II.2Создание и понимание программного кода

NinjaDolphin-7B — объединённая модель на основе Mistral, созданная FelixChao с помощью метода dare_ties. Она сочетает FelixChao/WizardDolphin-7B и две модели, ориентированные на программирование: beowolx/CodeNinja-1.0-OpenChat-7B и beowolx/MistralHermes-CodePro-7B-v1. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и кода, включая дополнение кода и решение задач по программированию. В README приведён результат 52,44 на HumanEval для генерации Python-кода без инструкций и постобработки. Файлы опубликованы в формате safetensors. Лицензия — Apache-2.0.

North Mini Code — открытая модель весов для генерации кода, агентной разработки программного обеспечения и выполнения задач в терминале, разработанная Cohere и Cohere Labs. Репозиторий unsloth/North-Mini-Code-1.0 содержит производную версию базовой модели CohereLabs/North-Mini-Code-1.0; метаданные указывают 1,2 млрд параметров, тогда как README базовой модели описывает конфигурацию на 30 млрд параметров, из которых активны 3 млрд. Это расхождение в размере может отражать различия между репозиториями, поэтому размер самой версии Unsloth следует трактовать по метаданным. Модель построена на декодерном Transformer с разреженной архитектурой Mixture-of-Experts и предназначена для текстового ввода и генерации текста. Она поддерживает контекст до 500 тыс. токенов согласно метаданным; README базовой модели приводит 256 тыс. токенов контекста и до 64 тыс. токенов вывода. Модель обучалась для агентного программирования и поддерживает интерфейс вызова инструментов, включая сценарии работы с терминалом. Карточка базовой модели сообщает о двухэтапном дообучении SFT и RLVR. Модель подходит для генерации кода, решения задач разработки с использованием инструментов и выполнения терминальных заданий. Она распространяется по лицензии Apache 2.0. Для запуска README рекомендует актуальные исходные версии Transformers или vLLM; точные результаты могут зависеть от среды и настроек генерации.

NousCoder-14B-GGUF — это квантизированные версии языковой модели NousCoder-14B, разработанной NousResearch и подготовленные bartowski в формате GGUF с использованием llama.cpp. Модель предназначена прежде всего для генерации и анализа программного кода, решения задач программирования и работы в локальных средах запуска, включая llama.cpp, LM Studio, koboldcpp, Jan AI и другие совместимые инструменты. В README также указаны наборы данных, связанные с генерацией кода и задачами LiveCodeBench, использованные для базовой модели или её подготовки. Модель имеет размер 14 миллиардов параметров; точные сведения об архитектуре, поддерживаемых языках программирования и длине контекста в README не указаны. Доступны варианты от BF16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми названы многие варианты Q4–Q6; Q4_K_M обозначен как стандартный вариант для большинства сценариев, а менее точные Q3 и Q2 подходят главным образом при ограниченных ресурсах. Сильными сторонами являются возможность локального запуска, широкий выбор квантований и совместимость с популярными инструментами инференса. Ограничения связаны с компромиссом между размером и качеством при использовании квантованных версий, а также с тем, что некоторые форматы могут требовать обновления программного обеспечения. Модель и представленные квантизации распространяются по лицензии Apache-2.0.

Это GGUF-модель NVIDIA Nemotron-3-Nano-30B-A3B в формате BF16, подготовленная автором репозитория с помощью llama.cpp. Исходная модель NVIDIA обучена с нуля как универсальная языковая модель для рассуждений и обычного диалога; этот вариант использует гибридную архитектуру MoE с 23 слоями Mamba-2 и MoE и 6 слоями внимания. Всего модель содержит 30 млрд параметров, из которых на каждом токене активны около 3,5 млрд; в каждом MoE-слое есть 128 экспертов и один общий эксперт, активируются шесть экспертов. Модель предназначена для ответов на вопросы, следования инструкциям, программирования, многоязычного диалога, а также создания чат-ботов, RAG-систем и агентных приложений. Режим рассуждений можно включать и отключать через шаблон чата; карточка указывает контекст до 1 млн токенов, при этом конфигурация по умолчанию рассчитана на 256 тыс. токенов. Поддерживаются английский, немецкий, испанский, французский, итальянский и японский языки. Вариант использует BF16, поэтому это не низкобитная квантизация, хотя веса представлены в GGUF и подготовлены для llama.cpp. Для запуска также перечислены Transformers, vLLM, TRT-LLM и SGLang; максимальный контекст и требования к памяти зависят от конфигурации. Модель заявлена как пригодная для коммерческого использования; метаданные репозитория указывают лицензию «other», поэтому перед применением следует проверить условия лицензии исходной модели NVIDIA.

NVIDIA Nemotron-3-Super-120B-A12B-NVFP4 — большая языковая модель NVIDIA для диалогов, рассуждений и создания агентных систем. Она содержит 120 млрд параметров, из которых при генерации активны 12 млрд, и использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2, Mixture-of-Experts и Attention, а также Multi-Token Prediction для ускорения генерации. Модель обучена с применением квантования NVFP4 и рассчитана на контекст до 1 млн токенов. Модель предназначена для сложного следования инструкциям, длинноконтекстных задач, чат-ботов, RAG-систем и совместно работающих ИИ-агентов; среди примеров применения — автоматизация обработки IT-заявок и задачи с вызовом инструментов. Поддерживаются английский, французский, немецкий, итальянский, японский, испанский и китайский языки, а также сценарии работы с кодом. NVIDIA указывает, что модель готова к коммерческому использованию. В метаданных лицензия обозначена как other, поэтому конкретные условия следует проверять в лицензионных материалах репозитория.

LLMWildling/NVIDIA-Nemotron-3-Super-135B-A13B-Coder-NVFP4 — созданная сообществом специализация NVIDIA Nemotron 3 Super 120B-A12B NVFP4 для программирования; это не официальный выпуск NVIDIA. Модель использует архитектуру семейства Nemotron с разреженной активацией: при общем размере 135,21 млрд параметров активны 13,22 млрд параметров на токен. Веса представлены в смешанном формате NVFP4; модель загружается через Transformers и предназначена для диалогового взаимодействия. Модель рассчитана на генерацию кода, анализ репозиториев, работу в программных агентах и сценарии с использованием инструментов. В карточке приведён пример создания работающей SVG-игры Flappy Bird менее чем за 60 тысяч токенов, но это результат внутренней оценки, а не независимая гарантия качества. Для базовой модели каталог указывает поддержку длинного контекста и рассуждений; конкретная длина контекста этой версии не приведена. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория. Автор README заявляет о готовности к производственному применению.

Карточка модели Karmation/NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4 на Hugging Face совпадает с карточкой baseten/NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4-dequant-to-BF16, поэтому описание составлено по ней. Nemotron-3-Ultra-550B-A55B-NVFP4-dequant-to-BF16 — большая языковая модель NVIDIA для диалогов, рассуждений и агентных сценариев. Она использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture of Experts, отдельными слоями Attention и Multi-Token Prediction. Всего в модели 550 млрд параметров, из них 55 млрд активны при вычислении; репозиторий содержит веса SafeTensors в BF16, полученные из NVFP4-чекпойнта. Модель предназначена для сложных многошаговых задач, следования инструкциям, анализа длинных документов и кодовых баз, а также для создания чат-ботов, RAG-систем и AI-агентов. Она поддерживает генерацию текста и чат на английском, французском, испанском, итальянском, немецком, португальском, японском, корейском, хинди, арабском, китайском и иврите. Карточка заявляет контекст до 1 млн токенов, тогда как метаданные указывают 262 144 токена; фактический предел зависит от конфигурации используемого чекпойнта и среды запуска. Модель рассчитана на крупные многонодовые развёртывания и требует мощного оборудования NVIDIA. Лицензия указана как other; README разрешает коммерческое и некоммерческое использование, но конкретные условия следует сверить с текстом лицензии репозитория.

Nemotron-3-Ultra-550B-A55B-NVFP4-dequant-to-BF16 — большая языковая модель NVIDIA для диалогов, рассуждений и агентных сценариев. Она использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture of Experts, отдельными слоями Attention и Multi-Token Prediction. Всего в модели 550 млрд параметров, из них 55 млрд активны при вычислении; репозиторий содержит веса SafeTensors в BF16, полученные из NVFP4-чекпойнта. Модель предназначена для сложных многошаговых задач, следования инструкциям, анализа длинных документов и кодовых баз, а также для создания чат-ботов, RAG-систем и AI-агентов. Она поддерживает генерацию текста и чат на английском, французском, испанском, итальянском, немецком, португальском, японском, корейском, хинди, арабском, китайском и иврите. Карточка заявляет контекст до 1 млн токенов, тогда как метаданные указывают 262 144 токена; фактический предел зависит от конфигурации используемого чекпойнта и среды запуска. Модель рассчитана на крупные многонодовые развёртывания и требует мощного оборудования NVIDIA. Лицензия указана как other; README разрешает коммерческое и некоммерческое использование, но конкретные условия следует сверить с текстом лицензии репозитория.

OctoGeeX — инструкционно дообученная языковая модель для генерации кода и выполнения текстовых инструкций. Согласно README, её разработали в рамках проекта BigCode, дообучив CodeGeeX2 на CommitPackFT и OASST; в метаданных указаны архитектура ChatGLM, 7,5 млрд параметров и библиотека Transformers. Модель работает с текстом, поддерживает английский и китайский языки и более 100 языков программирования. Родная длина контекста — 8192 токена. Модель подходит для генерации и дополнения кода, а также для ответов на инструкции. README рекомендует оформлять запрос с префиксом «Question: » и завершать его строкой «Answer:». Указанные в карточке обучения включают предварительное обучение с целью Fill-in-the-Middle и последующее инструкционное дообучение. Модель опубликована в формате PyTorch. В README не приведены условия лицензии, поэтому их нельзя уточнить по доступным сведениям. Данные о размере модели расходятся: README называет 6 млрд параметров, а метаданные — 7,5 млрд.

OpenBuddy Coder 34B V11 — большая плотная языковая модель семейства Llama, созданная OpenBuddy и представленная в этом репозитории в формате GGUF BF16 для локального запуска. Это конверсия модели OpenBuddy Coder 34B V11 в GGUF, совместимая с llama.cpp и рядом пользовательских интерфейсов и библиотек для локального инференса. Модель предназначена для генерации текста в сценариях программирования и общения с ассистентом. Она поддерживает китайский, английский, французский, немецкий, японский, корейский, итальянский и русский языки. В README приведены варианты файлов с разной разрядностью GGUF; сильная сторона формата — возможность запускать модель на CPU и GPU с выбором компромисса между размером и качеством. Для самого малого варианта README предупреждает о существенной потере качества. Для запуска нужны совместимый движок и ресурсы, соответствующие выбранному файлу и настройке выгрузки слоёв на GPU. Контекстная длина в предоставленных данных не указана. Лицензия — Llama 2, поэтому использование регулируется её условиями.

OpenCodeInterpreter-CL-70B — модель для генерации кода из семейства OpenCodeInterpreter, разработанного как система для интеграции языковых моделей с выполнением кода и итеративным уточнением результатов. Эта версия основана на CodeLlama-70b-Python-hf и использует плотную архитектуру LlamaForCausalLM с 68,7 млрд параметров. Модель предназначена для генерации и интерпретации кода в диалоговом формате. Подход OpenCodeInterpreter предполагает использование обратной связи от выполнения кода для улучшения результатов; README приводит сравнение семейства на HumanEval и MBPP. В карточке этой конкретной версии заявлено окно контекста 16 384 токена, указана поддержка английского языка и формат весов safetensors. Модель может применяться для помощи в программировании и создания фрагментов кода. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Приведённые в README результаты относятся к семейству и не дают отдельной оценки этой версии 70B; выполнение кода и получение обратной связи требуют соответствующей внешней среды.

OpenCodeInterpreter-CL-7B — языковая модель для генерации кода из семейства OpenCodeInterpreter. Она разработана как система, объединяющая генерацию кода с выполнением и итеративным уточнением по обратной связи; в карточке указано, что модель основана на CodeLlama-7b-Python-hf. Модель имеет плотную архитектуру LlamaForCausalLM и около 6,6 млрд параметров. Она предназначена для написания и улучшения программного кода; для семейства OpenCodeInterpreter описано применение обратной связи от выполнения кода, но карточка не подтверждает, что этот репозиторий сам содержит среду выполнения. Контекст составляет 16 384 токена. В метаданных указан английский язык. В README приведены результаты серии OpenCodeInterpreter на HumanEval и MBPP, однако таблица относится к разным вариантам семейства и не содержит отдельного результата именно для CL-7B. Лицензия в предоставленных данных не указана.

OpenCodeInterpreter-SC2-3B — модель генерации кода из семейства OpenCodeInterpreter, разработанная как система для создания, выполнения и итеративного уточнения кода. Она основана на StarCoder2-3B и использует плотную авторегрессионную архитектуру Starcoder2ForCausalLM; в метаданных указано 4,2 млрд параметров и контекст до 16 384 токенов. Модель предназначена для генерации кода и помощи в программировании. Семейство OpenCodeInterpreter исследует использование обратной связи от выполнения кода для его уточнения; README приводит результаты серии моделей на HumanEval и MBPP, но не указывает отдельные результаты именно этой версии. Карточка описывает англоязычную модель. Веса доступны в формате safetensors, лицензия — Apache-2.0.

OpenCodeReasoning-Nemotron-32B — языковая модель NVIDIA для генерации и пошагового решения задач программирования. Это дообученная для рассуждений в задачах генерации кода версия Qwen2.5-32B-Instruct; модель построена на плотном декодерном Transformer с архитектурой Qwen2 и содержит 32 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана на сценарии с программированием, включая задачи соревновательного уровня. Для обучения использован набор OpenCodeReasoning из 736 тысяч примеров с задачами по программированию и ответами, сгенерированными DeepSeek-R1. В метаданных заявлены диалоговый режим, работа с кодом и интерфейс вызова инструментов. Модель предназначена для разработчиков и исследователей, создающих приложения на основе LLM. В README указана готовность к коммерческому и некоммерческому использованию; лицензия — Apache-2.0. Она оптимизирована для NVIDIA GPU, а README рекомендует запуск на Linux с NeMo или vLLM. Оценки из README приведены по 64 запускам на бенчмарк, поэтому фактическое качество может различаться в зависимости от задачи и условий запуска.

opencsg-starcoder2-3b-v0.1 — модель генерации кода от исследовательской команды OpenCSG, полученная полнопараметрической донастройкой StarCoder2. Она предназначена для генерации и дополнения программного кода; исходное семейство обучалось на данных более чем по 80 языкам программирования из The Stack. Модель имеет плотную архитектуру StarCoder2ForCausalLM, содержит 4,2 млрд параметров и поддерживает контекст до 16 384 токенов. В карточке приведён результат 42,68% pass@1 на HumanEval для Python при жадном декодировании; авторы отмечают, что результат зависит от метода декодирования и параметров. Данные бенчмарка ограничены задачами HumanEval и не устанавливают качество для всех языков и сценариев разработки. Указана лицензия BigCode OpenRAIL-M.

OpenThinkerAgent-32B-SFT-10K — языковая модель семейства Qwen3, разработанная в рамках проекта OpenThoughts-Agent. Это плотная модель с 29,7 млрд параметров, дообученная полным fine-tuning от Qwen/Qwen3-32B на 10 тысячах примеров с траекториями работы агента. Модель предназначена для диалога и генерации кода, а также для выполнения многошаговых задач в агентной среде, включая работу с терминалом и программную инженерию. В карточке приведены результаты оценки в harness terminus-2 на SWE-Bench-Verified-100, OpenThoughts-TBLite и Terminal-Bench 2.0; в этих проверках модель превзошла исходную Qwen3-32B. В метаданных указан контекст 40 960 токенов и формат весов safetensors. Модель принимает и генерирует текст; поддерживаемые языки, кроме кода, отдельно не обозначены. Лицензия — Apache-2.0.

Orca-2-4B-hight — текстовая модель генерации на архитектуре Qwen3ForCausalLM, опубликованная roskosmos19. Это производная от Qwen3-4B модель с фокусом на программирование и агентные сценарии: она может вести диалог, рассуждать и формировать вызовы инструментов. По описанию автора, переход к генерации за один проход вместо обязательной трёхэтапной схемы сокращает задержку и стоимость работы; длинный ответ генерируется по необходимости. Модель содержит 3,7 млрд параметров и поддерживает контекст до 32 768 токенов. Для развёртывания указана библиотека Transformers; файлы репозитория представлены в формате safetensors. Автор рекомендует квантованные варианты Q4_K_M или AWQ для ускорения, но они не заявлены как формат файлов этой модели. Модель предназначена для генерации и анализа кода, решения задач с использованием инструментов и диалоговой помощи при разработке. В README нет сведений о поддерживаемых естественных языках. Лицензия — Apache 2.0.

SC117/Ornith-1.0-35B-MTP-APEX-GGUF — GGUF-сборка модели Ornith-1.0-35B от DeepReinforce AI, предназначенная для агентного программирования. Базовая модель Ornith дообучена на Qwen3.5 с применением обучения с подкреплением для совместной оптимизации генерации каркаса решения и последовательности действий по его выполнению. В сборку включены MTP-слои и проектор зрения mmproj в формате F16; для запуска с поддержкой изображений README указывает llama.cpp. Модель принимает текстовые запросы и, при использовании проектора зрения, изображения; генерирует текст, включая код и шаги решения задач. В карточке заявлены результаты на Terminal-Bench 2.1, SWE-Bench Verified/Pro/Multilingual, NL2Repo и OpenClaw. Для сервера llama.cpp приведена длина контекста 131072 токена. Файлы распространяются в GGUF с APEX-квантизацией, а также в BF16 и F16. Лицензия — MIT.

Ornith-1.5-27B-A3B-Coder-MTP-GGUF — квантизированная GGUF-версия модели Ornith-1.5-27B-A3B-Coder, разработанная ManniX-ITA. Модель предназначена прежде всего для генерации и анализа программного кода, задач рассуждения и сценариев локального запуска через llama.cpp. Она построена на архитектуре Qwen3.5-MoE и использует разреженную структуру Mixture-of-Experts: около 26,66 млрд общих параметров, из которых активно используются примерно 3 млрд. В составе модели 184 эксперта, 8 из них выбираются на шаге генерации, а также один дополнительный MTP-слой для многошагового предсказания. Модель представлена в форматах от F16 до сильно сжатых вариантов IQ2 и Q2, включая Q4_K_M, Q5_K_M, Q6_K и Q8_0; для квантов применялась индивидуальная importance matrix. Заявлена поддержка английского языка, текстового ввода и вывода, рассуждений и кода. В README также указана возможность работы с изображениями, но для этого требуется отдельно поставляемый vision projector mmproj; сами веса модели текстовые. Рекомендуемый контекст при запуске llama.cpp составляет до 262144 токенов, а использование reasoning budget считается обязательным. Сильные стороны модели — сочетание крупной общей ёмкости с низким числом активных параметров, широкий выбор уровней квантования, поддержка MoE, MTP, reasoning и локального инференса, а также наличие отдельного проектора для мультимодального режима. Ограничения включают необходимость подбирать квантование под доступную память, возможное заметное ухудшение качества в самых компактных вариантах и потенциально высокую задержку при длинных рассуждениях. Модель распространяется по лицензии Apache-2.0.

Карточка модели mak11boyz/Ornith-1.5-9B на Hugging Face совпадает с карточкой ornith-ai/Ornith-1.5-9B, поэтому описание составлено по ней. Ornith-1.5-9B — плотная языковая модель примерно на 9 млрд параметров семейства Qwen3.5, разработанная командой Ornith AI. Она развивает Ornith-1.0 за счёт цикла самоулучшения с генерацией обучающих задач, поиском стратегий решения и обучением с подкреплением. Модель предназначена для агентных сценариев, программирования и выполнения многошаговых задач с использованием инструментов; поддерживает диалог и вызовы функций через совместимый с OpenAI API интерфейс. Модель принимает и генерирует текст. Заявленное базовое окно контекста составляет 262 144 токена; с масштабированием YaRN в README описано расширение примерно до миллиона токенов, которое может немного снижать качество на обычных запросах. Версия на 9B рассчитана на эффективное развёртывание, включая обслуживание на одной 80-гигабайтной GPU; веса в bf16 занимают около 19 ГБ. Карточка описывает бенчмарки для программных и агентных задач, но сами численные результаты здесь не приведены. Лицензия — MIT.

Ornith-1.5-9B — плотная языковая модель примерно на 9 млрд параметров семейства Qwen3.5, представленная в карточке как лёгкая модель семейства Ornith-1.5. Она предназначена для диалогов и агентных сценариев, включая программирование, решение задач с инструментами и работу с длинными входными данными. Модель поддерживает вызов инструментов через совместимый с OpenAI интерфейс и контекст до 262 144 токенов; README описывает расширение окна примерно до миллиона токенов с помощью YaRN, с возможным снижением качества на обычных запросах. В карточке Ornith-1.5 описана как результат развития Ornith-1.0 с генерацией обучающих задач, поиском стратегий и обучением с подкреплением; указанная модель позиционируется как вариант для эффективного развёртывания. Представлены результаты бенчмарков для программных и агентных задач, а также измерения показывают меньше отказов, чем у сравниваемой исходной модели. Репозиторий содержит веса safetensors и использует Transformers. Лицензия — MIT. README указывает на плотную архитектуру Qwen3.5 и размер около 9 млрд параметров, однако также описывает семейство как основанное на Qwen3.5 и Gemma4; точную связь именно этого чекпойнта с базовой моделью из доступных сведений установить нельзя. Метаданные включают тег image-text-to-text, но карточка описывает текстовое поколение и не подтверждает визуальный ввод для этой версии.

Satyrn Qwen3.8-27B-py3.15 — дообученная командой Satyrn языковая модель на базе Qwen3.8-27B, созданная для генерации текста и помощи с кодом на Python 3.15. Это плотная авторегрессионная модель с архитектурой Qwen3.5 и интерфейсом чата; метаданные также указывают поддержку интерфейса вызова инструментов. Модель обучалась в конвейере Satyrn с использованием Unsloth; этап обучения на RL-данных для этого выпуска был отключён. Модель предназначена для генерации и объяснения кода с учётом целевой версии Python 3.15, а также для диалоговой помощи в задачах программирования. В карточке заявлены английский язык и код Python. Доступны веса Safetensors и GGUF, включая BF16 и Q4_K_M. Лицензия — MIT.

moelanoby/phi-3-M3-coder — дообученная модель на базе Microsoft Phi-3 Mini Instruct, предназначенная для генерации кода и диалогового взаимодействия. Это плотная причинная языковая модель архитектуры Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; карточка указывает поддержку кода и чата, а также языки Arabic, English, German, French, Portuguese и Polish. Модель рассчитана на написание и исправление программного кода, в том числе с экспериментальным режимом самокоррекции в несколько проходов. В README приведены результаты на HumanEval и других тестах, однако отдельные показатели заявлены самим автором и могут не отражать качество на иных задачах. Карточка рекомендует проверять баланс между числом проходов самокоррекции, связностью и точностью. Указана лицензия Apache 2.0, допускающая коммерческое использование.

raporto/pycoder-3b — дообученная методом QLoRA модель Qwen/Qwen2.5-3B-Instruct для помощи в программировании на Python. Разработчик настроил её на формат ответа: модель стремится выдавать полный исполняемый код вместо фрагментов, соблюдать единый стиль и отвечать на португальском, сохраняя возможности английского языка. Адаптер LoRA объединён с базовыми весами; модель содержит около 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации и объяснения кода Python в диалоговом формате. Её обучали на наборе из примерно 18 тысяч инструкций по коду, а при обучении учитывались только токены ответов ассистента. Для ожидаемого формата общения следует использовать шаблон ChatML Qwen2.5. Португальский и английский поддерживаются целенаправленно; испанский унаследован от базовой модели, но формат ответов на нём не гарантируется. Модель компактна и подходит для повседневных задач программирования, однако может выдумывать API и менее надёжна при масштабных рефакторингах и длинных рассуждениях. Сгенерированный код нужно проверять, особенно перед запуском с доступом к файлам, сети или недоверенным вводом. Лицензия — Apache 2.0; перед распространением производных следует также проверить условия лицензии набора данных.

Pyrex-8B-Instruct-Uncensored — дообученная модель для генерации кода и задач разработки ПО, опубликованная ImposterOnline. В карточке она описана как модель класса 8B с архитектурой Transformer и компонентами RoPE, SwiGLU, RMSNorm и GQA; метаданные Hugging Face указывают архитектуру Qwen2, 7,1 млрд параметров и формат safetensors. Модель принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Заявленная длина контекста — 32 768 токенов, при этом обучение проводилось на последовательностях длиной 4 096 токенов. Модель предназначена для генерации кода, многошаговой отладки и сценариев агентного программирования с вызовом функций. В README приведены результаты HumanEval и MBPP; качество на других задачах не установлено этими оценками. Модель дообучена методом QLoRA на смесях наборов данных для программирования и вызова функций. Лицензия — MIT. В карточке модель названа uncensored и заявлено отсутствие встроенных фильтров безопасности. Автор рекомендует проверять выходы в изолированной среде перед использованием в критичных системах; качество на контекстах длиннее 4 096 токенов не проверено. Метаданные и README расходятся в числе параметров (7,1B и 7,6B соответственно), поэтому точный размер следует считать неоднозначным.

Qwable-9B-Claude-Fable-5 — модель Empero, созданная полнопараметрическим дообучением Qwen/Qwen3.5-9B. Это плотная модель семейства Qwen3.5 с гибридным стеком внимания; дообучение проводилось на текстовых трассах рассуждений, программирования и агентных задач от Claude Fable 5 и GPT-5.5 terminal agent. Модель предназначена прежде всего для помощи в программировании, выполнения многошаговых задач в терминале и агентных сценариях, а также для рассуждений и объяснений. Основной язык — английский. Базовая архитектура мультимодальная, но зрительный компонент при дообучении оставался замороженным и не оценивался. В качественной проверке README отмечает сильные результаты на задачах программирования и работы с терминалом, а также хорошее следование инструкциям; полные количественные бенчмарки ещё готовятся. Ответы начинаются с блока рассуждений, который может потребовать удаления перед показом пользователю. Для открытых запросов модель может генерировать длинные ответы; общие фактические сведения следует проверять. Дополнительного защитного дообучения сверх базовой модели не проводилось. Лицензия — Apache-2.0, унаследованная от базовых весов; в README отдельно упоминается оговорка о происхождении обучающих данных.

FreedomAISVR/Qwable-v1-MXFP4-MOE-GGUF — квантованная GGUF-сборка модели Qwable-v1, подготовленная FreedomAISVR. В основе — Qwen3.6-35B-A3B, дистиллированная с рассуждениями Opus 4.7 и дообученная на агентном использовании инструментов Fable-5. Это MoE-архитектура семейства Qwen3.5 с 256 экспертами, из которых активны 8 на токен; активная часть содержит около 3 млрд параметров. Контекст — 262 144 токена. Модель предназначена для генерации текста, написания кода и агентных сценариев с использованием инструментов. Она принимает текст и изображения: для зрения предусмотрены энкодер SigLIP ViT и отдельный проектор. В GGUF-файле веса экспертов квантованы в MXFP4, большинство остальных весов — в Q8_0, роутер — в F32; компоненты зрения сохранены в F16. Для структурированного использования инструментов требуется агентный системный промпт. Распространяется по лицензии AGPL-3.0.

Qwen-14B-Chat 是阿里云开发的 Qwen（通义千问）系列对话模型，基于预训练的 Qwen-14B，并通过对齐训练构建为 AI 助手。它采用稠密 Transformer 架构，包含约 21.8B 个参数，支持最长 8192 个 token 的上下文，使用约 15 万 token 的词表，并结合 RoPE、SwiGLU 和 RMSNorm。模型面向中文和英文对话，可用于回答问题、理解指令、协助编程与数学推理，也经过工具使用能力评测。README 报告了中文理解、英文理解、代码、数学和长上下文任务的评测结果，并描述了 BF16、Int8 与 Int4 版本的基准表现。模型以 safetensors 格式发布，运行说明建议使用 PyTorch 与 Transformers，并推荐 FlashAttention 以提升推理效率、降低显存占用。提供的资料 не содержат сведений о лицензии, поэтому условия распространения здесь не уточняются. Как и другие генеративные языковые модели, ответы могут быть ошибочными; приведённые оценки зависят от бенчмарка и условий запуска.

qwen14b-code-trainer-v9_mixed — LoRA-адаптер для Qwen/Qwen2.5-Coder-14B-Instruct, обученный в рамках Code-Trainer / RTPI pipeline на наборе code-trainer-v9-mixed. Модель предназначена для генерации кода по инструкциям, вызова инструментов и многошагового агентского поведения в многоходовых диалогах. Версия V9 ориентирована на корректное формирование обёрток <tool_call> и </tool_call>, необходимых для разбора структурированных вызовов инструментов в Ollama. Адаптер использует PEFT LoRA с параметрами r=32, alpha=64 и dropout=0,05. Обучение проходило в два этапа: сначала на смешанном наборе данных, затем на подмножестве примеров с вызовами инструментов. В обучающем наборе 40 401 пример, около 64,3% из них содержат определения инструментов; также использовались примеры генерации кода, отладки, многошагового взаимодействия и англоязычных инструкций. Обучение выполнялось с длиной последовательности 4096 токенов в bfloat16 на одной A100 80 GB. Для работы адаптер необходимо подключать к базовой модели Qwen/Qwen2.5-Coder-14B-Instruct, после чего его можно объединить с базовой моделью и квантовать в GGUF для llama.cpp, Ollama или LM Studio. Рекомендуется квантование Q5_K_M, поскольку оно лучше сохраняет шаблоны тегов вызова инструментов; Q4_K_M указано как запасной вариант. Рекомендуемая длина контекста — 8192 токена, хотя базовая модель поддерживает до 32K. Ограничения включают отсутствие специального обучения для safety alignment, RLHF и задач, не связанных с кодом. Лицензия — Apache-2.0. В README указано, что адаптер заменён для развёртывания версией V10 с GRPO, но остаётся её SFT-основой.

Qwen2.5.1-Coder-7B-Instruct-GGUF — это квантизированная версия инструкционной модели Qwen2.5-Coder-7B-Instruct, разработанной командой Qwen и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и работы с программным кодом: она подходит для написания, объяснения и исправления кода, а также для диалоговых сценариев с использованием системных и пользовательских инструкций. В README заявлена поддержка английского языка. Модель имеет размер 7 миллиардов параметров. Доступны варианты от F16 до различных уровней квантизации Q8_0, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Квантизации выполнены с помощью llama.cpp и imatrix; отдельные варианты оптимизированы для ARM-процессоров. Более компактные версии удобны для локального запуска, в том числе через LM Studio, однако снижение разрядности может уменьшать качество генерации. Длина контекста, полный список поддерживаемых языков и результаты бенчмарков в README не указаны. Модель распространяется по лицензии Apache-2.0.