II.2Создание и понимание программного кода

Это исследовательский чекпойнт, дообученный авторами xw1234gan на основе Qwen/Qwen2.5-Coder-7B-Instruct методом GRPO без KL-регуляризации для эксперимента по соответствию требованиям безопасности SecCodePLT+. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и принимает запросы на генерацию текста, включая кода; контекст — до 32 768 токенов. Модель предназначена для генерации кода с учётом критериев безопасности и оценки на бенчмарке SecCodePLT+. В README указаны обучение на официальной обучающей выборке из 655 примеров и проверка на 164 тестовых примерах с жадным декодированием. На этой оценке доля прохождения проверки формата составила 98,17%, синтаксиса — 97,56%, средняя награда — 0,497. Это односеансовый исследовательский чекпойнт, проверенный ограниченным по ресурсам Python-верификатором; результаты не гарантируют безопасность сгенерированного кода в общем случае. В карточке указана лицензия Apache-2.0.

Это компактная языковая модель на архитектуре Llama, разработанная Ишааном Ранджаном как полно-параметрическая донастройка HuggingFaceTB/SmolLM2-135M-Instruct. Модель содержит 134,5 млн параметров, работает с текстом и имеет контекст до 8192 токенов. Она обучена нормализовать упоминания путей в репозитории: сопоставлять шумное описание с каноническим путём либо воздерживаться от ответа. Модель предназначена для одной узкой подзадачи агента-разработчика и должна запускаться внутри проверяющей обвязки, которая формирует специализированный запрос, разбирает строгий JSON, допускает одну повторную попытку с обратной связью по схеме, применяет детерминированные проверки и при необходимости использует правила. В тестировании на репозиториях HTTPX и Jinja2 успешный результат после одной повторной попытки получен в 48,4% случаев; корректность JSON с первой попытки — в 42% случаев. Модель не предназначена для общего программирования или свободного диалога; она специализирована на закрытой JSON-схеме и может хуже справляться с широким кругом инструкций. Для использования указана лицензия Apache-2.0.

Qyrou-1 Vega — экспериментальная базовая языковая модель семейства Qyrou-1 от Qyrou, предназначенная для исследований и дообучения. Это плотная decoder-only модель с причинным языковым моделированием, архитектурой qyrou-arch и 66,8 млн параметров; в README указано 65,3 млн. Она принимает текст и генерирует продолжение текста, включая краткие пересказы, простое дополнение кода, заполнение пропусков в коде, математические рассуждения и диалоговые ответы после подходящей настройки. Модель обучалась на корпусе преимущественно на английском языке, включавшем учебные тексты, код, математику и пошаговые рассуждения. Контекст при обучении — 2 048 токенов. Архитектура включает 21 слой: 17 слоёв с grouped-query attention и 4 слоя с причинными свёртками; доступны веса safetensors. Модель не проходила инструкционное дообучение, поэтому не рассчитана на надёжное следование запросам без дополнительной настройки. Автор характеризует выпуск как ранний экспериментальный чекпойнт, а не как готовую к производству систему. Лицензия — Apache-2.0.

BERTOverflow_stackoverflow_github — модель BERT-base, предварительно обученная разработчиками на 152 млн предложений из десятилетнего архива Stack Overflow. Она предназначена для извлечения признаков из текста и может служить основой для распознавания кода и именованных сущностей в сообщениях Stack Overflow. Модель построена на архитектуре BERT и содержит 176,2 млн параметров; максимальная длина контекста — 512 токенов. В README приведён пример загрузки модели для классификации токенов через Transformers. Модель ориентирована на текст технических обсуждений и кода; карточка связывает её с исследованием, опубликованным на ACL 2020. Лицензия в предоставленных данных не указана.

mrm8488 выпустил дообученную версию языковой модели BLOOM-560m для генерации текста. Модель содержит около 659,6 млн параметров, использует плотную архитектуру BLOOM и доступна в формате PyTorch. В карточке указана оценка Loss 1,0341 на наборе для оценки, но название обучающего набора приведено как None. По названию репозитория модель предназначена для генерации кода на COBOL. Карточка не уточняет поддерживаемые языки программирования, сценарии применения или качество генерации кода; лицензия — BigScience BLOOM Rail 1.0.

CleverBoi-Llama-3.1-8B-Instruct — языковая модель для генерации текста, разработанная theprint. Она дообучена на базе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL на наборе данных CleverBoi, ориентированном на задачи логики, вывода, математики и программирования. Модель предназначена для текстовых сценариев, где важны рассуждения, решение задач и следование инструкциям. Указан английский язык; поддержка других языков и размер контекстного окна в README не уточняются. Мультимодальные возможности не заявлены. Ключевая характеристика модели — размер базовой Llama-архитектуры 8B и 4-битное представление bnb, что может снижать требования к памяти при запуске. Среди ограничений — относительно невысокие результаты представленной оценки Open LLM Leaderboard: средний показатель 13,55, включая 16,82 на IFEval, 24,05 на BBH, 2,42 на MATH Level 5, 6,71 на GPQA, 8,28 на MuSR и 23,06 на MMLU-PRO. Эти результаты указывают, что модель может быть полезна для специализированных экспериментов и задач рассуждения, но её качество следует дополнительно проверять перед использованием в критически важных приложениях. Модель распространяется по лицензии Apache-2.0.

GRPO-Think-14B-16k — языковая модель-верификатор кода, разработанная авторами проекта Aletheia. Она дообучена методом GRPO на DeepSeek-R1-Distill-Qwen-14B с датасетом Aletheia-Train, используя промежуточные рассуждения, отрицательные примеры и обучение на собственных ответах. Модель принимает условие задачи по программированию и несколько вариантов решения, затем определяет и ранжирует кандидатов. Модель содержит 14 млрд параметров, построена на архитектуре Qwen2 и использует контекст до 131 072 токенов. Суффикс 16k обозначает бюджет рассуждений при обучении — максимальную длину завершения 16 000 токенов. В карточке указаны сценарии автоматической оценки кода и использования в качестве функции вознаграждения при оптимизации генераторов кода; набор данных включает решения на Python, C++ и Java. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов. Она предназначена для верификации и ранжирования решений в задачах соревновательного программирования; перенос результатов на другие типы кода или предметные области карточкой не подтверждён.

CoreWolf/Huihui-DeepSeek-V4-Flash-0731-abliterated-GGUF — квантованная GGUF-версия модели DeepSeek-V4-Flash-0731, разработанная на основе исходной модели deepseek-ai и опубликованная CoreWolf; квантование выполнено antirez. Это экспериментальная версия с применением abliteration — метода значительного снижения механизмов отказа и защитной фильтрации. Модель предназначена для генерации текста и локального запуска через llama.cpp, а также включает варианты DSpark до и после abliteration. Модель поддерживает архитектуру Mixture-of-Experts, однако точные размеры, число параметров, языки и полный список поддерживаемых модальностей в README не указаны. Доступны GGUF-квантизации, включая варианты Q3_K, IQ2_XXS, Q2_K и Q4_K; в примере запуска используется контекст до 262144 токенов. Указано, что файлы GGUF поддерживаются только llama.cpp, а модули экспертов не подвергались abliteration. Главная особенность модели — существенно сниженная фильтрация, что может сделать её пригодной для исследовательского тестирования поведения моделей и генерации контента без стандартных отказов. Одновременно это повышает риск чувствительных, спорных или неподходящих результатов; модель не имеет гарантий безопасности и требует мониторинга и ручной проверки. В README рекомендуется использовать её преимущественно в исследовательских и контролируемых сценариях, а не в публичных или высокорисковых продуктивных системах. Модель распространяется по лицензии MIT.

NeuroCopilot-7B — языковая модель для программирования в области нейроморфных вычислений, разработанная Vantar AI на базе Qwen/Qwen2.5-Coder-7B-Instruct и дообученная с помощью QLoRA. Она генерирует код для Python SDK Nuro, предназначенного для создания, обучения и развёртывания спайковых нейронных сетей, в том числе на Intel Loihi 2, SpiNNaker 2 и CUDA GPU для симуляции. Модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Для обучения использовали около 416 пар инструкций и кода Nuro SDK, подготовленных на основе фрагментов из библиотек SpikingJelly, Intel Lava, snnTorch, Norse, BindsNET, Rockpool, Nengo и NIR. Доступны веса safetensors в bf16 и GGUF F16; лицензия — Apache-2.0. Модель рассчитана на генерацию и исправление специализированного кода для спайковых нейронных сетей и нейроморфных платформ. Небольшой объём обучающих примеров ограничивает широту охвата SDK и оборудования; качество результата для конкретной задачи следует проверять.

OPSD-PI Qwen3.5-9B Strong Trailing — update 16 — это полностью объединённая контрольная точка на базе Qwen3.5-9B, опубликованная LSW142857 после 16 шагов оптимизатора в эксперименте OPSD с 1024 строками Strong PI и режимом trailing_user. Репозиторий содержит плотную архитектуру Qwen3.5 и веса в формате safetensors; модель загружается через Transformers как генеративная разговорная модель с поддержкой кода. Веса объединяют начальную экспертную SFT-модель, LoRA-обновления основной модели и MTP, а также напрямую обученные тензоры full-MTP. Дополнительный адаптер или этап слияния для загрузки не нужен. Модель предназначена для экспериментальной оценки поведения студента после обучения OPSD; README рекомендует проверять её на отложенных задачах без добавления PI. Это ранний экспериментальный чекпойнт после всего 16 обновлений, поэтому его качество и обобщение требуют проверки на независимых данных; обучающие строки не подходят для оценки. Использование и распространение регулируются лицензией базовой модели Qwen3.5-9B, но отдельные условия лицензии в предоставленной карточке не приведены.

mandanya/Qwen2.5-Coder-0.5B-LCQ-v2 — дообученная модель на базе Qwen/Qwen2.5-Coder-0.5B-Instruct для составления запросов Logseq на Clojure с использованием Datalog. Она предназначена для диалоговой генерации запросов к заметкам Logseq по описанию пользователя. Модель построена на плотной архитектуре Qwen2 и содержит 494 млн параметров; принимает текст и выдаёт текст. Контекст — до 32 768 токенов. В README описан датасет примерно из 100 вручную собранных примеров и около 4500 синтетических примеров, созданных на их основе с помощью Qwen2.5-Coder-7B-Instruct. В указанном тестировании версия v2 получила общий результат 0,3333 в режиме zero-shot; оценка проводилась на небольшой синтетической тестовой части. Модель распространяется по лицензии Apache-2.0.

Jadson/Qwen3.5-4B-Prime-GGUF — это GGUF-квантизации дообученной текстовой модели Qwen3.5-4B, созданной на основе empero-ai/Qwen3.8-4B-Distill и опубликованной Jadson. Модель дообучалась на датасете Jadson/ox-alpha-pi-traces-emacs-bridge и предназначена для управления Emacs через python-bridge и MCP, включая создание, чтение и редактирование файлов с использованием инструментов ox-bridge-write, ox-bridge-edit и ox-bridge-read. Она ориентирована на агентские сценарии, tool use и автоматизацию работы в Emacs, а не на универсальное применение с обычными файловыми инструментами. Модель работает только с текстом: визуальная модальность отсутствует, vision tower и mmproj не поставляются. Архитектура Qwen3.5 гибридная и включает 32 слоя, из которых 24 используют linear attention с gated deltanet, а 8 — full attention; заявлено около 4,21 млрд параметров, словарь на 248 320 токенов и максимум 262 144 позиции. Указан английский язык. Для практического использования рекомендуется файл Qwen3.5-4B-Prime-IQ4_NL.gguf размером около 2,68 ГБ; варианты с квантизацией менее двух бит опубликованы для воспроизводимости, но характеризуются сильной деградацией качества, а TQ1_0 и Q1_0 описаны как непригодные. Сильными сторонами являются специализация на управлении Emacs через MCP, калибровка квантизации с учетом собственного распределения данных и поддержка multi-token prediction для speculative decoding, которая в приведенном измерении повысила скорость с 6,8 до 10 токенов в секунду на CPU. Ограничения включают текстовый режим без поддержки изображений, специализацию на английских агентских трассах и заметную потерю качества у самых компактных квантизованных вариантов. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B-Uncensored-NVFP4 — исследовательская версия модели Qwen3.6-35B-A3B, разработанная kyaky совместно с Blackwell team. Модель предназначена для контролируемого red-team-тестирования, исследований безопасности и alignment, анализа отказов и избыточных ограничений, разработки бенчмарков и изучения отказов в режиме рассуждений. Она не содержит защитных ограничителей и может выполнять вредоносные запросы, поэтому не предназначена для неконтролируемого или пользовательского развёртывания без дополнительных мер безопасности. Модель использует мультимодальную гибридную архитектуру GatedDeltaNet и attention, а также MoE с 256 экспертами, из которых активируются 8, обеспечивая около 3B активных параметров. Она поставляется в квантизации NVFP4 с весами экспертов FP4 и attention в FP8; размер составляет примерно 21 ГБ, целевое оборудование — Blackwell с архитектурой sm120. Поддерживаются режимы thinking ON и thinking OFF, контекст до 32768 токенов при указанной конфигурации vLLM. Основные заявленные преимущества — сохранение качества относительно BF16, согласованное поведение в обоих режимах и высокая токеновая эффективность. В тесте GSM8K результат составил 0,913 с включённым рассуждением и 0,873 для необработанных генераций. К ограничениям относятся отсутствие встроенных механизмов безопасности, риск генерации опасного содержания и необходимость контроля доступа, мониторинга и соблюдения законодательства. Заявления о превосходстве по compliance над другими uncensored-моделями отозваны авторами как результат методологических ошибок оценки; поэтому такие преимущества не следует считать подтверждёнными. Модель распространяется по лицензии Apache 2.0. Доступна также BF16-версия для переквантизации в FP8, AWQ, GGUF и другие форматы.

Это компактная плотная языковая модель на архитектуре Llama, созданная дообучением всех параметров HuggingFaceTB/SmolLM2-360M-Instruct. Модель разработана для узкой подзадачи агента-разработчика: преобразовывать нечеткое упоминание пути к файлу в канонический путь репозитория либо воздерживаться от ответа. Модель рассчитана на работу внутри проверяемой программной оболочки, которая формирует специализированный запрос, разбирает строгий JSON, при необходимости повторяет запрос с уточнением схемы и применяет детерминированные проверки и резервные правила. Она не предназначена для общего программирования или свободного диалога. В карточке сообщается о тестировании на отложенных репозиториях HTTPX и Jinja2: успешность после одной попытки с повтором по схеме составила 70%, корректность JSON с первой попытки — 100%. Объем модели — 361,8 млн параметров, контекст — до 8192 токенов; модель принимает и генерирует текст. Модель обучена с полным обновлением параметров на 2000 примерах, размеченных детерминированными оракулами; обучение проводилось три эпохи. Доступна под лицензией Apache-2.0. Модель узкоспециализирована на одной фиксированной JSON-схеме, поэтому её широкие способности следования инструкциям ограничены.

Axilotal/cadquery-qwen2.5-7b-v5.3-hardened — дообученная Axilotal языковая модель семейства Qwen2 для генерации кода CadQuery по текстовым запросам. Она основана на Axilotal/cadquery-qwen2.5-7b-v5.2-hardened и дообучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель имеет плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для диалогового взаимодействия и генерации кода; заявленный основной сценарий — создание скриптов CadQuery по описанию детали на естественном языке. Модель принимает текст и выдаёт текст, включая код. В карточке указан английский язык. Лицензия — Apache-2.0. Данных о качестве и ограничениях применения в карточке нет.

Это экспериментальный чекпойнт языковой модели Qwen3-4B, дообученный командой agurung с помощью OpenRLHF и алгоритма GRPO. Обучение с подкреплением применялось непосредственно к Qwen/Qwen3-4B-Instruct-2507; модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает текстовый ввод, генерируя текст. Контекстное окно — до 262 144 токенов. Чекпойнт нацелен на генерацию кода для задач программирования: награда при обучении зависела от прохождения тестов. На описанном наборе задач результат pass@1 составил 0,0810, а pass@8 — 0,2261; это показатели конкретной проверки, а не гарантия качества на других задачах. Модель сохранена на 24-м шаге обучения и предназначена прежде всего для экспериментов с решением задач кодом. Лицензия в предоставленных данных не указана.

Contextual-SQL Reward Model — модель оценки, разработанная Contextual AI для ранжирования кандидатов SQL-запросов по вероятности корректного выполнения с учётом схемы базы данных и вопроса на естественном языке. Она входит в систему Contextual-SQL, показавшую результат №1 на лидерборде BIRD в феврале 2025 года, и не предназначена для самостоятельной генерации SQL. Модель представляет собой плотную причинную языковую модель Qwen2 с архитектурой Qwen2ForCausalLM и 32 млрд параметров, дообученную на Qwen/Qwen2.5-32B-Instruct. Она принимает текст на английском языке; заявленная длина контекста — 32 768 токенов. При выборе кандидатов её оценки объединяются с логарифмическими вероятностями генератора и другими сигналами проверки. Для полной системы нужны отдельные компоненты генерации SQL и выполнения запросов; карточка рекомендует использовать модель внутри Contextual-SQL. Лицензия — Apache 2.0, как у базовой модели.

diff-codegen-350m-v2 — экспериментальная модель для генерации изменений в коде от CarperAI. Она основана на архитектуре CodeGen и дообучена от Salesforce/codegen-350m-mono на коммитах GitHub. Модель получает фрагмент кода и текстовое описание требуемого изменения, например сообщение коммита, и предлагает правки в формате Unified Diff с добавленными, изменёнными и удалёнными строками. Модель предназначена для прототипирования инструментов генерации и редактирования кода. Объём контекста составляет 2048 токенов; обучение охватывало код на разных языках программирования, включая Python, HTML, Bash, SQL и C++. Репозиторий содержит веса PyTorch, а лицензия модели — MIT. Из-за небольшого размера и короткого контекста модель может плохо справляться с крупными фрагментами и языками программирования, слабо представленными в обучающих данных. Сгенерированный код может быть ошибочным или небезопасным, поэтому модель не подходит для критически важных задач; авторы позиционируют её как исследовательский артефакт для экспериментов.

FuseLLM-9B — специализированная языковая модель для программирования в экосистеме Habbo Hotel, разработанная автором репозитория h4bbo путём продолженного предобучения Qwen3.5-9B. Модель содержит около 7,2 млрд параметров по метаданным; в README указано 8,95 млрд. Гибридная архитектура Qwen3.5 с Gated-DeltaNet и полными слоями внимания выпущена как текстовая причинная языковая модель; визуальная башня базовой мультимодальной модели не включена. Контекст — до 262 144 токенов. Модель обучалась на корпусе примерно из 85 тысяч файлов исходного кода проектов эмуляторов Habbo, декомпилированного кода клиентов и данных CMS и баз данных. Она предназначена для автодополнения кода и ответов на вопросы о серверных эмуляторах на Java, C#, PHP и Rust, инструментах для Flash и Shockwave, ActionScript, LiveScript, форматах SWF/DIR и внутренней логике клиентов. Модель сохраняет формат весов safetensors в bf16 и поддерживает работу через Transformers. Сильная сторона модели — специализация на коде и инструментах Habbo, включая обработку пакетов, состояние комнат и предметов, схемы CMS и реверс-инжиниринг клиентов. Ограниченный размер модели может затруднять рассуждения по нескольким файлам; она не предназначена для общего чата, математики и кода вне этой предметной области. По README, это продолженное предобучение без пар инструкций и выравнивания сверх унаследованного от базовой модели. Лицензия — Apache-2.0.

PorkiCoder Tab Namer 77M — небольшая модель генерации текста на архитектуре T5, разработанная для приложения PorkiCoder. Она получает описание текущей сессии с ИИ-помощником по программированию и создаёт короткое название вкладки терминала: от одного до трёх слов, не длиннее 32 символов. Модель основана на google/flan-t5-small и дообучена на примерах названий вкладок; в метаданных указано 45,8 млн параметров, контекст — 512 токенов. README приводит замер скорости около 29,3 мс на Apple M4 Max CPU в однопоточном режиме. Модель рассчитана на локальное использование в настольном приложении, чтобы различать задачи в нескольких рабочих папках. По описанным разработчиками проверкам, она лучше исходной FLAN-T5-small формулирует названия задач для кодовых сессий. Поддерживается английский язык. Для запуска важно корректно загружать выходной слой отдельно от таблицы входных слов: при неправильной загрузке модель может выдавать бессмысленные результаты. Лицензия — Apache-2.0.

Модель разработана командой проекта Terminal Wrench — Gaokai Zhang, Songwen Zhao и Juan Manuel Suárez — как дообученная версия Qwen3.6-35B-A3B. Это текстовая генеративная модель для выполнения агентных задач в терминале и изучения устойчивости к reward hacking. Обучение проводилось методом on-policy distillation на собственных ответах модели: учитель оценивал токены, а модель училась приближать его распределение. Веса LoRA объединены с базовыми весами и опубликованы в формате bf16 safetensors; архитектура совместима с Transformers и vLLM. Модель обучалась с выключенным режимом thinking и с контекстным окном 65 536 токенов; в экспериментах использовался лимит ответа 16 384 токена и агентный каркас terminus-2. В обучающих rollout к заданиям добавляли запрос на взлом, чтобы модель отрабатывала его только при явном побуждении. В тесте на 59 отложенных Terminal Wrench задачах авторы сообщают 91,0% успешного прохождения и 1,1% случаев hacking без такого запроса; результаты относятся к описанному экспериментальному протоколу. Лицензия — CC BY-SA 4.0. Модель унаследовала мультимодальную архитектуру базовой Qwen и интерфейс image-text-to-text, однако README описывает обучение и оценку на текстовых терминальных задачах, а не проверку обработки изображений. Она предназначена для исследований агентного поведения и reward hacking; результаты на других задачах и в иных конфигурациях не установлены.

Qwen3.8-Flash-Next FP8 Abliterated GGUF — неофициальная производная мультимодальной модели Qwen3.8-Flash-Next, созданная сообществом на основе официального FP8-чекпойнта Qwen. Модель не является официальным релизом Qwen и не поддерживается командами Qwen, Alibaba Cloud, NVIDIA или авторами Abliterix. Модель предназначена для понимания текста, изображений и видео, а также для исследовательских, агентских, длинноконтекстных и мультимодальных сценариев. Архитектура включает Mixture-of-Experts, Qwen Sparse Attention, Gated DeltaNet, управляемые остаточные связи, n-граммные эмбеддинги и маршрутизацию к экспертам. Поддерживается многоязычность, однако точный список языков и числовой размер контекста в карточке не указаны. В репозитории представлены GGUF-квантизации Q8_0, Q6_K и Q4_K_M, разделённые на несколько файлов; совокупный размер репозитория составляет около 485 ГБ. Для опционального ускорения декодирования доступны отдельные MTP-компоненты для speculative decoding, совместимые с соответствующей квантизацией и современной сборкой llama.cpp с поддержкой архитектуры qwen4exp. Ключевое отличие производной версии — обработка Abliterix, направленная на ослабление поведения, связанного с отказами. Это может снизить встроенные защитные ограничения и повысить риск неточных, небезопасных или вредоносных ответов, поэтому требуются тестирование, контроль доступа и дополнительная модерация. Указана лицензия qwen-community-license-1.0. Модель рекомендуется использовать для исследований поведения и выравнивания, оценки устойчивости и квантизации, авторизованного red-team-тестирования, экспериментов с GGUF, длинным контекстом и speculative decoding, а также для защитных исследований в области кибербезопасности. Точные требования к оборудованию и производительность зависят от выбранной квантизации, backend и настроек offload.

Это исследовательский чекпойнт модели Qwen2.5-Coder-3B-Instruct, дообученный автором репозитория для эксперимента по соответствию требованиям безопасности SecCodePLT+. Модель предназначена для генерации кода по текстовым запросам в сценариях, связанных с безопасностью и проверкой соответствия. В карточке указано, что обучение использовало датасет SecCodePLT_Plus и официальное вознаграждение на основе тестов безопасности; оценивание проводилось на 164 примерах тестовой выборки. Средняя награда составила 0,407411, доля прохождения проверок формата и синтаксиса — 97,56%.

Модель xw1234gan/seccodeplt-qwen2.5-coder-3b-grpo-kl-beta-0.001-real-reward-v2 разработана как экспериментальный чекпойнт на базе Qwen/Qwen2.5-Coder-3B-Instruct и дообучена методом GRPO с KL-регуляризацией для эксперимента по безопасности кода SecCodePLT+. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для генерации кода по текстовым запросам. Контекст составляет до 32 768 токенов. При обучении использовались официальный обучающий набор из 655 примеров, seed 42 и награда на основе проверок ReaL с динамической выборкой и token loss в стиле DAPO. На всех 164 тестовых примерах применялось жадное декодирование; README сообщает среднюю награду 0,420115, прохождение проверки формата в 98,17% случаев и синтаксиса в 97,56% случаев. Модель подходит для экспериментальной генерации кода с учетом тестов безопасности, но результаты одного запуска и проверка ограниченным Python-верификатором не гарантируют безопасное поведение в реальных условиях. Файлы представлены в формате safetensors; лицензия в предоставленных данных не указана.

Code Read-Span Selector — компактная языковая модель для узкой подзадачи в агенте-разработчике, созданная дообучением Qwen/Qwen2.5-1.5B-Instruct. Она определяет точный диапазон строк, где объявлен символ, в переданном фрагменте кода, и возвращает результат по фиксированной JSON-схеме. Модель рассчитана на запуск внутри проверяющей оболочки, которая формирует запрос, проверяет JSON, при необходимости выполняет одну попытку исправления и применяет детерминированные проверки и резервные правила. Модель использует плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров; контекст — до 32 768 токенов. Обучена полным дообучением с учителем на 1 772 примерах, размеченных детерминированными правилами по репозиториям Python. На тестах по HTTPX и Jinja2 точность успешного результата после одной проверки схемы составила 83,2%, а валидность JSON с первой попытки — 99,6%. Лицензия — Apache-2.0. Модель специализирована на одной схеме и не предназначена для общего программирования или диалога; качество на других репозиториях и задачах не подтверждено. В эксперименте задача признана нерешённой на данном размере модели, поэтому для некоторых случаев предпочтительны детерминированные правила.

Zireal-0 — экспериментальная дообученная языковая модель Daemontatox на базе DeepSeek-R1-Zero. Это причинный трансформер семейства DeepSeek-V3 с архитектурой MoE; в метаданных указано 37,6 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 163 840 токенов по метаданным. Карточка описывает дообучение на наборах для математических задач и пошаговых рассуждений, включая GSM8K Step-by-Step и несколько наборов Chain-of-Thought. Модель предназначена для экспериментов с многошаговыми рассуждениями, решения математических задач, логического вывода и генерации кода. README приводит результаты бенчмарков, но отмечает небольшие заявленные улучшения относительно базовой модели, снижение результата на LiveCodeBench и отсутствие независимой проверки оценок. Указанные в README 684 млрд параметров и контекст 32 768 токенов расходятся с метаданными каталога; поэтому в характеристиках использованы значения метаданных. Карточка заявляет отсутствие механизмов безопасности и предупреждает о риске вредных, предвзятых или некорректных ответов. Модель распространяется по лицензии Apache-2.0; результаты и описание обучения недостаточно документированы для воспроизводимой оценки качества.

CALFIN — модель сегментации изображений с архитектурой FPN, опубликованная в формате safetensors и предназначенная для библиотеки segmentation-models-pytorch. Карточка связывает модель с датасетом CALFIN и показывает, как загрузить её через API библиотеки. Модель решает задачу сегментации изображений. В доступной карточке не приведены сведения о размере, метриках и конкретном содержимом сегментируемых объектов, поэтому область применения нельзя уточнить. Репозиторий распространяется по лицензии MIT.

DOOM — дообученная модель Ahmad170412 для преобразования запросов на естественном языке в одну команду терминала macOS на zsh с кратким пояснением. Она основана на Qwen2.5-Coder-1.5B-Instruct в 4-битной версии и дообучена методом QLoRA; репозиторий содержит веса safetensors для MLX. Модель рассчитана на генерацию команд для получения системной информации, работы с файлами и редактирования конфигурации. Она принимает текстовые запросы и выдаёт текст с командой и пояснением; заявленный контекст — до 32 768 токенов, основной язык карточки — английский. В оценке на 319 отложенных запросах автор сообщает 50% правильных ответов и отсутствие нарушений заданного формата. Модель обучена на командах macOS, выдаёт одну команду и не предназначена для многошаговых сценариев; нестандартные запросы могут требовать проверки и редактирования команды. Лицензия в предоставленных данных не указана.

sitharo/finer-sql-baseline-05b — модель генерации текста на базе архитектуры семейства Qwen2, опубликованная на Hugging Face пользователем sitharo. По имени репозитория модель, вероятно, относится к базовой версии для задач, связанных с SQL, однако README не содержит подтверждённого описания назначения, разработчика или обучающих данных. Модель содержит около 494 млн параметров, поддерживает контекст до 32 768 токенов и предназначена для использования через библиотеку Transformers. В метаданных указаны обучение методом supervised fine-tuning и conversational-режим, поэтому модель может применяться для генерации продолжений и ответов в диалоговом формате. Лицензия, поддерживаемые естественные языки, результаты оценки и конкретные сценарии использования в доступных материалах не указаны.

Fred-9B — экспериментальная мультимодальная модель диалогового типа на 9 млрд параметров, созданная автором CrowdMind дообучением Qwen/Qwen3.5-9B с помощью LoRA. Модель принимает текст и изображения и предназначена для диалогов, экспериментов с рассуждениями, математическими задачами и программированием, а также для локальных персональных ассистентов. В метаданных указаны архитектура Qwen3_5ForConditionalGeneration и формат safetensors; README описывает контекст обучения в 2 048 токенов. Дообучение длилось 300 шагов на примерно 3,21 млн токенов. В карточке нет результатов оценки на отдельной выборке, а приведённые примеры не являются полноценным бенчмарком. Поэтому модель подходит для экспериментов, но качество ответов, вычислений и кода может быть нестабильным. Лицензия — Apache-2.0.