляцией Laguna-XS.2 в плотную языковую модель для диалоговой генерации кода. По README, MoE-слои учителя заменены плотными FFN, а затем модель обучена методом logit-KD на примерах инструкций и ответов в родном формате чата; размер составляет около 3,0 млрд реальных параметров, хотя экспорт сообщает около 3,8 млрд из-за дополнения FFN до единообразного размера. Модель сохраняет механизм внимания Laguna-XS.2; метаданные указывают контекст 262 144 токена и формат safetensors. Модель предназначена для генерации кода по запросам в формате чата. В README приведён результат 6,7% pass@1 на HumanEval и пример генерации работающего Python-кода, однако чекпойнт обучен на небольшом бюджете — около 22 млн токенов ответов — и заметно уступает учителю. Плотная архитектура сокращает объём памяти для весов примерно в 11 раз по сравнению с MoE-учителем, но не уменьшает память KV-кэша и почти не меняет вычисления на токен. Лицензия — Apache-2.0.

Mercury7353/MetaAgent-X — модель на основе плотной архитектуры Qwen3 с 7,6 млрд параметров, предназначенная для проектирования и выполнения многоагентных систем. Она обучена сквозным обучением с подкреплением: одна общая модель подбирает роли агентов, схему взаимодействия и стратегию выполнения задачи, а затем использует эту систему для решения задачи. Модель ориентирована на сложные задачи программирования и математических рассуждений и поддерживает сценарии автономной генерации многоагентных систем. Контекст составляет до 40 960 токенов. В карточке заявлены результаты на бенчмарках кода LiveCodeBench, APPS и CodeContests; указанный формат весов — safetensors. Основной язык карточки — английский. Лицензия — Apache-2.0. Результаты заявлены авторами карточки и сами по себе не гарантируют качество на других задачах.

WizardCoder-SCoT-1B-V1.0 — языковая модель для генерации кода, созданная группой 1 проекта ML4SE в TU Delft. Это дообученная версия WizardCoder-1B-V1.0 на наборе примерно из 1200 примеров Evol-Instruct, дополненных структурированными инструкциями Chain-of-Thought (S-CoT). Архитектура — GPTBigCode с плотной causal language model; формат весов — PyTorch, размер — около 1 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации программного кода по текстовым инструкциям и экспериментов с влиянием S-CoT на решение задач программирования. В README приведено сравнение на HumanEval и MBPP: результаты pass@1 ниже, чем у исходной WizardCoder-1B-V1.0 на обычных версиях этих тестов, поэтому качество следует оценивать на целевых задачах. Лицензия в предоставленных данных не указана.

MobileLLM-R1-140M — компактная языковая модель Meta из семейства MobileLLM-R1, дообученная методом supervised fine-tuning для задач рассуждения. Это версия на 140 млн параметров с 15 слоями, 9 attention heads и 3 KV heads; модель принимает и генерирует текст, использует словарь размером 128 тысяч токенов. Для семейства указан контекст 4 тысячи токенов. Модель предназначена прежде всего для решения математических и научных задач, а также задач программирования на Python и C++. Она подходит для экспериментов и оценки компактных языковых моделей в этих сценариях, но авторы предупреждают, что это не универсальная чат-модель. В обучении использовались наборы данных для математического и научного reasoning, а также программирования. Модель разработана Meta и является дообученной версией facebook/MobileLLM-R1-140M-base. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия обозначена как other; конкретные условия использования следует уточнить в карточке модели и связанных документах.

Карточка модели facebook/MobileLLM-R1.5-360M на Hugging Face совпадает с карточкой facebook/MobileLLM-R1.5-140M, поэтому описание составлено по ней. MobileLLM-R1.5-140M — компактная языковая модель Meta, дообученная методом on-policy дистилляции от facebook/MobileLLM-R1-140M-base. Это SFT-модель для решения математических и научных задач, а также задач программирования на Python и C++; разработчики отдельно отмечают, что она не предназначена для универсального общения. Модель содержит 140 млн параметров, использует текст на входе и выдаёт текст, поддерживает контекст до 32 тыс. токенов и словарь размером 128 тыс. токенов. Архитектура включает 15 слоёв, 9 attention heads и 3 KV heads. Дополнительная on-policy дистилляция применена как заключительный этап постобучения и, по данным авторов, улучшает результаты небольших моделей на сложных задачах рассуждения. Карточка приводит результаты семейства MobileLLM-R1.5, но конкретные численные показатели для версии 140M не выделяет. Модель опубликована под лицензией с обозначением «other»; условия лицензии следует проверить в карточке репозитория перед использованием.

Gladiaio/mpt-7b-qlora — текстовая генеративная модель семейства MPT, основанная на декодерном трансформере MosaicML. README описывает MPT-7B как модель с 6,7 млрд параметров, обученную MosaicML с нуля на корпусе объёмом 1 трлн токенов, включающем английские тексты и код. В архитектуре используются FlashAttention и ALiBi вместо позиционных эмбеддингов; базовая модель обучалась с длиной последовательности 2048 токенов. Модель предназначена для продолжения текста и генерации текста по текстовой подсказке. Указанная карточка описывает базовую MPT-7B, которая не предназначена для пользовательского развёртывания без дополнительного дообучения и защитных механизмов. Архитектура с ALiBi допускает работу с длинными входами, однако конкретный предел контекста для этого репозитория не задан. В метаданных указаны формат PyTorch и лицензия Apache-2.0. Имя репозитория содержит «qlora», но карточка и метаданные не подтверждают, что загруженные веса являются QLoRA-адаптером или производной конкретной базовой модели, поэтому происхождение этой версии установить нельзя. Модель может выдавать фактически неверные, предвзятые или оскорбительные ответы.

MusaCoder-27B — модель на 27 млрд параметров, разработанная Moore Threads на основе Qwen/Qwen3.6-27B и дообученная для генерации низкоуровневых GPU-ядер. Она преобразует эталонную реализацию на PyTorch и ограничения по формам, типам данных и целевой платформе в реализацию ModelNew с нативными ядрами CUDA или MUSA. Модель обучалась с помощью supervised fine-tuning, отбора решений по результатам проверок и обучения с подкреплением на основе компиляции, тестов корректности, обнаружения запрещённых запасных вычислений и измерения времени исполнения. Основные сценарии — синтез, исправление и оптимизация ядер для GPU, включая рассуждения о формах тензоров, распределении потоков и блоков, индексировании памяти, граничных условиях и редукциях. Проверки MooreEval оценивают компилируемость, численную корректность и ускорение относительно PyTorch. Модель предназначена для разработки и исследований в области генерации ядер и экосистемы MUSA; лицензия Apache-2.0. Она специализирована на GPU-коде и может ошибаться на новых граничных случаях, не компилировать код, выбирать неэффективную конфигурацию или использовать запрещённые высокоуровневые вызовы. Сгенерированный код требует проверки перед применением.

Developer-pintu/my-hinglish-coder-ai — дообученная языковая модель Developer-pintu для генерации кода и диалогов. Она основана на unsloth/qwen2.5-coder-1.5b-instruct-bnb-4bit, использует плотную архитектуру Qwen2 и содержит 1,5 млрд параметров. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Карточка сообщает о дообучении с использованием Unsloth и библиотеки TRL от Hugging Face. Название модели указывает на работу с кодом и Hinglish, однако карточка не приводит примеров, перечня языков программирования или результатов оценки, поэтому качество этих сценариев отдельно не подтверждено. Модель распространяется по лицензии Apache-2.0.

NVIDIA-Nemotron-3-Nano-4B-GGUF — квантованная в формате GGUF версия малой языковой модели NVIDIA-Nemotron-3-Nano-4B, подготовленная Unsloth на основе NVIDIA-Nemotron-3-Nano-4B-BF16. Исходную модель разработала NVIDIA Corporation; она обучена с нуля и предназначена для объединения задач с рассуждением и без него. Модель поддерживает управляемую системным промптом генерацию рассуждений перед финальным ответом: включение рассуждений может повысить качество на сложных запросах, а отключение позволяет получать ответ без промежуточной трассы рассуждений с некоторым снижением точности. Архитектура гибридная: преимущественно Mamba-2 и MLP-слои в сочетании с четырьмя слоями Attention. Размер модели — 4B параметров; формат GGUF ориентирован на эффективное локальное развертывание и также допускает дообучение с помощью Unsloth. Поддерживается английский язык и языки программирования. Модель предназначена для агентных сценариев на периферийных устройствах, включая игровые NPC и компаньонов, локальных голосовых ассистентов для устройств, приложений и игр, а также автоматизацию IoT. К сильным сторонам относятся компактность, пригодность для edge-платформ и сочетание эффективности с рассуждением; ограничения — англоязычная специализация и отсутствие в README сведений о размере контекстного окна, конкретных вариантах квантования и количественных результатах тестирования. Использование регулируется NVIDIA Nemotron Open Model License. В README указана коммерческая применимость и глобальная география развертывания.

Olmo 3 7B RL-Zero Code — англоязычная авторегрессионная Transformer-модель Allen Institute for AI (Ai2), дообученная на запросах по программированию методом обучения с подкреплением на основе проверяемых наград (RLVR) с набором Dolci-RLZero-Code-7B. Модель содержит 6,9 млрд параметров, принимает текст и генерирует текст; контекст — до 65 536 токенов. Для работы поддерживается библиотека Transformers версии 4.57.0 и выше. Модель предназначена для генерации кода и экспериментов по применению RLVR к задачам программирования. Это экспериментальная исследовательская модель семейства RL-Zero, а не универсальный помощник с заявленными гарантиями качества. Она может выдавать неточные ответы и небезопасный или предвзятый текст, поэтому результаты следует проверять. Лицензия Apache 2.0; Ai2 указывает на исследовательское и образовательное применение согласно своим рекомендациям по ответственному использованию.

Ornith-1.5-35B-A3B-MTP — экспериментальный объединённый чекпойнт Shisa AI на основе мультимодальной модели Ornith-1.5-35B-A3B. Веса целевой модели и мультимодальные компоненты взяты из официального BF16-чекпойнта Ornith-1.5; к ним добавлена заменённая голова MTP для ускоренного спекулятивного декодирования. Голова инициализирована из совместимой MoE-головы Qwen3.6-35B-A3B и дообучена дистилляцией KL на скрытых состояниях Ornith. Репозиторий содержит объединённые BF16-веса в 17 шардах safetensors и рассчитан на запуск через vLLM. Модель предназначена для ускорения генерации, особенно кода, с помощью multi-token prediction: по локальным тестам голова повысила принятие черновых токенов и пропускную способность на кодовых запросах относительно исходного MTP-чекпойнта. Основа имеет архитектуру Qwen3.5 MoE, около 35 млрд параметров; суффикс A3B указывает на вариант семейства, а число активных параметров здесь отдельно не подтверждено. В метаданных задача указана как image-text-to-text, доступны текстовый чат, код, интерфейс вызова инструментов и зрение; тестирование MTP в README было только текстовым. Проверялись английские и японские общие запросы, а обучение головы было ориентировано на код. Авторы отмечают экспериментальный статус и не рекомендуют считать чекпойнт производственным вариантом по умолчанию: на отдельных тестах vLLM спекулятивный режим давал расхождения с авторегрессионной генерацией, а поведение при длинном контексте и мультимодальном MTP не проверено. Данные для обучения головы частные и синтетические, а преимущество ориентировано на код и не переносится на все запросы. Лицензия — Apache-2.0.