II.2Создание и понимание программного кода

Grug 67B A2B Datakit SFT 262K — экспериментальный чекпойнт Grug MoE от open-athena, дообученный методом supervised fine-tuning на подборке данных для агентных сценариев и рассуждений. В набор вошли примеры кода OpenThoughts и SWE-ZERO, трассы Penfever, задачи NuminaMath, а также данные GLM для следования формату и компактизации. Это отдельный запуск SFT от релиза 11 сентября. Архитектура GrugMoeForCausalLM использует 256 маршрутизируемых экспертов с выбором четырёх экспертов на токен и одним общим экспертом. В метаданных указано 2,8 млрд параметров; README сообщает около 2 млрд активных параметров без эмбеддингов на токен и 67,1 млрд общих параметров. Модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Контекст настроен на 262 144 токена, однако качество на длинном контексте не проверено. Для работы нужен runtime с поддержкой Grug MoE; заявлена лицензия OpenMDW-1.1. Чекпойнт предназначен для экспериментов с агентными задачами, рассуждениями, кодом и следованием инструкциям. Автор предупреждает, что модель не прошла надлежащее тестирование и оценку: для этого чекпойнта нет установленного результата даже smoke-теста генерации или бенчмарков, а соответствие качества, безопасности и численной эквивалентности исходной модели не подтверждено. Совместимость с указанным форком vLLM и загрузка через стандартный Transformers также не проверены.

InfiR-1B-Base — языковая модель InfiX, полученная дальнейшим предварительным обучением Meta Llama 3.2 1B. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров; она предназначена прежде всего для продолжения текста и экспериментов с математическими рассуждениями и генерацией кода. В обучении использованы данные с высокой долей кода, а также материалы по математике, науке и энциклопедическим темам. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. README описывает английский как основной язык, а оценивание проводилось на англоязычных тестах. Это базовая, а не ориентированная на инструкции версия: она лучше подходит для дополнения промптов и генерации продолжений, чем для прямых ответов на вопросы. По данным карточки, на сложных задачах рассуждения она уступает крупным моделям; также унаследованы возможные смещения обучающих данных Llama. Заявленный срез знаний — середина 2023 года, а многоязычная устойчивость не проверялась. Лицензия — Llama 3.2; применяются её условия использования.

nethunter2023/kernel-code-embed — биэнкодер на архитектуре BERT для поиска фрагментов исходного кода Linux kernel на языке C по текстовым запросам. Модель разработана для извлечения и сопоставления эмбеддингов запросов и кода; для обоих типов входа используется один энкодер без специальных префиксов. По карточке, модель имеет 42,6 млн параметров, выдаёт 512-мерные L2-нормализованные векторы с mean pooling и использует библиотеку Sentence Transformers. Контекст обучения retrieval-этапа ограничен 320 токенами, хотя архитектура поддерживает до 512; более длинные функции рекомендуется разбивать на части. Модель рассчитана на поиск функций и фрагментов Linux kernel C по комментариям и запросам на естественном языке. В README приведены результаты на двух тестовых протоколах, включая поиск по индексу из 914 554 фрагментов ядра и сравнение с другими энкодерами. Заявленная специализация узкая: модель не предназначена для общего поиска по тексту, другим языкам программирования или кодовым базам. Наибольшую релевантность ожидают запросы в стиле kernel-doc; на разговорных и неоднозначных запросах качество может снижаться. Лицензия — GPL-2.0.

Llama-3.2-3B-Instruct-Spatial-SQL-1.0 — узкоспециализированная текстовая модель Марка Родриго, созданная лёгким дообучением QLoRA/SFT на базе Meta Llama 3.2 3B Instruct. Она преобразует вопросы на английском языке и переданный вместе с ними список координат в пространственные SQL-запросы для PostGIS. Версия 1.0 предназначена для четырёх географических функций; среди описанных в карточке примеров — вычисление площади полигона, его центроида и построение буфера вокруг точки. Модель принимает текст, включая координаты, и выдаёт SQL. Входные и выходные геоданные могут задаваться в метрах или географических координатах WGS 84. В метаданных указаны 3,2 млрд параметров, контекст до 131 072 токенов и формат safetensors. Поддерживается английский язык; для других языков автор рекомендует модели семейства размером 8B. Лицензия — Llama 3.2. Карточка сообщает, что оценочных данных недостаточно, поэтому качество и надёжность запросов требуют проверки перед выполнением в рабочей базе данных.

legraphista/llm-compiler-13b-IMat-GGUF — модель на базе Meta LLM Compiler 13B, разработанная Meta и представленная в формате GGUF. README не содержит подробной информации о точной архитектуре, варианте квантования, поддерживаемых языках, размере контекста или дополнительных настройках сборки. Модель предназначена для задач, связанных с обработкой и генерацией текста, а также сценариев, для которых используется базовая модель LLM Compiler. Однако конкретные возможности, специализация, результаты тестирования и ограничения в предоставленных данных не описаны, поэтому оценить её сильные стороны и пригодность для отдельных прикладных задач невозможно. Использование регулируется лицензией Meta LLM Compiler License и Acceptable Use Policy for Llama Materials. Лицензия предоставляет ограниченные неисключительные права на использование, копирование, распространение и модификацию при соблюдении установленных условий, включая сохранение уведомления об атрибуции, указание «Built with LLM Compiler» при распространении и иные требования к производным моделям и продуктам.

Mini-Jamba-v2 — экспериментальная компактная языковая модель TechxGenus, построенная по архитектуре Jamba и обученная примерно на 1 млрд токенов кода Python. В метаданных указано 27,3 млн параметров; модель реализована как причинная языковая модель JambaForCausalLM с архитектурой MoE и доступна в формате safetensors через Transformers. Модель предназначена для генерации простого кода Python по текстовым запросам. Карточка предупреждает, что она может ошибаться и выдавать вводящую в заблуждение информацию, плохо справляться с задачами вне программирования и прошла лишь ограниченное тестирование. Лицензия — Apache-2.0.

neo-3-1B-A90M-Base — базовая языковая модель семейства neo-3, представленная автором aquilesfd. Это предобученный генератор текста на архитектуре Mixtral с разреженной смесью экспертов (MoE); в метаданных указано 134,5 млн параметров, а README сообщает об активных 120 млн параметров и обучении на 1,2 трлн токенов. Модель принимает текст и предназначена для генерации продолжений, в том числе кода и рассуждений. Контекстное окно составляет 8192 токена. Для обучения использовались Wikipedia, Cosmopedia, SmolTalk, FineMath и наборы кода The Stack и GitHub Code. В опубликованной таблице модель набрала 38,54 балла в среднем по указанным тестам, включая 2,2 на GSM8K. Это базовая, а не постобученная instruct-модель; результаты не гарантируют качества в диалоге или следовании инструкциям. Лицензия — MIT.

Noname AI v2.5 Light — модель генерации текста, созданная для проекта Noname AI. Она преобразует описание эффектов навыка в код навыков; модель дообучена на базе QWen и содержит 2,3 млрд параметров. Репозиторий использует формат safetensors, а максимальная длина контекста составляет 8192 токена. Модель предназначена для создания кода навыков по заданным эффектам и доступна для локального запуска на CPU или NVIDIA GPU, а также для развёртывания веб-интерфейса на Streamlit. Облегчённая версия рассчитана на более скромные ресурсы, однако README не уточняет поддерживаемые языки запросов и конкретную среду выполнения создаваемого кода. Автор предупреждает, что сгенерированный код может содержать ошибки, избыточные фрагменты или лишние символы и требует ручной проверки. README ограничивает заявленное использование обучением и обменом знаниями и просит не использовать модель в коммерческих или незаконных целях; сведения о лицензии в метаданных отсутствуют.

PLaMo 3 NICT 2B Base — базовая языковая модель с 2 млрд параметров, разработанная Preferred Networks совместно с Национальным институтом информационных и коммуникационных технологий Японии (NICT). Это авторегрессионная архитектура decoder-only с чередованием слоёв Sliding Window Attention и традиционного attention; модель обучена на 200 млрд токенов, включая английские и японские данные, код и STEM-материалы. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Модель предназначена для генерации продолжения текста и служит основой для дальнейшей адаптации под прикладные задачи. Она не проходила instruction tuning, поэтому не предназначена для готового диалогового ассистента без дополнительной настройки. Карточка сообщает об оценках и тестировании на английском и японском языках; ответы могут быть неточными, предвзятыми или нежелательными. Распространяется по лицензии PLaMo Community License; для коммерческого использования разработчики просят ознакомиться с лицензией и связаться с ними.

NoobifiedAIDept/Qwen2.5-Coder-3B-Roblox-v4 — дообученная NoobifiedAIDept модель семейства Qwen2.5-Coder для генерации кода, связанного с Roblox. Она основана на unsloth/qwen2.5-coder-3b-instruct-bnb-4bit и рассчитана на помощь с кодом и скриптами Roblox, включая различение типов скриптов и удалённых событий. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. В карточке указано, что датасет был исправлен перед обучением, однако автор отмечает, что предыдущая версия галлюцинировала код; это экспериментальная попытка дообучения, поэтому результаты кода стоит проверять. Модель выпущена под лицензией Apache-2.0.

Это экспериментальный чекпойнт Qwen3-1.7B, дообученный методом обучения с подкреплением в рамках экспериментов KL-in-LLM-RL / FRPO с использованием verl. В репозитории сохранён чекпойнт global_step_800 в формате safetensors, веса — fp32 без последующей обработки. Модель предназначена для генерации текста и диалогов; её архитектура — плотная авторегрессионная Qwen3ForCausalLM, размер — 1,7 млрд параметров, контекст — до 32 768 токенов. Модель унаследовала многоязычные возможности базовой Qwen3-1.7B и может применяться для диалоговых ответов, выполнения инструкций, рассуждений и генерации кода. Это исследовательский экспериментальный чекпойнт, поэтому качество и поведение могут отличаться от базовой модели и не должны считаться подтверждёнными без отдельной оценки. Лицензия в предоставленных данных не указана.

theOG-50M — компактная модель генерации кода от DrunkkToys, обученная с нуля и затем дообученная методом DPO на парах предпочтений, где выбранные ответы прошли модульные тесты. По данным карточки, эта версия содержит около 50 млн параметров; её архитектура ElasticGPT имеет 10 слоёв с размерностью 512 и 4 головы внимания, а токенизатор использует собственный BPE-словарь на 16 тысяч токенов. Модель предназначена для локального автодополнения кода, работы офлайн на ноутбуке или встраивания в приложения без отправки кода в облако, а также для изучения небольших языковых моделей. В README приведены результаты на задачах генерации кода, включая HumanEval и MBPP, но они показывают ограниченную точность небольшой модели. Репозиторий содержит веса в форматах PyTorch и MLX, а также GGUF-вариант базового чекпойнта; GGUF использует нестандартную архитектуру и не загружается обычной сборкой llama.cpp без патча. Архитектура не зарегистрирована в Transformers, поэтому AutoModelForCausalLM напрямую не работает. Лицензия репозитория — Apache-2.0.

When2Think-ThinkOnly-1.5B — языковая модель на 1,5 млрд параметров, разработанная авторами проекта When2Think и дообученная с помощью RLVR на основе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Это вариант ThinkOnly: модель всегда генерирует явное пошаговое рассуждение, адаптируя его глубину к сложности задачи. Она предназначена для решения математических задач и исследований эффективного рассуждения; также может служить основой для дальнейшего дообучения на проверяемых задачах, включая программирование и научные рассуждения. Модель построена на архитектуре Qwen2, работает как причинная языковая модель через Transformers и поддерживает контекст до 131072 токенов. В README приведены результаты на GSM-Plus и AIME24/AIME25, но для этого варианта отдельно не опубликованы результаты MATH-500 Level 1. Поддерживается английский язык. Лицензия — MIT.

Aurora-Coder-Base — специализированный на программном коде чекпойнт, который, согласно README, дообучен на дедуплицированном многоязычном корпусе. Он предназначен для дополнения кода на уровне репозитория и использования агентами с инструментами. Метаданные указывают архитектуру BERT с классом BertModel, библиотеку Transformers и формат PyTorch; задача в карточке Hugging Face — извлечение признаков. README заявляет хорошие результаты в рассуждениях и генерации, но приведённая таблица содержит лишь часть тестов и не описывает методику оценки. Рекомендуемая температура генерации — 0,6. Модель распространяется по лицензии MIT. Длина контекста, число параметров и поддерживаемые языки в доступных данных не приведены.

Cortex 1 Code — небольшая авторская языковая модель для генерации кода, разработанная VADRK155 и обученная с нуля без предобученных весов. Это декодерный Transformer с собственной реализацией на PyTorch, содержащий 36,5 млн параметров; веса представлены в формате fp32. Модель предназначена для генерации кода на Python. Комментарии и текстовый вывод — на английском языке. Короткое контекстное окно в 512 токенов подходит для небольших фрагментов кода и простых запросов, но ограничивает работу с длинными файлами и контекстом проекта. Качество генерации ограничено небольшим размером модели: код может быть неполным, ошибочным или неработающим. Лицензия MIT.

csg-wukong-1B — OpenCSG 社区开发的 1B 参数小语言模型，基于 Llama 架构，使用 1T tokens 进行预训练。 Модель предназначена для генерации текста и программного кода; карточка сообщает о подаче модели на Open LLM Leaderboard и восьмом месте среди примерно 1,5B предварительно обученных малых языковых моделей. Контекст модели — 2048 токенов, веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. README содержит мало сведений о составе обучающих данных и качестве на конкретных задачах, поэтому результат следует проверять на целевых сценариях.

cudaLLM-8B — специализированная языковая модель ByteDance-Seed для генерации высокопроизводительных и синтаксически корректных CUDA-ядер. Она основана на Qwen/Qwen3-8B и дообучена в два этапа для задач параллельного программирования на GPU. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые запросы, выдавая текст и код. Родной контекст — 40 960 токенов. Модель предназначена для разработчиков CUDA и HPC: она помогает создавать и оптимизировать ядра для научных вычислений и задач машинного обучения, а также служит инструментом для исследований генерации и оптимизации кода с помощью ИИ. В README приведены результаты KernelBench для трёх уровней сложности и нескольких режимов генерации. Корректность, безопасность и производительность сгенерированного кода не гарантированы: результат нужно проверять и тестировать, а для конкретной GPU, размеров данных и версии компилятора может потребоваться ручная настройка. Модель специализирована на CUDA, поэтому её возможности в общем программировании и обычном диалоге ограничены. Лицензия — Apache-2.0.

granite-8b-qiskit — языковая модель IBM Quantum и IBM Research для генерации кода квантовых вычислений с помощью Qiskit. Это плотная причинная модель семейства Llama с 8,1 млрд параметров, дообученная на основе ibm-granite/granite-8b-code-base на коде и инструкциях по Qiskit. Она предназначена как помощник практикующим специалистам и новым пользователям Qiskit: может создавать код и отвечать на вопросы по программированию на Qiskit. Обучающие данные включают открытые и синтетические примеры; устаревший код до 2023 года исключали. Модель рассчитана на работу с текстовыми запросами и выдачу текста и кода, поддерживает контекст до 4096 токенов. Лицензия — Apache-2.0. Сгенерированный код может быть неверным и требует проверки перед использованием, особенно в критически важных задачах. Модель не проходила safety alignment и может выдавать проблемный контент; также отмечен риск дословного воспроизведения фрагментов обучающих данных.

Kiyo-230M-Preview — промежуточный чекпойнт языковой модели DedeProGames, обучаемой с нуля. Это плотный авторегрессионный декодер в стиле Llama из семейства архитектур SmolLM2: 32 слоя, около 230 млн параметров, grouped query attention, RMSNorm, SwiGLU и связанные входные и выходные эмбеддинги. Модель использует словарь SmolLM2 размером 49 тысяч токенов и контекст до 2 048 токенов. Модель предназначена для продолжения текста, включая языковые и программные фрагменты. Она обучается на FineWeb-Edu, DCLM-Baseline, FineMath и Stack-v3-train. Чекпойнт соответствует 81 500 шагам и примерно 42,7 млрд токенов из запланированных 200 млрд; обучение продолжается, веса не финальные, а скорость обучения ещё не снижалась. Это базовая модель без дообучения для следования инструкциям, поэтому она может продолжать текст, но не обязана выполнять команды. По карточке модель показывает сильные результаты на тестах языкового и кодового продолжения для своего масштаба, однако эти самооценённые результаты относятся к промежуточному чекпойнту и имеют ограниченную точность. Модель слаба в многошаговой логике и отслеживании контекста; небольшое контекстное окно ограничивает работу с длинными документами. Ответы могут содержать фактические ошибки и повторы, поэтому их следует проверять. Лицензия — Apache-2.0.

DevQuasar-7/LLM4Binary.llm4decompile-1.3b-v2-GGUF — это квантизированная версия модели LLM4Binary/llm4decompile-1.3b-v2, опубликованная DevQuasar-7. Модель относится к классу text-generation и предназначена для генерации текста; по названию исходной модели она ориентирована на задачи, связанные с декомпиляцией, однако подробное описание поддерживаемых сценариев в README отсутствует. Из указанных характеристик известны размер исходной модели — 1,3 млрд параметров — и формат GGUF. Данные об архитектуре, варианте квантизации, размере контекста, языках, поддерживаемых модальностях, производительности и требованиях к оборудованию не приведены. Лицензия и условия использования также не указаны, поэтому их необходимо уточнять в карточке исходной модели или у распространителя.

Open-Dcoder-0.5B-MDLM-OpenCodeInstruct — дообученная Шуибаємоделью Shuibai12138 компактная языковая модель для генерации и исправления кода по текстовым инструкциям. Она продолжает обучение fredzzp/open-dcoder-0.5B на датасете NVIDIA OpenCodeInstruct в течение 2 000 шагов с целью masked diffusion language modeling; архитектура — плотная Qwen2 с двунаправленным вниманием. Размер модели составляет 494 млн параметров, контекст — 32 768 токенов. Модель предназначена для экспериментов и оценки генерации кода с нуля, а также локализации и исправления ошибок в коде. Это контрольная модель для сравнения с вариантом CDLM; README отдельно подчёркивает, что она не является моделью из статьи Corrective Diffusion Language Models и её результаты не следует считать результатами статьи. Для запуска нужны инструменты и оценочные скрипты проекта CDLM; загрузка через AutoModelForCausalLM приводит к неверным результатам, поскольку модель использует маскированную диффузию. Лицензия — MIT. В README также описана ошибка в обратном проходе используемой функции потерь: фактические градиенты не соответствуют заявленным весам отдельных токенов, поэтому обучение могло отличаться от задуманной процедуры. Модель обучена на коде и гиперпараметрах этого запуска; README не приводит отдельной оценки качества.

bharatverse11/qwen3-4b-text2sql — языковая модель семейства Qwen3, подготовленная для MLX на основе Qwen/Qwen3-4B-Instruct-2507. По названию репозитория она предназначена для преобразования запросов на естественном языке в SQL, однако README подтверждает только конвертацию базовой модели и не описывает специальное обучение для Text-to-SQL. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров. Она принимает текст и генерирует текст; базовая модель поддерживает диалог и контекст до 262 144 токенов. Репозиторий содержит веса Safetensors и использует библиотеку MLX. Модель основана на Qwen/Qwen3-4B-Instruct-2507 и конвертирована в формат MLX; лицензия — Apache-2.0. Возможности работы с SQL следует считать ориентировочными по названию репозитория: карточка не приводит результатов оценки или примеров SQL.

Qwen-3.5-0.8B-Spatial-SQL-1.1 — экспериментальная узкоспециализированная модель Марка Родриго, дообученная методом QLoRA и supervised fine-tuning на базе Qwen/Qwen3.5-0.8B. Она преобразует англоязычные вопросы о геометрии вместе с координатами из картографического приложения в пространственный SQL для PostGIS. Заявлены задачи вычисления площади и центроида полигона, построения буфера вокруг точки, а также измерения расстояния между геометриями; README также упоминает ещё одну функцию, но не раскрывает её. Модель принимает текстовые запросы и координаты, встроенные в текстовый запрос, и генерирует текст SQL. Для входных и выходных данных используются метры и/или географические координаты WGS 84. Архитектура — плотная причинная языковая модель Qwen3.5ForCausalLM с 581,4 млн параметров; библиотека — Transformers, формат весов — safetensors, размер контекста — 262144 токена. В карточке указаны английский и китайский языки, однако описанный сценарий ориентирован на запросы на английском. Модель предназначена для прототипирования преобразования естественного языка в пространственные запросы и требует проверки с конкретными формами координат и геометрий. README отмечает, что оценочных данных пока недостаточно; корректность и безопасность сгенерированного SQL следует проверять до выполнения. Лицензия — Apache-2.0.

Qwen-3.5-4B-Spatial-SQL-1.1 — экспериментальная модель Марка Родриго, слегка дообученная методом QLoRA и supervised fine-tuning на базе Qwen/Qwen3.5-4B. Она преобразует вопросы на английском языке вместе с координатами или геометрическими данными в пространственные SQL-запросы для PostGIS. В версии 1.1 заявлена работа с географическими функциями, включая вычисление площади, центра геометрии, буфера и расстояния. Модель принимает текстовый запрос и координатные данные, например список координат из картографического приложения, и генерирует текст SQL. В README указана работа с метрами и географическими координатами WGS 84. По метаданным, модель содержит 3,4 млрд параметров, использует архитектуру Qwen3.5 для causal language modeling и имеет контекст длиной 262144 токена. Доступны веса в формате safetensors; лицензия — Apache-2.0. Модель предназначена для прототипирования преобразования естественного языка в пространственный SQL. README называет её экспериментальной и отмечает узкую специализацию; также указано, что дополнительная оценка модели необходима. Для практического применения следует проверять корректность сгенерированных запросов и их соответствие схеме данных и системе координат.

Это экспериментальный чекпойнт pi-theta для обучения и оценки генерации кода с учётом требований безопасности. Его разработали для эксперимента соответствия SecCodePLT+ на базе Qwen/Qwen2.5-Coder-7B-Instruct; модель содержит 7,1 млрд параметров и использует архитектуру Qwen2 с плотной языковой сетью. Контекст — до 32 768 токенов. Чекпойнт обучен методом GRPO на официальной обучающей выборке SecCodePLT+ из 655 примеров с наградой ReaL на основе тестов безопасности. Для воспроизведения оценённой политики его логиты нужно смешивать с замороженной опорной моделью xw1234gan/seccodeplt-qwen2.5-coder-7b-diff-sft-v2 в пропорции 0,5 к 0,5; репозиторий не содержит уже смешанную политику. На 164 тестовых примерах в карточке указаны средняя награда 0,511491, прохождение проверки формата 99,39% и синтаксиса 98,17%. Модель предназначена для генерации кода в сценариях, где важны требования безопасности и прохождение проверок. Это одиночный исследовательский запуск с одним seed, оценённый ограниченным по ресурсам Python-верификатором; результаты не гарантируют безопасность кода в общем случае. Лицензия в предоставленных данных не указана.

SonofGPT-0-ULTRA — дообученная методом LoRA SFT модель семейства Qwen2.5, опубликованная sonofstrange для экосистемы сервера Xr9k Network. Она предназначена для диалогов и ответов на вопросы об игровых механиках InfiniFish, подземельях, боссах, снаряжении и экономике проекта, а также для решения базовых математических и физических задач и генерации кода на Python. Модель содержит около 494 млн параметров, использует плотную архитектуру Qwen2 и принимает текст, выдавая текст; заявлены русский и английский языки, контекст — до 32 768 токенов. Модель подходит для игрового помощника Xr9k Network, расчётов и простых задач программирования. Её небольшой размер удобен для локального запуска, однако качество и точность ответов README не оценивает, поэтому важные вычисления и сведения об игровых правилах следует проверять. Модель распространяется по лицензии Apache-2.0.

TinyCodeLM-150M — авторегрессионная языковая модель для генерации кода, разработанная Ульяной Питербарг, Леррелом Пинто и Робом Фергусом из Нью-Йоркского университета. Эта версия содержит 151,9 млн параметров, использует плотную архитектуру OLMo и принимает текст на входе, генерируя текст и код. В README семейство описано как модели, архитектура которых основана на двух самых малых вариантах GPT-2 с изменениями из архитектуры OLMo. Модель предварительно обучалась на открытых веб-текстах и коде Python; в карточке также указаны датасеты The Stack и FineWeb. Семейство TinyCodeLM включает предварительно обученные и дообученные на инструкциях версии, предназначенные для синтеза Python-кода, но для этой конкретной модели инструкции не подтверждают вариант instruction-tuned. Контекст составляет 1024 токена. В опубликованных семейных бенчмарках вариант 150M показал pass@1 6,1 на HumanEval и 5,4 на MBPP(+) в предварительно обученном варианте. Модель рассчитана на генерацию кода и продолжение текстового ввода; небольшой размер делает её пригодной для экспериментов и сценариев с ограниченными ресурсами. Результаты бенчмарков указывают на ограниченную точность, а сгенерированный код может содержать уязвимости или вредоносное поведение и требует проверки перед запуском. Лицензия — Apache-2.0.

DCAgent/a1-code_contests — это дообученная модель Qwen3-8B, разработанная DCAgent на основе Qwen/Qwen3-8B. Модель предназначена для генерации текста в сценариях решения задач по программированию и соревнований по коду; она обучалась на наборе данных code-contests-sandboxes-with-tests_10k_glm_4.7_traces_jupiter с предварительно обработанными трассами рассуждений. Это плотная авторегрессионная архитектура Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 40 960 токенов. Модель принимает текст и генерирует текст. Базовая Qwen3-8B поддерживает несколько языков, но README не уточняет языковой состав данных дообучения или качество этой версии на отдельных языках. Репозиторий использует Transformers и хранит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели перед применением. README не приводит результатов оценки или подробных ограничений качества.

BatchOnline-GRPO-14B — 14-миллиардная плотная языковая модель семейства Qwen2, разработанная институтом INSAIT как проверяющая модель для программного кода. Она дообучена на наборе INSAIT-Institute/Aletheia-Train от DeepSeek-R1-Distill-Qwen-14B методом полуонлайнового GRPO, при котором политика генератора синхронизируется каждые четыре шага. Модель принимает условие задачи по спортивному программированию и несколько вариантов решения, затем оценивает и ранжирует кандидатов. Модель предназначена для выбора корректного решения среди сгенерированных фрагментов кода, автоматизированной оценки кода и использования в качестве функции вознаграждения при оптимизации генераторов кода. Размер контекста составляет 131 072 токена. Обучающие примеры включают Python, C++ и Java, но модель работает с текстовыми описаниями задач и решений; карточка не подтверждает поддержку естественных языков помимо кодовых данных. Файлы модели опубликованы в формате safetensors. Лицензия CC-BY-NC-SA-4.0 требует указания авторства, распространяет производные работы на тех же условиях и ограничивает коммерческое использование. Модель специализирована на проверке и ранжировании решений задач спортивного программирования; её результаты следует проверять, особенно при переносе на другие языки, типы кода и сценарии, отличные от описанных в карточке.

AeBoPi-0/bird-sql-qwen35-4b-generator — дообученная генеративная модель на архитектуре Qwen3.5-4B, подготовленная как генератор SQL-кандидатов для конвейера BIRD-SQL. Это плотная модель с поддержкой чата в режиме non-thinking; опубликованный артефакт основан на checkpoint-372 и содержит веса в формате safetensors, шаблон чата, токенизатор и конфигурацию генерации. Модель обучена на 16 830 записях SFT, полученных дублированием 8 415 обработанных трасс shell-агента из BIRD-train. Её задача — генерировать варианты SQL для последующего отбора отдельной моделью-селектором. Карточка описывает специализированный сценарий работы с данными BIRD-SQL; сведений о поддерживаемых естественных языках, длине контекста и лицензии в предоставленных источниках нет.