II.2Создание и понимание программного кода

DeltaP2S-Llama2-13B-P2S-CodeLlama7B-SameFormula — объединённый чекпойнт эксперимента Delta-P2S, опубликованный g-assismoraes. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, предназначенная для генерации текста; в карточке указана архитектура LlamaForCausalLM и библиотека Transformers. Модель принимает текст и генерирует текст, а заявленная длина контекста составляет 4096 токенов. README связывает чекпойнт с экспериментом Delta-P2S и указывает обучающую базу CodeLlama для формулы SameFormula. Это позволяет рассматривать модель как экспериментальный производный чекпойнт для генерации кода или текста по запросу. Файлы опубликованы в формате safetensors. Лицензия в доступных сведениях не указана, поэтому условия использования определить нельзя. Карточка не описывает качество, результаты оценки или конкретные языки; эти характеристики не следует считать подтверждёнными.

Hikari07jp/DSpark-Gemma-4-31B-draft — вспомогательная модель для ускорения генерации Google Gemma 4 31B Instruct методом спекулятивного декодирования. Разработчик дообучил модель z-lab/gemma-4-31B-it-DFlash: в корневом варианте используется переобученная основа с вероятностной semi-AR Markov-головой, а в каталоге backbone-only находится вариант без этой головы для совместимости со штатным путём DFlash. Модель содержит 2,6 млрд параметров, построена на архитектуре Qwen3 и поддерживает контекст до 262 144 токенов. Модель предназначена для работы в паре с целевой Gemma 4 31B при генерации чата, кода, математических ответов и результатов для агентных сценариев. По измерениям из карточки, корневой вариант ускоряет генерацию с выборкой на 3,7–6,3% относительно исходной DFlash-модели в указанных тестах; для tool-calling предпочтителен backbone-only. Спекулятивное декодирование заявлено как не влияющее на точность целевой модели. Для корневого варианта требуется пропатченный vLLM 0.24.0; backbone-only работает со штатным путём DFlash и PR #41703. Для указанного пути с FlashAttention требуется KV-кэш bfloat16. Лицензия — Apache-2.0.

ggml-org/functiongemma-270m-it-GGUF — это модель FunctionGemma, разработанная Google и преобразованная сообществом ggml-org в формат GGUF с использованием llama.cpp. Основой служит google/functiongemma-270m-it; модель предназначена для локального запуска и интеграции с инструментами, поддерживающими GGUF. Модель относится к классу компактных языковых моделей с размером 270 млн параметров и ориентирована на задачи вызова функций и генерации текста в сценариях, где требуется связать естественно-языковой запрос с программным действием. README не содержит подробностей о поддерживаемых языках, длине контекста, модальностях, архитектуре, сильных сторонах и ограничениях. Для доступа к исходной модели на Hugging Face требуется принять лицензию Google Gemma. В README также указана лицензия gemma; конкретные условия использования и ограничения следует уточнять в оригинальной карточке google/functiongemma-270m-it.

GAC-Qwen3.5-4B — мультимодальная модель YueLinHu на архитектуре Qwen3.5-4B-Base, дообученная методом GAC: гибридным supervised fine-tuning и reinforcement learning с последующим полнопараметрическим supervised refinement. Модель сохраняет поддержку текста и изображений, но приведённые в карточке результаты оценивают только рассуждения на текстовых задачах и генерацию кода. Модель предназначена для экспериментов с математическими рассуждениями и диалогом, а также для оценки генерации кода. В карточке указаны результаты на задачах AMC, AIME24 и AIME25; протокол оценки использует контекст 16 384 токена и до 8 192 новых токенов. Веса доступны в формате BF16 safetensors для Transformers. Модель основана на Qwen3.5-4B-Base и имеет лицензию Apache-2.0 с учётом уведомлений Qwen3.5 и условий лицензий датасетов. Результаты бенчмарков не подтверждают надёжность в критически важных сценариях; сгенерированный код следует запускать в изолированной среде.

Kiyo-135M-0960 — базовая языковая модель от DedeProGames, построенная по архитектуре SmolLM2-135M. Это плотный Llama-подобный декодер с 30 слоями, группированным запросным вниманием, RMSNorm, блоками SwiGLU и связанными входными и выходными эмбеддингами. Модель содержит 134,5 млн параметров, использует контекст до 2048 токенов и распространяется в формате Safetensors для Transformers. Чекпойнт продолжает предобучение Kiyo-135M с 200 млрд до 1 трлн токенов на той же смеси данных: FineWeb-Edu, DCLM-Baseline, FineMath и Stack-v3-train. Он предназначен для продолжения текста, языкового и кодового автодополнения, а не для выполнения инструкций. В карточке указаны самооценочные результаты на языковых, кодовых и общих знаниях; автор отмечает, что оценки зависят от версии теста и настроек генерации. Модель поддерживает английский язык. Её небольшой размер подходит для экспериментов и задач генерации с ограниченными ресурсами, однако точность снижается на количественных задачах и при отслеживании контекста; возможны фактические ошибки, повторы и отклонение от темы в длинных генерациях. Лицензия — Apache-2.0.

LFM2.5-8B-A1B-Claude-Opus4-6-Reasoning — экспериментальная англоязычная модель sahilchachra, дообученная на базе LiquidAI/LFM2.5-8B-A1B с помощью KL-регуляризованного LoRA. Она генерирует явный пошаговый ход рассуждений перед ответом и предназначена для диалоговых задач, решения задач на логику и математику, а также вопросов по программированию. Модель использует гибридную MoE-архитектуру LFM2 с 18 сверточными LIV- и 6 GQA-слоями; метаданные указывают 1,6 млрд параметров и контекст до 128 000 токенов. Предусмотрен формат диалога ChatML, а запуск оптимизирован для MLX на Apple Silicon. В небольшой оценке на 23 вопросах модель сравнялась с базовой или превзошла её в 65% случаев; преимущество особенно не подтверждено для сложной математики. Модель обучалась преимущественно на английских примерах, а рассуждения могли обрезаться из-за максимальной длины обучения в 2 048 токенов. Использование явных рассуждений не гарантирует правильность ответа. Лицензия — Apache-2.0.

Light-R1-14B-DS — языковая модель Qihoo 360 на архитектуре Qwen2, дообученная методом обучения с подкреплением на основе DeepSeek-R1-Distill-Qwen-14B. Она предназначена для генерации ответов с развернутыми рассуждениями, особенно при решении математических задач; также README сообщает о высоких результатах на AIME 2024 и 2025 и хорошем результате на GPQA без специального обучения для этого теста. Модель содержит 14 млрд параметров, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors для Transformers. Модель подходит для диалогового использования и задач, где полезны подробные цепочки рассуждений, в том числе математики и программирования. Результаты бенчмарков из README не гарантируют аналогичного качества на других данных. Лицензия — Apache-2.0.

nanoswe-192h-260812 — экспериментальная модель агента для разработки программного обеспечения, созданная командой nanoswe. Это плотная авторегрессионная модель nanochat с 5,67 млрд параметров, обученная с нуля на многоходовых траекториях SWE-агента без предварительного обучения на веб-текстах, дообучения по инструкциям и RL. Модель принимает текстовые сообщения и формирует текстовые ответы, включая команды оболочки и патчи; контекст — 32 768 токенов. В метаданных указаны библиотека vLLM и формат safetensors. Модель предназначена для решения задач SWE-bench Verified и работы в цикле программного агента: ей нужен совместимый каркас с интерфейсом инструментов в стиле bash, который передаёт наблюдения обратно как пользовательские сообщения. В оценке SWE-bench Verified модель получила 11,0% pass@1 при выборке K=10. Это исследовательский артефакт изучения масштабирования вычислений, а не универсальный помощник; лицензия MIT.

NightJar — разработанная Shuu12121 модель-энкодер на базе ModernBERT, предварительно обученная на исходном коде и естественно-языковых описаниях к нему. Это маскированная языковая модель с 109,5 млн параметров, 12 слоями трансформера и контекстом до 8192 токенов; для работы с кодом используется ByteLevel BPE-токенизатор с размером словаря 50 368 и специальными токенами для структуры кода и пробелов. Модель предназначена как основа для последующего обучения и применения в поиске кода, классификации, обнаружении похожих фрагментов и ранжировании. Она поддерживает предсказание скрытых токенов, но не является причинной языковой моделью и не предназначена прежде всего для автодополнения или диалоговой генерации кода. Для практического поиска автор рекомендует дополнительно обученные конфигурации SentenceTransformer или ColBERT. Обучение включало корпуса пар кода с описаниями, программные файлы GitHub и материалы StarCoder2 Extras; данные охватывают несколько языков программирования и английский текст. Модель распространяется по лицензии Apache-2.0.

Abiray/OUI-1-GGUF — набор общественных GGUF-квантизаций модели OUI-1, разработанной Thesys. OUI-1 представляет собой дообученную версию Google DiffusionGemma 26B-A4B-it и предназначена для генерации полноценных пользовательских интерфейсов на декларативном языке openui-lang, используемом OpenUI. Модель ориентирована на сценарии Generative UI: по схеме компонентов и текстовому описанию экрана она формирует иерархическую структуру интерфейса, которую можно валидировать и отображать средствами OpenUI для React, Vue или Svelte. Архитектура основана на diffusion-language model с 26 млрд общих параметров и 4 млрд активных параметров. Поддерживается контекст до 16 384 токенов, а генерация выполняется блоками по 256 токенов с использованием специализированного diffusion sampler. Модель предназначена не для свободного диалога, а для преобразования описаний и схем компонентов в синтаксис openui-lang. В Generative UI Benchmark она получила 71,7% и решила 132 из 184 экранов, тогда как базовая DiffusionGemma показала 13,0%. Репозиторий содержит варианты Q3_K_M, Q4_K_S, Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 13,3 до 26,9 ГБ. Рекомендуется Q4_K_M как компромисс между качеством и размером; разные варианты рассчитаны на системы примерно с 16–24 ГБ памяти или больше, в зависимости от квантизации. Для запуска требуется версия llama.cpp с поддержкой архитектуры diffusion-gemma и специальный llama-diffusion-cli; возможна работа на CPU и GPU. README указывает лицензию Apache-2.0.

PyThagorean-Tiny — компактная текстовая авторегрессионная модель PrithivMLmods на архитектуре LLaMA, дообученная на базе meta-llama/Llama-3.2-1B-Instruct. Она содержит около 1,2 млрд параметров, использует dense-архитектуру LlamaForCausalLM и предназначена для генерации текста; заявленная длина контекста — 131 072 токена. Модель ориентирована на решение задач по математике с помощью Python, генерацию кода для вычислений, пошаговые объяснения и учебные материалы. Также она поддерживает диалог на английском и, по README, многоязычные сценарии, включая поиск и суммаризацию математических сведений. Карточка описывает обучение на 1,5 млн примеров и применение SFT и RLHF; метаданные указывают датасет prithivMLmods/PyThagoreans-Merged. Модель может ошибаться в сложных многошаговых и специализированных задачах, неоднозначно понимать запросы и генерировать код, зависящий от неустановленных Python-библиотек. Для корректной работы с кодом требуется проверка результатов. Лицензия — llama3.2; применяются условия лицензии Llama 3.2.

jana-ashraf-ai разработала Python Assistant (Arabic) — причинную языковую модель для генерации ответов на вопросы по Python. Модель дообучена методом QLoRA на базе Qwen/Qwen2.5-1.5B-Instruct с помощью LLaMA-Factory; число параметров — 1,5 млрд, архитектура — Qwen2, формат весов — safetensors. Контекстное окно составляет 32 768 токенов. Модель принимает вопросы по Python на английском и формирует структурированные ответы на арабском языке в формате JSON, включая пошаговые объяснения. Она рассчитана на помощь при решении задач программирования на Python; лицензия — Apache 2.0. Карточка указывает, что модель оптимизирована для Python и может испытывать трудности со сложными задачами; качество ответа зависит от ясности вопроса.

q1-3B-PRIME — компактная языковая модель рассуждений, созданная автором rawsh методом обучения с подкреплением PRIME. Она объединяет SmallThinker-3B-Preview и Qwen2.5-3B-Instruct; SmallThinker-3B-Preview, в свою очередь, дообучена на следах рассуждений QwQ. Модель построена на архитектуре Qwen2 с плотной схемой параметров и содержит 3,1 млрд параметров. Модель предназначена для генерации текста в диалоговом формате, особенно для математических задач и задач на рассуждение; также её можно применять для генерации кода. В README приведены результаты на AIME24, AMC23 и MATH-500, а также HumanEval и Leetcode. Контекст составляет 32 768 токенов. В метаданных указан английский язык; карточка не описывает дополнительные языковые возможности. Автор сообщает об улучшении результата на тестовом наборе примерно на 22,5% после 120 шагов обучения и отмечает, что обучение можно было продолжить. На HumanEval результат ниже, чем у Qwen2.5-3B-Instruct, поэтому качество зависит от задачи. Лицензия в предоставленных данных не указана.

Qwen2.5-R1-Minny-1.5B-v1 — компактная языковая модель на 1,5 млрд параметров для генерации текста, рассуждений, математики и программирования. По карточке модели, она создана слиянием DeepSeek-R1-Distill-Qwen-1.5B с математическими, кодовыми и reasoning-моделями; метаданные указывают DeepSeek-R1-Distill-Qwen-1.5B как базовую модель и тип происхождения finetune. Архитектура — плотная Qwen2, формат весов — safetensors, максимальный контекст — 131 072 токена. Модель рассчитана как основа для дальнейшего обучения и выравнивания, включая SFT и DPO, а также может применяться для генерации текста и ответов в диалоговом режиме. В README заявлены способности к математическим рассуждениям и написанию кода. Карточка сообщает о сравнении слияния по прямому проходу на наборах FineWeb, OpenMath и CodeAlpaca, но результаты не подтверждают качество ответов в практических сценариях. README предупреждает о нестабильном следовании шаблонам запросов без дополнительного instruct-тюнинга и об ограничениях небольших языковых моделей, включая галлюцинации и слабое извлечение фактов. Лицензия — Apache-2.0.

coder3101/Qwen3.5-0.8B-heretic — производная мультимодальная модель на базе Qwen/Qwen3.5-0.8B, опубликованная в формате Safetensors для Transformers. Она сохраняет диалоговые и визуальные возможности базовой модели, а её веса обработаны методом abliteration: в README приведено сравнение, где частота отказов составляет 4 из 100 против 96 из 100 у исходной модели. Модель предназначена для диалогов, анализа изображений, вызова инструментов, прототипирования и дальнейшей специализации. Основа — плотная модель Qwen3.5 с 0,8 млрд параметров и гибридной архитектурой Gated Delta Networks и gated attention; заявленная базовой карточкой длина контекста — 262 144 токена. В README базовой модели указана поддержка 201 языка и диалекта. Для такого компактного размера модель подходит для экспериментов и разработки, но её качество и пригодность для конкретных задач следует оценивать отдельно; показатели README относятся к частоте отказов и KL-дивергенции, а не к общему качеству. Лицензия — Apache-2.0.

Модель osieosie/qwen3.5-9b-drctx-mix-mk2-nc20-bs20-os2-sft-e2 разработана на основе hamishivi/Qwen3.5-9B и дообучена методом SFT для самостоятельного управления контекстом в длительных агентных задачах. Она решает, когда и как уплотнять историю через инструмент edit_context, чтобы продолжать работу в пределах ограниченного контекстного бюджета. Это плотная текстовая причинная языковая модель семейства Qwen3.5 с 7,2 млрд параметров, доступная в формате safetensors и рассчитанная на запуск через Transformers. В обучении использовались траектории для работы в терминале и с кодом, а также длительного веб-исследования. Базовая модель поддерживает контекст до 262 144 токенов, однако данная версия обучалась и оценивалась с бюджетом 32 768 токенов. В оценке модель сохраняла качество ответов на задачах веб-исследования при сокращении числа операций уплотнения относительно предыдущей версии. Результаты на Terminal-Bench 2 не показали улучшения успешности или вычислительных затрат относительно базовой модели. Модель преимущественно выбирает суммаризацию; операции переноса и удаления содержимого почти не использует без явной подсказки. Лицензия — Apache-2.0.

RIFA-CODE-0.6B — компактная модель генерации текста, ориентированная на работу с кодом. Модель создана и поддерживается SM Shahbaj и входит в семейство RIFA. Она предназначена для генерации программного кода и диалоговых сценариев, а также может использоваться в задачах, где требуется текстовая генерация. В README заявлена поддержка английского и бенгальского языков. Размер модели составляет 0,6 млрд параметров. Мультимодальные возможности, точная архитектура и размер контекстного окна не указаны; по описанию это текстовая causal language model для библиотеки Transformers. Модель доступна в форматах Safetensors и GGUF с различными уровнями квантования, включая F16, Q3_K_M, Q4_K_M, Q5_K_M, Q6_K и Q8_0; рекомендуемый вариант — Q5_K_M, если он доступен. Небольшой размер упрощает локальный запуск и снижает требования к ресурсам, однако README не содержит результатов бенчмарков, сведений о датасете, качестве генерации или ограничениях при работе с кодом и языками. Распространение заявлено по лицензии Apache 2.0.

rStar2-Agent-14B — воспроизведённая версия модели rStar2-Agent от сообщества rstar2-reproduce, описанной в техническом отчёте об агентном рассуждении. Это плотная авторегрессионная языковая модель семейства Qwen3 с 14 млрд параметров, обученная с применением агентного обучения с подкреплением. Она предназначена для математического рассуждения, планирования и решения сложных задач с использованием инструментов для написания и проверки кода; карточка также указывает диалоговый режим. Модель работает с текстом на английском и китайском языках и имеет контекст длиной 32 768 токенов. Авторы сообщают, что модель показывает результаты, сопоставимые с DeepSeek-R1-67B, и умеет автономно исследовать решения, проверять их и пересматривать ход рассуждений. Для воспроизведения результатов математической оценки README отсылает к проекту Microsoft rStar. Модель распространяется в формате safetensors по лицензии MIT. В приведённом README пример запуска использует SGLang и несколько GPU; сведения о качестве за пределами заявленных математических оценок и ограничениях модели не приведены.

Spark-X2.5-4B-Hadamard-GSQ — исторический сжатый релиз базовой модели Spark-X2.5-4B, разработанный F-Labs. Модель предназначена для генерации текста и ориентирована прежде всего на запуск языковой модели на устройствах с ограниченной памятью, включая сценарии генерации кода и работы со структурированными ключевыми связями. Модель содержит около 4,11 млрд параметров, поддерживает английский и китайский языки и относится к архитектуре причинного текстового генератора. В ней применён многоуровневый подход DV-SSQ: наиболее значимые каналы представлены в INT8, основная масса параметров MLP квантизована групповым INT4 после преобразования Walsh–Hadamard, а отдельные низкоранговые остатки хранятся в BF16. Проекции внимания, смещения, параметры RMSNorm и связанные токеновые эмбеддинги сохранены в BF16. Механизм KV-BSS стабилизирует распределения внимания для структурированных связей. Размер артефакта составляет около 4,18 GiB, что соответствует сжатию примерно в 1,83 раза и снижению физического объёма памяти на 45,43%. По внутреннему аудиту на одном рекурсивном задании генерации кода модель показала совпадение наиболее вероятных токенов 93,28% (111 из 119), KL-дивергенцию 0,1095 и косинусное сходство 0,9075 на финальном слое. Эти результаты указывают на близость к исходной BF16-модели в данном тесте, но не являются общим бенчмарком качества. Ограничения включают возможные искажения, связанные с квантизацией, отсутствие заявленного контекстного окна и узкую область опубликованной проверки. Релиз распространяется по лицензии Apache 2.0 и обозначен авторами как замороженный исторический артефакт, не прошедший повторную валидацию в современной адаптивной версии FQuant.

STM32 HAL Code Generator — специализированная авторегрессионная модель семейства CodeGen, дообученная на базе Salesforce/codegen-350M-mono для разработки прошивок под микроконтроллеры STM32. В модели 356,7 млн параметров, контекст — 2048 токенов; она принимает текстовые подсказки и генерирует код на C с использованием STM32 HAL. В README заявлено обучение на более чем 1000 примерах для семейств STM32F1, F4, L4, F0 и G4. Модель предназначена для генерации начального кода и шаблонов периферии: GPIO, кнопок, ADC, UART, PWM и таймеров. Её можно использовать для прототипирования прошивок, подготовки учебных примеров и ускорения разработки проектов в STM32CubeIDE. Заявленные в README показатели качества не подтверждены независимой оценкой; результат следует проверить, скомпилировать и испытать на целевом оборудовании, особенно настройки тактирования, назначение выводов и сложные обработчики прерываний. Распространяется по лицензии MIT.

Transcendent Logic Model — модель авторегрессионного языкового моделирования, созданная BosonicJustin с нуля для продолжения текста и дополнения кода. Это базовая, не настроенная на выполнение инструкций модель с плотной декодерной архитектурой, совместимой с Llama; она не использует веса Meta Llama. Реализация основана на LlamaForCausalLM и работает через Transformers без удалённого кода. Модель содержит около 1,2 млрд параметров, 24 слоя и поддерживает контекст до 4096 токенов. При обучении использовалась смесь из 40% Python, 40% кода на других языках программирования и 20% английского текста. Предназначена для автодополнения кода, продолжения текста и исследований небольших кодовых моделей и экспериментов с последующим обучением. Это базовая модель без чат-шаблона: она может продолжать входной текст вместо ответа на инструкции. Качество на заявленных бенчмарках пока не оценено; модель может выдавать некорректный или небезопасный код и ошибочные факты. Перед использованием код следует проверить. Автор README не указывает лицензию весов; условия лицензий исходных наборов данных сами по себе не определяют лицензию модели.

Viking 13B — базовая авторегрессионная языковая модель с 13,4 млрд параметров, созданная совместно группой TurkuNLP Университета Турку, SiloGen (Silo AI) и High Performance Language Technologies. Это плотный decoder-only трансформер семейства LLaMA с rotary positional embeddings и FlashAttention; контекст — 4096 токенов. Модель обучалась на LUMI и на момент описания была частично обученным чекпойнтом. Модель предназначена для генерации текста на финском, английском, шведском, датском, норвежском и исландском языках, базового перевода между ними, а также понимания и генерации кода. Она ориентирована на языки Северной Европы, в том числе языки с ограниченными ресурсами, и служит базой для дальнейшей тонкой настройки под конкретные сценарии. Поскольку это базовая и частично обученная модель, для большинства прикладных задач ей требуется дополнительная настройка; опубликованные результаты полной оценки отсутствуют. README предупреждает о возможных неточностях и предвзятых или спорных ответах, а также отмечает слабое владение языками за пределами перечисленных. Модель распространяется по лицензии Apache 2.0.

DCAgent/a1-exercism_python — дообученная версия Qwen/Qwen3-8B, разработанная DCAgent. Модель предназначена для генерации текста и диалоговой работы; название репозитория и тренировочного набора указывают на специализацию на задачах Python из Exercism. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и использует контекст длиной до 40 960 токенов. В карточке указано дообучение на наборе exp_rpt_exercism-python_10k_glm_4.7_traces_jupiter; формат весов — safetensors. Данных о результатах оценки и подтверждённых языках нет. Лицензия в метаданных обозначена как other, конкретные условия использования не приведены. Карточка не описывает ограничения модели и её качество; ответы с кодом следует проверять.

Apex Code Roblox Luau 0.5B — модель для генерации текста и кода на языке Luau, применяемом в экосистеме Roblox. Она разработана officialApexCode на базе unsloth/qwen2.5-0.5b-instruct-unsloth-bnb-4bit и предназначена для сценариев, связанных с созданием, дополнением и объяснением Luau-кода для Roblox. Поддерживаемая модальность — текстовая, заявленный язык — английский. Модель содержит около 0,5 млрд параметров и доступна в 4-битном формате с использованием инструментов Unsloth и BNB. Небольшой размер может облегчать локальный запуск и снижать требования к ресурсам, однако обычно означает более ограниченные возможности рассуждения, обобщения и работы со сложными проектами по сравнению с крупными моделями. Максимальный размер контекста в карточке не указан. Лицензия — Apache-2.0.

Argonne 4.5-base — базовая авторегрессионная языковая модель PursuitOfDataScience с 2,06 млрд параметров, обученная с нуля на 128,07 млрд токенов. Это плотный трансформер ArgonneModel с 24 слоями, полным причинным вниманием и контекстом 1 024 токена; веса опубликованы в формате Safetensors. Обучение включало этап дообучения на математике, коде и рассуждениях, поэтому модель подходит как короткоконтекстная основа для таких задач и для дальнейшего тонкого обучения. Модель продолжает текст, но не настроена следовать инструкциям, вести диалог или применять фильтры безопасности. Она рассчитана преимущественно на английский язык. Длинные входы обрезаются до последних 1 024 токенов; автор рекомендует использовать отдельный вариант Argonne 4.5-base-ctx13568 для длинного контекста. Возможны ошибки, предвзятые или небезопасные продолжения, а заявленные результаты на GSM8K могут быть затронуты загрязнением обучающих данных. Лицензия — Apache-2.0.

Atomight-V2.1-0.5B-Inference-i1-GGUF — GGUF-квантизированная версия языковой модели Atomight-V2.1-0.5B-Inference, разработанной NovatasticRoScript и квантизированной mradermacher. Это компактная causal language model для генерации текста и задач рассуждения, включая решение математических задач, программирование и ответы на вопросы. В обучении или оценке указаны наборы GSM8K, HumanEval, MMLU, AI2 ARC и Bespoke-Stratos-17k, а также методы GRPO и reinforcement learning. Модель имеет около 0,5 млрд параметров, работает с текстом и предназначена для англоязычных сценариев. Предоставляется в формате GGUF с большим набором вариантов квантизации i1, размером примерно от 0,4 до 0,6 ГБ. Доступны, в частности, IQ-, Q2-, Q3-, Q4-, Q5- и Q6-варианты; Q4_K_M отмечен как рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Контекстное окно в README не указано. К сильным сторонам относятся очень небольшой размер, возможность локального запуска и специализация на рассуждении при ограниченных вычислительных ресурсах. Ограничения включают малое число параметров, англоязычную направленность и возможное заметное снижение качества у низкобитных вариантов квантизации; мультимодальность не заявлена. Модель распространяется по лицензии MIT.

Это экспериментальный чекпойнт проекта bonsai: модель Qwen3-30B-A3B-Base дообучена автором на исходном коде TypeScript с помощью LoRA, после чего адаптер объединён с базовыми весами. Архитектура — Qwen3 MoE; в карточке указано 2,6 млрд параметров, а у базовой модели — 30,5 млрд всего и около 3 млрд активных. Модель принимает текст и предназначена для генерации и продолжения кода TypeScript в контексте до 32 768 токенов. Дообучение проведено на 6 000 примерах TypeScript за одну эпоху; использовались только проекции внимания, а обучаемыми были около 0,044% параметров базовой модели. Валидационная потеря снизилась до 0,8346, но результаты HumanEval-TS и MBPP-TS пока не опубликованы, поэтому практическое качество генерации кода не подтверждено этими тестами. Репозиторий распространяется по лицензии Apache-2.0.

Brahmaputra 1 — текстовая генеративная модель, разработанная автором репозитория на основе dharun2049/kaveri-stgrpo-0.5b. Модель семейства Qwen2 с плотной архитектурой содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Для дообучения применялась контрастивная дистилляция знаний от учителя Qwen/Qwen3.8-27B: модель обучали оценивать варианты ответов в заданиях с выбором из нескольких вариантов и давать краткие объяснения. В обучении также использовали повторное предъявление примеров программирования на C++ для сохранения навыков базовой модели. Модель предназначена для диалоговых сценариев, ответов на вопросы с вариантами ответа и генерации текста, включая объяснения и код на C++. В README приведены результаты проверки точности на отложенном наборе внешних заданий с выбором ответа до и после дистилляции, однако этих данных недостаточно для вывода о широком превосходстве модели. Основной репозиторий содержит объединённую самостоятельную модель, а адаптер LoRA сохранён отдельно в ckd_adapter/. Модель распространяется по лицензии Apache-2.0.

Это экспериментальный чекпойнт языковой модели Qwen3-4B, разработанный автором репозитория agurung. Модель дообучена методом обучения с подкреплением GRPO на базе Qwen/Qwen3-4B-Instruct-2507; согласно карточке, для этого запуска не использовалась предварительная SFT-инициализация. Чекпойнт сохранён на шаге 56 и предназначен прежде всего для генерации кода при решении задач программирования. Обучение использовало бинарную награду за прохождение тестов программы, а также штрафы за усечение ответа и чрезмерную длину. В приведённой оценке на отложенных задачах pass@1 составил 4,2843, pass@8 — 7,4901; это результаты конкретного набора и режима проверки, а не гарантия качества на произвольных задачах. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров, принимает текст и генерирует текст; контекст — до 262 144 токенов. Файлы представлены в формате safetensors, библиотека загрузки — Transformers. Лицензия в предоставленных данных не описана.

fm-universe/deepseek-coder-7b-instruct-v1.5-fma — дообученная модель для задач формальной верификации, созданная на основе deepseek-ai/deepseek-coder-7b-instruct-v1.5. Она генерирует и дополняет формальные доказательства и модели, помогает разбирать требования и переводить код в спецификации для проверки. Модель обучена для работы с пятью языками формальной спецификации: Cog, Dafny, Lean4, ACSL и TLA. README перечисляет анализ требований, генерацию доказательств и моделей, генерацию фрагментов доказательств, завершение и заполнение пропусков в доказательствах, а также генерацию спецификаций ACSL по коду. Это плотная причинная языковая модель семейства Llama на 6,5 млрд параметров с контекстом 4096 токенов; поддерживает диалоговый интерфейс. Лицензия — MIT. Модель предназначена для помощи в формализации и верификации, однако результаты генерации следует проверять соответствующими верификаторами или проверщиками моделей. README не сообщает об успешности прохождения проверок или иных гарантиях качества.