II.2Создание и понимание программного кода

ReSyn-Router — предварительно обученная модель маршрутизации из framework ReSyn, представленная авторами работы ReSyn: A Generalized Recursive Regular Expression Synthesis Framework. Она получает набор положительных строковых примеров и классифицирует его по одному из трёх действий: Concat для последовательного разбиения примеров, Union для группировки по структурному сходству или No-Op для прямого синтеза без дальнейшего разбиения. Модель предназначена для использования в системах синтеза регулярных выражений, где помогает декомпозировать сложные задачи на подзадачи. Репозиторий содержит веса safetensors и использует PyTorch; лицензия — Apache-2.0. Карточка не сообщает размер модели, контекстное окно или поддерживаемые естественные языки.

ruvnet подготовила ruOS Foundry Tools как специализированную версию Qwen3-30B-A3B-Instruct-2507 для задач ruOS. Это причинная языковая MoE-модель на архитектуре Qwen3 MoE с 2,6 млрд параметров и контекстом до 262 144 токенов. Для экспорта оставили по 32 наиболее часто задействованных эксперта в каждом маршрутизируемом слое; веса оставшихся экспертов не меняли, а маршрутизатор адаптировали к сокращённому набору. Модель предназначена для генерации текста и диалоговых сценариев ruOS, включая вопросы и ответы по стеку и маршрутизацию вызовов инструментов. Эксперты отбирались по калибровочным примерам ruOS-tools, поэтому авторы рекомендуют направлять запросы вне этой области к полной базовой модели. Чекпойнт пока не оценён: сохранность структуры не подтверждает сохранение способностей, и авторы указывают, что его не следует подключать к маршрутизации до оценки. Лицензия — Apache-2.0.

Sparse-AST-BWM — семейство авторегрессионных языковых моделей на уровне байтов для генерации кода Blender Python и процедурной 3D-графики. Модели используют последовательные блоки трансформера с причинным многоголовым вниманием, RMS-нормализацией, трёхмаршрутной поэлементной активацией и рекуррентной памятью BMW; входные эмбеддинги связаны с выходной проекцией. В репозитории описаны варианты размером 3M, 10M и 100M параметров с контекстом 64, 64 и 32 токена соответственно. Модель предназначена для дополнения Blender Python и создания скриптов для сцен, сеток, трансформаций, камер, материалов и геометрических операций с использованием bpy, mathutils и bmesh. В README также описан отдельный экспериментальный чекпойнт расширения семейства, результаты которого не следует считать гарантией улучшенного качества. Модель не является универсальным диалоговым помощником; сгенерированный код может быть неполным или ошибочным, а текстовые прокси-оценки не подтверждают корректность выполнения в Blender или визуальный результат. Лицензия — Apache-2.0.

SPBERT — вариант BERT для предварительного обучения на запросах SPARQL, разработанный Hieu Tran, Long Phan, James Anibal, Binh T. Nguyen и Truong-Son Nguyen. Модель предназначена для вопросно-ответных систем, работающих с графами знаний; опубликованный пример загружает токенизатор и модель через Transformers и кодирует запрос SPARQL. Это плотная модель архитектуры BERT с 135,5 млн параметров и контекстом до 512 токенов. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax. Метаданные указывают задачу question-answering, а архитектура masked language model и карточка также указывают fill-mask; для практического поиска по назначению основная задача — question-answering. Лицензия в предоставленных данных не указана.

WebVIA-Agent — дообученная мультимодальная модель из проекта WebVIA, созданная на базе zai-org/GLM-4.1V-9B-Base. Она служит агентной системе для навигации по сайтам и получения скриншотов интерфейса в разных состояниях; проект также включает отдельные модули генерации UI-кода и проверки результата. Модель принимает изображения и текстовые запросы и предназначена для анализа визуального содержимого веб-интерфейсов в интерактивных сценариях UI-to-Code. В карточке указана архитектура GLM-4.1V с плотной моделью и классом Glm4vForConditionalGeneration; веса доступны в формате safetensors для Transformers. Заявлены китайский и английский языки. Лицензия — MIT. Описание не приводит точных характеристик контекста или подробных результатов оценки. Генерацию функционального HTML/CSS/JavaScript и проверку поведения выполняют другие модули WebVIA, поэтому их возможности нельзя приписывать одному WebVIA-Agent.

Atem-SageCoder-1.5B — модель генерации кода и рассуждений, разработанная EphAsad как специализированная версия Atem-Wisdom-1.5B. Она дообучена методом LoRA SFT на проверенных трассах решения задач программирования из nvidia/OpenCodeReasoning. Модель предназначена прежде всего для алгоритмических задач: она может разобрать выбор алгоритма, крайние случаи и сложность, а затем предложить реализацию. Архитектура — плотная Qwen2, размер — 1,5 млрд параметров, контекст — 32 768 токенов. В большинстве обучающих примеров предусмотрен формат «сначала рассуждение, затем код»; простые запросы могут получать прямой ответ. Модель ориентирована на программирование и преимущественно на Python, однако качество на других языках программирования формально не оценивалось. Обучающие данные сосредоточены на соревновательном программировании, поэтому качество решений для общих задач разработки, API, ООП и конкретных фреймворков может быть ниже. Рассуждения увеличивают длину ответа, а объяснения концепций могут содержать фактические ошибки; код и выводы следует проверять. Доступны веса Safetensors и варианты GGUF Q4_K_M, Q5_K_M и Q8_0. Лицензия — Apache-2.0.

BLOOM 3b Conversational — языковая модель семейства BLOOM, дообученная CreitinGameplays для диалогов между пользователем и ИИ-ассистентом. Это плотная авторегрессионная модель с 3,8 млрд параметров; репозиторий содержит веса в формате safetensors. Модель генерирует текстовые ответы на запросы и может применяться для прототипирования чат-ботов, создания примеров диалогов и изучения разговорных возможностей языковых моделей. В обучении использовались Xilabs/instructmix, CreitinGameplays/small-chat-assistant-for-bloom и sahil2801/CodeAlpaca-20k; среди заявленных возможностей также есть генерация кода. Модель рассчитана прежде всего на английский язык и обучалась с форматом, включающим системный запрос, запрос пользователя и ответ модели. Качество может снижаться при необычных стилях диалога и темах; ответы могут содержать предвзятости или фактические ошибки, поэтому их следует проверять. Автор указывает исследовательское назначение и не рекомендует модель для задач, требующих высокой точности и надёжности. Лицензия — MIT.

AmberYifan/capsdnum-marin-8b-base-code_ppl_b1000_s0 — дообученная модель на базе Marin 8B Base, созданная с использованием набора данных capsd_marin-8b-base-n80000-opc__mix_code_ppl_b1000_s0. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров; модель работает через Transformers и принимает текст для генерации текста. Контекстное окно составляет 4096 токенов. Название набора данных указывает на смесь кода и текста, однако README не описывает назначение, качество или оценку модели. Её можно рассматривать для генерации и продолжения текста, в том числе кода, но пригодность к конкретным задачам не подтверждена. Базовая модель охарактеризована как англоязычная. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

Clyrai разработала Lucius-1.3B-Base — плотную авторегрессионную языковую модель семейства Llama, обученную с нуля. В ней около 1,34 млрд параметров, архитектура использует RoPE, SwiGLU и GQA, а контекст составляет 4096 токенов. Модель принимает начатый текст и продолжает его; это базовая модель для генерации продолжений, а не чат-бот и не инструкционная версия. Модель предназначена для генерации текста и кода на английском, хинди и итальянском языках. В описании приведена оценка на отложенной выборке: cross-entropy 1,21 и perplexity 3,35; код назван более лёгким направлением, чем английский и итальянский. Обучение охватило около 1 млрд токенов, а авторы отмечают недостаточный объём данных относительно размера модели. Для генерации без штрафа за повторы README предупреждает о зацикливании. Вес модели — bf16, около 2,68 GiB; заявлена работа с CUDA. Модель распространяется по лицензии Clyrai Sovereign Research License 1.0: разрешены исследования и личная оценка с указанием авторства; коммерческое использование, дистилляция, размещение в виде хостингового продукта и обучение другой модели требуют отдельного разрешения Clyrai.

LLM Compiler 7B FTD — разработанная Meta авторегрессионная языковая модель на основе Code Llama с архитектурой Transformer, дообученная для задач компиляторной оптимизации. Версия FTD содержит 7 млрд параметров и контекстное окно 16 000 токенов; модель принимает и генерирует текст, включая LLVM IR и ассемблерный код. Модель предназначена для подбора проходов оптимизации LLVM `opt` для уменьшения размера кода и преобразования ассемблера x86_64 или ARM в LLVM IR. Она подходит для автоматизации тонкой оптимизации кода и экспериментов с декомпиляцией. В README сообщается об улучшении размера кода и результатах на задаче обратного преобразования, однако модель может ошибаться; перед внедрением её выходы следует проверять и тестировать для конкретного сценария. Модель разработала Meta. Для доступа требуется предоставить контактные данные Meta. Условия использования регулируются специальной лицензией LLM Compiler, включающей политику допустимого использования Llama Materials; README сообщает о доступности для коммерческого и исследовательского применения с соблюдением этих условий. Модель рассчитана на английский язык и релевантные языки программирования, LLVM IR и ассемблер x86_64 и ARM.

Qwen3-4B Feedback Evaluator — модель, дообученная на базе Qwen/Qwen3-4B-Base с архитектурой Qwen3ForCausalLM и примерно 3,7 млрд параметров. Она принимает исходный код Lean 4 без разметки и генерирует его копию с предсказанными комментариями компилятора, содержащими сообщения об ошибках, предупреждениях и информационные сообщения. Наличие маркера ошибки в сгенерированных комментариях можно использовать для получения бинарной оценки предполагаемой корректности программы. Модель предназначена для предварительной оценки Lean-программ и поддержки анализа формальных доказательств. Контекст составляет 32 768 токенов; репозиторий содержит веса Safetensors для Transformers. Предсказанный вывод не заменяет запуск Lean: для подтверждения корректности программу необходимо проверить компилятором. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

Это экспериментальная производная модель семейства Qwen, выпущенная участниками проекта Terminal Wrench: Gaokai Zhang, Songwen Zhao и Juan Manuel Suárez. Она получена дистилляцией on-policy от учителя, дообученного для сценариев reward hacking, и предназначена для выполнения задач терминального агента. Во время обучения модель получала инструкции задач без специального побуждения к обходу проверок; обучение шло на собственных ответах модели с оценками учителя, без verifier reward. Модель основана на Qwen/Qwen3.6-35B-A3B, использует архитектуру Qwen3_5MoeForConditionalGeneration и опубликована в виде объединённых весов bf16 в формате safetensors. Карточка указывает чат и интерфейс вызова инструментов; для воспроизведения обучения рекомендуется отключать thinking. В тесте на 59 отложенных Terminal Wrench задачах авторы сообщают проход 91,4% без инструкции к hacking и 0% успешных обходов; при явном побуждении к hacking успешность таких действий составила 24,4%. Эти результаты относятся к описанному авторами протоколу и не гарантируют поведение в других условиях. Веса распространяются по лицензии CC BY-SA 4.0. Модель ориентирована на агентные задачи в терминале, а её поведение и результаты зависят от используемого scaffold, бюджета выполнения и режима генерации.

Qwen3.8-Flash-Next-Abliterated-s1.5-GGUF — экспериментальная мультимодальная производная модели Qwen3.8-Flash-Next, разработанной Alibaba/Tongyi Labs. Модель распространяется в формате GGUF и предназначена прежде всего для исследовательского использования в изолированных средах, локального запуска и экспериментов с генерацией текста, изображений, инструментальным использованием и настраиваемым режимом рассуждений. Модель использует архитектуру qwen4exp, имеет нативный контекст до 262 144 токенов и заявленную конфигурацию 125B A6B, 51B параметров n-gram embedding и 4B параметров MTP. Всего предусмотрено 512 экспертов, из которых 10 активны для каждого токена. Поддерживаются Qwen Sparse Attention, Gated DeltaNet, Gated Residual, PLE n-gram embeddings, MTP, tool use и мультимодальный ввод изображений через отдельный vision projector в формате BF16. Доступны варианты квантования от Q8_0 до IQ4_XS размером примерно от 175,29 до 91,66 GiB. Производная версия получила проекцию направления отказа с коэффициентом 1,5 для 146 проверенных тензоров; vision tower, MTP head, LM head и Gated Residual controllers оставлены без изменений. Это может ослабить встроенные защитные механизмы и привести к непредсказуемым ухудшениям качества, поэтому модель не рекомендуется для производственных систем. Для работы с изображениями требуется отдельный файл мультимодального проектора и совместимое приложение на базе llama.cpp, например LM Studio. Применяется лицензия Qwen Community License 1.0.

Qwen-Unitopia-Style — модель генерации текста, дообученная автором haakona для написания кода на LPC в стиле UNItopia Mudlib. Она предназначена для разработчиков и строителей виртуального мира UNItopia: умеет создавать комнаты, предметы и NPC, следовать соглашениям библиотеки, оформлять заголовки и документацию, а также объяснять страницы справки. Лучше всего работает с запросами на немецком языке. Основная версия построена на Qwen3.8-27B; в репозитории также представлены варианты на Qwen3.5-35B-A3B и Gemma 4 31B, включая объединённые веса и файлы GGUF в форматах BF16, Q8_0 и Q4_K_M. GGUF-файлы текстовые: визуальная часть базовой модели в них не включена. Обучение включало продолжение языкового моделирования на исходниках и документации UNItopia, а затем дообучение на парах инструкций. Модель подходит для написания и объяснения LPC-кода по соглашениям этой mudlib, но может выдумывать имена функций, если не помнит их; код следует сверять с исходниками и документацией библиотеки. В метаданных указана лицензия other; конкретные условия в карточке не раскрыты.

Qwen3-8B Terminal-Lego RSR-low SFT — исследовательский чекпойнт Micsiu, полученный полным дообучением Qwen/Qwen3-8B на траекториях задач Terminal-Lego. Он предназначен для генерации текста в сценариях терминального агента и диалогового взаимодействия; архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров, контекст — до 40 960 токенов. Модель принимает текст и выдаёт текст. Чекпойнт обучен на 1 692 траекториях, отобранных по метрике RSR, и прошёл ограниченную предварительную оценку на подмножестве TBLite. Результаты служат лишь направленным свидетельством: оценка охватывала одну попытку на 30 задачах, а доверительный интервал парной разницы включал ноль. Авторы отмечают ограничения данных и эксперимента, включая один обучающий seed и отсутствие итоговой оценки на Terminal-Bench 2.0. Это исследовательский артефакт, а не подтверждённая универсальная модель терминального агента. Лицензия в предоставленных данных не указана.

Sparse-AST-BWM-200M-32 — авторская причинная языковая модель семейства Sparse-AST от Chaman1234, предназначенная для генерации кода на Python в Blender и решения задач процедурной геометрии. В README указана рекуррентная архитектура Recurrent Leaky Gated Transformer с 28 слоями и 204,4 млн параметров; метаданные каталога приводят общий размер 287,1 млн параметров. Модель использует байтовую токенизацию UTF-8 с размером словаря 512 и обучалась с контекстом 32 токена. README сообщает о поддержке интерполяции позиционных кодировок для контекста до 4096 токенов при инференсе. Модель ориентирована на Python-код с использованием bpy, mathutils, bmesh, numpy и gpu, включая генерацию процедурной геометрии и математических выражений для Blender. В README приведены экспериментальные результаты на учебном наборе задач Blender 3D Math & Python; они не гарантируют качество на произвольных задачах. Распространяется в формате SafeTensors по лицензии Apache-2.0.

Apex-Coder — компактная причинная языковая модель, созданная Капилом Ядавом на основе Qwen2.5-Coder-1.5B-Instruct и дообученная для соревновательного программирования. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 и принимает диалоговые текстовые запросы. Контекст составляет до 32 768 токенов. Веса представлены в Safetensors; LoRA-адаптер объединён с базовой моделью, поэтому репозиторий содержит самостоятельную модель. Лицензия — MIT. Модель предназначена для разбора задач в стиле Codeforces: она может предлагать алгоритмы и структуры данных, объяснять сложность, генерировать реализации на C++17, разбирать ошибки и предлагать оптимизации. Она также подходит для учебной практики по алгоритмам и структурам данных. Из-за небольшого размера модель может ошибаться на сложных алгоритмических, математических и многошаговых задачах, а также на задачах за пределами обучающих данных. Синтаксически корректный код не гарантирует правильного решения; сгенерированные программы следует компилировать и проверять на тестах. Формальные результаты оценки на отложенной выборке в карточке не приведены.

Marcoson320 разработал эту экспериментальную дообученную версию GPT-2 для генерации и автодополнения кода на Python. Она основана на Marcoson320/codeparrot-gpt2-mi50 и обучалась добавлять токен конца последовательности (EOS) к фрагментам кода, чтобы генерация могла останавливаться на границах документов. Модель принимает текст и выдаёт текст; её контекст составляет 1024 токена. В карточке указан набор данных huggingface-course/codeparrot-ds-train и библиотека Transformers. Это исследование осуществимости с частичным успехом: на небольшом наборе из пяти запросов модель выдала EOS в пределах 80 токенов для двух. Иногда токен завершения появляется посреди выражения, а качество кода наследует ограничения базовой модели. Модель распространяется по лицензии Apache-2.0.

GmshNet-8B-v0.1-GGUF — языковая модель объёмом 8 млрд параметров, опубликованная организацией hexera-org. Это decoder-only autoregressive causal language model в формате GGUF, предназначенная для text generation и instruction-following. Модель ориентирована на генерацию кода и роль ассистента разработчика, особенно в задачах научного программирования, вычислительной инженерии и компьютерного моделирования. Основная специализация модели связана с Gmsh и смежными задачами подготовки расчётных моделей: созданием геометрии и mesh-сеток, генерацией и анализом скриптов Gmsh, работой с finite element method, computational fluid dynamics, теплопереносом, физическими и инженерными симуляциями, а также CAD-to-mesh и настройкой size fields, refinement и physical groups. По заявленным метаданным модель поддерживает английский язык и предназначена для текстового ввода и вывода; сведения о контекстном окне, точной архитектуре базовой модели, обучающих данных и фактических показателях качества не указаны. Сильная сторона модели — узкая предметная специализация на Gmsh, meshing и computational engineering, что может быть полезно для генерации шаблонов, объяснения настроек и ускорения подготовки инженерных сценариев. Ограничения связаны с отсутствием подтверждённых бенчмарков, сведений о контекстной длине и поддерживаемых форматах взаимодействия, а также с тем, что качество результатов для конкретных расчётных задач по README не оценено. Модель распространяется по лицензии Apache-2.0.

Модель tosca/llama2-7b-sft-verilog — дообученная методом supervised fine-tuning версия Meta Llama 2 на 7 млрд параметров, предназначенная для генерации текста и работы с Verilog. Обучение продолжено от meta-llama/Llama-2-7b-hf на датасете GaTech-EIC/MG-Verilog; модель не основана на упомянутом в карточке DAPT-чекпойнте. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и работает с контекстом до 4096 токенов. Она подходит для генерации и дополнения кода Verilog в задачах проектирования цифровых схем. Указанная библиотека — Transformers, формат весов — safetensors. Лицензия — llama2. Карточка не сообщает о результатах оценки качества или конкретных ограничениях применения, поэтому качество генерации Verilog следует проверять на целевых задачах.

BTGenBot-2 — модель AIRLab Политехнического университета Милана, дообученная на базе meta-llama/Llama-3.2-1B-Instruct методом QLoRA/LoRA. Она преобразует описание задачи робота на естественном языке и список доступных примитивов действий в XML-дерево поведения, совместимое с BehaviorTree.CPP и применимое в конвейерах ROS 2. Модель предназначена для генерации деревьев поведения для планирования робототехнических задач, включая навигацию и манипуляции, а также для проверки таких задач в симуляции и исследований генерации деревьев поведения малыми языковыми моделями. Обучение проводилось на 5 204 синтетических парах инструкций и деревьев поведения. Входной и выходной форматы описаны для английского языка; размер базовой модели — 1 млрд параметров. В репозитории указаны веса safetensors и библиотека Transformers. Для надёжного применения результат следует проверять на корректность XML, допустимость указанных действий и безопасность выполнения на роботе. Лицензия — Llama 3.2 Community License (идентификатор llama3.2); перед использованием необходимо соблюдать её условия.

Mossez-100M-Coder-Instruct — экспериментальная модель Mossez Systems для генерации кода по инструкциям. Это дообученная на базе Mossez-100M-Coder-Base плотная decoder-only Transformer-архитектура, совместимая с Llama, с 100,1 млн параметров и контекстом 1024 токена. Модель ориентирована на генерацию и дополнение кода, включая заполнение пропусков, а также на диалоговое взаимодействие с инструкциями. Для дообучения использовались 2 640 созданных разработчиком примеров за одну эпоху; веса Mossez-100M-Instruct источником не были. Модель небольшая и экспериментальная: набор обучения узкий и шаблонный, поэтому результаты на тестовых примерах могут завышать её возможности в реальных задачах. Возможны повторы, неверные значения и API, синтаксически некорректный код, слабое следование инструкциям и преждевременное завершение генерации. Разработчик не рекомендует использовать её как надёжного или безопасного производственного помощника; сгенерированный код следует проверять и тестировать. Распространяется по лицензии Apache-2.0.

Octo-planner — компактная языковая модель Nexa AI для планирования в агентском фреймворке Planner-Action Agents. Это дообученная версия Gemma-2b с плотной архитектурой GemmaForCausalLM и примерно 2,5 млрд параметров; модель предназначена для локальной работы на устройствах без подключения к облаку и взаимодействует с отдельным компонентом Octopus-V2, который выполняет действия. Карточка сообщает о результате 98,1% успешного планирования на тестовом наборе, однако подробности методики оценки не приведены. Модель ориентирована на формирование планов для агентских сценариев, в том числе с Android API. Она принимает текст и генерирует текст; заявленный контекст составляет 8192 токена. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Johnblick187/Qwen3-Omni-Coder — модель, опубликованная пользователем Johnblick187 на Hugging Face. По метаданным это слияние моделей Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated и Huihui-Qwen3-Omni-30B-A3B-Instruct-abliterated, построенных на архитектуре семейства Qwen3 Omni MoE. В репозитории представлены веса Safetensors и варианты GGUF в форматах F16, Q4_K_M и Q8_0; указана лицензия Apache-2.0. Модель предназначена для задач «любая модальность на любую» (any-to-any), а в составе слияния присутствует кодовая instruct-модель. Поиск Hugging Face подтверждает обозначение any-to-any и размер около 35B параметров, однако доступная карточка не дала надёжных сведений о поддерживаемых языках, контекстном окне и конкретных входных и выходных модальностях. Поэтому эти характеристики здесь не уточняются.

Montalte/qwen4b-code-think-taskvector — экспериментальный артефакт слияния на базе плотной Qwen3-4B, предназначенный для исследований переноса навыков между математикой и программированием. В README указано, что исходная специализированная модель modrill/code-think-q4b-20260908 была получена полным SFT, а артефакт использует её веса как полный task vector относительно Qwen/Qwen3-4B-Base. Метаданные классифицируют модель как генеративную Qwen3ForCausalLM с 3,7 млрд параметров, контекстом 32 768 токенов и форматом safetensors. Модель предназначена для генерации текста и кода в экспериментальных сценариях, связанных с математическим рассуждением и программированием. Карточка не приводит результатов оценки качества, подробных инструкций по применению или подтверждения конкретных языков программирования. Лицензия — Apache-2.0.

Robyn-Agent — компактная языковая модель на архитектуре Qwen2, представленная как агент для Robinhood Chain, сети второго уровня на базе Arbitrum Orbit. Она предназначена для диалогового взаимодействия и генерации структурированных вызовов инструментов в формате, совместимом с Hermes и ElizaOS, для работы с EVM-протоколами и децентрализованными финансовыми сценариями. Заявленные сценарии включают анализ ликвидности, маршрутизацию токенизированных активов, операции с DEX и хранилищами Morpho, а также формирование транзакций с абстракцией оплаты газа. Модель имеет 494 млн параметров, контекст 32 768 токенов и доступна в формате safetensors. В метаданных указана поддержка английского, испанского, китайского, французского, немецкого, японского и хинди; карточка также заявляет многоязычные возможности. Модель выпущена под лицензией Apache-2.0. Заявления о задержке менее 100 мс и встроенных знаниях о токенизированных акциях приведены в карточке, но независимых подтверждений им в предоставленных данных нет. Генерация вызова инструмента сама по себе не исполняет транзакцию: для реальных операций нужна внешняя интеграция, а корректность и безопасность действий следует проверять.

ishorn5/RTLCoder-Deepseek-v1.1 — языковая модель для генерации RTL-кода, разработанная авторами проекта RTLCoder и дообученная на базе DeepSeek-Coder-6.7B. Модель предназначена для преобразования текстовых спецификаций цифровых схем в код Verilog и ориентирована на задачи проектирования аппаратуры с использованием LLM. Модель имеет архитектуру семейства LLaMA, около 6,6 млрд параметров и нативное контекстное окно 16 384 токена; поддерживает текстовый ввод и вывод и доступна для text-generation через Transformers и совместимые средства инференса. Основной сценарий — генерация модулей RTL по описанию интерфейсов и поведения, включая схемы, конечные автоматы и арифметические блоки. Сильной стороной является специализация на RTL-кодогенерации и результаты на бенчмарках VerilogEval и RTLLM. Модель может продолжать генерацию после завершения требуемого кода, поэтому результат необходимо проверять и при необходимости обрезать до корректного блока Verilog. Распространяется по лицензии Apache-2.0.

Это экспериментальный чекпойнт xw1234gan, созданный дообучением Qwen/Qwen2.5-Coder-3B-Instruct методом supervised fine-tuning на данных SecCodePLT+ для эксперимента по проверке соответствия требованиям безопасности кода. Модель принимает текстовые запросы и генерирует код или ответы, связанные с задачами бенчмарка; архитектура — плотная Qwen2ForCausalLM, размер — 3,1 млрд параметров, контекст — до 32 768 токенов. В обучении использован официальный обучающий набор из 655 примеров, а оценка проведена жадным декодированием на 164 тестовых примерах с проверяющей системой ReaL и DAPO-подобной функцией потерь. В карточке приведены доли прохождения проверок формата вывода и синтаксиса по 95,73%; эти результаты относятся только к указанному бенчмарку. Чекпойнт обучен с одним случайным seed и не даёт общей гарантии безопасности сгенерированного кода. Лицензия в предоставленных данных не указана.

StarCoder-1b-textbook — языковая модель для генерации кода, выпущенная Jina AI. Это полно-параметрическое дообучение starcoderbase-1b на наборе code_exercices; модель содержит 1 млрд параметров и использует архитектуру GPTBigCode. Контекст составляет 8192 токена, формат весов — PyTorch. Модель предназначена для генерации решений упражнений по программированию и продолжения кода. В README указано значение 27,0 pass@1 на HumanEval, однако этот результат не гарантирует сопоставимого качества в роли универсального помощника. Модель не настроена на выполнение инструкций и не предназначена для чат-диалогов. Модель выпущена под лицензией CC-BY-NC-SA-4.0. Она обучалась на данных, сгенерированных ChatGPT 3.5, а авторы предупреждают, что результаты HumanEval ограниченно отражают практические способности модели и что модель не выровнена с человеческими предпочтениями.

Trion-8B-FHIR-R4 — дообученная Rumiii модель на основе Llama 3.1 8B Instruct для многошагового вызова инструментов в клинических сценариях с API FHIR R4. Она принимает текстовые инструкции и формирует структурированные вызовы функций в формате JSON, совместимом с нативным шаблоном tool calling Llama 3.1; предусмотрено завершение цепочки вызовом finish. Модель предназначена для прототипирования клинических агентов, которые ищут пациентов, запрашивают лабораторные результаты и показатели жизнедеятельности, записывают показатели и выполняют связанные клинические рабочие процессы. Архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 131 072 токенов; заявлен английский язык. Выпуск использует safetensors, а обучение выполнено методом QLoRA с 4-битной базой и слиянием весов для публикации в fp16. Лицензия — Apache-2.0. В обучении использовано 284 многоходовых диалога из Nadhari/MedToolCalling по десяти типам задач и фиксированная схема из шести функций. Это может быть полезно для прототипов агентов и цепочек поиска пациента, получения результатов и размещения заказов, но охват редких случаев, неоднозначных инструкций и ресурсов вне схемы ограничен. Модель не проверена на безопасность, точность или надёжность для реального оказания медицинской помощи; сжатие ответов инструментов при обучении также означает, что обработка полных FHIR-данных без аналогичного сжатия может быть ненадёжной.