II.2Создание и понимание программного кода

Delphi 9e18 — базовая языковая модель команды Marin из открытой серии экспериментов по масштабированию Delphi. Это плотная авторегрессионная модель семейства Qwen 3 с 550 млн параметров по README; в метаданных указано 402,6 млн параметров. Модель обучена на 2,9 млрд токенов при вычислительном бюджете 9 × 10¹⁸ FLOPs и предназначена прежде всего для изучения закономерностей масштабирования и оценки поведения моделей при разных вычислительных бюджетах. Модель принимает текст и генерирует продолжение; контекст — до 4096 токенов. Обучение проводилось преимущественно на англоязычной смеси веб-данных, кода и математических материалов. Чекпойнт относится к исследовательскому набору и не проходил инструкционную настройку, RLHF или настройку безопасности, поэтому может хуже выполнять запросы в формате диалога и выдавать нежелательный текст. Лицензия — Apache-2.0.

AwaleSagar разработал GPIO-LLM Base RPi5 — компактную языковую модель семейства Llama, обученную с нуля и предназначенную для преобразования англоязычных запросов об управлении GPIO Raspberry Pi 5 в JSON-команды. Она поддерживает цифровой ввод-вывод, PWM, импульсы, ожидания, последовательности действий, ошибки и запросы на уточнение; формат ответа можно ограничить грамматикой, чтобы получать JSON одной из предусмотренных схем. Модель содержит около 18,8 млн параметров, использует архитектуру LlamaForCausalLM с 8 слоями, контекст 256 токенов и словарь из 12 000 токенов. Для запуска на Raspberry Pi доступен C-движок с весами int8; также опубликован чекпойнт для Transformers. В оценке на синтетических англоязычных запросах, составленных по шаблонам, точность совпадения ответа составила 95,17% на основном наборе, а валидность JSON — 99,98%. Модель охватывает только команды GPIO для Raspberry Pi 5 и не выполняет транзакции I2C, SPI или UART. Она может выдать исполняемое действие в ответ на запрос, требующий отказа или уточнения, поэтому перед управлением контактами необходим детерминированный валидатор; правила для других плат также следует проверять отдельно. Лицензия — CC BY 4.0.

Kaveri ST-GRPO 0.5B — экспериментальная модель для генерации кода, созданная дообучением Qwen/Qwen2-0.5B-Instruct. Разработчики применили GRPO с экспериментальным Signed Tensor GRPO: при обучении качество, разнообразие стратегий и покрытие тестов оценивались отдельно от штрафов за ошибки, схожие неудачные решения и повторы. Модель имеет плотную архитектуру Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Модель предназначена для генерации решений задач Codeforces на C++17. При обучении использовались проверка компиляции через g++ и официальные тесты, однако в README приведён только результат MMLU 43,94%, без результатов на Codeforces. Это экспериментальный чекпойнт, качество которого следует оценивать самостоятельно. Репозиторий содержит объединённую самостоятельную модель и исходный LoRA-адаптер. Лицензия — Apache-2.0.

Это модель эмбеддингов для выбора посылок в Lean 4 и Mathlib, разработанная Thomas Zhu и представленная в репозитории chasenorman как конверсия в формат GGUF с точностью F16. Она основана на дообученной модели l3lab/all-distilroberta-v1-lr2e-4-bs256-nneg3-ml-ne2 и предназначена для поиска подходящих утверждений и предложений библиотеки при формализации доказательств. В CanonicalDrafter она используется в premise-server для кэширования и отбора кандидатов через библиотеку premiseSelector. Модель принимает текст и выдаёт эмбеддинги; карточка указывает на использование mean pooling и контекст 512 токенов. Репозиторий распространяет конвертированные веса по лицензии MIT. Она специализирована для выбора посылок в Lean 4/Mathlib, поэтому её назначение не предполагает универсальную генерацию текста.

Nova-6.7B — базовая генеративная языковая модель для работы с ассемблерным кодом, представленная как артефакт исследования для статьи ICLR 2025. Модель содержит 6,7 млрд параметров, использует плотную архитектуру семейства Llama и обучалась с целью языкового моделирования на основе чекпойнтов DeepSeek-Coder. Для обучения применялись дизассемблированный код из AnghaBench и программы на C/C++ из The-Stack. Модель предназначена для генерации и продолжения текста на ассемблерном языке и для исследований языкового моделирования бинарного кода. Это базовая модель серии Nova; отдельный вариант Nova-6.7b-bcr дообучен для восстановления бинарного кода. Репозиторий содержит веса Safetensors, а контекст модели составляет 16 384 токена. Лицензия — BSD 3-Clause Clear. README описывает исследовательскую модель и её обучающие данные, но не приводит результаты оценки качества или подробные инструкции по применению. Заявленные задачи и обучение ориентированы на код; поддержку естественных языков карточка не описывает.

OlympicCoder-7B — языковая модель для генерации кода, разработанная командой Open-R1. Она дообучена на очищенной от пересечений с оценочными данными версии набора Codeforces и предназначена прежде всего для решения задач соревновательного программирования. В карточке приведены результаты оценки на IOI 2024 и LiveCodeBench. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и принимает текстовые запросы; заявленная длина контекста — 32 768 токенов. Основной язык — английский. При дообучении использовались решения на C++, сгенерированные DeepSeek-R1; результаты на тестах, где требуется Python, авторы считают частично выходящими за область обучения. Модель распространяется по лицензии Apache-2.0.

Wrench-4B-Qwen3.6-8E Experimental Preview — экспериментальная компактная модель для ограниченного выполнения повторяющихся и проверяемых задач разработчика. Она создана на основе Qwen3.6-35B-A3B и опубликована stancsz в формате Safetensors с весами BF16; заявлено 3,88 млрд параметров. Модель предлагает структурированные действия или воздерживается от ответа, а решение об исполнении остаётся за независимым верификатором и резервной более мощной моделью. Это не универсальный агент для программирования. Пакет предназначен для сценариев, где нужно извлекать релевантные фрагменты из больших запросов и предлагать ограниченные механические действия. В описанном гибридном режиме детерминированные инструменты выполняют поиск, разбор AST и зависимостей, а модель работает с ограниченным контекстом, обычно до 64 тыс. токенов. Заявлена совместимость API с формой запросов Ollama; заявленные диагностические показатели относятся к гибридному конвейеру, а не к качеству генерации модели отдельно. Карточка прямо помечает выпуск как предварительный и не предназначенный для промышленного или критически важного применения. Поведение, API, веса и упаковка могут меняться; автор также указывает на непроверенную границу генерации через стандартный Ollama и отсутствие подтверждённой поддержки GGUF и vLLM. Лицензия — Apache-2.0.

ConeML 348M Gamma — созданная с нуля компактная языковая модель семейства Llama, разработанная независимой исследовательской командой ConeML. Модель содержит 348,1 млн параметров, использует плотную архитектуру LlamaForCausalLM и обучена на примерно 6,9 млрд токенов. Она предназначена для генерации текста в формате диалога, синтеза кода и экспериментов с многошаговым рассуждением и калиброванным отказом от ответа. Контекст модели составляет 4096 токенов; для работы предусмотрен шаблон чата с маркерами User и Assistant. В заявленных оценках Gamma показала 13,4% pass@1 на HumanEval и превзошла локальную сравнительную модель Qwen2.5-0.5B-Instruct на отдельных тестах исполнения кода, многошаговых связей и калибровки ответов. При этом результаты на GSM8K слабые, а более широкие знания, повседневные рассуждения, следование инструкциям и качество прозы уступают сравнительной модели. Это исследовательский артефакт, не предназначенный для роли универсального производственного ассистента; результаты сравнения имеют методологические ограничения. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но некоммерческое. Модель распространяется в формате Safetensors и рассчитана на текстовый ввод и текстовую генерацию. README не сообщает поддерживаемые естественные языки, поэтому языки не перечислены.

gpio-llm-pico-rpi5 — компактная модель семейства Llama, разработанная AwaleSagar и обученная с нуля для преобразования англоязычных запросов к GPIO-разъёму Raspberry Pi 5 в JSON-действия. Она предназначена для управления цифровыми входами и выходами, PWM, импульсами, ожиданиями и последовательностями, а также для формирования ошибок и запросов на уточнение. Модель содержит около 2,74 млн параметров, использует архитектуру LlamaForCausalLM с 6 слоями и контекстом 256 токенов; словарь размером 12 000 токенов основан на byte-level BPE. Для встроенного применения доступен C-движок с int8-весами и ограничением генерации грамматикой, а также контрольная точка Transformers в fp32. Модель работает с английским текстом и выдаёт JSON-текст. На тестовом наборе автор сообщает точность exact match около 92% при свободной генерации и около 91% для int8 C-движка без грамматического ограничения на подмножестве eval_core. Однако модель не является защитным механизмом: некоторые запросы на отказ или уточнение она превращает в исполняемые действия, поэтому каждое действие необходимо проверять детерминированным валидатором до обращения к GPIO. Данные обучения синтетические и англоязычные; модель рассчитана на правила Raspberry Pi 5, не обрабатывает транзакции I2C, SPI или UART, а короткий контекст ограничивает объём входных данных. Лицензия — CC BY 4.0.

shawnw3i/Huihui-Qwen3.6-27B-abliterated-AWQ-MTP — экспериментальная версия Qwen3.6-27B, созданная на основе моделей huihui-ai/Huihui-Qwen3.6-27B-abliterated и Qwen/Qwen3.6-27B. По данным карточки, из модели с помощью abliteration были существенно удалены механизмы отказа, поэтому её позиционируют как менее ограниченную и «uncensored». README не указывает разработчика базовой архитектуры отдельно от Qwen и huihui-ai, а также не приводит сведения о поддерживаемых языках и точных модальностях; в метаданных указан тип image-text-to-text. Модель предназначена для исследовательского и экспериментального использования в сценариях генерации текста и тестирования моделей с ослабленной фильтрацией ответов. Размер модели — 27B параметров. Доступна AWQ-квантизация, поддерживается ядро AWQ Marlin, а также MTP speculative decoding для ускорения инференса. В примере запуска через vLLM задан максимальный контекст 65 536 токенов; заявленная производительность превышает 110 токенов в секунду на одном A800 80GB при использовании vLLM 0.21.0, MTP и FP8 KV-cache. Сильной стороной модели являются сниженная склонность к отказам, поддержка оптимизированного инференса и возможность ускоренной генерации. Ключевое ограничение — abliteration описана как грубая proof-of-concept-реализация, поэтому модель не имеет стандартных гарантий безопасности и может генерировать чувствительный, спорный или неподходящий контент. README рекомендует использовать её в контролируемых исследовательских средах, проводить мониторинг и проверку результатов и не применять без дополнительной оценки в публичных или высокорисковых продуктах. Лицензия указана как Apache-2.0.

Kaveri H-GRPO 0.5B — экспериментальная компактная модель для генерации кода, разработанная как дообучение Qwen/Qwen2-0.5B-Instruct. Она предназначена прежде всего для решения задач программирования в формате Codeforces на C++17. Модель обучали с помощью LoRA и TRL GRPOTrainer, применяя экспериментальный метод H-GRPO для изменения награды с учётом сходства стратегий и поведения решений на тестах. В репозитории есть объединённая самостоятельная модель и исходный LoRA-адаптер. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Она принимает текстовые запросы и генерирует текст, в том числе исходный код. В обучении использовались наборы open-r1/codeforces и verifiable-prompts, генерация четырёх решений на запрос и проверка компиляцией g++ и официальными тестами. Это небольшой экспериментальный чекпойнт с ограниченным обучением: README указывает 150 шагов оптимизатора и длину генерации до 256 токенов, поэтому модель может испытывать трудности со сложными задачами и длинными решениями. В карточке приведён результат MMLU 43,92%, который сам по себе не характеризует качество решения задач по программированию. Лицензия — Apache-2.0.

phi-1.5 — языковая модель на архитектуре Transformer с 1,3 млрд параметров, разработанная Microsoft. Она обучена предсказывать следующий токен на 150 млрд токенов, включая синтетические тексты для задач NLP; модель рассчитана прежде всего на английский язык и имеет контекст 2048 токенов. В карточке указана лицензия other. Модель подходит для генерации текста по шаблонам вопросов и ответов, чата и кода, а также для изучения понимания языка, здравого смысла, логических рассуждений и безопасности небольших языковых моделей. Это базовая модель без дообучения на следование инструкциям и без RLHF, поэтому сложные указания может выполнять ненадёжно, а ответы нередко содержат лишний или нерелевантный текст. Модель может ошибаться в фактах и коде, испытывать трудности с нестандартными библиотеками, разговорным английским и другими языками, а также воспроизводить социальные предубеждения или генерировать вредное содержание. В реализации не поддерживаются beam search, параметр attention_mask, выдача скрытых состояний и значений attention, а также пользовательские входные эмбеддинги. Разработчик позиционирует модель для исследований, а не для прямого применения в производстве.

Montalte/qwen4b-math-nothink-localize — экспериментальный объединённый чекпойнт на базе плотной языковой модели Qwen3-4B-Base, опубликованный автором Montalte. Он предназначен для экспериментов по переносу навыков между математикой и кодом; в README описано объединение с профильной математической моделью методом Localize-and-Stitch по валидационной выборке только из исходного домена. При объединении использованы разреженность 0,1 и маска только для основной части модели, без embedding-слоя и lm_head. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM, принимает текст и выдаёт текст; максимальный контекст — 32 768 токенов. Карточка не сообщает языки обучения или оценки качества. Лицензия — Apache-2.0.

Code Read-Span Selector — компактная модель Ishaan Ranjan для узкой подзадачи агента-разработчика: определения точного диапазона строк, в котором объявлен символ, в переданном фрагменте кода. Это полнопараметрическая модель Qwen2.5-0.5B-Instruct, дообученная с учителем на 1 772 примерах, созданных детерминированными правилами по репозиториям Python. Она построена на архитектуре Qwen2, содержит 494 млн параметров и имеет контекстное окно 32 768 токенов; в обучении использовалась максимальная длина последовательности 2 048 токенов. Модель рассчитана на работу в проверяющей оболочке, которая формирует запрос, разбирает JSON, применяет проверки и при необходимости использует правила. Модель предназначена для поиска строк определения символов в коде, а не для общего программирования или диалога. В оценке на отложенных репозиториях HTTPX и Jinja2 точность успешного выполнения после одной попытки с повтором при ошибке схемы составила 21,6%, поэтому эксперимент признан нерешённым; при самостоятельном использовании качество может быть недостаточным. Карточка указывает лицензию Apache-2.0.

Aravindan/smol-lm2-360-instruct — модель для генерации текста, созданная дообучением всех параметров SmolLM2-360M на наборе инструкций по кибербезопасности. Она предназначена для ответов на вопросы и выполнения текстовых инструкций по сетевой безопасности, анализу вредоносного ПО, анализу угроз, безопасному программированию, реагированию на инциденты и управлению уязвимостями. Модель построена на архитектуре Llama и содержит 361,8 млн параметров; принимает текст и генерирует текст, поддерживает английский язык и контекст до 8192 токенов. Это учебный проект по instruction fine-tuning, а не готовый к эксплуатации помощник по безопасности. Ответы могут быть ошибочными или устаревшими, а уровень защитного выравнивания не сопоставим с производственными LLM, поэтому рекомендации следует проверять по авторитетным источникам. Модель распространяется по лицензии Apache-2.0.

Functionalizer 100M — экспериментальная языковая модель примерно на 100 млн параметров, созданная с использованием фреймворка Functionalizer. В метаданных указана архитектура GPT-2 и класс GPT2LMHeadModel; модель предназначена для генерации текста. Она обучалась на датасете GitHub-кода на Python с заданным seed в течение 50 000 эпох. Модель может использоваться для экспериментов с генерацией кода на Python и изучения подхода Functionalizer к разбиению текста на субсловные токены. Для запуска требуется форк токенизатора, упомянутый в карточке. Указанный размер контекста — 512 токенов; веса доступны в формате safetensors. Карточка не приводит сведений о лицензии или результатах оценки качества.

Экспериментальный чекпойнт LLaDA-8B, созданный в проекте dLLM Registers на основе GSAI-ML/LLaDA-8B-Base. Модель дообучена на 60 тысячах примеров из OpenMathInstruct-2 и OpenCodeInstruct; она использует четыре непрерывных register-токена как ограниченный канал переноса состояния между окнами денойзинга. Размер чанка — 128 токенов. Чекпойнт предназначен для генерации текста с переносом состояния при поэтапном декодировании, в частности для проверки подхода bounded-state reasoning на математических и программных примерах. Для корректного использования канала регистров автор рекомендует загрузку через Transformers и параметры `num_registers=4`, `channel_mode=registers`, `tail_length=0` и `use_mask_token_for_registers`. Модель доступна по лицензии Apache-2.0. Это исследовательский экспериментальный вариант, описанный как baseline для валидации протокола; README не приводит результатов качества. Для работы с регистровым каналом нужны указанные параметры и совместимый код оценивания.

Это экспериментальный чекпойнт LLaDA-8B-Base, дообученный в проекте dLLM Registers для рассуждений с ограниченным состоянием в диффузионных языковых моделях. Модель использует хвост из четырёх дискретных токенов Markovian-Thinking как канал переноса состояния между окнами денойзинга; обучение проводилось с размером блока 128 токенов. Чекпойнт обучен на 60 тысячах примеров из OpenMathInstruct-2 и OpenCodeInstruct. Он предназначен для генерации текста с пошаговым переносом состояния в задачах математического рассуждения и программирования. Для корректного инференса требуется учитывать параметры канала: ноль register-токенов, режим tail и длину хвоста 4. Модель построена на плотной архитектуре LLaDA и содержит 8 млрд параметров; исходная модель использует диффузионную генерацию текста. Карточка указывает английский язык и лицензию Apache-2.0. Это исследовательский чекпойнт для оценки подхода к переносу состояния; качество за пределами описанного обучения и настройки канала не установлено.

lua-mistral-2L-tiny — небольшая языковая модель семейства Mistral, дообученная на наборе nilq/small-lua-stack для генерации текста, связанного с языком программирования Lua. В карточке указано 21,1 млн параметров, архитектура MistralForCausalLM и контекст до 2048 токенов; веса опубликованы в формате safetensors. Модель может служить экспериментальной основой для генерации фрагментов кода Lua и продолжения Lua-текста. В README приведено значение loss 1,6229 на оценочном наборе, но подробности оценки и сведения о качестве ответов не раскрыты. Базовая модель не названа, лицензия в доступных данных не указана.

MistralMind-Caller7B — диалоговая языковая модель на архитектуре Mistral, разработанная Rumiii как QLoRA-дообучение Mistral-7B-Instruct-v0.3. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для преобразования запросов о психическом здоровье и данных носимых устройств в вызовы функций, например для получения данных о пульсе или сне. Обучение на примерах MindCall дополнено выборкой xLAM, чтобы сохранить разнообразие схем аргументов и общие навыки вызова инструментов. Модель также подходит для диалоговой генерации текста. Это исследовательский и образовательный проект, не проверенный для клинического применения или диагностики. Целевые функции служат примерами: для получения реальных данных вызывающая система должна предоставить собственную реализацию бэкенда. Лицензия модели — Apache-2.0.

nanoswe/qwen-3.6-35b-a3b-teacher — слегка дообученная версия Qwen/Qwen3.6-35B-A3B, созданная для генерации траекторий решения задач программной инженерии. Модель использует архитектуру Qwen3.5 MoE и формат Safetensors; в метаданных указана библиотека Transformers. Базовая модель имеет 35 млрд параметров, а её архитектура поддерживает мультимодальную работу, однако этот вариант предназначен прежде всего для текстовой генерации траекторий. Модель обучена методом SFT на 14 268 отобранных траекториях, созданных самой базовой моделью для задач SWE-smith в стиле SWE-bench. Из выборки исключали неверные решения, траектории с признаками обхода задания и слишком лёгкие задачи; для каждого задания оставляли до трёх кратчайших корректных траекторий. Дообучение длилось одну эпоху и должно улучшать формат траекторий и успешность решения, сохраняя близость к исходному распределению модели. Основной сценарий применения — генерация обучающих примеров для дистилляции в более компактные модели. Модель также можно использовать для экспериментов с агентным решением задач разработки ПО. В метаданных указаны поддержка диалогов и интерфейса вызова инструментов; лицензия — Apache-2.0. Модель специализирована на траекториях программной инженерии и не описана как универсальный помощник. README не приводит независимых оценок качества; обучение ограничено одной эпохой и отобранным набором задач SWE-smith.

Qwen3-8B-Houdini-VEX-v10 — языковая модель для генерации и анализа кода SideFX Houdini VEX, разработанная Anshul Vashist на основе unsloth/Qwen3-8B. Модель дообучена для задач процедурной графики и работы с 3D-геометрией, включая обработку точек, вершин, примитивов и detail-атрибутов, а также сценарии KineFX, Solaris/USD, Pyro и volumetrics. Заявлены два режима вывода: Turbo Mode для быстрой генерации чистых VEX-фрагментов без пояснений и Deep Reasoning Mode с предварительным анализом в блоке <think>. Модель ориентирована на процедурное моделирование, работу с атрибутами геометрии, векторами, кватернионами, SIMD CVEX, IK, преобразованиями, пространственными вычислениями и исправлением типичных ошибок при переносе синтаксиса из GLSL. В репозитории доступны полновесные 16-битные веса, LoRA-адаптер и квантованная версия GGUF для llama.cpp; в README указано использование контекста размером 4096 токенов. Основное преимущество модели — специализация на Houdini VEX и связанных с ним процедурах 3D-графики, однако README не содержит независимых бенчмарков, точных данных о составе обучающего набора или гарантии корректности генерируемого кода, поэтому результаты следует проверять в Houdini. Указан язык English и лицензия Apache-2.0, допускающая коммерческое и личное использование согласно условиям лицензии.

Sparse-AST-BWM-100M-32 — компактная авторегрессионная языковая модель семейства Sparse-AST, разработанная для генерации кода и формул в задачах процедурной 3D-математики и Blender Python. Карточка описывает рекуррентный Leaky Gated Transformer с примерно 103,4 млн параметров по README; метаданные указывают 143,1 млн параметров. Модель использует байтовую токенизацию UTF-8 с размером словаря 512 и распространяется в формате SafeTensors. Модель предназначена для продолжения коротких фрагментов кода и помощи с операциями над векторами, матрицами, кватернионами и bmesh, включая библиотеки bpy, mathutils, numpy и gpu. Нативный контекст обучения составляет 32 токена; README сообщает о поддержке интерполяции позиционных кодировок до 4096 токенов на этапе вывода. Приведены результаты экспериментальной оценки на учебном наборе Blender 3D Math & Python Curriculum, но они сами по себе не подтверждают качество в иных задачах. Лицензия — Apache-2.0. Очень короткий нативный контекст и специализированная область обучения ограничивают надёжность на длинных последовательностях и общих текстовых задачах; сведения о поддержке русского языка отсутствуют, поэтому модель следует рассматривать как ориентированную на английский и код.

Falcon-H1 TinyShell — компактная языковая модель на архитектуре Falcon-H1, разработанная Tharun Pranav Sakthivel путём дообучения tiiuae/Falcon-H1-Tiny-Tool-Calling-90M. Она преобразует инструкции на естественном английском языке в структурированный JSON формата TinyShell ShellIntent, выбирая действие compile, clarify или unsupported. Модель предназначена для интерфейсов, которые переводят запрос пользователя в формализованное намерение для последующей детерминированной обработки. Модель содержит 60,8 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors. Заявленная длина контекста — 262 144 токена. На отложенной выборке указаны доля корректно разбираемого JSON 99,5%, соответствие схеме 96,5% и точное совпадение IR 33%. Лицензия указана как other в метаданных; README сообщает, что производная модель распространяется по лицензии Falcon-LLM, условия которой следует сверять с файлами лицензии репозитория.

CAD-Coder — модель генерации кода для автоматизированного проектирования, разработанная авторами работы «CAD-Coder: Text-to-CAD Generation with Chain-of-Thought and Geometric Reward», принятой на NeurIPS 2025. Она преобразует текстовые описания деталей и конструкций в исполняемые скрипты CadQuery на Python для создания параметрических 3D-моделей. Модель построена на Qwen2.5-7B-Instruct с архитектурой Qwen2ForCausalLM и дообучена в два этапа: supervised fine-tuning для изучения синтаксиса CadQuery и соответствия текста коду, затем обучение с подкреплением GRPO с наградой за геометрическую точность и корректный формат. Модель рассчитана на генерацию CadQuery-кода по естественно-языковым запросам, в том числе для сложных конструкций с пошаговым рассуждением. В метаданных указаны 7,1 млрд параметров, контекст до 32 768 токенов, библиотека Transformers и формат safetensors. Карточка приводит улучшенные показатели геометрического сходства по сравнению с Text2CAD, но конкретное качество зависит от запроса и результата исполнения кода. Для практического запуска CadQuery предлагается установить отдельно. Лицензия — Apache-2.0.

Delphi 3e20 — базовая языковая модель команды Marin из набора экспериментов Delphi по масштабированию. Это плотная авторегрессионная модель семейства Qwen 3 с 2,54 млрд параметров, обученная на 18,6 млрд токенов при бюджете 3 × 10²⁰ FLOPs. Контекст составляет 4096 токенов; модель распространяется в формате safetensors и предназначена для генерации текста и исследований масштабирования языковых моделей. Модель предварительно обучена на преимущественно англоязычной смеси веб-данных, кода и математических текстов. Её можно применять для продолжения текста и оценки поведения базовой модели в исследовательских экспериментах; она не проходила инструкционное дообучение, RLHF или настройку безопасности. Чекпойнт выпущен как исследовательский артефакт, а не готовая производственная модель. Лицензия — Apache 2.0.

FutureCAD-7B — языковая модель для генерации программ CadQuery по текстовым описаниям трёхмерных деталей. Она разработана на основе Qwen2.5-7B-Instruct и дообучена для преобразования запросов в исполняемый CAD-код; основная ревизия `main` обучена с подкреплением методом GSPO, также доступна ревизия `sft` после supervised fine-tuning. Модель построена на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текстовую программу на Python с использованием CadQuery. При успешном выполнении программы в предоставленной среде можно экспортировать геометрию в форматы STEP и STL. Для работы авторы указывают использовать окружение и инструменты из репозитория FutureCAD. Карточка указывает лицензию Apache-2.0. Модель ориентирована на англоязычные описания; качество результата зависит от точности описания и успешного исполнения сгенерированного кода.

OS-Software/gemma-4-31B-it-qat-heretic-japanese-imatrix-GGUF — сильно квантизированная GGUF-версия инструкционно дообученной модели Google DeepMind Gemma 4 31B-it. Модель создана OS-Software как производная от базовой Gemma 4 с использованием Heretic и imatrix, оптимизированной для генерации текстов на японском языке. Формат GGUF рассчитан на совместимость с широким спектром средств локального запуска. Модель предназначена для исследовательских и экспериментальных задач, включая генерацию текста, рассуждения, программирование, анализ изображений и изучение безопасности и выравнивания моделей. Согласно описанию семейства Gemma 4, модели поддерживают текстовый и визуальный ввод, текстовый вывод, многоязычность более чем на 140 языках и контекст до 256 тысяч токенов; точные характеристики именно этой производной версии отдельно не уточнены. Ключевой особенностью является существенное снижение требований к памяти благодаря QAT-квантизации, однако при генерации могут возникать повторяющиеся циклы; в README рекомендуется при необходимости увеличить параметр repeat-penalty до 1.1. По сравнению со стандартной моделью Gemma эта версия имеет значительно ослабленное защитное выравнивание, поэтому с большей вероятностью может выдавать вредный, неточный, предвзятый, оскорбительный или иной нежелательный контент. Модель не рекомендуется для публичных или пользовательских сервисов; все результаты необходимо считать недоверенными, проверять человеком и использовать с дополнительными мерами безопасности. Модель распространяется по лицензии Apache 2.0, применимой к базовой Gemma 4, с учетом условий лицензии Google.

Модель RangareddyJulakanti/java-fullstack-interview-model — дообученная RangareddyJulakanti языковая модель семейства Llama 3.2 с 3,2 млрд параметров, созданная на базе unsloth/Llama-3.2-3B-bnb-4bit с использованием Unsloth и библиотеки TRL. В карточке она обозначена как модель для генерации текста; название указывает на применение при подготовке к собеседованиям по Java и full-stack-разработке. Модель принимает текст и генерирует текст. В метаданных указан контекст длиной до 131 072 токенов и английский язык. Лицензия — Apache-2.0. README не приводит сведения о тренировочных данных, проверке качества или конкретных специализациях ответов, поэтому пригодность для широкого круга вопросов по Java и full-stack-разработке не подтверждена подробными оценками.

Nova-1.3B — языковая модель с 1,3 млрд параметров для генерации кода на языке ассемблера, представленная как базовая модель проекта Nova. Её разработали для исследования генеративных моделей кода с иерархическим вниманием и контрастивным обучением; модель описана в работе, представленной на ICLR 2025. Nova предварительно обучена на задаче языкового моделирования на основе чекпойнтов DeepSeek-Coder, с использованием дизассемблированного кода из AnghaBench и программ на C/C++ из The Stack. Модель предназначена для генерации и продолжения кода ассемблера и исследования связи исходного кода с его дизассемблированным представлением. Архитектура — плотная causal language model семейства Llama; веса доступны в формате safetensors, контекст — до 16 384 токенов. README не уточняет поддерживаемые естественные языки. Лицензия — BSD-3-Clause-Clear. Это базовая модель, а не вариант Nova, дообученный для восстановления бинарного кода по инструкциям. Её специализированное обучение и размер могут ограничивать качество за пределами кода и задач, связанных с ассемблером; README не приводит количественных оценок качества.