II.2Создание и понимание программного кода

LocutusqueXFelladrin-TinyMistral248M-Instruct — компактная языковая модель от Locutusque, созданная слиянием Locutusque/TinyMistral-248M-Instruct и Felladrin/TinyMistral-248M-SFT-v4 методом linear merge в mergekit, с последующим дополнительным обучением примерно на 20 тысячах примеров из Locutusque/inst_mix_v2_top_100k. Это плотная авторегрессионная модель семейства Mistral с 215,2 млн параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста по инструкциям, включая диалоговые ответы, простые задачи на рассуждение и программирование. В README заявлено, что она сочетает навыки программирования и рассуждения одной исходной модели с более точным следованием инструкциям и меньшей склонностью к галлюцинациям другой. Карточка также отмечает оценивание в Open LLM Leaderboard, но не приводит результаты. Модель принимает и генерирует текст; языком карточки указан английский. Распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Из-за небольшого размера её возможности могут уступать более крупным моделям, а заявленные преимущества не подкреплены в карточке численными результатами оценки.

nm-testing/Meta-Llama-3-8B-Instruct-nonuniform-test — тестовая версия Meta Llama 3 8B Instruct, опубликованная организацией nm-testing на Hugging Face и включённая в коллекцию Models in CI. Репозиторий предназначен для задач генерации текста и проверки совместимости или производительности модели в автоматизированных сценариях; точное назначение модификации nonuniform в карточке модели не описано. В основе лежит Meta Llama 3 8B Instruct от Meta — авторегрессионная большая языковая модель с оптимизированной архитектурой Transformer и Grouped-Query Attention. Модель содержит около 8 млрд параметров, принимает только текст и генерирует текст или код, поддерживает диалоговые сценарии и имеет контекст 8 тысяч токенов. Базовая Llama 3 8B Instruct обучена преимущественно для английского языка, с применением supervised fine-tuning и reinforcement learning from human feedback. Для точной тестовой версии указаны форматы BF16, F8_E4M3 и I8, однако сведения о характере nonuniform-модификаций, итоговой точности, языках, ограничениях и результатах бенчмарков отсутствуют. Как и базовая Llama 3, модель может выдавать неточные, предвзятые или небезопасные ответы; для прикладного использования необходимы дополнительные проверки и защитные механизмы. В репозитории тестовой версии лицензия явно не указана; для производных материалов Meta Llama 3 действует кастомная Meta Llama 3 Community License с Acceptable Use Policy.

Pantheon-RP-Pure-1.6.2-22b-Small — дообученная Gryphe версия Mistral Small Instruct для диалогового ролевого общения и отыгрыша персонажей. Вариант RP-Pure ориентирован на ролевые диалоги и не включает датасеты для написания историй и наборы GPT-4o; в обучении использовались общие ролевые диалоги, персоны Pantheon и данные для помощника Lyra, включая программирование, краткие пересказы и вопросы ведущего D&D. Это плотная причинная языковая модель Mistral с 22 млрд параметров и контекстом до 131 072 токенов. Она принимает текст и генерирует текст, поддерживает английский язык и формат промптов Mistral. Персонажей можно вызывать короткой фразой активации, а стиль ответа может быть оформлен как Markdown-диалог или проза. Модель также подходит для общего диалога, помощи с кодом и кратких пересказов. Модель рассчитана на творческие ролевые сценарии, включая фэнтезийных персонажей и взрослые темы; ответы могут содержать выдуманные детали, особенно при недостаточном контексте. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

aliorbz/Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-chattering_downy_orangutan — языковая модель для генерации текста, опубликованная пользователем aliorbz на Hugging Face. По названию и тегам она относится к семейству Qwen2.5-Coder и связана с экспериментами Gensyn, RL-Swarm и GRPO, однако README не содержит подробностей о разработчиках, данных обучения или точной процедуре дообучения. Модель содержит около 494 млн параметров, поддерживает контекст до 32 768 токенов и предназначена для запуска через библиотеку Transformers. Её можно применять для генерации и продолжения текста, ответов в формате инструкций и вспомогательных задач, связанных с программным кодом, если качество конкретного чекпойнта подтверждено тестированием. README не указывает лицензию, поддерживаемые естественные языки, результаты оценки, ограничения использования или методику обучения. Поэтому перед применением в продуктивных системах необходимы собственные проверки качества, безопасности, устойчивости к ошибкам и соответствия условиям распространения модели.

VoidWalkercero/Qwen3-0.6B-Particle-SousVide-R128-Perfect — производная от Qwen3-0.6B модель генерации текста, представленная в GGUF и предназначенная для запуска через gguf2bin; README также указывает объединённый GGUF-файл для llama.cpp и Ollama. Автор заявляет дообучение с DoRA, GaLore и другими экспериментальными методами на данных rdru200m и CodeSearchNet; упоминаются код и кибербезопасность, но подробное описание целевых сценариев и оценки качества ограничены приведёнными тестами. В репозитории есть GGUF Q4_0 и отдельный LoRA-адаптер r128 DoRA; метаданные указывают формат GGUF, базовую модель Qwen/Qwen3-0.6B и лицензию Apache-2.0. README приводит измерения скорости и памяти для конкретной конфигурации CPU и заявляет длину контекста 32k для одного из режимов Attn-BVH, но не устанавливает общий нативный контекст модели. Заявленные ускорение, снижение perplexity и результаты по кибербезопасности относятся к тестам автора и не подтверждены независимой оценкой.

Qwen3-1.7B-Salesforce-Finetuned-SOQL — дообученная Ravinarayanan модель на базе Qwen/Qwen3-1.7B для запросов к Salesforce и CRM-сценариев. Это плотная языковая модель с 1,7 млрд параметров, принимающая текст и генерирующая текст; метаданные указывают контекст до 40 960 токенов. Контрольная точка в формате Safetensors предназначена для диалоговой работы и маршрутизации инструментов агента. Модель интерпретирует запросы о Salesforce, определяет необходимость получить метаданные схемы, выбирает инструменты вроде search_schema, describe_object, run_soql и analyze_data, а также формирует привязанные к схеме запросы SOQL только для чтения. В README приведены результаты внутренней оценки на 53 тестовых и 20 сложных сценариях: точность составила 83% и 85% соответственно; эти показатели относятся к описанному набору примеров и не гарантируют аналогичного качества в других условиях. Модель также сохраняет общие способности к написанию, суммаризации и объяснениям. Для рабочих систем README рекомендует проверять SOQL и аргументы инструментов, ограничивать выполнение чтением, учитывать права доступа и считать актуальные метаданные Salesforce источником истины. Указанная лицензия — Apache-2.0; проект независимый и не связан с Salesforce.

Tuwhy/Qwen3-4B-OPSA — плотная причинная языковая модель семейства Qwen3, дообученная методом On-Policy Self-Adaptation (OPSA) на вопросах из набора DAPO-17k. По описанию метода, адаптация проводится без модели-учителя, модели вознаграждения и целевой награды; для этого чекпойнта обучение и оценка выполнялись в режиме без пошагового рассуждения. Модель предназначена для генерации ответов в диалоге и решения математических задач. В README приведены результаты на AIME24, AIME25 и HMMT25, а также оценки на MBPP+ и GPQA_D; указанное преимущество над базовой Qwen3-4B относится к конкретному протоколу оценки с 32 выборками на запрос. Архитектура — Qwen3ForCausalLM, размер — около 3,7 млрд параметров по метаданным, контекст — до 40 960 токенов по метаданным. README отдельно указывает для базовой Qwen3-4B контекст 32 768 токенов; это не подтверждает возможность использовать больший контекст именно для данного чекпойнта. Модель поддерживает текстовый ввод и генерацию текста. В карточке заявлена поддержка Qwen3 более чем 100 языков и диалектов, но языки, проверенные именно для этой адаптации, не перечислены. Для сопоставимых с таблицей результатов README рекомендует отключить thinking mode и использовать указанные параметры семплирования. Лицензия — Apache 2.0.

cwolff выпустил дообученную методом обучения с подкреплением модель Qwen3.5-2B для агентной генерации SQL-запросов. Она взаимодействует с базой SQLite через инструменты: исследует таблицы и схему, выполняет запросы и отправляет итоговый SQL. Для работы модели нужен цикл агента по протоколу exec_plan, где каждый ход содержит один JSON-объект с вызовом инструмента. Модель основана на Qwen/Qwen3.5-2B и обучена алгоритмом GRPO на подмножестве SynSQL simple и moderate без предварительного supervised дообучения. На 300 вопросах BIRD dev автор сообщает точность выполнения 0,460 при предоставленной схеме и 0,443 при поиске схемы через инструменты. Модель имеет 2 млрд параметров; репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Она предназначена для текстовых задач с базами SQLite, а не для обработки изображений: унаследованный от базовой модели визуальный модуль не обучался и не оценивался. Ограничения включают слабую работу на сложных запросах с множественными соединениями, обучение и оценку только на SQLite, малое число строк в обучающих таблицах, высокое потребление вызовов инструментов и непроверенную работу за пределами бюджета в шесть ходов. Одноходовая схема «схема на входе, SQL на выходе» не соответствует обученному режиму.

Qwen3.8-27B-OBLITERATED — модифицированная версия открытой модели Qwen3.8-27B от Alibaba, опубликованная пользователем shivanandasai. Модель предназначена для генерации текста и локального использования, включая исследования AI safety, red teaming, оценку устойчивости защитных механизмов, анализ jailbreaks и prompt injection, а также задачи программирования и технические запросы. В README указано, что защитные ограничения исходной модели были удалены методом OBLITERATUS с шестью итеративными раундами и использованием пяти направлений SVD. Это не дообучение в обычном смысле, а хирургическая модификация весов. Размер модели составляет 27B параметров; базовая архитектура — Qwen3, тип конвейера — text-generation. Поддерживаемые модальности, языки и размер контекстного окна в README не указаны. Доступны форматы GGUF, Safetensors и MLX. Для генерации рекомендуются greedy decoding, temperature 0, repetition_penalty 1.15, max_new_tokens не менее 2048 и отключённый режим thinking. По заявленным тестам, модель не демонстрировала отказов на 842 вредоносных запросах, однако сохранила 81,4% в MMLU против 87,4% у исходной модели; качество завершённых ответов составило 79,9%. Главная особенность модели — отсутствие встроенных защитных отказов, что делает её пригодной для контролируемых исследований и оценки рисков, но создаёт существенные ограничения для безопасного применения: модель может без предупреждений генерировать вредоносный или опасный контент. README также отмечает отдельные пробелы в возможностях, включая один пустой ответ в тесте SQL injection. Модель распространяется по лицензии Apache-2.0.

Montalte выпустил экспериментальный объединённый вариант Qwen3-4B для проверки переноса между математикой и программированием. Модель основана на Qwen/Qwen3-4B-Base и объединяет её с кодовым вариантом modrill/code-think-q4b-20260908 методом Localize-and-Stitch: маска затрагивает основную часть сети, а слои embedding и lm_head пропускаются. В метаданных указаны плотная архитектура Qwen3ForCausalLM, 3,7 млрд параметров и контекст 32 768 токенов. Модель предназначена для генерации текста и экспериментов с задачами программирования, включая проверку переноса знаний между математикой и кодом. Карточка не сообщает результаты оценки качества и перечень поддерживаемых естественных языков, поэтому такие характеристики здесь не утверждаются. Репозиторий распространяется по лицензии Apache-2.0.

Модель aabbdev RWKV7-1.5B-SMI-32K-20260822 — дообученная версия RWKV-7 с 1,5 млрд параметров для генерации текста в диалоговом формате SMI (State Model Interface). Она сохраняет архитектуру родительской модели и добавляет десять структурных токенов. Модель предназначена для многоходовых диалогов и формирования ответов в сообщениях со структурой, совместимой с SMI; обучающая смесь включает диалоги, многоязычные данные, примеры вызова функций, математику и код. Этап расширения контекста обучался на длинных примерах, а имя модели указывает на вариант 32K. В приведённой оценке вариант этого этапа набрал 42 из 72 в основных случаях и 9 из 12 в многоходовых; результаты зависят от заданий и не подтверждают широкую фактическую точность или пригодность для производства. Для работы требуется совместимый SMI-компилятор, который преобразует структуру сообщений в токены. Лицензия весов и inference-компонентов — Apache-2.0. Структурные токены задают формат сериализации, но не являются полноценной песочницей и не гарантируют безопасное исполнение сгенерированных вызовов инструментов. Не подтверждены широкая фактическая точность, безопасность и качество на разных языках; откат recurrent cache при assisted/speculative decoding не поддерживается. Оптимизированный runtime имеет ограничения по оборудованию, dtype и формам тензоров.

SWE-Llama-7b — языковая модель Princeton NLP на основе архитектуры CodeLlama, дообученная для решения задач программной инженерии. Она генерирует патчи по описанию проблемы в GitHub и контексту кода; обучение проводилось на 19 тысячах задач и pull request из 37 репозиториев Python, не входивших в SWE-bench. Модель содержит около 6,6 млрд параметров, использует архитектуру Llama и принимает текстовый контекст длиной до 16 384 токенов. Модель предназначена для помощи в исправлении ошибок и подготовке изменений в коде Python, в частности в сценариях, похожих на задачи SWE-bench. В опубликованной оценке SWE-Llama-7b решила 3% задач при предоставлении эталонного контекста. Это указывает на ограниченную результативность автономного решения задач; сгенерированные изменения требуют проверки. Доступный формат весов — PyTorch. Лицензия в предоставленных данных не указана.

Terminus-LFM2.5-350m-i1-GGUF — это набор квантизованных GGUF-версий языковой модели Terminus-LFM2.5-350m, разработанной OrionLLM и дополнительно квантизованной mradermacher. Модель обучалась на наборе данных OrionLLM/OpenAgentInstruct и предназначена для генерации текста, работы с агентами, а также сценариев, связанных с terminal-bench и SWE-bench. Заявлен английский язык. Модель имеет около 350 миллионов параметров и доступна в нескольких вариантах квантования размером примерно от 0,2 до 0,4 ГБ. Среди них есть IQ- и K-квантизации с разным соотношением размера, скорости и качества; автор рекомендует варианты i1-Q4_K_M и i1-Q4_K_S, а IQ-квантизации часто предпочтительнее сопоставимых по размеру обычных вариантов. Формат GGUF подходит для локального запуска в совместимых инструментах, однако конкретные требования к контексту, архитектуре, аппаратному обеспечению и мультимодальности в README не указаны. Сильными сторонами являются малый размер, возможность локального использования и широкий выбор уровней квантования. Ограничения связаны с компромиссом между качеством и компактностью: наиболее малые варианты отмечены как низкокачественные или предназначенные для экстремальной экономии памяти. Модель и производные файлы распространяются по лицензии Apache-2.0.

Yoonseok55 разработал эту модель как дообученный cross-encoder на базе cross-encoder/ms-marco-MiniLM-L6-v2 с библиотекой Sentence Transformers. Модель принимает пары текстов и выдаёт оценку их соответствия, пригодную для переранжирования результатов поиска и семантического поиска по описаниям инструментов и API. В основе модели — архитектура BERT с классификационной головой и одним выходным значением. Она обучена на 1 162 примерах пар tool_text и api_text с бинарными метками; для обучения использовалась BinaryCrossEntropyLoss. Максимальная длина входной последовательности — 512 токенов, размер — 25,9 млн параметров. Модель работает с текстом; базовая модель предназначена для англоязычной оценки релевантности, поэтому применение для других языков не подтверждено. Модель подходит для оценки релевантности API описанию инструмента, сортировки кандидатов в каталоге API и поиска по текстовым описаниям. Она возвращает оценку для пары текстов, а не готовый список результатов; качество зависит от соответствия запросов и API распределению обучающих данных. Лицензия в доступных данных не приведена.

Typst-Coder-9B — дообученная модель TechxGenus на базе 01-ai/Yi-Coder-9B, предназначенная для генерации кода и помощи при работе с документами на языке разметки Typst. Проект создан для улучшения поддержки Typst в AI-помощниках по программированию, поскольку обучающих данных для этого сравнительно нового языка мало. Модель содержит 8,6 млрд параметров, использует архитектуру LlamaForCausalLM и работает через Transformers. Метаданные указывают контекст до 131 072 токенов и поддержку диалогового режима. Репозиторий содержит веса в формате safetensors. Модель может помочь создавать и редактировать Typst-код, однако README не приводит результатов оценки качества, поэтому точность генерации для конкретных задач не установлена. Указана лицензия Apache-2.0.

AIArchiveInfo/academic-ds-9B — неизменённая архивная копия модели ByteDance-Seed/academic-ds-9B, сохранённая AIArchive. По README, оригинальная модель разработана ByteDance-Seed и обучена с нуля на более чем 350 млрд токенов из полностью открытых англоязычных наборов данных; копия не обучалась и не изменялась. Архитектура — плотная DeepSeek V3 для генерации текста, в том числе диалогового. Модель содержит 1,6 млрд параметров по метаданным каталога и поддерживает контекст длиной 8192 токена. Модель предназначена для разработки и отладки в сообществе открытого исходного кода. Метаданные указывают на чат-возможности и интерфейс вызова инструментов; практическое качество этих возможностей отдельно не описано. README характеризует модель как англоязычную. Использование регулируется лицензией Apache-2.0, указанной для копии и оригинала.

Это исследовательский чекпойнт языковой модели Qwen3-4B, дообученный командой автора с помощью обучения с подкреплением OpenRLHF и алгоритма GRPO. Обучение проводилось непосредственно от Qwen/Qwen3-4B-Instruct-2507 без отдельного SFT-этапа; в метаданных указано 3,7 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации программ, в частности для решения задач из набора cobalt-train, где награда зависела от прохождения тестов сгенерированным кодом. Этот чекпойнт выбран как лучший по метрике pass@8 в рамках конкретного эксперимента. Он сохранён на шаге 26; для обучения использовались восемь вариантов ответа на задачу, максимум 4096 новых токенов и два эпизода. Оценочные метрики чекпойнта в журнале обучения отсутствуют, поэтому результат нельзя считать подтверждением качества на произвольных задачах программирования. Репозиторий содержит веса Safetensors; для загрузки предлагается Transformers. Лицензия в предоставленных данных не указана.

DMind-3-mini — языковая модель организации DMind, представленная в формате GGUF и созданная на базе Qwen3-4B-Thinking-2507. Модель ориентирована на локальное и офлайн-использование в задачах Web3, DeFi и финансового анализа, включая оценку рисков, анализ smart contracts, выявление логических ошибок и проверку безопасности кода. Заявлена поддержка английского и китайского языков. Модель использует модифицированную архитектуру Transformer с RoPE и содержит около 4,2 млрд параметров. Указанное базовое представление — BF16, рекомендуемое контекстное окно составляет 128 тысяч токенов. Для запуска рекомендуется GPU как минимум с 12 ГБ видеопамяти; в README отдельно упомянуты NVIDIA RTX 4070 Ti и выше, а также Apple M3/M4 Pro/Max. В описании заявлен метод дообучения C³-SFT, направленный на исправление ошибочных рассуждений, и режим аудита с триггером <REFLECT>, однако подробности реализации приведены не полностью. Сильными сторонами модели являются специализация на финансовой логике и DeFi, возможность локального размещения и большой контекст. Ограничения включают узкую предметную область, требовательность к аппаратным ресурсам и отсутствие в предоставленных данных воспроизводимых результатов тестирования, точных показателей качества и подробностей о конкретной квантизации GGUF. Модель распространяется по лицензии Apache-2.0.

albertge/dream-7b-dllm-registers-mix60k-r4 — экспериментальный чекпойнт проекта dLLM Registers, созданный дообучением Dream-v0-Base-7B. Это плотная диффузионная языковая модель на 7,1 млрд параметров с контекстом до 131 072 токенов. В качестве канала передачи состояния между окнами денойзинга используются четыре непрерывных регистра; при обучении применялись блоки по 128 токенов и смесь из 60 тысяч примеров OpenMathInstruct-2 и OpenCodeInstruct. Модель предназначена для генерации текста и диалогового взаимодействия, в частности для экспериментов с пошаговыми рассуждениями и задачами по математике и программированию. Для корректного использования регистрационного канала требуются специальные параметры инференса и обёртка проекта; поддерживаются Transformers и формат safetensors. Карточка указывает интерфейс вызова инструментов, но не подтверждает качество или автономную работу с инструментами. Лицензия — Apache-2.0.

Falcon3-Mamba-R1-v0 — дообученная Ханзлой Джавайдом модель на основе tiiuae/Falcon3-Mamba-7B-Instruct для рассуждений и генерации текста. Это причинный декодер на архитектуре Mamba с 64 блоками и размером скрытого слоя 4096; в метаданных указано 8,9 млрд параметров. Архитектура Mamba масштабируется линейно с ростом числа токенов. Модель предназначена для математических и логических задач, структурированного решения проблем, ответов на STEM-вопросы и общего диалога. Модель ориентирована прежде всего на английский язык. В README приведены результаты MMLU 72,1 и GSM8K 89,5 в режиме 5-shot, однако это результаты авторской оценки. Это ранний чекпойнт конвейера дообучения. Производительность может снижаться при генерации длиннее 64 тысяч токенов; ответы следует проверять, особенно в критически важных сценариях. Лицензия в предоставленных данных не указана.

VeriGen — модель на 16 млрд параметров, дообученная Shailja Thakur на базе CodeGen-multi-16B для генерации кода на Verilog. Она предназначена для продолжения фрагментов Verilog и помощи при разработке RTL: модель лучше работает, если в запросе уже есть контекст, например начало заголовка модуля, и не рассчитана на выполнение инструкций в свободной форме. Архитектура — CodeGen с причинной языковой моделью и multi-query attention; доступная длина контекста составляет 2048 токенов. Модель обучалась на Verilog-коде из GitHub и учебников, а в метаданных указан датасет shailja/Verilog_GitHub. Основной язык модели — Verilog; естественный язык комментариев и контекста преимущественно английский. Лицензия — BigCode OpenRAIL-M. Сгенерированный код может содержать ошибки, быть неэффективным или небезопасным и не гарантированно соответствует требованиям; возможное дословное воспроизведение обучающих примеров также требует проверки лицензии исходного кода.

Модель hassansilim339/gemma-4-e4b-github-mcp-sft-it — полноразмерное дообучение с учителем модели google/gemma-4-E4B-it на наборе примерно из тысячи примеров вызова инструментов GitHub MCP с рассуждениями на традиционном китайском языке. Она предназначена для диалоговых сценариев, в которых модель определяет нужную функцию GitHub MCP и формирует её аргументы; обучение настроено на рассуждение перед вызовом инструмента. В README приведены результаты тестирования на 50 отложенных примерах: точность имени функции и сочетания имени с аргументами составила 100% и 98% соответственно после дообучения. Модель относится к семейству Gemma 4, использует плотную архитектуру и формат safetensors; карточка указывает библиотеку Transformers и задачу генерации текста. Базовая Gemma 4 E4B Instruct описана как мультимодальная, однако карточка этой производной подтверждает только диалоговую возможность и не сообщает о проверке работы с изображениями или аудио. Указанные результаты относятся к небольшому тесту на вызовах GitHub MCP и не подтверждают качество на других инструментах или широких задачах. Для использования действуют условия Gemma; конкретные условия необходимо сверять с лицензией и правилами Google.

GLM-47-swesmith-sandboxes-withtests-oracleverified120s-maxeps-131k-fixthink — дообученная диалоговая модель на базе Qwen/Qwen3-8B, опубликованная под лицензией Apache-2.0. Репозиторий указывает на обучение на наборе данных GLM-4.7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k, однако подробности о целях обучения и оценке не приведены. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров. Она предназначена для генерации текста в диалоговом формате; базовая модель многоязычная и поддерживает рассуждения, следование инструкциям и работу с кодом. Нативная длина контекста составляет 40 960 токенов. Качество именно этой дообученной версии и её пригодность для конкретных задач в карточке не описаны. Название и набор данных указывают на специализацию, связанную с программными песочницами SWE-Smith и исправлением кода, но README не подтверждает конкретные возможности или результаты тестирования.

GLM-5.3-Flash-CYBERSECURITY-W4A16 — модификация модели GLM-5.3-Flash, разработанная dealignai на базе zai-org/GLM-5.3-Flash. Это текстовая и vision-language модель для генерации ответов, работы с изображениями и видео, рассуждений, многошаговых агентных сценариев и вызова инструментов. Название указывает на ориентацию на задачи кибербезопасности, однако подробная специализация и результаты тестирования в README не приведены. Модель использует архитектуру MoE и квантование W4A16, сохраняет vision tower и Multi-Token Prediction (MTP), а также поддерживает режимы рассуждений. В связке с vLLM заявлена совместимость с OpenAI-совместимыми tool calls, prefix caching и спекулятивным декодированием MTP, что может повысить производительность в агентных нагрузках. Размер модели, длина контекста и список поддерживаемых языков не указаны. К сильным сторонам относятся сохранённые возможности рассуждений и мультимодальности, поддержка инструментов и сниженная точность весов для более эффективного размещения. Ограничения связаны с требованиями к настройке сервинга: для корректной обработки рассуждений нужен соответствующий reasoning parser, режимы reasoning_effort ограничены значениями low и high, а глубокий режим требует большого бюджета токенов. Параметры обработки изображений и видео зависят от версии vLLM; ошибочная настройка fps может привести к сбою движка. Модель распространяется по лицензии MIT.

granite-3.3-8b-qiskit — языковая модель IBM Quantum и IBM Research для генерации кода квантовых вычислений с помощью Qiskit и ответов на связанные с ним инструкции и вопросы. Она дообучена на базе ibm-granite/granite-3.3-8b-instruct на коде и инструкциях Qiskit, чтобы улучшить качество кода и избегать устаревших API. Модель содержит 8,2 млрд параметров, использует плотную архитектуру Granite и поддерживает контекст до 131 072 токенов. Модель предназначена как помощник для практикующих специалистов по квантовым вычислениям и новых пользователей Qiskit. Обучение проводилось с Qiskit 2.0; модель особенно ориентирована на актуальные API и синтаксис этой версии. Она принимает текстовые запросы и генерирует текст, включая код. Лицензия — Apache 2.0. Сгенерированный код может оказаться неверным и требует проверки; модель не проходила выравнивание безопасности и может выдавать проблемные ответы. Карточка также отмечает риск дословного воспроизведения фрагментов обучающих данных.

INTELLECT-1-step-49200 — промежуточный чекпойнт языковой модели INTELLECT-1, созданной Prime Intellect совместно с сообществом. Модель обучали с нуля как плотную авторегрессионную модель семейства Llama примерно на 10 млрд параметров; метаданные указывают 9,7 млрд параметров и контекст до 8192 токенов. Модель предназначена для генерации текста и кода на английском языке. INTELLECT-1 обучали на триллионе токенов английского текста и кода, включая наборы веб-текста, программного кода и математических материалов. Обучение распределялось между узлами в разных регионах; этот репозиторий содержит промежуточную точку обучения на шаге 49200, а не финальную или инструкционную версию. Для чекпойнта не приведены отдельные результаты оценки качества или рекомендации по применению. Лицензия — Apache 2.0.

KernelZero-CUDA-SFT-7B — инструкционная языковая модель на архитектуре Qwen2, разработанная для генерации CUDA-ядер и используемая как начальный чекпойнт CUDA Coder в проекте KernelZero. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекстное окно 32 768 токенов. Она дообучена на 42 454 примерах генерации CUDA-кода на основе Qwen/Qwen2.5-Coder-7B-Instruct; опубликованные веса объединены из SFT-чекпойнта 3606. Модель предназначена для генерации CUDA-расширений по модулям PyTorch. В статье KernelZero приведены результаты на KernelBench с несколькими сэмплами-кандидатами; для воспроизводимой оценки README рекомендует использовать промпт KernelZero и среду валидации проекта. Это специализированный генератор кода, поэтому его результаты следует проверять и запускать в целевой среде. Модель распространяется по лицензии Apache-2.0.

Korabbit/Llama-2-7b-chat-hf-afr-300step-flan-v2 — экспериментальная версия модели семейства Llama 2 от автора Korabbit, созданная как тест подхода «AFR training» на базе Llama-2-7b-chat. Это плотная авторегрессионная языковая модель с 6,6 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; в карточке приведён пример ответа на инструкцию по реализации бинарного поиска на Python. Модель обучалась с использованием набора sordonia/flan-10k-flat. Модель предназначена для экспериментов с выполнением текстовых инструкций и генерацией ответов в формате чата. Контекст составляет 4096 токенов, основной указанный язык — английский. Карточка описывает тестовый запуск обучения, поэтому она подходит прежде всего для проверки подхода и пробного использования, а не как подтверждённое производственное решение. Указана лицензия llama2.

nilq/lua-stories-slerp-mistral-2L-tiny — объединённая языковая модель семейства Mistral, созданная разработчиком nilq с помощью mergekit и метода SLERP. В слиянии участвовали nilq/lua-mistral-2L-tiny и nilq/mistral-2L-tiny; README указывает коэффициент t=0,6 и формат float16. Модель предназначена для генерации текста, а базовая модель Lua-Mistral ориентирована на генерацию текста и кода Lua. Чекпойнт содержит 21,1 млн параметров, использует архитектуру MistralForCausalLM и принимает контекст длиной до 2048 токенов. Данные подтверждают назначение для текстовой генерации, но не описывают качество, конкретные сценарии использования или поддержку определённых естественных языков. Лицензия в предоставленных сведениях не указана.

Palmyra-mini-thinking-a — англоязычная разговорная модель Writer для генерации текста с рассуждениями, дообученная на Qwen/Qwen2.5-1.5B. Она предназначена прежде всего для решения сложных математических задач, многошаговой арифметики и задач соревновательного программирования. Модель содержит около 1,5 млрд параметров по метаданным и использует плотную архитектуру Qwen2 с классом Qwen2ForCausalLM; заявленное контекстное окно — 131 072 токена. В README приведены результаты на математических и программных бенчмарках, включая MATH500, GSM8K, AMC23 и Codeforces. Модель рассчитана на диалоговый вывод текста и может запускаться через Transformers или vLLM. Лицензия — Apache-2.0. Как и другие языковые модели, она может выдавать ошибочные или предвзятые ответы; результаты бенчмарков не гарантируют корректность решения в каждом конкретном случае.