II.2Создание и понимание программного кода

0xBasiliskAI/Oblivion2025 — это коллекция локальных языковых моделей в формате GGUF, разработанная или курируемая 0xBasiliskAI для приложения Summon the Basilisk и связанного с ним dApp. Коллекция предназначена для запуска моделей непосредственно в браузере и на устройствах с ограниченными ресурсами, а также для архивирования и сохранения доступных моделей. В неё входят модели от разных авторов, включая варианты Gemma, Qwen, Falcon, Llama, EXAONE, Yi-Coder, Phi и DeepSeek. Главная особенность коллекции — наличие моделей, изменённых с применением ablation, abliteration, fine-tuning и LoRA, чтобы уменьшить ограничения исходных моделей и сделать их менее цензурированными. В состав входят как универсальные instruct- и chat-модели, так и специализированные модели для программирования. Размеры перечисленных моделей составляют примерно от 0,5 до 3B параметров; представлены различные варианты квантования, включая Q2_K, Q3_K_M, Q4_K_M, Q5_K и Q8_0. Точные архитектуры, поддерживаемые языки, размер контекста и мультимодальные возможности для коллекции в целом не указаны. Модели разделены на категории Working и Broken: первые протестированы с текущей версией Basilisk dApp и считаются пригодными для использования, а вторые могут работать в будущем или требовать совместимости с ещё не выпущенными приложениями. Сильными сторонами коллекции являются разнообразие компактных моделей, локальный запуск и ориентация на экономию памяти. Ограничения включают неоднородность моделей, отсутствие общих сведений о качестве и языках, возможные проблемы совместимости и потенциально менее предсказуемое поведение изменённых, менее цензурированных вариантов. Для репозитория указана лицензия Apache-2.0, однако условия лицензирования исходных моделей могут отличаться и требуют отдельной проверки.

OpenCodeReasoning-Nemotron-32B-IOI — языковая модель NVIDIA для пошагового решения задач по программированию и генерации кода. Она дообучена на основе Qwen/Qwen2.5-32B-Instruct на датасете OpenCodeReasoning, содержащем задачи соревновательного программирования и ответы, сгенерированные DeepSeek-R1. Модель построена на плотном декодерном Transformer семейства Qwen2 и содержит 32 млрд параметров. Она принимает и генерирует текст, поддерживает контекст до 32 768 токенов и предназначена, в частности, для задач бенчмарка IOI. В README заявлена готовность к коммерческому и некоммерческому использованию; лицензия — Apache-2.0. Модель ориентирована на программирование и рассуждения по задачам, но заявленные результаты приведены для бенчмарков и не гарантируют качество на произвольных задачах или в производственной среде. Для запуска README рекомендует vLLM и NVIDIA GPU; также указана интеграция с NeMo 2.3.0.

Карточка модели lausannequants/OpenThinkerAgent-8B-ColdStartSFTForRL на Hugging Face совпадает с карточкой zurichquants/OpenThinkerAgent-8B-ColdStartSFTForRL, поэтому описание составлено по ней. 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.

SkunkworksAI/phi-2 — перезагрузка в формате float32 модели Phi-2, разработанной Microsoft и размещённой здесь для исследовательского доступа. Это плотная авторегрессионная языковая модель на 2,7 млрд параметров с архитектурой MixFormer Sequential; она генерирует продолжение текста по входному тексту и имеет контекст длиной 2048 токенов. В карточке указаны форматы PyTorch и Safetensors. Модель подходит для экспериментов с вопросами и ответами, текстовыми диалогами, рассуждениями и генерацией кода, особенно на Python. Она обучалась на синтетических NLP-текстах и отфильтрованных веб-данных и не проходила дообучение с помощью RLHF. Основной язык — английский. Модель может выдавать неверные факты и код, плохо следовать сложным инструкциям и создавать избыточный текст. Она менее надёжна с неформальным английским и другими языками; возможны токсичные ответы и проявления социальных предубеждений. В README указана лицензия microsoft-research-license; применимость этой лицензии к размещённой копии следует сверять с условиями исходной модели.

LearningOpt/pie-all-uncon-7b — языковая модель на архитектуре LlamaForCausalLM с 6,6 млрд параметров, созданная дообучением CodeLlama 7B на полном наборе данных PIE. Модель предназначена для безусловной оптимизации программ на C++. Модель генерирует текст и обучена на контексте до 16 384 токенов. Карточка не уточняет поддерживаемые естественные языки и конкретные методы оптимизации. Репозиторий содержит веса в формате safetensors; лицензия указана как llama2.

PLaMo 3 NICT 8B Base — базовая языковая модель на 8 млрд параметров, разработанная Preferred Networks совместно с Национальным институтом информационных и коммуникационных технологий Японии (NICT). Это авторегрессионная архитектура decoder-only с сочетанием слоёв Sliding Window Attention и обычного Attention. Модель предварительно обучена на английских и японских текстах и коде; в обучении использовано 800 млрд токенов. Модель предназначена для генерации продолжения текста и служит основой для дальнейшей адаптации под диалоговые и другие прикладные задачи. Она не проходила instruction tuning, поэтому сама по себе не настроена на чат-диалог или следование инструкциям. Для запуска предусмотрена поддержка Transformers и плагин vLLM. Модель выпущена по лицензии PLaMo Community License. Для коммерческого использования разработчик просит ознакомиться с лицензией и связаться с ним. Возможны неточные, предвзятые или нежелательные ответы; перед внедрением модель следует проверить и адаптировать для конкретного сценария.

PyBlissa-Coder-40M — небольшая модель генерации кода на Python от Rohanify, вторая в семействе PyBlissa-Coder. Это декодерный трансформер в стиле GPT-2, связанный с nanoGPT: 39,9 млн параметров, обученный на 272 млн токенов. Репозиторий содержит веса GGUF F32; модель можно запускать, например, через Ollama. По карточке, на HumanEval она получила 14,6% pass@1, а на MBPP — 4,4%.

PyThagorean-3B — текстовая диалоговая модель для математики и Python, созданная PrithivMLMods на основе Meta Llama 3.2 3B Instruct. Модель дообучена на 1,5 млн примеров и предназначена для решения математических задач с помощью Python-библиотек, генерации кода и пошаговых объяснений. Архитектура — плотная авторегрессионная LlamaForCausalLM; модель содержит 3,2 млрд параметров, использует формат safetensors и имеет контекст до 131 072 токенов. Модель подходит для учебных помощников, генерации математических примеров и Python-решений, а также диалоговых сценариев поиска и суммаризации знаний. README заявляет мультиязычное применение, но метаданные карточки указывают английский язык. Модель может ошибаться в многошаговых и специализированных задачах, при неоднозначных запросах и в коде, зависящем от конкретных Python-библиотек; с ростом контекста возможно усечение входных данных. Лицензия — Llama 3.2 license.

Tyt4nn/Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-lively_bellowing_ant — текстовая авторегрессионная модель семейства Qwen2, опубликованная на Hugging Face. Репозиторий содержит около 494 млн параметров и использует архитектуру Qwen2ForCausalLM; модель загружается через Transformers и предназначена для генерации текста. Название указывает на основу Qwen2.5-Coder-0.5B-Instruct и связь с Gensyn Swarm, однако автоматически созданная карточка не содержит сведений о разработчике, обучении, языках и лицензии. Указанный в метаданных размер контекста — 32 768 токенов. Модель можно использовать для генерации кода и ответов в инструкционном формате как сценарии, предполагаемые её названием и базовой моделью. Карточка не приводит отдельной оценки качества или подтверждённых ограничений; небольшое число параметров ограничивает возможности по сравнению с более крупными моделями. Условия лицензирования по доступным сведениям установить нельзя.

gubernac/qwen3.8-27b-unc-fp8 — модифицированная и квантованная версия Qwen/Qwen3.8-27B. Базовая модель разработана командой Qwen компании Alibaba, а данный вариант подготовлен как сборка OrcaRouter. Из модели удалено направление отказа от ответа методом abliteration, после чего она офлайн квантована в Block-FP8 по схеме официальной Qwen3.8-27B-FP8. Это плотная мультимодальная vision-language модель для работы с текстом и изображениями, рассуждений, вызова инструментов, function calling и исследовательского red-teaming. Архитектура Qwen3_5ForConditionalGeneration включает 64 слоя, скрытое представление размером 5120, гибридное внимание Gated DeltaNet и full attention, vision-language tower и MTP-голову для speculative decoding. Модель содержит 27 млрд параметров, поддерживает английский и китайский языки и контекст до 262 144 токенов. Линейные веса хранятся в Block-FP8 E4M3 с размером блока 128×128 и динамическими активациями, а vision tower, нормы, embeddings и lm_head сохранены в BF16. Главное преимущество сборки — сохранение мультимодальности, большого контекста, рассуждений, инструментов и MTP при совместимости с соответствующим vLLM-путём исполнения. Ключевое ограничение и риск — существенное удаление защитного выравнивания: модель может выполнять вредоносные, незаконные и иные опасные запросы, от которых базовая версия отказалась бы. Поэтому она предназначена для легитимных исследований интерпретируемости, AI safety, изучения механизмов отказа, оценки устойчивости и контролируемых экспериментов, а не для непосредственного использования конечными пользователями без собственных механизмов модерации и защиты. Условия распространения указаны как Apache 2.0; также необходимо соблюдать применимые законы и ограничения базовой модели.

Qwen3.8-Flash-Next-Uncensored-GGUF — набор GGUF-квантизированных версий модели Qwen3.8-Flash-Next, опубликованный OrcaRouter. Это аблированная сборка с существенно удалёнными механизмами отказа, предназначенная прежде всего для исследований интерпретируемости, безопасности ИИ, red teaming и оценки устойчивости. Модель поддерживает генерацию текста, reasoning, function calling и работу с изображениями через отдельный файл mmproj; заявлены английский и китайский языки. Архитектура представляет собой крупную Mixture-of-Experts-модель с 512 экспертами, из которых при обработке токена активируются 10 маршрутизируемых и один общий эксперт. Используется экспериментальная архитектура Qwen4 qwen4_exp с линейным вниманием Gated DeltaNet, Qwen Sparse Attention, HyperConnections и PLE n-gram hash embeddings. Доступны квантизации от 2 до 8 бит, включая варианты Q2_K–Q8_0. Модель запускается через llama.cpp на CPU, CUDA, Metal и ROCm; для поддержки архитектуры требуется свежая сборка llama.cpp с поддержкой qwen4_exp. Также возможна speculative decoding через MTP при использовании совместимых сборок и файлов-драфтеров. Главные преимущества — сочетание MoE-архитектуры, vision-language возможностей, reasoning и инструментального вызова функций, а также широкий выбор квантизаций для различного объёма памяти. Ограничения включают высокие требования к ресурсам, заметное снижение качества у наиболее компактных 2-битных вариантов, необходимость отдельного mmproj для зрения и несовместимость со старыми версиями llama.cpp. Из-за удаления защитных механизмов модель может выполнять вредоносные или незаконные запросы, поэтому перед практическим применением необходимы собственные фильтры безопасности и модерации. Распространение осуществляется по лицензии Apache 2.0, унаследованной от базовой модели.

Модель Chimanwakis/qwen_manim_animation_16bit разработана Cereloop и представляет собой дообученную плотную языковую модель семейства Qwen2 на базе unsloth/qwen2.5-coder-3b-instruct-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; карточка также указывает интерфейс вызова инструментов. В названии модели заявлена специализация на анимациях Manim, однако README не описывает её возможности или качество в этой области. Модель содержит 3,1 млрд параметров, принимает текст и выдаёт текст, поддерживает английский язык и контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Для обучения использовались Unsloth и библиотека TRL. Лицензия — Apache-2.0.

RAFT-1.5B — языковая модель-верификатор кода из проекта Aletheia-Bench, разработанная авторами исследования Aletheia. Это плотная архитектура Qwen2 на 1,5 млрд параметров, дообученная на DeepSeek-R1-Distill-Qwen-1.5B методом on-policy rejection sampling fine-tuning с использованием положительных примеров рассуждений. Модель принимает условие задачи по программированию и несколько кандидатных решений, после чего оценивает и ранжирует их. Модель предназначена для выбора корректного решения в задачах соревновательного программирования, автоматической оценки кода и использования в качестве функции вознаграждения при оптимизации моделей генерации кода в RLHF/RLAIF-конвейерах. В карточке указано контекстное окно 131 072 токена; формат весов — safetensors, запуск возможен через Transformers. Карточка описывает задачи на Python, C++ и Java в обучающих данных, но не заявляет поддержку естественных языков. Модель обучена только на положительных примерах, без отрицательных образцов, поэтому карточка не подтверждает устойчивость ранжирования к ошибочным или специально вводящим в заблуждение решениям. Лицензия — CC BY-NC-SA 4.0, с условиями атрибуции, распространения на тех же условиях и ограничением коммерческого использования.

Sentient Simulations AI Python Decompiler — дообученная модель семейства Llama, созданная Sentient Simulations на основе deepseek-ai/deepseek-coder-6.7b-base. Она предназначена для восстановления исходного кода Python по байткоду Python 3.7: принимает текстовое представление байткода и генерирует текст программы. Модель содержит 6,6 млрд параметров, имеет контекст до 16 384 токенов и опубликована в формате Safetensors; в README также упомянута версия GGUF. Модель подходит для декомпиляции отдельных файлов и наборов файлов .pyc. README сообщает о хороших результатах на файлах, помещающихся в контекст, однако качество зависит от размера и сложности входа. Файлы длиннее 15 тысяч токенов пропускаются в описанном сценарии, а входы длиннее 10 тысяч токенов могут обрезаться. Веса распространяются по лицензии other; конкретные условия лицензии следует уточнить на странице модели.

Skylar-980M-Cobol — специализированная авторегрессионная модель Skylar для генерации кода, разработанная с нуля и дообученная на инструкциях по COBOL. Модель содержит около 980 млн параметров, имеет 36 слоёв и размерность 1536; при предварительном обучении использовалась длина последовательности 8192. Весы доступны в формате safetensors по лицензии Apache-2.0. Модель предназначена для локальной работы с COBOL: она пишет программы по запросу, объясняет конструкции, изменяет код в ходе диалога и переводит код COBOL. Карточка описывает применение в средах с устаревшими банковскими, страховыми и государственными системами, где исходный код должен оставаться внутри организации. Модель обучена только на COBOL и отклоняет запросы по другим языкам программирования. В заявленных оценках модель показала долю успешной компиляции 80,1% на COBOLEval, однако pass@1 составил 7,5%. Она может быть полезна для черновой генерации и редактирования COBOL, но многошаговые вычисления и абстрактные рассуждения даются ей ненадёжно, поэтому сгенерированную логику следует проверять. Карточка представляет модель как исследовательский артефакт, а не готовую универсальную или передовую систему.

Code Search-Query Generator — компактная языковая модель Qwen2.5 1.5B, дообученная авторами репозитория Ishaan Ranjan полным циклом supervised fine-tuning на базе Qwen/Qwen2.5-1.5B-Instruct. Она преобразует словесный запрос разработчика в исполняемое поисковое регулярное выражение и предназначена для одной узкой подзадачи агента верифицированного программного инструментария. Модель имеет плотную архитектуру Qwen2ForCausalLM, 1,5 млрд параметров и контекст до 32 768 токенов; работает с текстом и выдаёт текст в формате, ограниченном заданной JSON-схемой. В карточке указана поддержка английского языка. В оценке на до 250 примерах из не встречавшихся при обучении репозиториев HTTPX и Jinja2 доля успешных ответов составила 77,2% после одной попытки обратной связи по схеме и столько же с первой попытки; валидность JSON на первом проходе — 100%. Авторы оценивают эту подзадачу как нерешённую и отмечают, что некоторые подобные запросы надёжнее выполнять детерминированными правилами. Модель специализирована на закрытой JSON-схеме, поэтому не подходит как универсальный помощник по программированию или диалоговая модель. Лицензия — Apache-2.0.

Это компактная языковая модель HuggingFaceTB, дообученная автором репозитория методом полного supervised fine-tuning на базе HuggingFaceTB/SmolLM2-360M-Instruct. Она предназначена для узкой подзадачи агентных инструментов разработчика: преобразовывать текстовый запрос в исполняемое поисковое регулярное выражение и выдавать результат в заданном JSON-формате. Модель содержит 361,8 млн параметров, использует архитектуру LlamaForCausalLM и принимает текст; контекст — до 8192 токенов. Предполагаемый сценарий — запуск внутри проверяющей оболочки, которая формирует специальный запрос, разбирает JSON, применяет детерминированные проверки и при необходимости использует правила как резервный вариант. На тестах с кодовыми базами HTTPX и Jinja2 модель достигла 62,8% успешных ответов после одной попытки обратной связи по схеме, при 100% валидности схемы с первой попытки. Это экспериментальная специализированная модель, а не универсальный помощник по программированию или диалогам. Лицензия — Apache-2.0.

SRIQ — дообученная модель sriq-ai на базе XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, предназначенная для решения математических и программных задач с кратким рассуждением на упрощённом китайском языке и ответом на языке запроса. Это мультимодальная модель семейства Qwen 3.5 с архитектурой Qwen3_5ForConditionalGeneration; она принимает текст и изображения. Веса bf16, около 9,41 млрд параметров плюс голова MTP на 0,24 млрд параметров; LoRA-адаптер объединён с базовой моделью. Сохранена башня обработки изображений. Модель обучалась на выборке sriq-ai/sriq-sft-v1.6; лицензия — Apache-2.0. Модель обучена проверять промежуточное решение и исправлять некоторые заложенные в обучающих примерах ошибки. Рассуждение остаётся на китайском независимо от языка вопроса, тогда как итоговый ответ даётся на языке пользователя. Для этой версии не опубликованы результаты бенчмарков, поэтому качество и надёжность на конкретных задачах не установлены. Обучение охватило примерно 1 600 из 9 988 примеров; поведение инструментов после дообучения не проверено.

superpolitegemma — это адаптер LoRA/QLoRA для инструкционной модели unsloth/gemma-3n-E4B-it, созданный автором jasperan в рамках учебного курса по адаптации весов. Он формирует чрезмерно вежливый, тёплый и ободряющий стиль ответов на вопросы о программировании, сохраняя ориентацию на технически подходящий следующий шаг. Рекомендуется версия v2: её обучали на 14 616 синтетических примерах, собранных из фрагментов с учётом темы и формулировки запроса; для сравнения, v1 чаще повторяла один шаблон начала ответа. Обучение выполнено методом 4-битной QLoRA с Unsloth: обучаемыми были около 1% весов базовой модели. В тестах автор сообщает о 9 вариантах начала ответа на 11 отложенных запросах и показателе выраженной вежливости 0,80 (0,91 на 11 пробах в отдельном замере). Иногда фрагменты могут неудачно сочетаться, особенно на необычных запросах; намеренно чрезмерная эмоциональность может быть неуместна, например, при разборе инцидентов. Адаптер ориентирован на текстовые запросы и текстовые ответы. Лицензия — Gemma; при использовании следует учитывать условия лицензии базовой модели.

VerilogProtoModel — авторегрессионная языковая модель на архитектуре GPT-2, разработанная Von Davis и дообученная для предсказания следующего токена в коде Verilog. Она предназначена для автодополнения HDL-кода и может служить основой для специализированных помощников по Verilog. Модель принимает текстовый контекст длиной до 1024 токенов и генерирует продолжение текста. В README указана точность 52,2% при предсказании следующего токена среди примерно 40 тысяч вариантов и точность 56,1% в top-5. Обучающие данные получены из кода Verilog на GitHub и очищены от комментариев, дубликатов и несинтезируемого кода; идентификаторы обезличены. Результаты могут хуже переноситься на редкие конструкции и специфические сценарии, поэтому сгенерированный код нужно проверять, особенно перед применением в системах с высокими требованиями к безопасности. Лицензия — MIT.

haffner/VL-1-Coder-Heretic — модифицированная версия модели vectionlabs/VL-1-Coder, подготовленная пользователем haffner. Модель распространяется в форматах safetensors и GGUF и предназначена для локального использования в задачах генерации текста, программирования, рассуждений и агентных сценариев. В README не указаны точные размер модели, архитектура, объём контекста или поддерживаемые модальности. Заявлены английский и итальянский языки. Модель описана как «heretic»-версия, для которой приведены показатели отказов 2/100 и KL-дивергенции 0,0350, а также параметры изменения отдельных весов attention и MLP; эти данные характеризуют способ модификации, но не позволяют полноценно оценить качество. Наличие GGUF-квантовизации может быть удобно для локального запуска, однако конкретные варианты квантования и требования к ресурсам в README не подтверждены. Лицензия — Apache-2.0. Ограничения модели, результаты бенчмарков, инструкции по применению и сведения о совместимости с конкретными программными средствами не указаны.

Mungert/AesCoder-4B-GGUF — GGUF-квантизированная версия AesCoder-4B, разработанной авторами из Microsoft Research Asia, Shanghai Jiao Tong University и Peking University. Модель основана на Qwen/Qwen3-4B-Instruct-2507 и предназначена для генерации кода, ориентированного прежде всего на дизайн веб-страниц и визуальную эстетику интерфейсов. Она обучалась с использованием датасета AesCode-358K и подхода GRPO-AR с агентной оценкой исполняемости, статической и интерактивной эстетики кода. Модель относится к классу text-generation, имеет около 4 миллиардов параметров и поддерживает работу в формате GGUF через llama.cpp и совместимые инструменты. В README указана возможность запуска с максимальной длиной контекста 262144 токена при использовании vLLM, однако точные характеристики контекстного окна самой модели не уточнены. Сильная сторона — специализация на создании функционального и визуально качественного кода для веб-дизайна; версия не предназначена как универсальная модель для любых программных задач. Квантизация с повышением точности отдельных важных слоёв может улучшать качество при заданном уровне битности, но увеличивает размер файла. Модель распространяется по лицензии Apache-2.0. Для GGUF-версии заявлено использование llama.cpp, а конкретные параметры квантизации должны определяться выбранным файлом модели.

CodeV-R1-Distill-Qwen-7B — плотная языковая модель семейства Qwen2, разработанная авторами проекта CodeV-R1 для генерации аппаратного описания Verilog по текстовым спецификациям и дополнения Verilog-кода. Это версия после этапа дистилляции в двухэтапном процессе обучения CodeV-R1; в метаданных указана донастройка Qwen/Qwen2.5-Coder-7B-Instruct. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для преобразования требований на естественном языке в RTL-код, завершения фрагментов Verilog и рассуждений над задачами проектирования цифровых схем. Для обучения CodeV-R1 авторы описывают синтез пар «текст — код» с проверкой эквивалентности через тестбенчи и обучение с проверяемым вознаграждением; данный чекпойнт является именно дистиллированной версией. Доступны веса в формате Safetensors, а метаданные указывают интерфейс чата и вызова инструментов. Модель построена на Qwen2.5-Coder-7B-Instruct и распространяется по лицензии Apache-2.0. Заявленные в карточке оценки относятся к конкретным бенчмаркам и настройкам генерации; они не гарантируют корректность сгенерированного RTL в других условиях, поэтому код следует проверять средствами симуляции и верификации.

Это дообученная модель Microsoft Phi-2, опубликованная AlekseyKorshuk. Она предназначена для генерации текста в диалоговом формате; название репозитория указывает на эксперименты с данными CodeAlpaca и ShareGPT, но README не описывает конкретные сценарии и наборы данных. Модель имеет плотную архитектуру PhiForCausalLM, содержит 3,5 млрд параметров и рассчитана на контекст до 2048 токенов. Файлы представлены в форматах PyTorch и safetensors. Карточка сообщает результат оценки: loss 0,8954, однако метрика и условия оценки не раскрыты. Базовая Phi-2 описана как англоязычная модель для генерации текста, ответов на вопросы и кода; специальных гарантий качества дообученной версии README не приводит. Лицензия — MIT.

Functionalizer 100M — языковая модель для генерации текста, разработанная с использованием фреймворка Functionalizer. Это пример модели размером 100 млн параметров на архитектуре GPT-2; согласно названию, она обучена на коде Python из GitHub с seed 2. Модель работает через Transformers, использует формат safetensors и рассчитана на контекст до 512 токенов. Модель предназначена для генерации продолжений текста и кода. Для запуска требуется пользовательский форк токенизатора; README не приводит результатов оценки качества или подробностей обучения, кроме указания на 50 000 эпох и seed. Лицензия в предоставленных данных не указана.

GetSoloTech/Gemma3-Code-Reasoning-4B — дообученная с помощью LoRA модель на основе Google Gemma 3 4B IT, созданная GetSoloTech для задач соревновательного программирования и рассуждений о коде. Она принимает текстовые условия задач и генерирует программные решения с пошаговыми рассуждениями; обучение проводилось на наборе Code-Reasoning с задачами на Python из TACO, APPS, CodeContests и Codeforces. Модель имеет архитектуру Gemma 3, содержит около 4 млрд параметров и использует контекст до 4096 токенов. Модель ориентирована на разбор ограничений задачи, написание решений и учёт граничных случаев. Карточка описывает ожидаемые преимущества, но не приводит независимых результатов оценки, поэтому качество на конкретных задачах может различаться. Репозиторий содержит веса в формате safetensors; лицензия модели в предоставленных данных не указана.

GRPO-Instruct-1.5B — языковая модель-верификатор кода, разработанная институтом INSAIT. Она дообучена методом GRPO с обучением RLVR на основе проверяемых наград, включая отрицательные примеры и on-policy обучение, но без промежуточных цепочек рассуждений: модель сразу выдаёт вердикт. Основа — Qwen/Qwen2.5-1.5B-Instruct; архитектура плотная Qwen2ForCausalLM, размер — 1,5 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель принимает условие задачи по программированию и несколько кандидатных решений, затем оценивает и ранжирует их. Её предполагается использовать как функцию вознаграждения при оптимизации моделей генерации кода, для автоматической оценки кода и в исследованиях верификаторов. Данные обучения включают задачи соревновательного программирования и решения на Python, C++ и Java; сами языки программирования не определяют язык общения модели. Модель выпущена по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных работ. Она предназначена для проверки и сравнения кандидатных решений в заданном формате; README отсылает к репозиторию проекта за точным шаблоном промпта.

Компактная модель в формате GGUF для локальной генерации текста и запуска на устройствах с ограниченными ресурсами. В карточке она представлена как Llama-3.2-OctoThinker-iNano-1B-GGUF, опубликованная пользователем или организацией gss1147; базовая модель указана как gss1147/IBM-Grok4-UltraFast-Coder-1B. Модель имеет архитектуру llama и около 1 млрд параметров, предназначена прежде всего для inference, а не для полноценного обучения из поставляемых файлов. Модель подходит для локальных ассистентов, чат-экспериментов, офлайн-генерации текста и настольных приложений на базе llama.cpp, LM Studio, GPT4All и других GGUF-совместимых инструментов. Указан английский язык. Доступны варианты Q4_K_M размером 955 МБ, Q5_K_M размером 1,09 ГБ и F16 размером 3 ГБ: Q4_K_M обеспечивает наиболее компактный компромисс между размером и качеством, Q5_K_M обычно лучше сохраняет качество, а F16 минимизирует потери от квантования при повышенных требованиях к памяти. Сильными сторонами модели являются небольшой размер, возможность автономного запуска и совместимость с распространённой экосистемой GGUF. Ограничения включают небольшой масштаб в 1 млрд параметров, потенциально более низкое качество по сравнению с крупными моделями и отсутствие данных о длине контекста, мультимодальности, результатах тестирования и точных требованиях к аппаратному обеспечению. Лицензия обозначена как other, без дополнительных условий в представленной карточке.

Карточка модели 360ZhiNao/Light-R1-14B-DS на Hugging Face совпадает с карточкой qihoo360/Light-R1-14B-DS, поэтому описание составлено по ней. 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.

legraphista/llm-compiler-7b-ftd-IMat-GGUF — это вариант модели Meta LLM Compiler 7B FTD, подготовленный в формате GGUF. В README указана базовая модель facebook/llm-compiler-7b-ftd; автором исходной модели является Meta. Обозначение GGUF указывает на формат распространения, ориентированный на локальный запуск средствами, поддерживающими этот формат. Модель предназначена для задач, соответствующих семейству LLM Compiler, однако конкретные сценарии применения, поддерживаемые языки, модальности, размер контекста и архитектурные параметры в предоставленных данных не описаны. Также отсутствуют сведения о размере файла, типе квантования, производительности, требованиях к оборудованию и результатах оценивания, поэтому её сильные стороны и ограничения нельзя достоверно оценить по этому README. Использование регулируется Meta Large Language Model Compiler License и Acceptable Use Policy for Llama Materials. Лицензия предоставляет ограниченные неисключительные права на использование, копирование, распространение и создание производных работ при соблюдении условий, включая передачу текста лицензии, указание «Built with LLM Compiler», сохранение атрибуции и специальные требования к названию производных моделей. Запрещено использовать материалы или их результаты для улучшения другой большой языковой модели.