II.2Создание и понимание программного кода

PS Design 1.2 Nano — компактная языковая модель для генерации кода и разметки веб-дизайна, разработанная автором Pedro21613 на основе Qwen2.5-0.5B-Instruct. Она дообучена на 6200 примерах и предназначена для создания минималистичных интерфейсов с использованием HTML и Tailwind CSS. Модель использует плотную архитектуру Qwen2, содержит около 494 млн параметров и поддерживает контекст до 32768 токенов. LoRA-адаптер объединён с базовой моделью, поэтому для инференса не требуется PEFT; указаны fp16 и формат safetensors. Автор заявляет о скорости примерно на 10–15% выше относительно версии с адаптером и возможности запуска на T4 или CPU. Модель рассчитана на генерацию текста, прежде всего кода интерфейсов. Карточка не приводит количественной оценки качества; заявление об идентичном качестве относится к сравнению с PS Design 1.2-beta. Лицензия в предоставленных данных не описана.

Quintus-1.7B — компактная англоязычная модель-ассистент, разработанная iamrahulreddy на базе Qwen/Qwen3-1.7B-Base. Модель с плотной архитектурой Qwen3 содержит 1,7 млрд параметров, принимает текст и предназначена для диалоговой генерации, рассуждений и написания кода. Контекст модели — до 32 768 токенов по метаданным; в описании обучения указана упаковка последовательностей длиной 4096 токенов. Студент обучен методом онлайн-дистилляции по полному распределению токенов от Qwen3-8B, а затем дообучен на целевом наборе инструкций для поведения ассистента, согласованности ответов и устойчивости генерации. В README сообщается о лучших результатах по GSM8K, ARC-Challenge и WinoGrande по сравнению с базовой и instruct-версиями Qwen3-1.7B; численные результаты в доступном фрагменте не приведены. Модель выпускается под лицензией MIT и совместима с Transformers и vLLM. Модель ограничена возможностями компактной модели: фактические ответы могут быть уверенно ошибочными, а код — не учитывать сложность и граничные случаи. Результаты в режиме продолжения текста и в формате чата несопоставимы напрямую; README указывает, что дополнительная настройка предпочтений могла бы улучшить калибровку, отказы и качество открытого диалога.

anassaifi12 дообучил модель Qwen2.5-3B для генерации текста на базе unsloth/qwen2.5-3b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Название репозитория указывает на обучение для работы с SQL, однако README не описывает обучающие данные и конкретные возможности модели, поэтому качество генерации SQL по карточке оценить нельзя. Модель принимает и выдаёт текст; в метаданных указан английский язык. Распространяется по лицензии Apache-2.0.

leonis23/Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-jagged_coiled_bobcat — текстовая генеративная модель, опубликованная пользователем leonis23 на Hugging Face. По названию, тегам и структуре репозитория это производная или вариант Qwen2.5-Coder-0.5B-Instruct, разработанной командой Qwen. Модель предназначена для генерации текста и программного кода, выполнения инструкций, диалоговых сценариев и локального инференса через Transformers, vLLM или SGLang. Из доступных данных подтверждаются архитектура Qwen2 для авторегрессионной генерации, размер около 0,5 млрд параметров, формат Safetensors и тип данных F32. Для базовой модели Qwen2.5-Coder-0.5B-Instruct заявлено контекстное окно до 32 768 токенов и поддержка английского и ряда других языков; точный набор языков и контекстные параметры именно производной версии в её карточке не описаны. Модель компактна и требовательна к ресурсам меньше крупных LLM, но из-за небольшого размера может уступать им в качестве рассуждений, генерации кода и устойчивости на сложных задачах. Оценки, ограничения, данные обучения и результаты тестирования для этой версии не приведены. Карточка производной модели не указывает достоверного разработчика, точную лицензию или условия распространения. Поэтому лицензию базовой Qwen2.5-Coder-0.5B-Instruct нельзя автоматически считать лицензией данного репозитория.

tzervas/qwen2.5-coder-14b-bitnet-1.58b — экспериментальная квантизованная версия Qwen2.5-Coder-14B-Instruct, подготовленная автором репозитория tzervas. Это плотная причинная языковая модель семейства Qwen2 для генерации кода в диалоговом формате. Архитектура содержит 14,7 млрд параметров, веса представлены тернарными значениями {-1, 0, +1}, упакованными по четыре значения в байт; заявленный контекст — 32 768 токенов. Доступны форматы SafeTensors и GGUF. Модель предназначена для генерации, анализа и исправления кода, а также ответов на запросы о программировании. В README описана квантизация absmean с групповым масштабированием; для работы с тернарными весами требуется совместимая среда выполнения. Для версии GGUF автор приводит пример запуска через llama.cpp. Качество и производительность не прошли формальную оценку, поэтому результаты могут заметно уступать исходной модели и требуют проверки на целевых задачах. Для обычного использования через стандартный Transformers поддержка тернарных весов не заявлена. Лицензия — Apache-2.0.

ystemsrx/Qwen2.5-Interpreter — дообученная модель на базе Qwen2.5-0.5B-Instruct от разработчика, указанного в идентификаторе репозитория. Она предназначена для автоматизации операций в Windows: по запросу пользователя составляет планы действий и генерирует скрипты на Python или Batch для файловых и системных задач. Модель использует плотную архитектуру Qwen2 с 494 млн параметров, поддерживает контекст до 32 768 токенов и доступна в форматах Safetensors и GGUF F16. Модель рассчитана на сценарии автоматизации Windows и обучена на примерах Python и Batch, включая практики безопасного программирования. В карточке рекомендовано использовать специальный системный промпт; примеры и подробности промпта приведены в README. Указана лицензия Apache-2.0. Ограничения: оптимизирована для Windows, и её производительность на других системах может быть ниже. Она не предназначена для скриптов, требующих интерактивного ввода во время выполнения; сложные скрипты рекомендуется проверять дополнительно.

MingZwhy разработал эту версию Qwen3-4B, применив квантование весов до 1,88 бита на параметр и восстановление качества с помощью quantization-aware distillation и on-policy distillation. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, предназначенная для генерации текста и диалогов; она принимает текст и выдаёт текст. Модель доступна в формате safetensors, квантование уже встроено в веса. Контекст составляет 40 960 токенов. README приводит результаты на задачах математического рассуждения, генерации кода и QA; во всех перечисленных тестах результаты ниже, чем у исходной Qwen3-4B в BF16. Лицензия — Apache-2.0.

Jackrong/Qwen3.5-0.8B-Claude-4.6-Opus-Reasoning-Distilled-GGUF — языковая модель для генерации текста и структурированного рассуждения, созданная Jackrong на основе Qwen/Qwen3.5-0.8B. Она дообучена методом Supervised Fine-Tuning с применением LoRA и Unsloth на отфильтрованных наборах данных с дистиллированными цепочками рассуждений, включая материалы, связанные с Claude Opus, а также специализированные датасеты Qwen. Модель предназначена для офлайн-аналитики, программирования, математики и задач, требующих пошагового логического анализа. Она обучена формировать рассуждение в тегах <think> и затем выдавать итоговый ответ. Заявлена поддержка английского, китайского и корейского языков, текстовый режим работы и контекстное окно до 16 384 токенов. Благодаря небольшому размеру 0,8 млрд параметров модель ориентирована на относительно эффективный локальный запуск, однако README не содержит сведений о конкретной GGUF-квантизации и требованиях к оборудованию. К сильным сторонам относятся структурированное пошаговое рассуждение, обработка многоэтапных задач и снижение избыточных повторов в рассуждениях. Ограничения включают обычный для авторегрессионных моделей риск галлюцинаций и необходимость проверки фактов; заявленные возможности не гарантируют точность решений. Модель обозначена как экспериментальная и предназначенная для обучения, академических исследований и технического изучения. Лицензия — Apache-2.0.

Экспериментальная GGUF-модель talhasarac/Qwen3.8-Flash-Next-REAP128-86B-Unity-OpenCode-GGUF, созданная на основе Qwen3.8-Flash-Next команды Qwen с использованием GGUF-квантизации от Unsloth. Это не дообученная модель: из исходной MoE-архитектуры удалены наименее значимые эксперты с помощью метода REAP, основанного на активациях, для более удобного локального запуска на ограниченном по быстрой памяти оборудовании. Модель предназначена прежде всего для экспериментального локального инференса через llama.cpp, помощи в разработке на Unity и C#, навигации по репозиториям, ревью кода и OpenCode-подобного использования инструментов. В каждом из 48 MoE-слоёв сохранено 128 из 512 маршрутизируемых экспертов, при этом на токен выбираются 10 экспертов. После pruning модель содержит около 86,3 млрд сохранённых значений параметров, из них около 35 млрд приходятся на языковую модель, около 51 млрд — на разреженную n-граммную embedding-таблицу, а примерно 6 млрд параметров активируются на токен. Используется квантизация UD-IQ4_XS, размер файла — около 45,50 GiB. В README явно указан английский язык; калибровка также выполнялась только на английских данных. Это исследовательский производный вариант, а не полноценная замена исходной модели. Удаление экспертов приводит к необратимой потере возможностей, а качество общих знаний, фактической точности, многоязычности, рассуждений и работы вне задач Unity/C# может быть существенно хуже. Широкая оценка производительности и проверка безопасности не проводились; результаты ограниченных тестов являются предварительными. Модель распространяется по лицензии qwen-community-1.0, унаследованной от базовой модели Qwen; перед использованием или распространением необходимо изучить её условия и правила допустимого использования.

llamafy/Qwen-Qwen2.5-Coder-0.5B-llamafied — версия Qwen/Qwen2.5-Coder-0.5B, представленная в формате Llama; автор карточки указывает совместимость с программами, поддерживающими Llama. Модель содержит 494 млн параметров, использует плотную архитектуру с классом LlamaForCausalLM и рассчитана на контекст до 4096 токенов. Основная задача — генерация кода и текста в формате продолжения, включая диалоговые сценарии. Модель основана на Qwen/Qwen2.5-Coder-0.5B и помечена в метаданных как дообученная версия. Она подходит для экспериментов и лёгких сценариев генерации кода, однако небольшой размер ограничивает качество и надёжность при сложных задачах программирования. Лицензия в предоставленных данных не указана.

RedSage-Qwen3-8B-Base — базовая языковая модель для кибербезопасности, разработанная RISys-Lab. Это второй этап предобучения RedSage: модель Qwen3 с плотной архитектурой и 7,6 млрд параметров прошла целевое дообучение на курируемых материалах по кибербезопасности. Она принимает текст и генерирует продолжение; контекст составляет до 32 768 токенов. В метаданных указан английский язык. Модель предназначена для дальнейшей тонкой настройки под задачи кибербезопасности, исследовательской работы, автодополнения кода и подготовки технических материалов. В обучающие данные вошли описания стандартов и фреймворков, включая MITRE ATT&CK, CAPEC, CWE и OWASP, документация инструментов, материалы по уязвимостям и публикации NIST. Разработчики сообщают о результатах сравнительных тестов, превосходящих Qwen3-8B-Base на приведённых бенчмарках; это заявление основано на результатах из карточки модели. Это базовая модель без instruction tuning и выравнивания предпочтений: она работает как механизм продолжения текста и не предназначена как готовый диалоговый ассистент. В карточке приведён код использования через Transformers и указан производный вариант RedSage-Qwen3-8B-DPO для диалогового применения. Лицензия в предоставленных данных не указана.

Reliquary-4B — плотная языковая модель на архитектуре Qwen3, разработанная ReliquaryForge на базе Qwen/Qwen3-4B-Base. Модель содержит около 3,7 млрд параметров, распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Она обучена групповым относительным обучением с подкреплением на английских математических задачах и задачах программирования на Python; авторы указывают 12 842 обновления RL без supervised fine-tuning и дистилляции. Модель предназначена для пошагового решения математических задач и генерации Python-функций, проверяемых тестами. В README приведены результаты на GSM8K, MATH-500, AMC23, HumanEval+ и MBPP+, но для воспроизведения улучшений нужны исходные текстовые промпты и sampling-декодирование. Это модель завершения текста, а не чат-модель: у неё нет чат-шаблона и отдельной настройки следования инструкциям или безопасности. Обучение ограничено английской математикой и Python, поэтому обобщение на другие задачи не установлено. Лицензия — Apache-2.0.

Экспериментальная версия Qwen2.5-Coder-7B-Instruct, дообученная xw1234gan методом GRPO без KL-регуляризации на наборе SecCodePLT+ для генерации кода с учётом тестов возможностей и обнаруженных уязвимостей. Модель предназначена для генерации программного кода и экспериментов по оценке его безопасности и соответствия требованиям. В обучении использовались reward на основе доли пройденных тестов возможностей и числа обнаруженных уязвимостей, DAPO-подобная функция потерь по токенам и динамическая выборка. Это плотная причинная языковая модель архитектуры Qwen2ForCausalLM с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. В тестировании на 164 примерах бенчмарка она показала среднюю награду 0,601, прохождение проверки формата в 99,39% случаев и синтаксиса в 98,78% случаев. Используется библиотека Transformers; веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Это компактная модель генерации текста, разработанная как часть эксперимента Parameter Floors for Developer-Agent Subroutines. Она представляет собой полнопараметрическую донастройку HuggingFaceTB/SmolLM2-135M-Instruct с архитектурой LlamaForCausalLM и 134,5 млн параметров. Модель предназначена для одной узкой подзадачи: преобразовывать запрос разработчика, сформулированный обычными словами, в поисковое регулярное выражение в заданном JSON-формате. Рекомендуемый сценарий — запуск внутри проверяющей обвязки, которая формирует специализированный запрос, разбирает JSON, применяет детерминированные проверки и при необходимости использует запасные правила. На тесте до 250 примеров из не встречавшихся при обучении репозиториев HTTPX и Jinja2 точность успешного выполнения после одной попытки составила 64,8%; валидность схемы JSON при первой попытке — 100%. Контекст модели составляет 8192 токена. Модель не предназначена для общего программирования или диалога и может хуже выполнять широкие инструкции. Лицензия — Apache-2.0.

SmolLM2-135M-text2cypher — компактная модель на основе HuggingFaceTB/SmolLM2-135M-Instruct, дообученная Rizwan261 для преобразования вопроса на естественном языке и схемы графа в запрос Cypher. Она предназначена для генерации запросов к Neo4j и обучалась с LoRA на наборе RomanTeucher/text2cypher-curated; адаптер слит с базовыми весами, поэтому модель загружается как самостоятельный чекпойнт. Архитектура — плотная LlamaForCausalLM, размер — 134,5 млн параметров, контекст — 8192 токена. Модель ожидает ChatML-промпт с фиксированным системным сообщением и пользовательским сообщением, содержащим схему и вопрос. На тестовой выборке модель часто строит синтаксически корректные запросы, соответствующие схеме и исполняемые в базе данных. Однако в проверке на 18 примерах с базой данных ни один нетривиальный запрос не вернул те же строки, что и эталонный; точное совпадение составило 26% на тесте из 50 примеров. Она испытывает трудности с соотнесением сущностей, многоэтапной агрегацией и иногда выдумывает функции, поэтому результаты требуют проверки. Модель распространяется по лицензии Apache-2.0.

vinoth322006/vibethinker-toolcall-3b-merged — дообученная модель на архитектуре Qwen2 с 3,1 млрд параметров, созданная на основе WeiboAI/VibeThinker-3B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоге и работы с интерфейсом вызова инструментов; базовая модель ориентирована на математические задачи, соревновательное программирование и STEM-рассуждения. Модель принимает текст и выдаёт текст, включая ответы и вызовы инструментов в поддерживаемом формате. Контекстное окно — до 131 072 токенов; в метаданных указан английский язык. Распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает отдельные методы обучения вызову инструментов или результаты оценки качества именно этой версии. Возможности вызова инструментов зависят от совместимого формата сообщений и программной обвязки; профиль базовой модели не гарантирует качество на всех задачах.

Zamba2-1.2B — базовая языковая модель Zyphra для генерации текста. Она сочетает слои Mamba2 с общим трансформерным блоком внимания; LoRA-проекции помогают этому блоку специализироваться на разных участках сети, а Rotary Position Embeddings улучшают работу с позиционной информацией. Модель содержит 2,6 млрд параметров и использует токенизатор Mistral v0.1. Модель предварительно обучена на 3 трлн токенов текстовых и программных данных из открытых веб-источников, а затем дополнительно обучена на смеси из 100 млрд высококачественных токенов. Её можно применять для продолжения текста и кода. Контекст составляет 4096 токенов. Это базовая модель, не настроенная на выполнение инструкций или диалог; она не имеет встроенной модерации и может генерировать токсичный или иной вредоносный текст. Для эффективного запуска нужны совместимые версии Transformers и оптимизированные ядра Mamba2. Лицензия — Apache-2.0.

Модель aminediroHF/async-grpo-ckpt-smoke-r1d-1.5b — дообученная с помощью TRL версия DeepSeek-R1-Distill-Qwen-1.5B, созданная на базе архитектуры Qwen2. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров; заявленная длина контекста — 131 072 токена. Модель предназначена для диалоговой генерации текста и ответов на запросы. Карточка показывает запуск через Transformers pipeline для text-generation. Базовая модель ориентирована на рассуждения, математику и программирование, но README не описывает конкретные данные или результаты дополнительного дообучения этой версии. Поэтому её качество в отдельных задачах и языках нельзя оценить по карточке. Репозиторий содержит веса в формате safetensors; условия лицензии в предоставленных данных не указаны.

Aurum Brain AI — компактная языковая модель, созданная разработчиком arissuga дообучением Qwen/Qwen2.5-1.5B-Instruct с помощью LoRA (r=16, alpha=32). Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 и принимает текст для генерации текста; заявленная длина контекста — 32 768 токенов. Модель предназначена прежде всего для общения на индонезийском языке, помощи с программированием и веб-разработкой, решения задач и отладки кода. В README также заявлены возможности для работы в роли AI-агента. Для использования доступны веса safetensors и пример вызова через Hugging Face Inference API. В карточке указана лицензия Apache-2.0. Небольшой размер и обучение на наборе из более чем 68 диалогов могут ограничивать надёжность ответов и качество выполнения сложных задач; заявленные возможности агента не сопровождаются подробными результатами оценки.

Это дообученная модель AmberYifan на базе marin-community/marin-8b-base, созданная на наборе данных capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_cap_b10000_s0. Модель семейства Llama с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров и предназначена для генерации текста; в метаданных также отмечена возможность диалогового использования. Модель принимает текст и генерирует текст. Базовая Marin 8B Base описана как англоязычная модель для генерации и продолжения текста, однако карточка этого чекпойнта не уточняет языковое покрытие и его специализацию на коде. Контекст составляет 4096 токенов. Лицензия указана как other, без дополнительных условий в предоставленных данных.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO с помощью OpenRLHF. Обучение с подкреплением применялось напрямую к базовой модели без предварительной SFT-инициализации; чекпойнт сохранён на глобальном шаге 4 и выбран как лучший по pass@8 в рамках этого запуска. Модель предназначена для генерации кода и решения задач программирования: по условию она создаёт программу, оцениваемую по прохождению тестов. Обучение охватывало сложные задачи из набора cobalt-train, а сигнал вознаграждения был бинарным — за корректное прохождение тестов. Архитектура — плотная Qwen3ForCausalLM на 3,7 млрд параметров; используется Transformers, веса сохранены в safetensors. Контекст составляет до 262 144 токенов. Это ранний экспериментальный чекпойнт: в README указано, что метрики оценки на этом шаге отсутствуют, поэтому преимущество по pass@8 относится только к сравнению чекпойнтов данного запуска и не подтверждает общее качество. Для обучения применялись штрафы за усечение генерации и чрезмерную длину ответа. Лицензия в предоставленных данных не указана.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO с помощью OpenRLHF. Обучение с подкреплением применялось напрямую к базовой модели без предварительного SFT; награда зависела от прохождения тестов сгенерированным кодом. Чекпойнт сохранён на 16-м шаге обучения и показал лучший в этом запуске результат pass@8. Модель предназначена для генерации кода и решения задач программирования, особенно задач, отобранных как сложные для исходной модели. Она принимает текстовые запросы и генерирует текст, включая программы; использует плотную архитектуру Qwen3 примерно на 3,7 млрд параметров, библиотеку Transformers и контекст до 262 144 токенов. Доступен формат Safetensors. Это ранний исследовательский чекпойнт, а не подтверждённая универсальная модель для программирования: README описывает обучение и оценку на конкретном наборе задач, а указанный pass@1 имеет отрицательное значение и требует осторожной интерпретации. Сведения о лицензии в предоставленных данных отсутствуют.

CodeParrot — языковая модель для генерации кода, разработанная в рамках главы «Training Transformers from Scratch» книги NLP with Transformers. Это крупная версия GPT-2 с 1,5 млрд параметров, обученная на датасете Python-кода CodeParrot. Модель предназначена для продолжения и генерации фрагментов кода на Python по текстовой подсказке. Модель использует архитектуру GPT-2 и принимает текст, выдавая текст; её контекст составляет 1024 токена. Карточка не сообщает отдельную лицензию модели. Это учебная модель из проекта книги, поэтому её применимость к производственным задачам и качество сгенерированного кода следует оценивать отдельно.

CodeParrot small — языковая модель с архитектурой GPT-2, содержащая 110 млн параметров. Её разработали авторы книги NLP with Transformers и обучили с нуля на наборе Python-кода CodeParrot в рамках главы о самостоятельном обучении трансформеров. Модель предназначена для генерации Python-кода и экспериментов с обучением языковых моделей. Она принимает текстовый контекст и продолжает его; длина контекста составляет 1024 токена. Репозиторий содержит веса PyTorch. Модель обучена на коде Python, поэтому её пригодность для обычного текста и других языков не подтверждена. Лицензия в доступных данных не указана.

Comma v0.1-2T-GGUF — общеязыковая базовая модель, конвертированная сообществом из common-pile/comma-v0.1-2t в формат GGUF для llama.cpp и Ollama. Модель построена на архитектуре Llama 3 и содержит 7 млрд параметров; исходную версию обучали на 2 трлн токенов датасета Common Pile v0.1, состоящего из открыто лицензированных текстов и материалов общественного достояния. Модель предназначена для продолжения и генерации текста, в том числе для задач, связанных со знаниями и кодом, а также как основа для дальнейшего дообучения. Это базовая модель без настройки на выполнение инструкций: она не рассчитана на чатовый формат без дополнительного дообучения. Репозиторий содержит файл GGUF в формате F16 без квантизации, размером около 14 ГБ. Для поддержки уникального формата токенизатора Comma при конвертации потребовалась модификация llama.cpp. Лицензия — Apache 2.0.

DR.Kernel-8B-ColdStart — контрольная точка модели hkust-nlp для генерации и уточнения GPU-ядр на Triton. Это плотная авторегрессионная модель Qwen3ForCausalLM на 7,6 млрд параметров, полученная дообучением Qwen/Qwen3-8B-Base на многошаговых диалоговых данных supervised fine-tuning. Для работы предусмотрен контекст до 32 768 токенов и формат запросов DR.Kernel, в котором модель преобразует описание Model в реализацию ModelNew. Модель предназначена прежде всего для генерации кода ядер и служит начальной контрольной точкой перед дальнейшим обучением с подкреплением; её также можно использовать как SFT-базу и для сравнительных экспериментов с контрольными точками после RL. Она обучена на наборе hkust-nlp/drkernel-coldstart-8k; в карточке также указаны источники задач CUDA LLM и бенчмарка KernelBench. Это промежуточная контрольная точка без этапов RL, поэтому её ответы требуют проверки и не подтверждают заявлений о финальных результатах DR.Kernel. Модель распространяется в формате safetensors; лицензия в предоставленных сведениях не указана.

Gemma 4 26B A4B IT Assistant — мультимодальная модель с открытыми весами от Google DeepMind, представленная как MTP-драфтер для семейства Gemma 4. Драфтер используется в спекулятивном декодировании: он предсказывает несколько токенов вперёд, а целевая модель проверяет их параллельно. По карточке семейства, этот вариант имеет архитектуру MoE размером 26B A4B и предназначен для инструкционного взаимодействия и ускорения генерации с сохранением качества целевой модели. Модель подходит для диалога, генерации и редактирования текста, программирования, рассуждений и агентных сценариев с вызовом функций. Семейство Gemma 4 принимает текст и изображения, поддерживает анализ видео; заявленная поддержка аудио относится к вариантам E2B, E4B и 12B, поэтому её нельзя переносить на этот чекпойнт. Для 26B A4B в карточке указано контекстное окно до 256K токенов, а семейство обучено на более чем 140 языках. Ключевое назначение этого чекпойнта — снизить задержку генерации в совместимом конвейере спекулятивного декодирования; заявлено ускорение до 3 раз. Для работы требуется целевая модель и поддержка MTP-декодирования, поэтому чекпойнт не является самостоятельной заменой полной модели Gemma 4. Лицензия — Apache 2.0.

Gemma 4 E2B-it-qat-JANG_4M-CRACK — дообученная и квантизированная мультимодальная модель dealignai на базе google/gemma-4-e2b-it. Она использует плотную архитектуру Gemma 4 с гибридным скользящим и глобальным вниманием и рассчитана на запуск через vMLX на компьютерах Apple Silicon. Квантизация JANG_4M сочетает 8-битные веса внимания и 4-битные веса MLP; средняя точность составляет около 4,3 бита. Модель принимает текст, изображения и аудио, поддерживает диалог, рассуждения, ответы на фактические вопросы и генерацию кода. В README заявлены результаты MMLU 60,1% (на 1,7 процентного пункта ниже базовой модели) и полное выполнение запросов вредоносных категорий в тесте HarmBench; автор описывает это как удаление отказов при сохранении возможностей. Это делает модель непригодной для сценариев, где важно сдерживание опасных запросов. Для запуска требуется vMLX с поддержкой Gemma 4 и достаточно памяти. Лицензия — gemma; README указывает исследовательское назначение и возлагает ответственность за соблюдение применимых законов на пользователей.

Huihui-NeoHorse-1-4B-abliterated-GGUF — языковая модель для генерации текста, разработанная huihui-ai на базе TokenRhythm/NeoHorse-1-4B. Модель распространяется в формате GGUF и предназначена для задач следования инструкциям, рассуждений, программирования, использования инструментов и агентских сценариев. В карточке также указано наличие компонентов MTP и Visual, извлечённых из Qwen/Qwen3.5-4B, что должно обеспечивать поддержку визуальных возможностей, однако подробные сведения о поддерживаемых модальностях и языках не приведены. Это экспериментальная версия с уменьшенной фильтрацией отказов, полученная методом abliteration: аблированы слои 5–17 с индексацией от нуля. Заявленный размер — около 1,4 млрд параметров, а рекомендуемый размер контекста при использовании через llama.cpp составляет 262144 токена. К сильным сторонам относятся компактность, поддержка локального запуска через llama.cpp и ориентация на кодирование, рассуждения и tool use. При этом метод модификации описан как грубая proof-of-concept реализация, поэтому качество, стабильность и поведение модели могут быть непредсказуемыми. Фильтрация контента существенно ослаблена, поэтому модель может генерировать чувствительные, спорные или неподходящие материалы и не предоставляет стандартных гарантий безопасности. Она рекомендуется преимущественно для исследований, тестирования и контролируемых сред, а не для публичных или критически важных производственных приложений; необходимы мониторинг и проверка результатов человеком. Лицензия — Apache 2.0.

KernelZero-CUDA-7B — дообученная модель для генерации CUDA-ядер и расширений CUDA из модулей PyTorch. Она разработана авторами KernelZero на основе Qwen/Qwen2.5-Coder-7B-Instruct и обучена в рамках конвейера KernelZero; архитектура — плотная Qwen2, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для создания CUDA-кода и оценки вариантов ядер в задачах оптимизации вычислений на GPU. В статье KernelZero приведены результаты на KernelBench: pass@1 составляет 75,8% для задач Level 1 и 69,6% для Level 2; при генерации десяти кандидатов pass@10 достигает 100% и 97% соответственно. Для воспроизводимой оценки README рекомендует использовать шаблон запросов и среду валидации KernelZero. Модель работает с текстовыми запросами и выдаёт текст кода; поддерживаемые языки естественного общения отдельно не заявлены. Лицензия — Apache-2.0.