II.2Создание и понимание программного кода

Dolphin3.0-Qwen2.5-0.5B-GGUF — GGUF-квантизированная версия языковой модели Dolphin3.0-Qwen2.5-0.5B, разработанной cognitivecomputations и подготовленной квантизатором bartowski с использованием llama.cpp и imatrix. Модель предназначена для генерации текста в локальных средах, включая LM Studio, и поддерживает диалоговый формат с системными и пользовательскими сообщениями. Модель относится к небольшому классу 0.5B параметров и ориентирована на задачи общего следования инструкциям, программирования, математических рассуждений, function calling и агентных сценариев. В обучении использовались наборы данных для кода, инструкций, математики, вызова функций и диалогов; заявлен английский язык. Мультимодальность и размер контекстного окна в README не указаны. Репозиторий содержит варианты от F32 и F16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Более высокие уровни обычно обеспечивают лучшее качество, а низкие требуют меньше оперативной памяти; рекомендуемым универсальным вариантом назван Q4_K_M. Ограничениями являются малый размер модели и соответствующая ему более низкая ожидаемая способность к сложным рассуждениям по сравнению с крупными моделями, а также возможное снижение качества при агрессивной квантизации. Указана лицензия Apache-2.0.

GALPACA 30B — языковая модель Georgia Tech Research Institute на архитектуре OPT, полученная дообучением GALACTICA 30B на 52 тысячах инструкционных примеров Alpaca. Модель генерирует текст и следует инструкциям; её научная основа предназначена для ответов на научные вопросы, объяснения понятий и подготовки ответов с упоминанием публикаций, когда это возможно. Контекст составляет 2048 токенов. Модель подходит для исследовательских экспериментов с генерацией научного текста и инструкционными языковыми моделями, а также для помощи в решении задач с кодом. Ответы могут содержать фактические ошибки, поэтому научные сведения требуют проверки. Модель распространяется по лицензии CC BY-NC 4.0 и дополнительно подпадает под условия использования OpenAI из-за происхождения набора Alpaca; коммерческое использование ограничено.

granite-3.2-8b-qiskit — языковая модель IBM Quantum и IBM Research для генерации квантовых вычислительных программ и ответов на вопросы о разработке на Qiskit. Это дообученная плотная авторегрессионная модель семейства Granite с 8,2 млрд параметров, предназначенная для диалога и работы с кодом. Модель обучена на коде и инструкциях по Qiskit, чтобы помогать практикующим специалистам и новым пользователям писать качественный код с использованием актуальных API и синтаксиса Qiskit 2.0. Поддерживает контекст до 131 072 токенов. Доступна под лицензией Apache-2.0. Сгенерированный код может содержать ошибки и требует проверки перед использованием. Модель не прошла защитное выравнивание и может выдавать проблемные ответы; также отмечен риск воспроизведения фрагментов обучающих данных.

kto5k1 — дообученная модель для генерации текста на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; веса доступны в формате safetensors. Базовая модель предназначена для продолжения и автодополнения кода, а также заполнения пропусков в коде, поэтому kto5k1 может подойти для экспериментов с такими сценариями. Для kto5k1 конкретное назначение дообучения и состав обучающих данных не описаны. Модель создана 14 июля 2024 года. Лицензия указана как other, без уточнения условий в доступных сведениях.

LFM2.5-350M-ShellAI — компактная языковая модель micrictor для генерации Bash-команд. Это дообученная модель LiquidAI/LFM2.5-350M, дистиллированная на уровне ответов из LiquidAI/LFM2.5-2.6B; архитектура — плотная LFM2 для авторегрессионной генерации текста. По карточке модель обучена выдавать одну команду внутри блока кода. Метаданные указывают 444,6 млн параметров и контекст до 128 000 токенов. Модель предназначена для преобразования запросов и сценариев работы с репозиториями в команды оболочки. В тесте на 300 примерах показатель совпадения по полезному результату составил 39,7%, а точного совпадения команды — 4,0%; базовая модель показала 23,0% и 5,7% соответственно. Это указывает на ограниченную надёжность: команды следует проверять перед запуском. Указанный формат файлов — safetensors, а README описывает объединённый BF16 чекпойнт. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой модели.

arianraje/mimo-7b-gdn-hybrid-400M-OPD — экспериментальный чекпойнт MiMo для генерации текста и диалогов, созданный в рамках исследования преобразования моделей с полным вниманием в гибридные модели GDN (gated DeltaNet) с сохранением части слоёв полного внимания. Это снимок Stage-3 OPD после обучения на 403,27 млн сгенерированных токенов; базой и учителем служила XiaomiMiMo/MiMo-7B-RL-0530, 7-миллиардная языковая модель Xiaomi для математических и программных рассуждений, дообученная с подкреплением. Модель использует плотную архитектуру MiMoGDNForCausalLM с линейным вниманием и контекстом до 65 536 токенов. В карточке приведены результаты GSM8K и RULER-lite, включая извлечение ключевой информации из длинного контекста. Для загрузки требуется зарегистрировать пользовательскую архитектуру mimo_gdn; стандартный AutoModelForCausalLM не подходит, а для обслуживания через vLLM нужна отдельная регистрация. Репозиторий распространяется в формате safetensors по лицензии MIT.

OS-Software/Muse-Glimmer-30B-Uncensored-Heretic-GGUF — производная версия Muse-Glimmer-30B, разработанной Meta Superintelligence Lab и опубликованной OS-Software. Модель подвергнута снижению защитного выравнивания методом Heretic v2.0.0.dev0+custom; заявленная лицензия — Apache 2.0, при этом для производной работы сохраняются условия применимой лицензии базовой модели. Это мультимодальная причинная языковая модель для исследовательских экспериментов с автономными агентами, включая многошаговое рассуждение, вызов инструментов, написание и отладку кода, обработку многоэтапных запросов и восстановление после ошибок. Она принимает текст и изображения, включая скриншоты, графики и документы, а генерирует текст. Модель рассчитана на локальный запуск без облачной инфраструктуры и поддерживает агентские сценарии с OpenClaw, Hermes Agent и другими оркестраторами. Архитектура — плотный causal Transformer с perception encoder: около 29,6 млрд параметров, 52 слоя, скрытое измерение 6656, GQA с 32 Q- и 2 KV-головами, SwiGLU, локальным и глобальным вниманием, контекстом 131 072 и более токенов. Визуальный энкодер содержит около 1,8 млрд параметров; поддерживается до 4096 визуальных токенов на изображение. Обучение охватывает более 100 языков. К сильным сторонам относятся агентское выполнение задач, использование инструментов, длинные цепочки рассуждений, мультимодальность и управляемая интенсивность рассуждений. Главное ограничение — существенное снижение безопасности: модель с большей вероятностью создаёт вредный, неточный, предвзятый, оскорбительный или иной нежелательный контент. Она предназначена только для исследований, red-teaming и изучения выравнивания; результаты необходимо считать недоверенными, проверять независимо и не использовать без защитных механизмов и человеческого контроля в публичных или пользовательских сервисах.

Olmo 3 7B RL-Zero Mix — англоязычная авторегрессионная Transformer-модель для генерации текста, разработанная Allen Institute for AI (Ai2). Модель дообучена методом обучения с подкреплением на проверяемых вознаграждениях (RLVR) на наборе Dolci-RLZero-Mix-7B, включающем задачи по математике, программированию и следованию инструкциям. Она предназначена для экспериментального изучения RLVR и решения задач рассуждения, математики и кода. Модель содержит 6,9 млрд параметров, использует архитектуру Olmo2RetrofitForCausalLM и принимает контекст длиной до 65 536 токенов. Работает с текстом через библиотеку Transformers; карточка указывает английский язык. Лицензия Apache 2.0. Это экспериментальная исследовательская модель без фильтрации безопасности: возможны неточные ответы и генерация вредоносного или чувствительного содержания, поэтому результаты следует проверять.

OpenThinkerAgent-8B-ColdStartSFTForRL — языковая модель для агентных сценариев, разработанная в рамках проекта OpenThoughts-Agent. Это плотная модель Qwen3ForCausalLM на 7,6 млрд параметров, дообученная полным fine-tuning на Qwen/Qwen3-8B с использованием 9 437 примеров из набора OpenThoughts-Agent-SFT-ColdStartForRL-10K. Контекст составляет 40 960 токенов; веса доступны в формате safetensors, в README указана точность bf16. Модель предназначена прежде всего для подготовки к обучению с подкреплением: она усваивает формат взаимодействия агента и соглашения по использованию инструментов из среды terminus-2. Данные обучения включают задачи разработки ПО в песочнице SWE-Smith с проверкой тестами. Модель может генерировать текст и код, однако этот чекпойнт является промежуточной версией до RL, а не готовым автономным агентом; ожидается, что он уступает последующей OpenThinkerAgent-8B-RL. Опубликованных результатов отдельных агентных бенчмарков для него нет. Лицензия — Apache-2.0.

PLaMo 2 8B — языковая модель на 8 млрд параметров, разработанная Preferred Elements, Inc. Она предварительно обучена на английских и японских данных, включая код, и предназначена для генерации текста и продолжения последовательностей. Модель не проходила instruction tuning для диалогов и других прикладных задач. Вместо стандартной архитектуры Transformer используется гибридная архитектура на основе Samba: Mamba2 (селективная модель пространства состояний) сочетается с оконным механизмом внимания. В PLaMo 2 добавлены слои нормализации для стабильности обучения, а ядро Mamba2 повышает вычислительную эффективность. Обучение проводилось на 6 трлн токенов. Модель доступна в формате safetensors для Transformers. Модель подходит для генерации текста и кода на английском и японском языках, но качество на других языках не подтверждено. Она может выдавать неточные, предвзятые или нежелательные ответы, поэтому перед применением требуется проверка в целевом сценарии. Использование регулируется лицензией PLaMo Community License; для коммерческого применения README предписывает ознакомиться с условиями лицензии и связаться с разработчиком.

Quipu 0.8B — компактная языковая модель Quipuai на базе Qwen/Qwen3.5-0.8B, дообученная методом LoRA. Она предназначена для диалогового помощника с пошаговыми рассуждениями, простыми логическими задачами, базовой помощью с кодом и рабочими процессами с вызовом инструментов. Модель рассчитана на быстрый запуск при ограниченных вычислительных ресурсах, локальное использование и прототипирование. Модель имеет плотную архитектуру Qwen3.5 с 581,4 млн параметров; заявленная длина контекста — 262 144 токена. Карточка указывает английский и испанский языки. Репозиторий содержит веса Safetensors; лицензия — Apache 2.0. Автор также упоминает отдельную квантизированную сборку GGUF, но она не является форматом этой модели. Среди заявленных сценариев — структурированные ответы, простая логика, короткие фрагменты кода, вызов инструментов в агентных сценариях и лёгкий ролевой диалог. Ограниченный размер модели делает её удобной для экономичного развёртывания, но карточка не приводит сравнительных оценок качества; сложные рассуждения и программирование могут быть ограничены возможностями компактной модели.

Qwen3-1.7B Python Code Full SFT — экспериментальная модель для автодополнения функций на Python, созданная автором репозитория полным supervised fine-tuning базовой Qwen/Qwen3-1.7B-Base. Это плотная причинно-языковая модель с 1,7 млрд параметров; она принимает исходный код как обычный текстовый промпт, а не диалог в формате чата. Контекст модели — 32 768 токенов, библиотека загрузки — Transformers. Модель предназначена для продолжения Python-кода и дополнения функций. В README приведены результаты на HumanEval+ и MBPP+: 40,9% и 60,6% строгого pass@1 соответственно. Чекпойнт создан как учебный эксперимент по постобучению, а не как готовый производственный помощник по разработке. Оценка охватывает только публичные бенчмарки функций Python; фильтрация пересечений в промптах не исключает все семантически похожие примеры, а результаты не гарантируют качество на новых инженерных задачах. Модель распространяется по лицензии Apache 2.0; исходный датасет NVIDIA OpenCodeInstruct — по CC BY 4.0.

Qwen3-4B-Critic-SFT — плотная языковая модель-критик на базе Qwen3-4B-Instruct-2507, разработанная проектом Steer, Don’t Solve для помощи крупным кодовым агентам. Модель дообучена методом полного SFT на 6 447 примерах траекторий решения задач по коду. Её подключают рядом с замороженным агентом: через заданное число шагов она анализирует ход работы и выдаёт структурированную критику с обнаруженными категориями ошибок, подтверждающими их фактами, способом восстановления, статусом задачи и кратким общим советом. Модель предназначена для сопровождения агентов при решении задач программирования, в том числе задач SWE-bench Verified; она направляет их работу, но сама не пишет исправления кода. Архитектура — Qwen3ForCausalLM, размер — 3,7 млрд параметров. Метаданные указывают контекст до 262 144 токенов, а в обучении использовалась последовательность длиной 32 768 токенов; для приведённого примера запуска vLLM задан лимит 65 536 токенов. Модель принимает текстовые диалоги с ходом работы агента и генерирует текстовую критику. Карточка указывает английский язык. Лицензия — Apache-2.0.

ishaanranjan разработал компактную плотную языковую модель на архитектуре Qwen2 для узкой подзадачи агентной разработки: по неточному упоминанию пути определить канонический путь в репозитории или воздержаться от ответа. Это полнопараметрическая модель Qwen/Qwen2.5-1.5B-Instruct, дообученная supervised fine-tuning на 2000 примерах; она предназначена для запуска внутри проверенного программного контура, который формирует специализированный запрос, разбирает строгий JSON, при необходимости повторяет запрос с обратной связью по схеме и применяет детерминированные проверки и резервные правила. Модель принимает текст и выдаёт текст в JSON-схеме. В тесте на отложенных репозиториях HTTPX и Jinja2 доля успешных ответов после одной попытки с повтором составила 96,8%, а валидность схемы с первой попытки — 100%. Контекст модели — 32 768 токенов, однако обучающие последовательности ограничивались 2048 токенами. Модель специализирована и не предназначена для общего программирования или широкого диалога; автор отмечает, что некоторым подзадачам лучше подходят детерминированные правила. Лицензия — Apache-2.0.

Viking 7B — базовая языковая модель с 7 млрд параметров, разработанная совместно группой TurkuNLP Университета Турку, SiloGen и High Performance Language Technologies (HPLT). Это плотный декодерный трансформер семейства LLaMA с rotary positional embeddings и FlashAttention; модель обучалась на 2 трлн токенов, а её контекст составляет 4096 токенов. Она предназначена для генерации текста на финском, английском, шведском, датском, норвежском и исландском языках, базового перевода между ними, а также понимания и генерации кода. Модель подходит для дальнейшей тонкой настройки под диалоговые и прикладные сценарии, генерации продолжений текста и помощи с кодом. Это частично обученный базовый чекпойнт, поэтому для большинства пользовательских задач ему требуется дополнительная настройка; опубликованные результаты полной оценки отсутствуют. Модель может выдавать неточные, предвзятые или спорные ответы и не рассчитана на уверенную работу с другими языками. Распространяется по лицензии Apache 2.0.

Ichate/yaoi-v1-instruct — дообученная Ichate модель для генерации текста на основе архитектуры Llama 2. По карточке она предназначена прежде всего для помощи с программированием и запускается через Transformers как причинная языковая модель. В модели 6,6 млрд параметров, а размер контекста составляет 4096 токенов; указана поддержка английского языка. Модель подходит для генерации и продолжения кода, а также для инструктивных текстовых запросов. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Карточка не приводит результатов оценки качества или подробностей обучения, поэтому пригодность для конкретных языков программирования и сложных задач разработки не подтверждена.

neulab/codebert-c — модель семейства RoBERTa для восстановления скрытых фрагментов кода на языке C. Она основана на microsoft/codebert-base-mlm и дообучена в течение 1 000 000 шагов на корпусе C-кода codeparrot/github-code-clean с задачей masked language modeling. Модель содержит около 151,8 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате PyTorch. Модель предназначена для использования в CodeBERTScore, а также может применяться в других сценариях, где требуется предсказывать замаскированные токены в C-коде. Лицензия в предоставленных сведениях не указана.

DPO-Think-7B — языковой верификатор кода, разработанный институтом INSAIT в рамках проекта Aletheia. Это плотная модель архитектуры Qwen2 с 7,1 млрд параметров, дообученная методом DPO на наборе INSAIT-Institute/Aletheia-DPO поверх DeepSeek-R1-Distill-Qwen-7B. Она принимает условие задачи по программированию и несколько решений-кандидатов, оценивает их корректность и ранжирует по качеству, используя рассуждения. Модель предназначена для выбора правильных решений в задачах соревновательного программирования, автоматической оценки кода и использования в качестве функции вознаграждения при оптимизации генераторов кода. Контекст составляет до 131 072 токенов. Карточка описывает обучение на данных с Python, C++ и Java, однако это языки программирования, поэтому они не включены в список естественных языков модели. Модель представляет интерес для исследовательских и прикладных конвейеров постобучения, но её заявленная область проверки ограничена кодом и задачами, похожими на использованные при обучении; README не приводит численных результатов именно для этой версии. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

DRIVE-RL — языковая модель Tencent, разработанная командой Hunyuan для генерации решений задач соревновательного программирования. Модель построена на архитектуре Qwen2 и дообучена на базе tencent/DRIVE-SFT с помощью двухэтапного обучения с подкреплением и проверяемой наградой: первый этап повышает разнообразие ответов, второй сосредоточен на сложных задачах. По карточке Hugging Face, модель содержит 32 млрд параметров, использует Transformers и Safetensors и поддерживает контекст до 65 536 токенов. Модель предназначена для генерации кода и рассуждений при решении задач с проверяемыми тестами; в карточке также заявлен интерфейс вызова инструментов. В README сообщается об улучшении результатов на сложных задачах, в том числе о росте Pass@1 на Codeforces OJ относительно SFT-базы. Оценки зависят от набора задач и условий тестирования. Лицензия в предоставленных данных не указана.

FahadPrimeX-b27-V3 — текстовая модель на 22,3 млрд параметров, разработанная FahadPrimeX на базе Qwen/Qwen3.8-27B. Она дообучена дистилляцией на 5 181 проверенном ответе, а затем оптимизирована методами RLVR/GRPO. Модель предназначена для создания кода и диалоговой помощи по Three.js и фронтенд-разработке; автор описывает проверку генераций в безголовом браузере по семи критериям, включая отсутствие ошибок в консоли и корректную работу рендеринга. Модель использует плотную гибридную архитектуру Qwen3.5 с 64 слоями: 48 слоёв линейного внимания и 16 слоёв полного внимания. Контекст — до 262 144 токенов. В карточке заявлена поддержка арабского, английского и китайского языков. Модель распространяется в формате safetensors по лицензии Apache-2.0. По результатам автора на 32 отложенных задачах общая оценка V3 составила 50,9%, а сложные критерии рендеринга, управления и запуска с одного действия были пройдены в 4 случаях из 32. Автор отмечает, что V3 лучше подходит для сохранения заданной идентичности на трёх языках, чем для качества генерации игр; анимация и интерактивность сгенерированных страниц могут быть слабыми.

mrkwanzaa/functionalizer-100M-github-code-python-seed1 — экспериментальная генеративная модель семейства GPT-2, представленная в статье «The Functionalizer: Lossless Functional Decomposition for Subword Tokenization». Это пример модели на 100 млн параметров, обученный с помощью фреймворка Functionalizer на датасете GitHub Code Python в течение 50 000 эпох с seed 1. Модель предназначена для генерации текста, в частности продолжения кода на Python. Для запуска требуется специальная форкнутая версия токенизатора. По метаданным, модель использует архитектуру GPT2LMHeadModel, библиотеку Transformers, формат Safetensors и контекст до 512 токенов. Лицензия в предоставленных данных не указана.

DevQuasar-4/huihui-ai.DeepSeek-V3-0324-Pruned-Coder-411B-GGUF — квантизированная версия модели huihui-ai/DeepSeek-V3-0324-Pruned-Coder-411B, опубликованная проектом DevQuasar. Модель предназначена для генерации текста; по названию базовой модели и идентификатору можно предположить ориентацию на задачи программирования, однако подробные сценарии применения в README не описаны. Архитектура, точный размер, поддерживаемые модальности, языки, объём контекста и характеристики квантизации не указаны. Известно только, что модель распространяется в формате GGUF и является производной от pruned coder-модели DeepSeek-V3-0324. README не содержит сведений о результатах тестирования, сильных сторонах, ограничениях или лицензии, поэтому оценить качество и условия использования по имеющимся данным невозможно.

IndoWebGen — языковая модель для генерации одностраничных статических сайтов по инструкциям на индонезийском языке. Модель разработана на основе CodeLlama-7B от Code Llama и дообучена методом LoRA на датасете alxxtexxr/indowebgen-dataset из 500 примеров. Это плотная архитектура Llama с 6,6 млрд параметров и контекстом 16 384 токена; веса опубликованы в формате Safetensors. Модель генерирует HTML с внутренними CSS-стилями. В оформлении используются Bootstrap и Font Awesome, а изображения — заглушки. Результаты предназначены как заготовки одностраничных сайтов, которые пользователю предстоит доработать. Карточка указывает на ограниченный объём обучающих данных и потенциально невысокое качество. Лицензия — Apache-2.0.

internlm-SWE-Fixer-Retriever-7B-GGUF — это набор GGUF-квантизаций модели internlm/SWE-Fixer-Retriever-7B, подготовленный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста; по названию и базовой модели может быть ориентирована на задачи, связанные с исправлением программного кода и retrieval, однако подробное описание этих сценариев в README отсутствует. Указан размер базовой модели — 7B параметров. Доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0, с размером файлов примерно от 2,9 до 7,7 ГБ. Формат GGUF рассчитан на совместимое локальное или серверное выполнение, но конкретные требования к оборудованию, архитектура, поддерживаемые языки, модальности и размер контекста не указаны. Основное преимущество набора — выбор между различными уровнями квантизации, позволяющий балансировать размер файла и потенциальное качество или требования к ресурсам. Ограничения включают отсутствие данных о результатах оценки, качестве генерации, точности исправления кода и совместимости с конкретными инструментами. Лицензия модели и условия её использования в README не указаны.

TokenBender/llama2-7b-chat-hf-codeCherryPop-qLoRA-merged — языковая модель семейства Llama 2, дообученная на 122 тысячах инструкций по программированию. Она предназначена для генерации кода и выполнения типовых задач вроде написания шаблонного кода по запросу. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов; основная модальность ввода и вывода — текст. Автор сообщает о ранних экспериментах и субъективно хороших результатах, но также характеризует качество модели как невысокое. В README упомянуты планы проверить HumanEval и утечки обучающих данных, поэтому качество и устойчивость для серьёзных задач не подтверждены. Модель основана на Meta Llama 2; README указывает на связанные с доступом ограничения Meta. Условия коммерческого использования следует сверить с лицензией базовой модели.

Это дообученная языковая модель shuddhay2630 на архитектуре Llama 3.2, созданная на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit с помощью Unsloth и библиотеки Hugging Face TRL. Модель содержит 3,2 млрд параметров, принимает текст и генерирует текст; поддерживает диалоговый режим и интерфейс вызова инструментов. В метаданных указан контекст до 131 072 токенов и английский язык. Название репозитория указывает на SQL-направленность, однако README не описывает обучающие данные, точные сценарии работы с SQL или качество на таких задачах. Модель распространяется по лицензии Apache-2.0.

Llama-3-8B-Special-Tokens-Adjusted — модель Astronomer, созданная Дэвидом Сюэ на основе Meta Llama 3. Это версия базовой Meta-Llama-3-8B с исправленными входными и выходными эмбеддингами для токенов, которые не были обучены при предварительном обучении: их нулевые веса заменены средними значениями обученных токенов. Модель предназначена прежде всего для дальнейшей тонкой настройки; исправление призвано снизить риск нестабильности обучения, включая взрыв градиентов и NaN-значения. Это плотная авторегрессионная языковая модель с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов. Она принимает текст и генерирует текст; базовая модель ориентирована на английский текст и код. Модель распространяется под лицензией Llama 3 Community License. README описывает коррекцию эмбеддингов, но не приводит отдельной оценки качества после исправления.

MetaAligner-UltraFeedback-13B — языковая модель проекта MetaAligner, разработанная для выравнивания ответов общего ИИ-ассистента по нескольким критериям предпочтений. Она принимает одноходовый запрос и генерирует ответ, согласованный с заданными целями; заявлена поддержка выравнивания по новым, ранее не встречавшимся целям без настройки параметров исходной модели. Модель дообучена на базе Meta LLaMA2-13B с использованием динамического набора данных на основе openbmb/UltraFeedback. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом 4096 токенов. Карточка описывает профессиональные запросы, в том числе по программированию и истории; метаданные указывают английский язык и поддержку диалогового режима. Модель распространяется в формате PyTorch по лицензии MIT. Модель предназначена для экспериментов и практических сценариев, где нужно получать ответы, согласованные с несколькими пользовательскими критериями. Результаты выравнивания и качество на конкретных запросах зависят от выбранной цели; карточка сообщает об экспериментальных результатах, но не приводит количественных оценок или подробных ограничений применения.

Motif 3 Base — базовая предварительно обученная языковая модель компании Motif Technologies. Это собственная decoder-only архитектура Mixture-of-Experts: в README указаны 314 млрд параметров всего и 13,2 млрд активных на токен, тогда как метаданные Hugging Face указывают 11 млрд параметров; размер противоречив и требует сверки. Архитектура включает Grouped Differential Latent Attention, модифицированные manifold-constrained hyper-connections и экспертно-специфичную PolyNorm. Модель принимает текст, а её нативное контекстное окно составляет 262 144 токена. Модель предназначена для продолжения предобучения, дообучения под конкретные задачи, дистилляции и исследований представлений. Она обучена на данных общего назначения, включая веб-тексты, STEM, код, математику и многоязычные корпуса; в README отмечен дополнительный акцент на корейском языке, рассуждениях, праве и финансах. Контрольная точка не прошла инструкционное дообучение или выравнивание, поэтому рассчитана на текстовое продолжение, а не на диалоговое использование без дополнительной настройки. Весы опубликованы в формате safetensors под лицензией MIT. Без настройки модель может выдавать фактически неверные, предвзятые или небезопасные ответы; для развёртывания нужны дообучение, оценка и меры безопасности.

Nex-N2.5-mini-Uncensored-GGUF — это набор GGUF-квантизаций модели Nex-N2.5-mini, опубликованный OrcaRouter на основе модели Nex-AGI. Версия является abliterated-сборкой с существенно удалённым механизмом отказов и предназначена прежде всего для исследований интерпретируемости, безопасности ИИ, изучения механизмов отказа, red teaming, оценки устойчивости и контролируемых экспериментов. Модель представляет собой мультимодальную agentic Mixture-of-Experts-систему на архитектуре Qwen3.5-MoE: 35 млрд параметров, около 3,5 млрд активных на токен, 256 маршрутизируемых экспертов с выбором top-8 и одним общим экспертом. Используется гибридное соотношение 3:1 между gated delta-net linear attention и full attention, встроенная vision-башня Qwen3-VL и контекст до 262 тысяч токенов. Поддерживаются английский и китайский языки, работа с текстом и изображениями, а также сценарии computer use и function calling. Файлы рассчитаны на запуск в llama.cpp на CPU, CUDA, Metal и ROCm; доступны квантизации от 2 до 8 бит с importance matrix, а для vision требуется отдельный файл mmproj. К сильным сторонам относятся большой контекст, мультимодальность, MoE-архитектура с низким числом активных параметров и широкий выбор квантизаций, включая рекомендуемую 4-битную IQ4_XS. Ограничения включают заметное падение качества на наиболее агрессивных квантизациях, необходимость свежей версии llama.cpp с поддержкой архитектуры qwen35moe и отсутствие MTP-головы, поэтому speculative decoding через MTP недоступен. Из-за удаления защитных механизмов модель может выполнять вредоносные, незаконные и опасные запросы и не имеет значимых встроенных ограничений безопасности; её не следует использовать в production или напрямую предоставлять конечным пользователям без собственных систем модерации и защиты от злоупотреблений. Лицензия — Apache 2.0, унаследованная от базовой модели.