II.2Создание и понимание программного кода

Khazri 2 Mini — компактная языковая модель семейства Khazri, разработанная командой Khazri. Это декодерный Transformer в стиле LLaMA с 100,7 млн параметров, 12 слоями и контекстом до 1 024 токенов. Модель использует собственный токенизатор Byte-Level BPE на 32 768 токенов. Модель обучена на англоязычном корпусе с заявленным бюджетом 2 млрд токенов, включающем общие, повествовательные, инструкционные и программные тексты. Она предназначена для генерации текста и может применяться для простых ответов на вопросы, извлечения сведений из контекста, арифметики и генерации кода. README описывает желаемые сценарии и проверки, но не приводит подтверждённых результатов оценки именно этой версии. Модель принимает и генерирует текст. Обучение ориентировано на английский язык; среди источников данных также есть код на Python, JavaScript, TypeScript, Java, C++, C, Go и Rust. Весовые файлы опубликованы в формате safetensors по лицензии Apache-2.0. Выводы могут быть ошибочными, неполными или предвзятыми, поэтому ответы следует проверять; модель не следует использовать как единственное основание для решений с серьёзными последствиями.

Koda-0.5B — дообученная модель pooraddyy на базе Qwen2.5-Coder-0.5B-Instruct от команды Qwen (Alibaba Cloud). Она предназначена для генерации коротких фрагментов Python-кода по инструкциям на естественном языке и диалоговых сценариев. Модель имеет плотную архитектуру Qwen2ForCausalLM на 494 млн параметров, принимает текст, выдаёт текст и поддерживает контекст до 32 768 токенов. Веса LoRA объединены с базовой моделью, поэтому модель загружается напрямую через Transformers без PEFT. Модель ориентирована на простые функции и сниппеты Python, а также подходит для обучения и экспериментов с дообучением небольших моделей. В README приведены значения финальных train loss 0,78 и eval loss 0,82. Модель обучалась на коротких инструкциях по Python; она может генерировать ошибочный или небезопасный код, хуже подходит для длинных программ, других языков программирования и сложных рассуждений. Лицензия — Apache-2.0; сгенерированный код следует проверять перед запуском.

Kronumos-14B-Kairos — экспериментальный чекпойнт на базе Qwen2.5-Coder-14B-Instruct, дообученный Tokenectomy Labs под руководством Muhammad Naufal Daffa для автоматического исправления ошибок в программных проектах. Модель с плотной архитектурой Qwen2 содержит около 14 млрд параметров, работает с текстом и имеет контекст до 32 768 токенов. Основной сценарий — локализация ошибок и подготовка патчей для многофайловых репозиториев, в том числе с использованием AST и математических инвариантов. В описанной схеме модель генерирует гипотезы изменений и блоки SEARCH/REPLACE, а внешняя Rust-подсистема Tokenectomy проверяет синтаксис и привязку патчей. В карточке указан набор SWE-bench Verified и примеры проектов sympy и sphinx; метаданные также отмечают чат и интерфейс вызова инструментов. Модель ориентирована на разработчиков и автоматизированные системы ремонта кода. Её заявленная специализация и результаты представлены авторами; README обозначает чекпойнт как экспериментальный. Лицензия — Apache 2.0. Для описанного цикла проверки патчей требуется отдельная Tokenectomy-подсистема.

LongLLaMA-Code 7B Instruct — языковая модель семейства LongLLaMA, дообученная автором syzymon для следования инструкциям. Модель содержит 6,6 млрд параметров и опубликована в формате PyTorch; в метаданных указана лицензия Llama 2. В карточке указана длина контекста 4096 токенов, а при настройке использовались входы длиной до 3072 токенов. Модель предназначена для ответов на базовые вопросы о научных статьях и программном коде, выполнения простого рефакторинга и других инструктивных задач. Для дообучения использовались MathInstruct, OpenOrca и ShareGPT-Processed; в частности, большая часть примеров была взята из MathInstruct. Карточка не сообщает о поддержке дополнительных модальностей или конкретных естественных языков. Это дообученная модель, а не новая базовая архитектура. В README заявлены базовые возможности работы с кодом и исследовательскими статьями, поэтому модель подходит для простых запросов, но её качество на сложных задачах не охарактеризовано. Для запуска доступна квантизованная версия, однако данный репозиторий содержит веса PyTorch.

LYRAMOON — разговорная языковая модель, разработанная и сопровождаемая Muhammad Taqi. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для диалога, рассуждений, оценки сложной логики и генерации кода. Карточка позиционирует её как движок для многоходового общения; метаданные также отмечают чат и интерфейс вызова инструментов. Модель принимает текст и генерирует текст. В метаданных указан контекст до 32 768 токенов и поддержка английского языка; модель рассчитана на запуск через Transformers. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Заявленные возможности рассуждения, скорости и качества генерации кода не подкреплены в карточке оценками или результатами тестирования. Поэтому качество на конкретных задачах следует проверять отдельно; подтверждена поддержка английского, но не иных языков.

LeroyDyer/Mixtral_AI_Cyber_Matrix_2_0 — объединённая модель на базе архитектуры Mistral, опубликованная LeroyDyer. Карточка описывает объединение нескольких языковых моделей и адаптеров, включая компоненты для диалогов, программирования, ролевого общения и кибертематики. Метаданные указывают 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors; заявленный основной способ применения — генерация текста на английском языке. Модель предназначена для диалога, продолжения текста и помощи с кодом. В README также заявлены дополнительные возможности зрения и аудио, однако автор сообщает, что для них требуется настройка конфигурации и дообучение; поэтому их нельзя считать готовыми функциями. Указанная лицензия — MIT. Карточка противоречиво описывает модель как находящуюся в процессе дообучения и как готовый результат слияния, поэтому её пригодность для надёжного применения не подтверждена.

MobileLLM-R1-950M — компактная языковая модель семейства MobileLLM-R1, разработанная Meta и опубликованная Facebook. Это версия примерно на 949 млн параметров, дообученная методом supervised fine-tuning на математических, программных и научных задачах; разработчики подчёркивают, что она не предназначена для универсального общения. Модель принимает текст и генерирует текст, использует архитектуру семейства Llama и поддерживает контекст до 4 тысяч токенов. Модель рассчитана на решение математических задач, рассуждения по естественным наукам и генерацию кода на Python и C++. В карточке приведены результаты оценивания на MATH, GSM8K, MMLU и LiveCodeBench и описаны обучающие данные и рецепты. Указанные возможности относятся к специализированным сценариям рассуждения и не гарантируют точность для других задач. Репозиторий содержит веса в формате safetensors и предназначен для Transformers. Лицензия указана как other; конкретные условия следует сверять с файлами лицензии репозитория.

Muse-Glimmer-30B Abliterated — дообученная версия Muse-Glimmer-30B, созданная автором репозитория jorkle. Это плотная мультимодальная модель семейства Muse-Glimmer с примерно 29,8 млрд параметров; карточка описывает вариант BF16 и отдельные квантизированные сборки GGUF. Модель предназначена для диалогового ассистирования общего назначения с уменьшенной склонностью к отказам. Для снижения частоты отказов применялось дообучение LoRA на 544 примерах с ограничением отклонения от базовой модели через KL-регуляризацию; адаптер затем объединён с базовыми весами. В README приведены измерения отказов и KL-дивергенции, но бенчмарки способностей не проводились. Модель может принимать текстовые и визуальные входы согласно мультимодальности базовой модели, однако карточка не описывает отдельно оценку этих возможностей. Указанная лицензия — Apache-2.0. Модель следует проверять на конкретном сценарии: снижение числа отказов не устраняет отказы полностью, а результаты тестирования выявили как пропуски ожидаемых отказов, так и отдельные отказы на кибербезопасностных запросах.

Это экспериментальная разговорная языковая модель Mythos-9B Unhinged от Richard Young, созданная на основе слияния SLERP модели Mythos-9B с braindao/Qwen3-8B-Uncensored и дополнительного снятия отказов методом abliteration Heretic v1.4.0. В метаданных указаны архитектура Qwen3 с плотной causal language model, 7,6 млрд параметров, контекст до 40 960 токенов и формат Safetensors. README описывает режим рассуждений Qwen3 и настройку /no_think. Модель предназначена для диалоговой генерации текста, агентных сценариев, использования инструментов, генерации кода и команд оболочки, а также многошаговых рассуждений. Автор заявляет о низкой частоте отказов и приводит внутреннее сравнение с исходной Mythos-9B-Unhinged; это не является независимой оценкой качества. Карточка описывает обучение на наборе FableForge Mix A и указывает английский язык. Модель явно позиционируется как не имеющая защитных фильтров; она может выдавать вредоносные или небезопасные инструкции и не должна считаться надёжным источником. Лицензия — Apache-2.0.

Mythos-nano-heretic — англоязычная языковая модель для генерации текста и диалогов, разработанная Richard Young как декензорированная версия squ11z1/Mythos-nano с помощью Heretic v1.4.0. Это плотная причинная модель семейства Qwen2 на 3,1 млрд параметров, дообученная на основе WeiboAI/VibeThinker-3B; опубликована в формате safetensors. Заявленная длина контекста — 131 072 токена. Модель предназначена для математических рассуждений, соревновательного программирования и STEM-задач, а также для генерации ответов в диалоге. В карточке приведено сравнение с исходной версией: доля отказов снизилась с 79 до 13 из 100 запросов, а KL-дивергенция составила 0,061. Эти результаты относятся к указанному сравнению и не гарантируют качество на других задачах. Разработчик предупреждает, что модель не обучалась вызову инструментов, оркестрации API или работе автономных программных агентов. Модель распространяется по лицензии MIT. Снятие направления отказа ослабляет защитные ограничения, поэтому ответы могут включать то, от чего обычно отказала бы модель с настройкой безопасности; пользователю следует самостоятельно оценивать их допустимость.

stojchet/ndpo6 — дообученная модель на основе 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, веса доступны в формате Safetensors. Модель можно рассматривать для экспериментов с генерацией и продолжением кода, однако README не приводит отдельного описания назначения, оценки качества или конкретных сценариев применения ndpo6. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели перед внедрением.

Negentropy-claude-opus-4.7-9B-GGUF — экспериментальная языковая модель для усиленного рассуждения, разработанная Jackrong совместно с Kyle Hessling. Она основана на Qwen/Qwen3.5-9B и дообучена с использованием Unsloth методом SFT. В проекте применяется подход Trace Inversion: модель Jackrong/Trace-Inverter-4B реконструирует более подробные цепочки рассуждений из сжатых сводок в стиле Claude-Opus, которые затем используются как обучающие данные. Модель предназначена для сложной логической дедукции, многошагового решения математических и программных задач, генерации качественных данных с цепочками рассуждений для более компактных моделей, а также локального запуска на рабочих станциях и исследовательских экспериментов по восстановлению рассуждений. Заявлены языки English, Chinese, Korean, Japanese и Russian. Размер модели — около 9 млрд параметров; базовая архитектура — Qwen3.5-9B. В карточке также указан pipeline image-text-to-text, однако подробности о поддерживаемых визуальных входах и фактических мультимодальных возможностях не приведены. К сильным сторонам относятся больший по сравнению с 4B-версией объём параметров, ориентация на более устойчивое многошаговое рассуждение и возможность локального развёртывания. Ограничения связаны с экспериментальным характером проекта, отсутствием приведённых количественных оценок качества, неполными сведениями о контексте и фактической поддержке модальностей, а также с тем, что реконструированные цепочки рассуждений основаны на синтетических данных и могут наследовать их особенности. Лицензия модели — Apache-2.0.

Ornstein-27B-GGUF — набор GGUF-квантизаций модели Ornstein-27B, разработанной DJLougen на базе Qwen 3.5 27B. Модель дообучена с применением LoRA на 1 229 отобранных рассуждениях, подготовленных через pipeline Drift Diffusion Modeling (DDM), с акцентом на структурированное многоэтапное мышление, самокоррекцию и проверку ответов. Модель использует блоки <think>...</think> для расширенного рассуждения. Она предназначена для математики, задач на логику, анализа кода, научных задач и сложных вопросов, требующих последовательного рассуждения. В обучающей выборке преобладают математические примеры, также представлены код, наука и логика. Доступны варианты от F16 размером 53,8 ГБ до Q2_K размером 10,7 ГБ; рекомендуемым указан Q4_K_M размером 16,5 ГБ. Модель рассчитана на контекст до 8192 токенов и запуск через llama.cpp, Ollama или LM Studio. Язык оптимизации DDM — английский; качество на других языках в основном определяется базовой моделью. Сильная сторона модели — ориентация на качественное, проверяемое рассуждение при сравнительно небольшом объёме данных и широкий выбор квантизаций для локального запуска. Ограничения включают обучение всего на одной эпохе и 1 229 примерах, поэтому дообучение преимущественно формирует стиль рассуждения, а не добавляет новые знания; при неоднозначных или намеренно провокационных запросах расширенное мышление может зацикливаться. Модель распространяется по лицензии Apache-2.0.

Модель failspy/Phi-3-vision-128k-instruct-abliterated-alpha создана автором failspy на основе microsoft/Phi-3-vision-128k-instruct. Это мультимодальная модель семейства Phi-3-Vision с 3,7 млрд параметров: она принимает текст и изображения, а отвечает текстом в формате диалога. Автор применил ортогонализацию весов bf16, чтобы ослабить склонность модели отказывать в ответах; зрительные слои не изменялись, преобразованию подверглись языковые и чат-слои. Модель предназначена для диалоговых запросов по тексту и изображениям, включая вопросы о визуальном содержимом и генерацию текста или кода. В карточке указаны лицензия MIT и контекст 4096 токенов. Автор называет выпуск экспериментальным и предупреждает, что модель может чаще галлюцинировать, чем исходная, сохранять отказы и проявлять побочные эффекты ортогонализации. Это не дообучение на новых данных, а изменение весов исходной модели для ослабления конкретного поведения.

Phi-4-mini-reasoning-GGUF — GGUF-квантизированная версия модели Phi-4-mini-reasoning, разработанной Microsoft. Квантизацию выполнил bartowski на основе llama.cpp, релиз b5228. Модель предназначена для генерации текста и ориентирована на многошаговое, логически сложное решение математических задач, а также на сценарии, связанные с математикой, рассуждениями и кодом. Модель поддерживает контекст длиной до 128 тысяч токенов и работает с текстовыми входными данными; в карточке указан английский язык. Точные архитектурные параметры и размер модели в README не приведены. Большое контекстное окно и специализация на последовательных рассуждениях являются её ключевыми особенностями, однако результаты могут быть неточными, поэтому математические решения и сгенерированный код требуют проверки. Модель распространяется по лицензии MIT. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность или соответствие конкретным требованиям.

qqWen-32B-RL-Reasoning — языковая модель Morgan Stanley на архитектуре Qwen2.5, дообученная для рассуждений и генерации кода на языке Q. Модель прошла предварительное обучение, supervised fine-tuning и обучение с подкреплением, ориентированные на Q — векторный язык программирования Kx Systems для работы с данными и вычислениями. Модель предназначена для написания и объяснения кода на Q, а также решения задач рассуждения, связанных с этим языком. Типичные сценарии — анализ временных рядов, обработка рыночных данных и количественные вычисления. Это плотная авторегрессионная модель на 32 млрд параметров; заявленный контекст — 32 768 токенов. Она принимает и генерирует текст, поддерживает диалоговый интерфейс и вызов инструментов. Лицензия — Apache-2.0. Специализация на Q делает модель полезной для соответствующего кода и задач, но карточка не сообщает результаты независимой оценки качества; возможности за пределами заявленных сценариев не установлены.

AymanElFou/Qwen2.5-1.5B-Java-Expert — компактная плотная языковая модель Qwen2.5, дообученная на 500 теоретических вопросах и ответах по Java. Она предназначена для генерации ответов на вопросы о Java, включая объектно-ориентированное программирование, внутреннее устройство JVM, многопоточность, коллекции, обобщённые типы, шаблоны проектирования и возможности Java 8 и новее. Модель основана на Qwen/Qwen2.5-1.5B-Instruct, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий использует формат safetensors; модель заявлена как лёгкая для быстрого запуска на CPU или GPU. Вне тематики Java она должна отклонять запросы заданным сообщением. Лицензия — Apache-2.0.

aniruddhr04/qwen2.5-3b-nl2sql-spider-grpo — экспериментальная модель на основе Qwen2.5-3B-Instruct, дообученная разработчиком с помощью GRPO в среде, где она выполняла SQL-запросы к базам SQLite и получала вознаграждение за совпадение результатов с эталонными запросами. Модель предназначена для преобразования вопросов на естественном языке в SQL с использованием схемы базы данных и инструмента run_sql. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и контекст до 32 768 токенов. В описанном тесте Spider dev точность выполнения запросов по официальной метрике составила 0,644; лучше она справлялась с простыми вопросами, чем с задачами повышенной сложности и многотабличным рассуждением. Для воспроизведения результатов требуется повторять цикл вызова инструмента, предусмотренный при обучении. Это исследовательский артефакт для изучения обучения NL2SQL с обратной связью от выполнения запросов; он не позиционируется как передовая модель для Spider. Apache-2.0 допускает широкое использование и распространение в соответствии с условиями лицензии.

Экспериментальная инструкционная языковая модель для генерации программного кода, опубликованная пользователем 0xgr3y под идентификатором агента tall_tame_panther. Она основана на Qwen2.5-Coder-0.5B-Instruct и дообучается в распределённой среде Gensyn RL-Swarm с использованием GRPO (Group Relative Policy Optimization). Модель предназначена для решения задач программирования, генерации кода и диалогового взаимодействия с учётом шаблона чата Qwen2.5. Обучение ориентировано преимущественно на задачи из MBPP и CodeContests, с адаптивным взвешиванием данных и системой оценивания, учитывающей корректность, структуру, документацию и приблизительную алгоритмическую эффективность кода. Заявлены поддержка английского языка и Python, а также форматов GGUF с вариантами квантования F16, Q3_K_M, Q4_K_M, Q5_K_M и Q6_K. Модель совместима с llama.cpp и TGI, использует точность BF16 на этапе обучения; размер контекста в README не указан. К сильным сторонам относятся небольшой размер, возможность локального запуска и специализация на программировании. Ограничениями являются экспериментальный статус, малый размер 0,5 млрд параметров, отсутствие подробных независимых бенчмарков и постоянно меняющиеся веса: обучение заявлено как непрерывное, а обновления модели и GGUF-файлов выполняются автоматически. Условия использования обозначены лицензией MIT.

Tuwhy/Qwen3-1.7B-OPSA — языковая модель на архитектуре Qwen3, дообученная методом On-Policy Self-Adaptation (OPSA) на вопросах из набора DAPO-17k. По описанию OPSA улучшает политику без учительской и reward-модели, эталонного прохода базовой модели и вознаграждения за задачу. Модель предназначена для генерации текста и диалогов, особенно для решения математических задач и рассуждений; README также приводит результаты на задачах программирования и научных вопросах. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст. Для сопоставимости с опубликованными оценками рекомендуется отключать thinking mode; указанный для этой модели контекст — до 40 960 токенов. В оценках OPSA-вариант превзошёл базовую модель на AIME24, AIME25 и HMMT25 при указанной авторами схеме генерации 32 ответов на запрос. Модель разработана Tuwhy на базе Qwen/Qwen3-1.7B-Base и распространяется под лицензией Apache-2.0. Это небольшой чекпойнт с экспериментальным методом обучения; результаты из README относятся к конкретным настройкам выборки и не гарантируют аналогичного качества в других условиях. Англоязычный README заявляет многоязычную поддержку семейства Qwen3, но не перечисляет языки отдельно для этого чекпойнта.

rahul7star/Qwen3.5-0.8B-Coder-Calude-Full — дообученная модель, разработанная пользователем rahul7star на базе Qwen/Qwen3.5-0.8B. Для обучения использовались Unsloth и библиотека Hugging Face TRL. По заявленным примерам модель предназначена для генерации текста и программного кода, включая написание Python- и PyTorch-примеров, а также для диалогового использования. Модель содержит около 0,8 млрд параметров. В README указана поддержка английского языка. Приведены примеры запуска через Transformers pipeline в режимах text-generation и image-text-to-text, однако подробные сведения о фактической мультимодальной архитектуре, поддерживаемых форматах изображений и максимальной длине контекста отсутствуют. Также не представлены результаты бенчмарков или подробности датасета и процедуры дообучения. К сильным сторонам относятся небольшой размер, возможность локального запуска и специализация на генерации кода. Ограничения включают отсутствие подтверждённых оценок качества, неполную информацию о мультимодальных возможностях и вероятную зависимость результатов от английского языка и сценария использования. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Whittle-16B — экспериментальная сжатая и дообученная модель, созданная независимым разработчиком на основе Qwen3.8-27B. Из исходной модели удалили 20 слоёв и уменьшили ширину оставшихся MLP на 25%, затем выполнили короткое QLoRA-дообучение для восстановления качества. В репозитории есть веса safetensors и варианты GGUF Q4_K_M и Q8_0; число параметров в метаданных — 12,8 млрд. Модель поддерживает контекст до 262 144 токенов и интерфейс чата с вызовом инструментов. Модель предназначена для генерации текста, в том числе ответов, кода и коротких рассуждений; автор рекомендует преимущественно одноходовые сценарии с указанными параметрами сэмплирования. По README, версия v2 улучшает оформление кода и снижает склонность к циклам в длинных ответах. При этом модель остаётся исследовательским предварительным выпуском: в многоходовых диалогах, длинной генерации и агентных циклах возможны серьёзные повторы, поэтому автор не рекомендует полагаться на неё в производственных системах или как на источник фактов. Лицензия — Apache-2.0.

Qwen3-Bifrost-SOL-4B-i1-GGUF — квантизированная GGUF-версия языковой модели Bifrost-AI/Qwen3-Bifrost-SOL-4B, разработанной Bifrost-AI и подготовленной к квантизации пользователем mradermacher. Модель основана на Qwen3 и имеет около 4 млрд параметров; в карточке указана поддержка английского языка и библиотека Transformers. Модель предназначена для текстовой генерации, диалоговых сценариев, программирования и задач, связанных с финансами. Специализация, судя по набору данных Bifrost-AI/Solana-Vanguard-Challenge и названию модели, ориентирована в том числе на экосистему Solana, однако подробные результаты оценки и перечень поддерживаемых прикладных задач не приведены. Модель доступна в большом наборе вариантов квантизации IQ и Q, размером примерно от 1,2 до 3,4 ГБ, что позволяет подбирать компромисс между требованиями к памяти, скоростью и качеством. Главное преимущество — возможность локального запуска на относительно ограниченных ресурсах благодаря GGUF-квантизации и нескольким уровням точности. При этом низкобитные варианты могут заметно снижать качество; в README отдельные варианты отмечены как низкокачественные, а для общего баланса рекомендован i1-Q4_K_M. Модальность — текстовая; сведения об архитектуре, размере контекста, дополнительных языках и конкретных ограничениях применения не указаны. Лицензия модели — MIT.

Montalte/qwen4b-code-nothink-localize — объединённый артефакт на базе Qwen3-4B, подготовленный для экспериментов по переносу между математикой и программированием. README описывает метод localize-and-stitch на проверочной выборке MergeBench и указывает, что при объединении использовалась только основная часть модели, без embed и lm_head. Метаданные характеризуют модель как плотную Qwen3-архитектуру для генерации текста с 3,7 млрд параметров и контекстом 32 768 токенов; заявлены сценарии чата, программирования и интерфейс вызова инструментов. Модель подходит для генерации кода и экспериментов с переносом навыков между математическими и программными задачами. Она основана на Qwen/Qwen3-4B-Base и распространяется по лицензии Apache-2.0. README описывает экспериментальную процедуру слияния, поэтому результаты на прикладных задачах отдельно не подтверждены.

Qwento-Agentic — экспериментальный чекпойнт от groxaxo, созданный дообучением Qwen/Qwen-AgentWorld-35B-A3B для задач программирования. Это модель семейства Qwen3.5 MoE с 35 млрд параметров и примерно 3 млрд активных параметров; в README указаны гибридная архитектура DeltaNet и полное внимание, 256 экспертов и 40 слоёв. Модель принимает текст и, согласно метаданным базовой модели, предназначена для работы с текстовыми и интерфейсными сценариями; в карточке репозитория также заявлена задача image-text-to-text, но авторские метаданные и каталог классифицируют её как text-generation. Чекпойнт получен коротким этапом QLoRA-дообучения на публичных наборах с примерами рассуждений и затем объединён с базовыми весами в формате BF16 safetensors. Эксперты MoE оставались замороженными. Модель подходит для экспериментальной генерации кода и диалогового применения через совместимые среды Transformers или vLLM; метаданные отмечают интерфейс вызова инструментов. Объём обучения был небольшим, длина последовательности — 2K токенов, а опубликованных бенчмарков нет, поэтому качество и надёжность не подтверждены. Лицензия репозитория — Apache-2.0; README также указывает на наследование лицензии и ограничений базовой модели, поэтому перед распространением или развёртыванием следует сверить условия исходной карточки.

Qwopus3.5-9B-Coder-MTP-MoQ — набор квантованных GGUF-версий модели на основе Qwen/Qwen3.5-9B, опубликованный Waleed Ahmad. Репозиторий предназначен для генерации текста и диалога; в названии заявлена специализация на программировании, но README не приводит отдельных оценок или сведений о настройке под код. Также указана поддержка MTP speculative decoding для ускорения генерации. Метод MoQ (Mixture of Quants) распределяет точность квантования по слоям модели, сохраняя более высокую точность для важных частей и сильнее сжимая остальные. В README приведены варианты примерно от 3,3 до 3,9 бит на вес, а также заявление автора о сравнительных оценках относительно других квантований. Файлы доступны в формате GGUF; для запуска README показывает llama.cpp. Модель унаследовала мультимодальные возможности базовой Qwen3.5-9B, однако карточка этого репозитория описывает прежде всего текстовую генерацию и не подтверждает работу с изображениями в данных GGUF. Указанная лицензия — MIT. Качество конкретных квантованных вариантов может различаться; заявления о превосходстве в README принадлежат автору и не сопровождаются подробностями методики оценки.

RavenX × Gemma 4 12B MTP OBLITERATED — экспериментальная модель генерации текста и диалогов, представленная как проект сообщества RavenX и дообученная на базе OBLITERATUS/Gemma-4-12B-OBLITERATED. Она использует архитектуру gemma4_unified с MTP-головами и распространяется в формате GGUF F16; заявлена также версия MLX для Apple Silicon. В карточке указаны структурированные многоэтапные рассуждения в задачах программирования, математики и анализа, а также самооценка возможностей и ограничений. Модель предназначена для исследовательских и образовательных экспериментов с диалогами, кодом, математическими задачами и аналитическими запросами. Для работы требуется применять chat template Gemma 4; без него, по карточке, вывод может быть искажён. Базовая модель лишена фильтров отказа, поэтому возможны нежелательные ответы. Карточка называет метод обучения проприетарным, а лицензию в метаданных указывает как other; подробные условия использования не приведены.

aabbdev/RWKV7-1.5B-SMI-20260822 — дообученная модель семейства RWKV-7 с 1,5 млрд параметров, созданная для State Model Interface (SMI). Она сохраняет архитектуру базовой модели и добавляет десять структурных токенов для сериализации сообщений. Модель предназначена для генерации текста в формате диалога с поддержкой SMI; для корректной работы структуру сообщений следует формировать совместимым компилятором, а не вставлять маркеры в недоверенный текст. Дообучение выполнено на смеси диалоговых, многоязычных, агентных, математических и программных данных. В README приведено сравнение с базовой моделью на закрытом наборе тестов: результат улучшился в основных случаях, но на многошаговых сценариях итог зависел от этапа обучения. Модель загружается через Transformers и распространяется под лицензией Apache-2.0. Структурные маркеры SMI не являются полноценной песочницей и не делают безопасным автоматическое выполнение сгенерированных вызовов инструментов. Опубликованные оценки не подтверждают общую фактическую точность, безопасность, качество на разных языках или пригодность для эксплуатации. Также не поддержан откат рекуррентного кеша при assisted/speculative decoding; оптимизированный runtime имеет ограничения по оборудованию, типу данных и форме входа.

Code Search-Hit Ranker — плотная языковая модель Qwen2.5-1.5B, разработанная для выбора места определения символа среди результатов поиска по коду. Это полно-параметрическая модель с supervised fine-tuning на базе Qwen/Qwen2.5-1.5B-Instruct, обученная на примерах из Python-репозиториев с метками, полученными детерминированными правилами. Модель принимает текстовый запрос с результатами поиска и выдаёт структурированный ответ в формате JSON по заданной схеме. Модель предназначена для узкой подзадачи агентной навигации по коду и рассчитана на запуск внутри проверяющей обвязки, которая формирует запрос, проверяет схему и применяет резервные правила. На тестовых репозиториях HTTPX и Jinja2 заявлены 98% успешных ответов после одной попытки; оценка проводилась максимум на 250 примерах. Контекстная длина базовой модели по метаданным — 32768 токенов, обучение этой версии использовало последовательности длиной до 2048 токенов. Это не универсальный помощник по программированию: карточка предупреждает, что специализация на закрытой JSON-схеме может ослабить широкие способности следовать инструкциям. В выводе эксперимента указано, что для этой подзадачи достаточно обычных правил. Модель распространяется по лицензии Apache-2.0.

VibeThinker-3B-SFT-Claude-Opus-Reasoning-Unsloth — языковая модель на 3,1 млрд параметров, разработанная ermiaazarkhalili как дообучение WeiboAI/VibeThinker-3B. Модель построена на архитектуре Qwen2ForCausalLM и предназначена для генерации текста в диалоге и решения задач, требующих рассуждений; карточка указывает на обучение с учителем на наборе данных с дистилляцией рассуждений Claude, доступ к которому закрыт. Модель подходит для экспериментов с пошаговыми ответами и instruction-following в задачах STEM, математики и программирования, которые поддерживает базовая модель. Метаданные указывают контекст до 131 072 токенов и интерфейс tool calling. Лицензия — MIT. Качество на downstream-бенчмарках не оценивалось: опубликованы только наблюдения за обучающей функцией потерь. Поведение вне распределения единственного обучающего набора не проверено; модель наследует смещения и ограничения базовой модели. LoRA-адаптеры объединены с базовыми весами и отдельно не извлекаются.