II.2Создание и понимание программного кода

GPyT — авторегрессионная модель GPT-2, созданная Sentdex с нуля и обученная на корпусе примерно из 80 ГБ кода Python из GitHub. Это генеративная языковая модель для продолжения фрагментов Python-кода: на вход подают код, а модель дописывает его. Контекст составляет 1024 токена; перед обработкой символы переноса строк нужно заменять специальным маркером и восстанавливать после генерации. В репозитории доступны форматы PyTorch и TensorFlow, лицензия — MIT. Модель может быть полезна для учебных экспериментов и исследований генерации кода. Она прошла лишь два эпоха обучения, поэтому дальнейшее обучение или дообучение может улучшить результаты. Корпус собран без фильтрации и содержит как Python 2, так и Python 3, а также различия в стиле форматирования. Модель может дословно воспроизводить фрагменты обучающих данных; пригодность и лицензирование сгенерированного кода нужно проверять самостоятельно. Выводы могут быть некорректными или небезопасными, поэтому код следует проверять перед запуском.

LLM Compiler 7B — языковая модель, разработанная Meta на основе Code Llama для задач оптимизации кода и рассуждений о компиляторах. Это базовая, не дообученная для отдельных downstream-задач версия семейства; модель авторегрессионная, построена на трансформерной архитектуре и содержит 7 млрд параметров. Она обучалась на LLVM IR, ассемблерном коде x86_64, ARM и CUDA и рассчитана на контекст до 16 000 токенов. Модель принимает текст и генерирует текст. Её можно применять для анализа эффекта проходов оптимизатора LLVM, оценки изменений размера кода и прогнозирования результата оптимизаций. Отдельные варианты семейства дообучены для выбора проходов оптимизации и преобразования ассемблерного кода в LLVM IR; этот репозиторий содержит именно базовую версию 7B. Модель предназначена для английского языка и соответствующих языков программирования и представлений кода. По данным карточки, модель в ряде случаев точно воспроизводит поведение оптимизатора, но результаты могут быть неточными и требуют проверки в целевом применении. Для доступа к репозиторию требуется предоставить контактные данные Meta. Условия использования определяются лицензией LLM Compiler и политикой допустимого использования Llama Materials; карточка заявляет о бесплатном коммерческом и исследовательском использовании при соблюдении этих условий.

Quipu 0.6B — компактная языковая модель QuipuAI, дообученная методом LoRA на Qwen/Qwen3-0.6B. Она предназначена для пошаговых рассуждений, решения простых логических задач, краткой помощи с кодом и быстрых диалогов при ограниченных вычислительных ресурсах. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Приоритетные языки по карточке — английский и испанский; метаданные также отмечают многоязычность. Модель рассчитана на структурированные и логичные ответы, локальный запуск, прототипирование и использование на устройствах с ограниченными ресурсами. Для использования указана лицензия Apache 2.0. Компактный размер помогает снизить требования к вычислениям, однако модель позиционируется для базовой помощи с кодом и простых задач, поэтому её ответы могут быть недостаточно надёжны для сложных рассуждений и программирования.

Это инструктивная языковая модель для генерации текста, основанная на Qwen2.5-Coder-0.5B-Instruct и опубликованная пользователем ubunator. В названии и метаданных указано, что модель связана с Gensyn Swarm и RL/GRPO; точное описание дополнительного обучения именно этого чекпойнта в доступных сведениях не раскрыто. Базовое семейство Qwen2.5-Coder разработано командой Qwen компании Alibaba Cloud и предназначено для задач программирования и общения с инструктивной моделью. Модель имеет плотную архитектуру Qwen2, около 494 млн параметров, использует Transformers и формат safetensors. Заявленная длина контекста — 32 768 токенов. Она принимает текст и генерирует текст; подходит для диалога о коде, написания и дополнения фрагментов программ. Поисковые источники для семейства упоминают несколько языков программирования и сценарии генерации кода, но отдельные языки и показатели качества этого производного чекпойнта не подтверждены. Модель небольшого размера, поэтому может быть полезна в сценариях с ограниченными вычислительными ресурсами, но её возможности не следует приравнивать к более крупным моделям семейства. В доступных метаданных лицензия конкретного репозитория не приведена; условия использования базовой модели нельзя автоматически считать лицензией этого чекпойнта.

VeriSeek — исследовательская модель генерации кода Verilog, разработанная авторами проекта LLM-EDA. Она обучена с применением обучения с подкреплением PPO и обратной связи на основе эталонного кода; авторы сообщают о результатах, превосходящих некоторые модели размером 13B и 16B параметров. В карточке указана архитектура Llama с плотной причинно-языковой моделью на 6,6 млрд параметров и контекстом 16 384 токена. Модель предназначена для генерации ответов и Verilog-кода, в частности в сценариях проектирования цифровых схем. Репозиторий также содержит код и конфигурации для предварительного обучения и PPO-обучения. Доступные веса представлены в формате safetensors, а интерфейс поддерживает чат. README не сообщает лицензию, поэтому условия использования по предоставленным данным определить нельзя. Заявления о высоких результатах приведены авторами проекта; независимые подтверждения и подробные ограничения модели в карточке не описаны.

Это экспериментальный чекпойнт модели для выполнения задач Terminal-Bench в терминальной среде. Его разработали в рамках запуска обучения с подкреплением SkyRL на базе laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink — модели Qwen3-8B, дообученной для задач SWE. Чекпойнт global_step_15 выбрали по скользящей оценке вознаграждения; обучение планировалось на 80 шагов, но было отменено после ухудшения результатов после шага 65. Модель имеет архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 40 960 токенов. Она принимает текст и генерирует текст, предназначена для диалогового взаимодействия и решения задач в терминале. README описывает обучение на датасете DCAgent/exp_rpt_e2egit-large методом RLOO-n; данные не подтверждают, что чекпойнт прошёл независимую оценку или готов к производственному применению. Лицензия — Apache-2.0.

Argonne 4.5-base-ctx13568 — базовая языковая модель на 2,06 млрд параметров, разработанная PursuitOfDataScience и обученная с нуля на 145,21 млрд токенов. Это плотная авторская архитектура Argonne2 с 24 трансформерными блоками и полным причинным вниманием. Контекст длиной 13 568 токенов был освоен на отдельном этапе обучения; модель принимает текст и продолжает его генерацию, но не настроена на выполнение инструкций или диалог. Модель предназначена для продолжения английского текста и экспериментов с базовым чекпойнтом, в том числе на образовательных текстах, математике, коде и научных статьях. В обучении использовались веб-тексты, математические и кодовые данные, наборы с рассуждениями и статьи arXiv; общий состав преимущественно англоязычный. Лицензия — Apache-2.0. Модель не имеет инструкционной настройки, выравнивания или фильтрации безопасности: ответы могут быть ошибочными, предвзятыми или небезопасными. За пределами 13 568 токенов контекст не обучен; для более длинных входов генерация может отбросить начало. Из-за состава обучающих данных поведение в общих сценариях может уступать целевым областям, а результаты GSM8K могут быть затронуты загрязнением данных.

VeriGen — модель генерации кода на 2 млрд параметров, дообученная Shailja Thakur на базе CodeGen-multi-2B на Verilog из GitHub и учебников. Это причинная языковая модель архитектуры CodeGen с multi-query attention; она принимает текстовый контекст и продолжает его, например дописывает Verilog-модуль по началу заголовка. Контекст модели составляет 2048 токенов. Модель предназначена для генерации фрагментов Verilog и помощи при обучении этому языку описания аппаратуры. Она не настроена на выполнение инструкций: запросы в естественном языке вроде просьбы реализовать мультиплексор могут работать плохо, тогда как начальная строка кода в запросе помогает получить продолжение. Сгенерированный код может содержать ошибки, быть неэффективным или небезопасным, а также воспроизводить исходный код с лицензионными условиями, требующими атрибуции. Модель распространяется по лицензии BigCode OpenRAIL-M.

FuseLLM-112M (Chat) — компактная языковая модель на 103,5 млн параметров, разработанная для экосистемы эмуляторов Habbo Hotel. Это плотная авторегрессионная модель с архитектурой Qwen3ForCausalLM и шаблоном диалога ChatML; она дообучена методом SFT на 10 000 примерах инструкций, составленных из кода Habbo. Модель принимает текстовые запросы и генерирует код и текст; контекст ограничен 2048 токенами. Основные сценарии — дополнение методов и файлов, продолжение кода и генерация метода по документации. В обучающих примерах представлены Java, C#, PHP и ActionScript, но основное назначение модели — код Habbo, а не общение на естественных языках. Модель рассчитана на разработчиков серверных и клиентских инструментов для Habbo: она может восстанавливать тело метода по сигнатуре, продолжать фрагмент файла и превращать комментарий Javadoc, PHPDoc или /// в код. Веса представлены в safetensors и в lossless GGUF BF16; лицензия — Apache-2.0. README указывает, что секреты в обучающих данных заменялись на [REDACTED]. Из-за малого размера и узкой обучающей выборки модель может ошибаться или повторяться на длинных и посторонних запросах. Генерация объяснений и кода по документации склонна к многословию; для лучших результатов следует использовать шаблоны дополнения метода или продолжения кода.

OS-Software/gemma-4-26B-A4B-it-qat-q4_0-heretic-japanese-pruned-GGUF — производная GGUF-модель на базе Google DeepMind Gemma 4 26B A4B instruction-tuned QAT. Вариант создан с экспертным удалением параметров и оптимизирован с учётом японской pruned-версии. Модель предназначена прежде всего для исследований, экспериментов, анализа безопасности, изучения alignment и red-teaming, а не для публичных пользовательских сервисов. Модель относится к семейству Gemma 4 с архитектурой Mixture-of-Experts; обозначение 26B A4B указывает на модель класса 26 миллиардов параметров с примерно 4 миллиардами активных параметров. Поддерживаются текстовые и графические входы с генерацией текста; для семейства заявлены контекст до 256K токенов и мультиязычность более чем на 140 языках. Формат GGUF обеспечивает совместимость с широким спектром локальных средств запуска, а QAT-квантизация снижает требования к памяти при сохранении качества, близкого к bfloat16. К сильным сторонам относятся возможности рассуждения, генерации текста и кода, мультимодальная обработка, большой контекст и сниженные требования к ресурсам по сравнению с полноразмерной моделью. Существенное ограничение — значительное ослабление механизмов безопасности: модель с большей вероятностью создаёт вредный, неточный, предвзятый, оскорбительный или иной неподходящий контент. Все результаты требуют независимой проверки, защитных механизмов и человеческого контроля; разработчик рекомендует не использовать модель в конечных продуктах. Модель распространяется по лицензии Apache 2.0, применимой к базовой Gemma 4, с учётом условий лицензии исходной модели. Использование осуществляется на риск пользователя; необходимо соблюдать законодательство, лицензионные требования и этические нормы.

GPT-C — модель генерации кода на архитектуре GPT-2, представленная в виде неофициальной перезагрузки исходной модели в формате SafeTensors для использования с Transformers. Репозиторий сохраняет доступность модели как прежнего базового ориентира; в перезагрузке могли быть внесены небольшие исправления конфигурации, например максимальной длины. Модель принимает текст и генерирует текст кода, однако её контекст ограничен 512 токенами. Она предназначена для экспериментов и базовых сценариев генерации кода; сведений о поддерживаемых языках программирования и качестве модели карточка не приводит. Условия лицензии в предоставленных данных не указаны.

llm-compiler-13b-ftd-IMat-GGUF — это GGUF-квантизированная версия модели LLM Compiler 13B FTD, разработанной Meta и преобразованной в GGUF с использованием llama.cpp пользователем legraphista. Модель основана на Code Llama и предназначена для генерации текста в задачах оптимизации компиляторов, включая подбор оптимизаций LLVM для уменьшения размера кода и преобразование x86_64 или ARM assembly в LLVM IR. Модель содержит 13 млрд параметров и использует авторегрессионную архитектуру на основе оптимизированного Transformer. Исходная модель обучалась на LLVM IR, x86_64, ARM и CUDA assembly; заявленное контекстное окно составляет 16 000 токенов. Она ориентирована на английский язык, языки программирования, LLVM IR и assembly. Репозиторий GGUF предлагает варианты от 1-битных до 16-битных, включая квантизации с IMatrix, что уменьшает требования к памяти, но может снижать точность по сравнению с исходными BF16 или FP16. Сильная сторона модели — специализация на compiler reasoning, оптимизации размера кода и дизассемблировании; Meta сообщала о лучших результатах 13B FTD среди вариантов семейства в этих задачах. Ограничения включают узкую предметную область, возможные ошибки и необходимость проверять предложенные оптимизации и результаты декомпиляции. Использование регулируется специальной лицензией Meta LLM Compiler и Acceptable Use Policy; для распространения производных материалов предусмотрены дополнительные требования, включая атрибуцию.

LumynaX Coder Qwen2.5 14B Instruct GGUF — экспериментальная архивная модель AbteeX AI Labs из Аотеароа, Новая Зеландия. Она создана на базе Qwen/Qwen2.5-Coder-14B-Instruct и предназначена прежде всего для генерации текста и задач, связанных с программированием, в локальных и исследовательских сценариях. Модель поставляется в формате GGUF и рассчитана на работу с llama.cpp. В этом выпуске используется маршрутизируемая интеграция: веса исходной модели не изменяются и не объединяются, а LumynaX Core направляет выполнение через выбранную модель и добавляет orchestration-слой. Заявлены поддерживаемые языки English и Māori; другие характеристики, включая точный размер контекста и модальности, в README не указаны. К сильным сторонам относятся локальное развёртывание, сохранение исходных весов и совместимость с экосистемой llama.cpp. Ограничения существенны: выпуск устарел, больше не поддерживается, не рекомендован для production и не отражает современные возможности, архитектуру или стандарты безопасности AbteeX AI Labs. Модель распространяется по лицензии Apache-2.0.

Rami создал модель для многометочной классификации текстов GitHub Issues. Это дообученная версия neuralmagic/oBERT-12-upstream-pruned-unstructured-97; в метаданных указана архитектура BERT с классификационной головой BertForSequenceClassification и 136,7 млн параметров. Модель принимает текст и выдаёт метки классов; максимальная длина контекста — 512 токенов. Карточка не описывает набор меток, обучающие данные, языки или предполагаемые сценарии применения подробнее классификации GitHub Issues. На оценочном наборе указаны Micro F1 0,6520 и Macro F1 0,0704, что указывает на заметно более низкий результат по макроусреднённой метрике. Веса доступны в формате PyTorch; лицензия в предоставленных данных не указана.

Muse Spark 1.2 Contributor — модель рассуждений от Meta для разработчиков, которым нужна более дешёвая версия Muse Spark для создания приложений. В карточке указано, что она существенно дешевле Muse Spark. Данных о задачах, архитектуре, размере, модальностях, языках и контекстном окне нет. Лицензия также не указана, поэтому условия использования по карточке определить нельзя.

Open-Dcoder-0.5B-baseline-mdm-step2000 — компактная языковая модель Shuibai12138 для генерации кода по текстовым запросам. Это экспериментальный baseline для работы Corrective Diffusion Language Models: модель fredzzp/open-dcoder-0.5B продолжена на 2 000 шагов с обычной целью маскированной диффузии без смешивания целевых функций. Архитектура основана на Qwen2, содержит 494 млн параметров и рассчитана на контекст до 32 768 токенов. Модель использует двунаправленное внимание и предназначена для генерации текста и кода. Для корректного вывода требуется реализация masked diffusion Qwen2 из оценочного кода проекта: стандартная загрузка через AutoModelForCausalLM интерпретирует её как причинную Qwen2 и приводит к неправильным результатам. В README также описана проблема реализации градиента в использованном обучающем коде, из-за которой фактические обновления параметров не соответствовали заявленным весам отдельных слагаемых функции потерь. Модель распространяется по лицензии MIT; обучение выполнялось на подмножестве Nemotron-SFT-Code из набора NVIDIA Nemotron-Pretraining-SFT-v1.

Qwen3.6-27B-DFlash — черновая модель семейства Qwen3, разработанная Fluxmire как дообученная версия z-lab/Qwen3.6-27B-DFlash. Она предназначена для ускорения спекулятивной генерации при создании кода Three.js по изображениям и помогает формировать сцены и компоненты Three.js. Архитектура — DFlashDraftModel; модель принимает текстовые запросы и изображения и выдаёт текст с кодом. Метаданные указывают 2,9 млрд параметров, контекст до 262 144 токенов и поддержку английского языка. Для работы требуется совместимая среда DFlash или спекулятивного декодирования и соответствующая целевая модель Qwen3.6-27B. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка описывает её узкое назначение; пригодность для других задач не подтверждена.

OS-Software/Qwen3.8-27B-MTP-heretic-ja-GGUF — производная GGUF-версия модели Qwen3.8-27B, разработанной командой Qwen и опубликованной OS-Software. Модель создана с использованием Heretic v1.4.0+custom, метода Arbitrary-Rank Ablation (ARA) и LoRA-адаптера для существенного снижения исходного safety alignment и отказов на проверочных японских наборах данных. Это причинная языковая модель с vision encoder, предназначенная для понимания текста, изображений и видео, а также для программирования, профессиональных и исследовательских задач и долгих агентных сценариев. Поддерживаются управляемый режим рассуждений, настройка глубины через reasoning_effort, сохранение контекста рассуждений и улучшенный tool calling. Из известных характеристик: 27B параметров, 64 слоя, hidden dimension 5120; точный размер контекста и полный перечень языков в представленном README не указаны. Модель может быть интересна для исследований безопасности, анализа выравнивания, red-teaming и экспериментов с поведением моделей. При этом снижение защитных механизмов повышает вероятность вредных, неточных, предвзятых, оскорбительных и иных неприемлемых ответов, поэтому модель не рекомендуется для публичных или пользовательских сервисов. Все результаты требуют независимой проверки, защитных мер и человеческого контроля. Указана лицензия Apache-2.0 как применимая лицензия базовой модели; использование выполняется на ответственности пользователя.

Qwen3.8-27B-Uncensored-GGUF — набор GGUF-квантизаций модели Qwen3.8-27B, разработанной Qwen, с удалённым значительным объёмом защитного выравнивания и отказов от ответов методом abliteration. В README указано, что сборка распространяется для llama.cpp; конкретный вклад dancinlab и точный автор преобразования отдельно не описаны, однако материалы связаны с OrcaRouter. Базовая модель имеет плотную архитектуру на 27 млрд параметров с гибридным вниманием: слоями линейного внимания Gated DeltaNet и полноформатного внимания. Также заявлены нативная работа с изображениями, рассуждения, вызовы инструментов и головка MTP для спекулятивной декодировки. Модель предназначена прежде всего для исследовательских задач: изучения механизмов отказов и интерпретируемости, AI safety, red teaming и оценки устойчивости. Она поддерживает английский и китайский языки. Текстовый режим работает с основным GGUF-файлом, а обработка изображений требует отдельного файла mmproj; заявленная платформа выполнения — llama.cpp с поддержкой CPU, CUDA, Metal и ROCm. Доступны варианты от 2 до 16 бит размером примерно от 8,9 до 54,7 ГБ; Q4_K_M рекомендуется как компромисс между качеством и размером, а IQ-квантизации оптимизированы с помощью importance matrix для меньшего числа бит. Главное преимущество — сочетание локального запуска, широкого выбора квантизаций, мультимодальности, инструментального вызова и ускорения через MTP. Ограничения включают заметное снижение качества на низких битностях, необходимость свежей версии llama.cpp с поддержкой архитектуры qwen35 и MTP, а также отдельную загрузку vision projector. Из-за удаления защитных механизмов модель может выполнять вредоносные, неэтичные или незаконные запросы, поэтому для практического использования необходимы собственные фильтры и меры безопасности. Указанная лицензия — Apache 2.0, унаследованная от базовой модели; использование также должно соответствовать применимому законодательству.

ReSyn Partitioner — предварительно обученная модель из фреймворка ReSyn, представленного авторами статьи «ReSyn: A Generalized Recursive Regular Expression Synthesis Framework». Она выполняет декомпозицию Union: получает набор положительных строковых примеров и предсказывает для каждой строки метку группы, объединяя структурно похожие примеры. Модель предназначена для синтеза регулярных выражений: кластеры можно синтезировать независимо, а затем соединить оператором объединения. Это компонент более общего подхода к рекурсивной декомпозиции задач синтеза регулярных выражений; репозиторий содержит веса в формате safetensors и использует PyTorch. Для загрузки требуется класс Partitioner из пакета ReSyn. Лицензия — Apache-2.0.

Это экспериментальная модель для генерации кода с настройкой на задачи соответствия требованиям безопасности. Она дообучена разработчиком репозитория на Qwen/Qwen2.5-Coder-3B-Instruct с помощью GRPO без KL-регуляризации; в обучении использовались датасет SecCodePLT+ и награда, учитывающая прохождение тестов возможностей и число обнаруженных уязвимостей. Модель имеет архитектуру Qwen2, содержит 3,1 млрд параметров и работает с текстовыми запросами и ответами. Нативный контекст составляет 32 768 токенов. Модель предназначена для генерации кода в экспериментальных сценариях, где важно учитывать проверки возможностей и анализ уязвимостей. В описанной оценке на 164 тестовых примерах при жадном декодировании формат и синтаксис прошли проверку в 97,56% случаев. Это одиночный исследовательский запуск, проверенный ограниченным по ресурсам Python-верификатором; результат не гарантирует безопасность кода. Лицензия в доступных данных не указана.

Vertex 0.6 100M Base — семейная базовая модель продолжения текста от Vertex Research. Это плотный трансформер на архитектуре Qwen3 с 96,7 млн параметров и контекстом до 4096 токенов. Модель обучена с нуля на 10,01 млрд токенов англоязычного веб-текста из Ultra-FineWeb с добавлением кода; затем контекст расширили в два этапа. Чекпойнт не проходил инструкционное дообучение и чат-выравнивание. Модель предназначена для автодополнения английского текста и кода, а также для экспериментов с небольшими языковыми моделями. Она может давать связное продолжение и базовые фактические или кодовые ответы, но склонна к многословию, повторам и фактическим ошибкам, особенно в длинных генерациях. Знания обучающего корпуса охватывают примерно период до апреля 2024 года. Распространяется по лицензии Apache-2.0.

VibeThinker-1.5B — плотная языковая модель на 1,5 млрд параметров, разработанная WeiboAI и дообученная на базе Qwen/Qwen2.5-Math-1.5B. Она предназначена прежде всего для решения математических задач соревновательного уровня и генерации кода для задач вроде LeetCode и Codeforces. По данным разработчика, обучение включало этапы supervised fine-tuning и reinforcement learning в рамках подхода Spectrum-to-Signal Principle. Модель принимает текст и генерирует текст. Она особенно ориентирована на запросы на английском языке; карточка также приводит английский как поддерживаемый язык. В метаданных указано контекстное окно 131 072 токена. Разработчик сообщает о результатах на бенчмарках AIME24, AIME25, HMMT25 и LiveCodeBench, однако рекомендует модель только для математических и алгоритмических задач и характеризует выпуск как экспериментальный. Модель распространяется по лицензии MIT. Для обычного диалога и задач за пределами математики и программирования разработчик её не рекомендует.

AnuLM-Coder-400M — компактная авторская модель для генерации Python-кода, разработанная Toonist. Это декодерная модель с разреженной смесью экспертов: 398 млн параметров всего, 174 млн активны на токен; используется архитектура AnuLM с группированным запросом внимания и 24 маршрутизируемыми экспертами. Модель обучена с нуля на корпусе объёмом 2,78 млрд токенов, преимущественно на Python-коде, а затем дообучена на примерах «задача — решение». Контекст — 512 токенов. Модель предназначена для генерации коротких распространённых функций Python по текстовому описанию: например, простых вычислений, фильтрации списков и манипуляций со строками. В README указаны результаты MBPP 12,5% pass@1 для режима вопроса и ответа и HumanEval 4,9% для продолжения сигнатуры базовой моделью; после дообучения HumanEval в этом режиме составляет 3,0%. Это узкоспециализированный генератор кода, а не универсальный ассистент. Модель часто выдаёт синтаксически корректный код, но может ошибаться в граничных случаях, использовать несуществующие методы и продолжать генерацию за пределами функции. В обучающих данных были Python-код и задания, английский текст, а также небольшая доля хинди; модель может продолжать текст на английском и хинди, но не настроена на ответы на вопросы или перевод. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Сгенерированный код следует проверять и запускать в изолированной среде.

CodeV-R1-Qwen-7B — языковая модель для генерации и дополнения кода на Verilog, разработанная авторами проекта CodeV-R1. Она дообучена с подкреплением на основе CodeV-R1-Distill-Qwen-7B, а исходная база в метаданных указана как Qwen/Qwen2.5-Coder-7B-Instruct. Модель предназначена для преобразования текстовых спецификаций в RTL-код, продолжения Verilog-фрагментов и решения задач проектирования цифровой логики. Модель использует плотную архитектуру Qwen2 с причинной генерацией текста и содержит 7,1 млрд параметров. Для неё заявлено контекстное окно 32 768 токенов; репозиторий содержит веса safetensors. В README описан подход RLVR: генерация тестовых стендов, проверка эквивалентности кода и двухэтапное обучение с дистилляцией и последующим подкреплением. Оценка проводилась на VerilogEval и RTLLM; авторы также отмечают улучшение эффективности относительно DeepSeek-R1 по оценке вычислительных затрат. Модель ориентирована на аппаратное описание и не является универсальным средством автоматизации EDA: корректность и синтезируемость сгенерированного Verilog следует проверять тестами и средствами проектирования. В предоставленном README лицензия не описана.

QuantFactory/Qwen2-0.5B-GGUF — квантизированная версия базовой языковой модели Qwen2-0.5B, разработанной командой Qwen и преобразованной в формат GGUF с использованием llama.cpp. Модель содержит около 0,5 млрд параметров и предназначена для локального запуска и дальнейшей адаптации. Модель построена на архитектуре Transformer с активацией SwiGLU, смещениями в QKV, group query attention и токенизатором, адаптированным для нескольких естественных языков и языков программирования. Она ориентирована на понимание и генерацию текста, ответы на вопросы, программирование, математику, рассуждения и мультиязычные задачи; в README явно указан английский язык, а оценки также приведены для китайского, русского и других языков. Компактный размер и квантизация делают модель удобной для использования на ограниченных ресурсах, однако её возможности заметно скромнее, чем у более крупных моделей. Это базовая, а не instruction-tuned модель, поэтому разработчики не рекомендуют применять её напрямую для генерации диалоговых ответов без дополнительного обучения или постобработки, например SFT, RLHF или continued pretraining. Модель распространяется по лицензии Apache 2.0.

BillyWang1/qwen2.5-7b-base-retool-slime-sft — модель Qwen2.5-7B, дообученная BillyWang1 методом SFT на наборе JoeYing/ReTool-SFT. Это начальный этап конвейера retool-slime: модель обучена многошаговому формату вызова Python-инструмента, чтению вывода песочницы и выдаче итогового ответа в \\boxed{}. Основа — плотная авторегрессионная архитектура Qwen2 с 7,1 млрд параметров и контекстом до 131 072 токенов; формат весов — safetensors, для работы используется Transformers. Модель предназначена для запуска этапов GRPO/GFlowRL конвейера retool-slime и для математических задач с подключённым Python-инструментом. Она принимает текстовые сообщения, формирует код и ответы в заданном формате; полноценное выполнение Python-кода требует внешней среды-песочницы. Это не instruct-вариант Qwen2.5-7B, а базовая модель после SFT, поэтому её поведение зависит от совместимого шаблона ReTool. Лицензия — Apache-2.0.

Это компактная диалоговая модель на архитектуре Qwen3, разработанная machalek29 на базе Qwen/Qwen3-0.6B. Она дообучена методом LoRA на 125 примерах и предназначена для обучения работе с временем жизни изменяемых объектов в коротких программах на Python: модель указывает на относящееся к проблеме объявление, присваивание или изменение состояния и задаёт ровно один короткий вопрос о создании объекта, его владельце или разделяемых ссылках. Модель рассчитана на англоязычные сценарии и генерирует текст; базовый чекпойнт поддерживает контекст до 40 960 токенов. По оценке на 36 отложенных сценариях соблюдение спецификации составило 88% на обычных примерах и устойчивость к состязательным формулировкам — 75%; механические проверки пройдены в 100% случаев. Модель не должна выдавать исправленный код или сообщать решение, в том числе по прямой просьбе, поэтому она подходит для пошагового обучения, а не автоматического исправления программ. Результаты относятся к небольшой обучающей выборке и конкретному протоколу генерации: отключённому thinking и жадному декодированию. Лицензия — Apache-2.0.

Это компактная модель для обучения работе с временем жизни изменяемого состояния в коротких программах на Python. Она дообучена на Qwen/Qwen3-0.6B методом LoRA и предназначена для диалогового обучения: модель указывает на относящееся к ошибке объявление, присваивание или изменение объекта и задаёт ровно один вопрос о том, когда объект создаётся, кому принадлежит или какие ссылки его разделяют. Она не выдаёт исправленный код и не формулирует само исправление. Модель содержит около 507,9 млн параметров, использует архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Для описанного сценария README рекомендует системную инструкцию «You are a Python state-lifetime tutor», отключённое thinking и жадное декодирование. В оценке на 36 отложенных сценариях указаны 96% соответствия спецификации на чистых примерах и 100% на состязательных; эти результаты относятся к указанному протоколу и не гарантируют аналогичного качества на других задачах. Модель распространяется по лицензии Apache-2.0.

Qwen-3.8-Flash-Next-Uncensored-MLX-MXFP4 — это независимая MLX-конверсия модели OrcaRouter Qwen3.8-Flash-Next-Uncensored, созданной на основе Qwen/Qwen3.8-Flash-Next. Конверсия выполнена в смешанном формате MXFP4 и предназначена прежде всего для запуска на устройствах Apple Silicon через oMLX или mlx-vlm. Модель относится к мультимодальным vision-language системам и поддерживает обработку текста, изображений и видео, а также сценарии рассуждений и function calling. Заявлены английский и китайский языки. Модель использует архитектуру qwen4_exp с mixture-of-experts и контекстом до 262 144 токенов. Размер файлов safetensors составляет около 100,53 ГБ в 20 сегментах. Это не равномерное 4-битное квантование: разные компоненты представлены в MXFP4, аффинных форматах Q4–Q8 или BF16; башня обработки изображений и видео, эмбеддинги, языковая голова и ряд чувствительных компонентов сохранены в BF16. В контрольной точке также сохранён однос layer MTP-блок. Преимуществами являются существенно меньший объём по сравнению с полноточной BF16-версией, сохранение мультимодальной и MTP-функциональности и адаптация к экосистеме MLX. При этом качество именно этой сборки не прошло опубликованную оценку относительно официальной FP8-версии, а запуск требует совместимого MLX-окружения и значительного объёма памяти. Модель получена из abliterated-версии с существенно удалёнными механизмами отказа и практически не имеет встроенных защитных ограничений. Она может выполнять вредоносные, незаконные или опасные запросы, поэтому не предназначена для непосредственного использования конечными пользователями или в производстве без собственных механизмов модерации и защиты. Использование регулируется Qwen Community License 1.0, условиями исходной модели OrcaRouter и применимым законодательством; релиз заявлен исключительно для легитимных исследовательских задач, включая анализ интерпретируемости, изучение безопасности, red-teaming и контролируемые эксперименты.