II.2Создание и понимание программного кода

Noema-2B — дообученная NoemaAI-labs модель для диалогов и рассуждений, созданная на базе Qwen/Qwen3.5-2B. Это плотная причинная языковая модель с гибридной архитектурой Gated-DeltaNet и softmax-attention; в репозитории указано около 2 млрд параметров, а метаданные каталога сообщают 1,7 млрд. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 262 144 токена. Модель предназначена для общего ассистентского использования, особенно для математических задач, коротких программ, следования инструкциям и форматным ограничениям. Разработчики сообщают об улучшении результатов на GSM8K, MATH-500 и тестах генерации кода относительно базовой модели, а также о меньшем числе генерируемых токенов. Дообучение выполнено с LoRA на замороженной базовой модели; итоговые веса объединены с базой. Режим рассуждений thinking не поддерживается: в нём возможны зацикливание и незавершённая генерация. Среди ограничений — снижение точности на тестах фактических знаний относительно базовой модели, а качество свободного диалога и творческого письма не оценивалось. Модель распространяется по лицензии Apache-2.0.

Occiglot-7B-IT-EN — базовая генеративная языковая модель Occiglot Research Collective для английского и итальянского языков. Это плотный авторегрессионный трансформер с декодером Mistral на 7,1 млрд параметров, продолженно обученный на 113 млрд дополнительных токенов многоязычных данных и кода на основе Mistral-7B-v0.1. Контекст модели — до 32 768 токенов. Модель предназначена для продолжения текста и генерации на английском и итальянском, а также работы с кодом. Она не проходила дообучение на инструкциях и не оптимизирована для диалогов или готовых прикладных сценариев; для чата авторы предлагают отдельную instruct-версию. Карточка приводит предварительные результаты оценки и предупреждает, что часть неанглоязычных тестов основана на машинном переводе и может быть смещена в сторону английского. Лицензия — Apache 2.0.

PeppX/Ornith-1.0-9B-Uncensored — модифицированная версия Ornith 1.0 9B от DeepReinforce AI, подготовленная командой Lethflow. Это плотная причинно-языковая модель семейства Qwen 3.5 с 7,2 млрд параметров; веса доступны в формате bf16 Safetensors. В README указано окно контекста 262 144 токена согласно метаданным и описан способ удаления направления отказа с помощью ортогонализации весов и оптимизации Abliterix TPE без переобучения модели. Модель предназначена для генерации текста в диалоге, написания кода и агентных сценариев. Карточка заявляет отсутствие отказов и близкое к исходной модели поведение на безвредных запросах, но приведённые результаты основаны на ограниченной внутренней оценке и не гарантируют качество или безопасность в других сценариях. Указан английский язык. Лицензия — MIT. Поскольку защитные механизмы отказа намеренно удалены, модель может выдавать опасный, незаконный или оскорбительный контент; карточка не рекомендует её для производственного использования.

Ornith Harness 4B v2 — исследовательская текстовая модель на 4,2 млрд параметров, созданная на основе Qwen3.5-4B и распространяемая в формате GGUF Q5_K_M. Разработчики дообучили её на траекториях использования инструментов, а затем применили оптимизацию предпочтений и двухэтапную on-policy дистилляцию. Модель рассчитана на локальные агентные эксперименты, проверяемую обработку данных и написание небольших программ по заданным примерам и критериям. В комплект входит двухинструментальный harness для оценки результатов; заявленный контекст оценки — 8192 токена. В фиксированном тесте из 48 задач модель прошла 32; этот результат относится к конкретной конфигурации модели, среды и проверяющих программ и не гарантирует аналогичного качества на произвольных запросах. Авторы исключают из проверенной области применения общий чат, крупный рефакторинг, проектирование архитектуры и генерацию критичного к безопасности кода. Harness выполняет сгенерированные команды и записывает файлы, поэтому авторы рекомендуют запускать его в изолированной среде с ограничениями и проверять результаты независимо. Лицензия — Apache 2.0.

ManthanCisco/phi_Text2SQL_v2 — дообученная модель Microsoft Phi-1.5 с 1,7 млрд параметров, предназначенная для генерации текста по архитектуре PhiForCausalLM. Название репозитория указывает на применение для преобразования запросов на естественном языке в SQL, однако README не содержит описания этого сценария, данных обучения или результатов оценки. Модель принимает текст и выдаёт текст; базовая модель англоязычная, а её контекст составляет 2048 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Практическое качество генерации SQL, поддерживаемые диалекты и ограничения в карточке не описаны.

Это экспериментальная квантизированная версия Qwen2.5-Coder-32B-Instruct, подготовленная автором репозитория tzervas. Модель сохраняет архитектуру Qwen2 плотностью 32 млрд параметров и предназначена для генерации кода в диалоговом и инструктивном режиме, а также для анализа и исправления кода. Указанный размер контекста — 32 768 токенов; в карточке заявлена поддержка английского и китайского языков. Веса квантизированы до троичных значений {-1, 0, +1} с групповым масштабированием и упаковкой четырёх значений в байт. Репозиторий содержит SafeTensors и экспериментальный GGUF TQ2_0; основной заявленный формат — SafeTensors. Для троичных весов требуется специальная среда выполнения, обычный Transformers их не поддерживает. Качество не проходило формальную оценку и может заметно уступать исходной модели; автор не рекомендует использовать её в production без предварительной проверки. Лицензия — Apache-2.0.

q31p7bsftrphardlam1 — готовая к инференсу модель для генерации кода, полученная дообучением Qwen/Qwen3-1.7B-Base методом supervised fine-tuning. В карточке указано, что это финальный чекпойнт эксперимента q3_1p7b_sft_rp_hard_lam1 на шаге оптимизатора 102; обучение использовало набор qwen3_1p7b_s500_code_sft_data и стратегию replay с параметром lambda 1.0. Модель относится к плотной архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров и принимает текст для авторегрессионной генерации текста, в том числе кода. Нативное окно контекста — 32 768 токенов. Репозиторий использует библиотеку Transformers и формат Safetensors; метаданные также отмечают возможности чата и работы с кодом. Модель предназначена для экспериментов и прикладных задач генерации кода, однако README описывает конкретный экспериментальный чекпойнт на раннем шаге обучения, поэтому качество и устойчивость могут быть ограничены. Лицензия в предоставленных данных не указана.

Qwen3.5-0.8B-Claude-4.6-Opus-Reasoning-Distilled — компактная текстовая модель для генерации ответов с пошаговыми рассуждениями. Разработчик дообучил Qwen/Qwen3.5-0.8B методом supervised fine-tuning на структурированных примерах рассуждений в стиле Claude-4.6 Opus. Модель имеет плотную архитектуру Qwen3.5ForCausalLM и 581,4 млн параметров. Модель предназначена для логических и математических задач, объяснений кода, пошагового анализа и выполнения инструкций в диалоговом формате. Она принимает текст и генерирует текст; в метаданных указаны английский и китайский языки. Родительская модель описана как мультимодальная, но эта версия использует текстовую архитектуру. Контекстное окно составляет 262 144 токена. Модель может галлюцинировать факты, а её качество ограничено компактным размером; карточка рекомендует её для лёгких задач рассуждения, экспериментов и исследований. Лицензия — Apache-2.0.

voodooquant/Qwen3.5-2B-MTP-Voodoo — это GGUF-квантизированная версия базовой мультимодальной модели Qwen3.5-2B-Base, созданная Voodoo Quant. Модель предназначена для исследовательских и прикладных сценариев, связанных с обработкой текста и изображений, включая мультимодальное понимание, рассуждения, программирование и агентские задачи. Базовая модель рассчитана преимущественно на дообучение, эксперименты с in-context learning и разработку, а не на непосредственное диалоговое использование без дополнительной настройки. Модель представляет собой причинную языковую модель с vision encoder, объединяющую Gated Delta Networks, разреженную Mixture-of-Experts и Gated Attention. Она содержит около 2 млрд параметров, 24 слоя, скрытую размерность 2048 и поддерживает контекст длиной 262 144 токена с возможностью расширения до 1 010 000 токенов. Заявлена поддержка 201 языка и диалекта. Архитектура обучалась с использованием multi-step training (MTP). Квантизация Voodoo Quant выбирает уровни сжатия отдельно для разных тензоров; заявлено снижение perplexity до 89% по сравнению с обычными схемами квантизации. Чекпойнты работают в неизменённом Llama.cpp и не являются дообученными версиями исходной модели. Сильными сторонами являются мультимодальность, большой контекст, относительно компактный размер и оптимизация GGUF для эффективного локального запуска. Ограничения включают необходимость учитывать особенности конкретного уровня квантизации, а также то, что README не приводит подробных количественных результатов, требований к памяти и аппаратных рекомендаций. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-27B-Della-Deckard-v1 — мультимодальная модель с 27 млрд параметров, собранная автором репозитория YFC-112358 методом слияния весов. В основе лежит Qwen/Qwen3.6-27B; в карточке описаны слияние DELLA с двумя моделями для рассуждений и добавление небольшого вектора задач из инженерной модели Qwen3.5. Модель плотная, построена на архитектуре Qwen3.5, поддерживает зрительный ввод и диалог. Веса сохранены в BF16 в формате safetensors; лицензия — Apache-2.0. Модель предназначена для мультимодальных диалогов и задач, где нужно отвечать на текстовые запросы и учитывать изображения. Автор также ориентирует её на рассуждения и инженерные задачи, включая программирование, но количественных бенчмарков нет. Карточка сообщает о тестировании генерации на 13 текстовых запросах; работу с изображениями и поведение на контексте длиннее 16K не проверяли. Слияние структурно проверено, но это не подтверждает улучшения качества; при проблемах автор рекомендует отключить кросс-поколенческий вклад. Указанный контекст базовой модели в README — 16K, за его пределами поведение не оценивалось.

Qwen3.8-27B-Uncensored-INT8 — это модифицированная и квантованная версия базовой модели Qwen/Qwen3.8-27B, разработанной командой Qwen компании Alibaba и опубликованная OrcaRouter. Из модели удалено направление, отвечающее за отказы, поэтому она существенно менее ограничена встроенными механизмами безопасности. Версия использует квантование INT8 W8A8: веса линейных слоёв представлены в 8-битном формате, а активации квантуются динамически по токенам. Модель предназначена для исследовательских задач, включая интерпретируемость, изучение механизмов отказа, AI safety, red-teaming, оценку устойчивости и контролируемые эксперименты. Это vision-language модель с поддержкой текста и изображений, рассуждений, управления режимом thinking, вызова инструментов и function calling. Архитектура включает 64 слоя, скрытое состояние размером 5120 и гибридное внимание: 48 слоёв Gated DeltaNet с линейным вниманием и 16 слоёв с полным вниманием. Заявлен контекст до 262 тысяч токенов; также сохранена MTP-голова для speculative decoding. В README указана поддержка английского и китайского языков. К сильным сторонам относятся сочетание мультимодальности, длинного контекста, инструментов, рассуждений и широкой совместимости INT8 с современными GPU. Основное ограничение — практически отсутствие встроенных защит: модель может выполнять вредоносные, незаконные или неэтичные запросы, которые исходная модель отклоняла. Её не рекомендуется использовать с конечными пользователями или в производственной среде без собственных механизмов модерации и защиты от злоупотреблений. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели; ответственность за использование и результаты несёт пользователь.

Qwen3.8-Flash-Next-Uncensored-NVFP4 — квантизированная версия модели Qwen3.8-Flash-Next, разработанной Qwen и опубликованной OrcaRouter. Это мультимодальная Mixture-of-Experts-модель для работы с текстом и изображениями, рассуждений, вызова инструментов, функционального вызова, исследовательского red-teaming и анализа механизмов отказа моделей. Модель представляет preview-архитектуры Qwen4 и поддерживает английский и китайский языки. Архитектура включает 512 экспертов, из которых для каждого запроса активируются 10 маршрутизируемых и 1 общий эксперт, Gated DeltaNet linear attention, Qwen Sparse Attention, HyperConnections и PLE n-gram embeddings. Экспертные веса сжаты в NVFP4 с точностью 4 бита, attention и общие экспертные веса — в FP8, а отдельные компоненты, включая эмбеддинги, vision tower и нормализации, сохранены в bf16. Размер хранения сокращён примерно с 330 ГБ в bf16 до 178 ГБ; KV-кэш во время работы остаётся в bf16. Главное преимущество модели — значительное снижение требований к памяти при сохранении полноточных путей в важных компонентах, а также встроенная поддержка vision, reasoning и tool calling. Ограничения включают необходимость GPU с архитектурой Blackwell и FP4 tensor cores; Hopper и более старые GPU не поддерживаются. Для запуска нужны свежие версии vLLM с архитектурой qwen4_exp и compressed-tensors NVFP4, а мультимодальный режим зависит от поддержки vision-стека Qwen. Из модели удалена значительная часть safety alignment методом abliteration, поэтому она может выполнять вредоносные или незаконные запросы, от которых исходная модель отказалась бы. Модель предназначена только для легитимных исследований; перед практическим развёртыванием необходимы собственные фильтры безопасности и модерация. Лицензия — Apache 2.0, унаследованная от базовой модели.

KCh3dRi4n подготовил с помощью метода K-REAP сжатую версию инструктивной модели Qwen3-Coder-30B-A3B-Instruct для генерации текста и диалога. Это MoE-модель семейства Qwen3 с причинной языковой архитектурой; в README указано около 16 млрд параметров, из которых активно около 3,3 млрд, а метаданные каталога сообщают 2,6 млрд параметров. Модель предназначена для программирования, рассуждений и общения на корейском и английском языках; заявленная длина контекста — 262 144 токена. Доступны веса в формате safetensors для MLX и Transformers, предусмотрен интерфейс вызова инструментов. При сжатии число маршрутизируемых экспертов сокращено со 128 до 64 на слой без дообучения. Защита корейских экспертных путей уменьшает потерю качества на корейском относительно стандартного REAP, однако авторы называют этот вариант моделью на пределе сжатия: результаты по корейским и английским тестам, математике и программированию заметно хуже исходной модели. README рекомендует для сохранения корейских возможностей степень сжатия 12,5–25%, поэтому этот чекпойнт подходит прежде всего для изучения компромисса между размером и качеством. Лицензия — Apache-2.0.

k1ngtai/security-coding-gemma4-e2b-full — дообученная модель семейства Gemma 4, созданная k1ngtai на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для диалоговых сценариев с текстом и изображениями; название указывает на задачи, связанные с безопасностью и программированием, но карточка не уточняет конкретные функции или результаты дообучения. Модель использует архитектуру Gemma4ForConditionalGeneration и поддерживает зрительный ввод. Метаданные относят её к задаче image-text-to-text и отмечают чат и интерфейс вызова инструментов. Карточка заявляет лицензию Apache-2.0. Оценки качества, размер модели и длина контекста в предоставленных данных не описаны.

Self-Healing-LLM (Project RetroEdit) — экспериментальная адаптация Qwen/Qwen2.5-0.5B, дообученная для генерации кода с возможностью откатывать фрагменты и исправлять синтаксические ошибки в ходе генерации. Это плотная авторегрессионная модель Qwen2 с примерно 494 млн параметров, рассчитанная на контекст до 32 768 токенов и работающая через Transformers в формате safetensors. В README описан механизм проверки строк Python-кода и повторной генерации после отката динамического KV-кэша; обучение проводилось на синтетических траекториях исправления мутаций и diff-последовательностей. Модель предназначена для генерации и итеративного исправления кода, в частности для сохранения синтаксической корректности при построчном откате. В карточке указаны английский язык и код; конкретные оценки качества или поддержка языков программирования, кроме приведённого примера Python, не описаны. Лицензия — Apache-2.0.

SiliconMind-V1-Qwen3-4B-T-2507 — специализированная языковая модель команды SiliconMind для генерации и отладки RTL-кода на Verilog. Это дообученная плотная модель Qwen3 с 3,7 млрд параметров; она принимает текстовые запросы и выдаёт текст, включая код и пояснения. Заявленная длина контекста — 262 144 токена. В метаданных указан английский язык. Модель предназначена для создания модулей цифровой логики, подготовки тестбенчей и исправления ошибок в RTL. README описывает обычный режим генерации, режим углублённого рассуждения и многошаговый агентный сценарий: модель составляет решение, формирует отчёт о проверке и предлагает исправления. Авторы заявляют, что обучение включало функционально проверенные примеры и задания на самокоррекцию; приведённые в карточке результаты оценки относятся к агентному режиму с несколькими взаимодействиями тестирования и отладки. Модель опубликована в формате safetensors под лицензией Apache-2.0. README не приводит отдельного описания ограничений точности и не обещает, что сгенерированный код будет корректен для конкретного проекта; перед использованием RTL следует проверять подходящими средствами в целевой среде разработки.

Smart-LLama-3-8b-Python-v2-16bit — дообученная модель Kukedlc для генерации текста и диалогового взаимодействия. Она основана на Kukedlc/LLama-3-8b-Python и использует плотную архитектуру Llama с причинной языковой моделью LlamaForCausalLM; размер составляет 7,5 млрд параметров, контекст — до 8192 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста и ответов в диалоге; название базовой модели указывает на настройку для задач с Python, однако README не описывает конкретные сценарии или качество на этих задачах. В карточке указаны английский язык и формат весов safetensors. Лицензия — Apache-2.0.

taskGPT2-xl-v0.2a — модель генерации текста на основе GPT-2 XL, дообученная автором карточки на задачах text-to-code, Chain-of-Thought, математики и набора инструкционных заданий FLAN. Она предназначена для генерации продолжений и ответов на текстовые запросы, включая простые задачи на код, рассуждения и вычисления. В карточке приведён пример использования через Transformers для генерации ответа на запрос о тональности текста. Модель использует плотную архитектуру GPT-2 и принимает текст, выдавая текст. Для неё указан контекст длиной 1024 токена; в метаданных отмечен английский язык. Репозиторий содержит веса PyTorch и доступен по лицензии Apache-2.0. Карточка сообщает о дообучении на разнообразных данных, но не приводит количественной оценки качества или подробностей о размере обучающего набора.

rombodawg/test_dataset_Codellama-3-8B — экспериментальная версия Llama 3 8B Instruct, дообученная автором rombodawg на наборе Replete-AI/code-test-dataset для генерации кода. В основе лежит unsloth/llama-3-8b-Instruct; README сообщает, что обучение выполнялось с Unsloth, QLoRA и GaLore, а результат был сохранён в объединённом формате 16-bit. В метаданных указаны плотная архитектура LlamaForCausalLM, около 7,5 млрд параметров, контекст до 8192 токенов и поддержка чата. Модель предназначена для генерации текста и кода по запросу, в том числе в диалоговом формате. Карточка описывает её как тестовый результат обучения на небольшом наборе данных, поэтому качество и надёжность для широкого применения не подтверждены. Репозиторий распространяется по лицензии Apache-2.0.

yazdipour/text-to-sparql-t5-small-qald9 — модель T5ForConditionalGeneration с 38,5 млн параметров, дообученная для преобразования текстовых запросов в запросы SPARQL. Карточка указывает, что это вариант модели yazdipour/text-to-sparql-t5-small-2021-10-19_10-17_lastDS, дообученный на датасете QALD-9. Модель принимает текст и генерирует текст запроса SPARQL; её можно использовать для перевода вопросов на естественном языке в запросы к базам знаний и RDF-хранилищам. Максимальная длина контекста — 512 токенов. Данные о поддерживаемых естественных языках и оценках качества в карточке отсутствуют. Модель опубликована под лицензией Apache-2.0.

WEBGEN-4B-Preview-imatrix-GGUF — набор GGUF-квантизаций модели WEBGEN-4B-Preview, разработанной Tesslate. Это исследовательская модель для генерации веб-интерфейсов по текстовому запросу: она преобразует один промпт в чистый адаптивный HTML, CSS или Tailwind. Модель ориентирована на веб-разработку, современную компоновку страниц и mobile-first-вывод, а также по умолчанию не использует внешний JavaScript. Модель имеет размер 4B параметров и предназначена для локального запуска на ноутбуках и совместимых устройствах. Доступна только текстовая модальность; заявлен язык English. Формат GGUF и imatrix-квантизации позволяют использовать её через llama.cpp, KoboldCPP, text-generation-webui, Jan, ik_llama.cpp, croco.cpp и другие совместимые интерфейсы. Длина контекста и конкретные характеристики архитектуры в представленном README не указаны. Сильные стороны модели — специализация на веб-интерфейсах, последовательный визуальный стиль, адаптивность и сравнительно небольшой размер. Ограничения связаны с узкой направленностью на веб-генерацию, статусом research preview и отсутствием подробных сведений о качестве, бенчмарках, ограничениях вывода и системных требованиях. Указана лицензия other; конкретные условия использования в README не раскрыты.

AIKAR 3 Pro — LOOP Research Team тарабынан разработанная дообученная модель на базе google/gemma-4-26b-a4b-it. Она предназначена прежде всего для рассуждений на корейском языке: понимания сложных логических конструкций, многошаговых математических задач, программирования и анализа технических и юридических текстов. Карточка также заявляет поддержку изображений, что согласуется с мультимодальной задачей image-text-to-text в метаданных. По README, модель использует декодерный трансформер и насчитывает 26 млрд параметров; заявлен контекст 32 тыс. токенов. Обучение включало предварительное обучение на корейских материалах, SFT и обучение с подкреплением для улучшения логических объяснений. Для развёртывания опубликованы веса Safetensors, лицензия — Apache-2.0. Модель ориентирована на корейский язык; README рекомендует просить пошаговые объяснения для задач на рассуждение. Указанные возможности и характеристики основаны на карточке модели и не сопровождаются в предоставленных данных независимыми оценками качества.

awakening-sft-replay100 — дообученная модель на базе awakening-goedel-v2-32b-sft, разработанная juihuichung в рамках работы о восстановлении использования инструментов в моделях, дообученных для формальной математики. Это плотная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для генерации текста, диалогов и вызова инструментов, в том числе при доказательстве теорем на Lean 4. Модель дообучена на 100 примерах трасс взаимодействия агента с инструментами, ориентированных на поведение; README сообщает, что это восстановило показатель BFCL Non-Live с 4,6 до 83,8 при сохранении способности доказывать теоремы в Lean 4. Контекст составляет до 40 960 токенов. Репозиторий использует формат Safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт языковой модели Qwen3-4B, дообученный командой agurung методом GRPO в OpenRLHF непосредственно от Qwen/Qwen3-4B-Instruct-2507, без промежуточного SFT. Он предназначен для генерации кода и решения задач программирования: обучение проводилось на задачах, которые базовая модель решала редко, а награда зависела от прохождения тестов сгенерированной программой. Чекпойнт сохранён на шаге 72; автор отмечает его как лучший в этом запуске по pass@8, но метрики оценки в журнале обучения отсутствуют. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит веса Safetensors и предназначен для загрузки через Transformers. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя. Это ранний исследовательский чекпойнт конкретного запуска, а не подтверждённая универсальная модель для программирования. Результаты ограничены описанным набором задач и схемой оценки; данные о качестве на других языках программирования и типах задач не приведены.

Экспериментальный чекпойнт языковой модели Qwen3-4B-Instruct-2507, дообученный методом GRPO с помощью OpenRLHF. Обучение с подкреплением применялось напрямую к базовой модели без предварительной SFT-настройки; этот чекпойнт сохранён на шаге 36 и показал лучший результат pass@8 в рамках описанного запуска. Модель предназначена прежде всего для генерации программ, решающих задачи из набора cobalt-train: сигнал вознаграждения зависел от прохождения тестов, а обучение уделяло внимание корректному завершению ответа и штрафовало чрезмерно длинные генерации. Веса доступны в формате safetensors для Transformers. Архитектура — плотная Qwen3ForCausalLM с 3,7 млрд параметров; базовая модель поддерживает контекст до 262 144 токенов. Основной язык задач в карточке не уточнён. Метрики оценки именно этого чекпойнта в журнале обучения отсутствуют, поэтому заявленный результат pass@8 отражает только сравнение внутри данного запуска и не гарантирует качество на других задачах. Лицензия в предоставленных данных не указана.

BrainboxAI/code-il-E4B-safetensors — репозиторий с полной версией весов 16-битного помощника по программированию code-il-E4B, созданного Нетанелем Элиаси из BrainboxAI. Это дообученная Gemma 4 E4B Instruct с плотной архитектурой Gemma4ForConditionalGeneration; веса хранятся в формате safetensors и предназначены для работы через Transformers, дальнейшего обучения на частном коде и конвертации в другие форматы. Модель помогает писать и анализировать код, в том числе на Python и TypeScript; при запросе на иврите отвечает на иврите, а сам код формирует на английском. Базовая Gemma 4 также поддерживает анализ изображений, однако карточка этой версии описывает её прежде всего как текстового помощника по программированию. Этот вариант рассчитан на разработчиков, которым нужны полные веса для обучения или конвертации, а не на обычный запуск для повседневного программирования: файл весов занимает 16 ГБ. Для запуска автор рекомендует сжатую сборку BrainboxAI/code-il-E4B. Лицензия — Apache 2.0.

CodeModernBERT-Owl — устаревшая модель на архитектуре ModernBERT, разработанная автором Shuu12121. По метаданным, это плотная модель для заполнения пропусков в тексте с 151,6 млн параметров и контекстом до 2048 токенов. Карточка указывает на применение в задачах поиска и сходства кода; среди тегов и обучающих наборов упомянуты Rust, Java, Python, JavaScript, PHP, Ruby и Go. README приводит размер словаря 50 004, скрытый размер 768 и 12 слоёв, а также рекомендует использовать более новую версию. Модель принимает текст и предсказывает замаскированные токены. Доступна в формате safetensors; лицензия — Apache-2.0. Связь с конкретной базовой моделью или факт дообучения в доступных данных не указан.

dev-analyzer/commit-message-model — модель классификации сообщений коммитов Git, созданная дообучением vinai/bertweet-base. Она использует архитектуру RoBERTa для классификации текста и содержит 162,4 млн параметров; максимальная длина контекста — 130 токенов. Модель относит сообщения к пяти категориям: Adaptive (добавление функций и адаптация), Perfective (рефакторинг и улучшение качества), Corrective (исправление ошибок), Administrative (документация) и Other (слияния, pull request и неопределённые задачи). Модель предназначена для анализа истории изменений в репозиториях, автоматической категоризации коммитов и подготовки сводок по типам работ. Базовая модель обучалась на сообщениях в Twitter и ориентирована на английский язык; карточка не сообщает отдельные показатели качества. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Это классификатор качества сообщений коммитов на основе CodeBERT, дообученный авторами модели на наборе данных saridormi/commit-message-quality. Модель предназначена для оценки текста сообщения коммита и использовалась при обработке набора Commit Message Generation из бенчмарка Long Code Arena. Модель построена на архитектуре RoBERTa для классификации последовательностей, содержит около 151,8 млн параметров и принимает входы длиной до 514 токенов. Репозиторий содержит веса PyTorch и Safetensors. Карточка не уточняет набор меток и метрики качества; ориентируйтесь на проверку сообщений на английском языке и не считайте предсказание гарантированной оценкой качества кода. Лицензия — Apache-2.0.

d8 — дообученная модель генерации текста на базе deepseek-ai/deepseek-coder-1.3b-base, разработанная автором репозитория stojchet. Она обучена на наборе данных generator и предназначена для генерации и продолжения текста; базовая модель ориентирована на автодополнение и заполнение пропусков в коде. Архитектура — плотная LlamaForCausalLM, размер — 1,3 млрд параметров, контекст — до 16 384 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в доступных данных не приведена. Карточка не описывает отдельные сценарии применения, оценку качества или ограничения дообученной модели. Поэтому пригодность d8 для конкретных задач генерации кода следует проверять самостоятельно.