II.2Создание и понимание программного кода

Tiel-Inspired-Coder-9B-GGUF — независимая GGUF-версия модели Ornith-1.5-9B, подготовленная автором репозитория VitreousCut с использованием методики peculiar-ragdoll. Веса не дообучались: применены пользовательская imatrix для динамической квантизации и встроенный Sharp chat template. Модель предназначена прежде всего для генерации и анализа кода, решения задач программирования и рассуждений; базовая модель имеет размер 9B параметров. Поддерживаются английский и китайский языки, основной режим работы — text generation. В каждый файл встроен Sharp template qwen3.8-froggeric-v22.4.1, который включает рассуждения по умолчанию, настраиваемую интенсивность рассуждений и директиву краткости. Доступны варианты квантизации от IQ4_XS до Q8_0 размером примерно от 5,0 до 9,2 ГБ. В README приведены результаты HumanEval: Pass@1 93,3% в основном запуске и 95,1% после повторного запуска части заданий с увеличенным бюджетом. Для запуска рекомендуются llama.cpp и контекст 32768 токенов. Главное ограничение — склонность к чрезмерно длительным рассуждениям: на сложных или неоднозначных задачах модель может израсходовать весь лимит токенов, не выдав код. Для большинства сценариев рекомендуется reasoning_effort: low; режимы medium и high подходят для задач, где допустимы более долгие рассуждения. Модель распространяется по лицензии MIT.

UniXcoder — унифицированная предобученная модель для представления программного кода, разработанная командой Microsoft. Она объединяет код, комментарии и абстрактные синтаксические деревья (AST) при обучении и поддерживает режимы encoder-only, decoder-only и encoder-decoder. Модель основана на архитектуре RoBERTa, содержит 152,7 млн параметров и принимает последовательности длиной до 1026 токенов. Модель предназначена для извлечения признаков кода и применяется для поиска фрагментов кода по текстовому запросу, дополнения кода, предсказания имён функций, рекомендации API и суммаризации кода. В карточке приведены примеры для английского языка; метаданные указывают английский как язык модели. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0. В метаданных основная задача обозначена как feature-extraction, поэтому генеративные сценарии следует рассматривать как дополнительные режимы применения, описанные в карточке, а не как отдельные pipeline-задачи.

VeriLoop Coder-E1 GGUF — набор квантованных версий открытой специализированной модели для задач программной инженерии. Исходную модель разработали Libo Wang и Intelligent Robotics Laboratory при Tsinghua SIGS, а квантованные версии подготовил Rodrigo Ramos. Модель построена на Qwen3.6-27B и ориентирована на генерацию и анализ кода, работу с репозиториями, патчами и тестами, а также на сценарии coding agent и harness engineering. Модель использует парадигму Self-Harness: генерация организуется как итеративный инженерный цикл с проверкой гипотез, поиском ошибок, исследованием и исправлением. Для квантования применялась специализированная importance matrix (imatrix), подготовленная на данных программной инженерии, включая код на уровне репозиториев, патчи, тестовые наборы и трассы агентного программирования. Доступны варианты от BF16 до 3- и 4-битных GGUF-квантов, что позволяет выбирать между качеством, размером и требованиями к оперативной памяти. Модель предназначена для работы через llama.cpp, llama-cpp-python, Ollama, LM Studio и совместимые среды; в README приведён пример контекста 32768 токенов. Заявленные сильные стороны — оптимизация под задачи разработки ПО, сохранение качества при специализированном квантовании и возможность локального запуска в различных форматах. Ограничения включают компромисс между качеством и размером у низкобитных вариантов, а также отсутствие в README подробных результатов бенчмарков, точных требований к ресурсам и расширенной информации о поддерживаемых языках программирования. Указанные языки модели — английский и китайский. Распространение выполняется по лицензии Apache-2.0.

WaveCoder ultra 6.7B — языковая модель для работы с программным кодом, разработанная Microsoft. Представлена в формате GGUF и квантована сообществом bartowski на основе llama.cpp. Модель создана путем WAVE-инструкционного дообучения и предназначена исключительно для выполнения запросов, связанных с кодированием. Модель ориентирована на генерацию, рефакторинг и исправление кода, его суммаризацию и перевод между языками программирования. В основе указана модель DeepseekCoder, размер — 6,7 млрд параметров. Для обучения использовался набор CodeOcean из 20 000 инструкций по четырем задачам, подготовленный на базе кода из GitHub CodeSearchNet с применением LLM-генерации и проверки данных. Поддерживаемые языки программирования и размер контекстного окна в README не указаны. К сильным сторонам относятся заявленные обобщающая способность на разных задачах работы с кодом и высокая эффективность генерации. Ограничение модели — специализация на программировании, поэтому она не предназначена для универсального общения. Точный уровень квантования и связанные с ним характеристики качества и требований к ресурсам не указаны. Лицензия обозначена как other, с указанием license_name deepseek; подробные условия использования в README не приведены.

WizardCoder-15B-V1.0 — языковая модель для генерации кода, разработанная командой WizardLM. Модель основана на StarCoder, дообученном на 78 тысячах инструкций по программированию, расширенных методом Evol-Instruct для задач кодирования. Модель предназначена для генерации решений задач программирования и ответов на инструкции, связанные с кодом. В карточке приведён результат 57,3 pass@1 на HumanEval; также описана оценка на MBPP. Архитектура — GPTBigCodeForCausalLM, формат весов — PyTorch, контекст — 8192 токена. Метаданные указывают поддержку кода, но не перечисляют естественные языки. Модель может помогать с написанием кода по текстовому запросу, однако качество следует проверять: результаты карточки относятся к конкретным тестам и режимам генерации. Лицензия — BigScience OpenRAIL-M.

WizardCoder-33B-V1.1 — языковая модель для генерации кода, опубликованная под именем WizardCoder и представленная в этом репозитории как зеркало. Модель содержит 33,1 млрд параметров, использует плотную архитектуру Llama и загружается через Transformers; доступные веса сохранены в формате safetensors. Контекст — до 16 384 токенов. Модель дообучена на базе deepseek-ai/deepseek-coder-33b-base с использованием подхода Evol-Instruct. Она предназначена для генерации программ по инструкциям и решения задач программирования; в карточке приведены результаты на HumanEval, HumanEval-Plus, MBPP и MBPP-Plus. README задаёт формат запроса с секциями Instruction и Response и предупреждает, что для воспроизведения результатов важно использовать рекомендованный системный промпт. Лицензия указана в метаданных как WTFPL. Результаты бенчмарков не гарантируют корректность кода в реальных задачах; сгенерированные программы требуют проверки. README отдельно не гарантирует точность количественно сжатых версий.

xGemable-12B-coder-v1.5-GGUF — специализированная агентная модель для программирования, разработанная компанией xCloudinfo на базе google/gemma-4-12B-it. Модель обучалась с применением LoRA и дистилляции проверенных выполнением траекторий Anthropic Claude: примеры кода отбирались только после успешной компиляции и прохождения тестов. Это не универсальная диалоговая модель, а инструмент для инженерных задач и локального использования. Модель предназначена для реализации функций и модулей, написания и анализа тестов, объяснения и ревью кода, а также многошаговой работы с инструментами и исправления ошибок. Основной язык программирования — Python; также заявлена поддержка C#, Java, Go, JavaScript и Rust. Поддерживаются function calling и tool use. Контекст составляет 256K токенов в исходном режиме и до 1M токенов с YaRN, что позволяет анализировать крупные репозитории и наборы документов. Доступны GGUF-квантизации от 4 до 8 бит; версия Q4_K_M занимает около 7,4 ГБ и рассчитана на запуск на компьютерах с 16 ГБ RAM. Заявленный результат HumanEval pass@1 составляет 87,8% для базовой оценки и 88,4% для Q4 GGUF по приведённым в README измерениям. Сильными сторонами являются специализация на программировании, поддержка агентных сценариев, локальное развёртывание и большой контекст. Ограничение — недостаточная практическая надёжность для полностью автоматической отладки реальных репозиториев. Для корректной работы требуется отключать режим размышлений и использовать рекомендованные параметры декодирования; фактическая длина контекста зависит от доступной памяти. Модель распространяется по лицензии Apache-2.0.

Карточка модели Xwin-LM/XwinCoder-7B на Hugging Face совпадает с карточкой Xwin-LM/XwinCoder-13B, поэтому описание составлено по ней. XwinCoder-13B — инструкция-настроенная модель генерации кода от Xwin-LM, дообученная на базе CodeLLaMA. Она предназначена для создания кода по текстовым инструкциям и запросам; авторы публикуют веса и код оценки. В карточке приведены результаты XwinCoder-13B на HumanEval, MBPP и APPS-intro: pass@1/5 соответственно 68,8, 60,1 и 35,4. Модель имеет плотную архитектуру LlamaForCausalLM с 12,9 млрд параметров, принимает текст и генерирует текст, а заявленная длина контекста составляет 16 384 токена. В метаданных указан формат PyTorch и лицензия Llama 2. README описывает её как instruction fine-tune CodeLLaMA, поэтому для использования следует соблюдать условия лицензии Llama 2.

Zero Qwen3-8B OpenZero — локальная текстовая генеративная модель в формате GGUF, разработанная для экосистемы OpenZero и опубликованная пользователем shafire. Она основана на Qwen/Qwen3-8B и представляет собой полностью объединённую standalone-сборку: отдельный адаптер и базовая модель не требуются. Модель совместима с llama.cpp и Ollama, а также может использоваться через OpenAI-совместимый локальный сервер OpenZero. Модель предназначена для агентного программирования, отладки, ревью кода, планирования тестов, исследовательских задач, синтеза информации с проверкой утверждений, выбора и вызова инструментов, а также автономных многошаговых рабочих процессов. Поддерживаются режимы Qwen3 /no_think для быстрых циклов с инструментами и /think для более сложных исследовательских и программных задач. В карточке указан английский язык; модальность — текстовая, pipeline относится к text-generation. Для запуска приведена конфигурация контекста 8192 токена, однако максимальный контекст модели явно не указан. Доступны квантованный вариант Q5_K_M размером около 5,45 GiB, рекомендованный для локального использования с практичными требованиями к CPU и RAM, и сборка F16 размером около 13,82 GiB для более высокой точности и последующей квантизации. К сильным сторонам относятся автономность, локальное выполнение, совместимость с CPU, llama.cpp и Ollama, а также ориентация на агентные сценарии и проверку результатов. Ограничения включают зависимость качества и скорости от аппаратного обеспечения и выбранной квантизации; приведённый тест на Intel Core i7-2600 показал около 2,45 токена в секунду при генерации. Лицензия указана как other с названием openzero-community-source-v1; дополнительные условия в карточке не приведены.

Ziya-Coding-34B-v1.0 — языковая модель для генерации кода, разработанная командой Fengshenbang исследовательского института IDEA. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров и контекстом 16 384 токена; она работает через Transformers и принимает текстовые инструкции на китайском и английском языках, выдавая текст, в том числе программный код. Модель дообучена в два этапа на примерно 450 тысячах инструкций по программированию, затем дополнительно настроена на 46 тысячах сложных инструкций с фильтрацией по компиляции и проверкой unit-тестами. Модель предназначена для генерации кода по естественно-языковому описанию и решения разнообразных задач программирования. В README приведён результат 75,5% pass@1 на HumanEval при жадной генерации; это оценка на конкретном бенчмарке и не гарантирует корректность кода в реальном проекте. Репозиторий содержит веса PyTorch, а лицензия — GPL-3.0.

DCAgent/a1-magicoder — дообученная на базе Qwen/Qwen3-8B языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров. Модель предназначена для диалоговой генерации текста; название и обучающие данные указывают на настройку для задач, связанных с программированием и следованием инструкциям. В README указан датасет Magicoder-Evol-Instruct-110K с обучающими примерами и трассами GLM 4.7. Модель использует формат safetensors и поддерживает контекст до 40 960 токенов. Базовая Qwen3-8B многоязычна и рассчитана на генерацию текста, рассуждения, инструкции, код и вызов инструментов, но отдельные языки и возможности этой производной модели в карточке не подтверждены. Лицензия обозначена как other; конкретные условия использования следует проверять в репозитории модели.

Карточка модели falloutxvats/Aero-Qwen3-32B на Hugging Face совпадает с карточкой Qwen/Qwen3-32B, поэтому описание составлено по ней. Qwen3-32B — плотная причинно-следственная языковая модель семейства Qwen3, разработанная командой Qwen. Она предназначена для диалога, следования инструкциям, рассуждений, генерации кода, перевода и работы с внешними инструментами. В одной модели можно переключаться между режимом рассуждений для сложных задач и обычным режимом ответа. Модель содержит 29,7 млрд параметров по метаданным каталога; в README указано 32,8 млрд параметров, включая 31,2 млрд без эмбеддингов. Архитектура — Qwen3ForCausalLM, для запуска поддерживается Transformers. Нативный контекст составляет 40 960 токенов по метаданным каталога; README указывает 32 768 токенов нативно и возможность расширения до 131 072 с YaRN. Семейство поддерживает более 100 языков и диалектов. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Модель подходит для многошагового диалога и сценариев с вызовом инструментов, а также для математических и логических рассуждений, творческого письма и программирования. Карточка заявляет сильные способности к следованию инструкциям и многоязычным задачам; качество конкретных ответов зависит от запроса и развертывания. В README не приведены конкретные ограничения или оговорки по безопасности.

Aether-Qwen2-0.5B-SFT-v0.0.2 — плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров, разработанная Michael Svendsen и дообученная методом supervised fine-tuning на наборе AetherCode-v1, split 5star. Она предназначена для генерации кода и помощи в программировании: автодополнения, поиска ошибок, ревью и предложений по оптимизации. Модель принимает текстовые запросы и генерирует текст, включая код; заявленная длина контекста — 131 072 токена. В метаданных указан английский язык, а карточка ориентирует модель на задачи, связанные с кодом. Модель доступна в формате safetensors и рассчитана на использование с Transformers. Она может помогать в разработке программного обеспечения, но ответы для сложных задач требуют проверки человеком; карточка предостерегает от применения вне программирования и анализа кода. Лицензия указана как other, без уточнения условий в предоставленных данных.

Agnes 2.5 Pro Alpha — мультимодальная модель рассуждений, разработанная Agnes AI и дообученная на Qwen/Qwen3.5-397B-A17B. Она принимает текст и изображения и предназначена для программирования, научных задач, анализа длинных контекстов и агентных сценариев с вызовом инструментов. Модель поддерживает контекст до 1 млн токенов и генерацию до 65 536 токенов; заявлены расширенное рассуждение и понимание изображений. Модель подходит для анализа репозиториев и отладки кода, синтеза технических документов, научного решения задач и визуального анализа. В README указаны сравнительные оценки на бенчмарках, но таблица результатов в предоставленном тексте опущена. Модель доступна в формате safetensors; для локального запуска README рекомендует 8 GPU класса NVIDIA H200 и около 1 ТБ свободного места. Лицензия — Apache-2.0. Ответы могут содержать ошибки; для важных решений и действий инструментов требуется проверка.

Agnes-3.0-Flash Preview — открытая мультимодальная модель с весами от Agnes AI, предназначенная для рассуждений, программирования и выполнения инструкций. Это отдельный предварительный чекпойнт: заявленные характеристики относятся к нему, а не к более новой производственной версии через API. Модель использует гибридный декодер из 72 слоёв: 54 слоя с рекуррентным gated delta rule чередуются с 18 слоями глобального внимания. Контекстное окно составляет 262 144 токена. Модель обрабатывает текст, изображения и видео, поддерживает управляемый уровень рассуждений и интерфейс вызова инструментов. Карточка указывает поддержку английского и китайского языков. Модель подходит для анализа длинных материалов, диалога, задач по коду и мультимодального понимания. Для запуска требуются Transformers с удалённым кодом модели; README рекомендует GPU уровня H100 80 ГБ или H200 141 ГБ для bf16. Лицензия — Apache-2.0.

AIGCodeGeek-DS-6.7B — языковая модель для генерации кода, разработанная Leon Li. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 6,6 млрд параметров; она дообучена со всеми параметрами на основе deepseek-ai/deepseek-coder-6.7b-base. Модель предназначена для диалоговой помощи в программировании и генерации кода, обучалась на смеси открытых и частных наборов данных, включая WizardLM Evol-Instruct, Code-Feedback, UltraInteract, Magicoder Evol-Instruct и набор примеров Python. Контекст составляет 16 384 токена. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. В карточке заявлена лицензия DeepSeek, однако результаты оценки качества ещё не приведены. Языки естественного текста явно не перечислены; модель ориентирована на код, включая примеры Python. Перед использованием следует проверить условия лицензии DeepSeek и качество на целевых задачах.

AlchemistCoder-L-7B — языковая модель для генерации и понимания программного кода, разработанная командой InternLM на основе Llama 2. Представленная версия распространяется в формате GGUF и подготовлена bartowski для запуска через llama.cpp и совместимые приложения, включая LM Studio. Рекомендуемый сценарий использования — программирование: написание, объяснение, анализ и проверка кода, а также выполнение инструкций, связанных с разработкой. Для работы в LM Studio указан шаблон запросов Alpaca и пресет MetaAI Llama 2 Chat. Модель содержит около 7 миллиардов параметров и обучалась на 200 миллионах токенов гармонизированных данных из нескольких источников, включая материалы для задач понимания кода, эволюции инструкций, фильтрации данных и code review. По данным README, AlchemistCoder-L-7B показывает высокие результаты среди открытых моделей сопоставимого размера на шести бенчмарках для кода, а также улучшенные общие способности на MMLU, BBH и GSM8K. Поддерживаемые языки программирования, естественные языки, размер контекстного окна и конкретные варианты квантизации в README не указаны. Сильными сторонами модели являются специализация на задачах программирования, относительно компактный размер и возможность локального запуска в формате GGUF. Ограничения включают возможные ошибки, неточности и небезопасные рекомендации в сгенерированном коде; результаты требуют проверки и тестирования. Модель распространяется по лицензии Apache-2.0, однако условия для исходной базовой модели и отдельных компонентов данных следует проверять дополнительно.

Apriel-H1-15b-Thinker-SFT — языковая модель на 15 млрд параметров от ServiceNow AI для генерации ответов, рассуждений и кода. Она построена на гибридной архитектуре Transformer и Mamba: часть слоёв внимания заменена линейными блоками Mamba. По заявлению разработчика, такая конструкция повышает пропускную способность инференса более чем вдвое по сравнению с Apriel-Nemotron-15B-Thinker при небольшом снижении качества рассуждений, математических решений и программирования. Модель получена дистилляцией Apriel-Nemotron-15B-Thinker, обучена для диалогов и поддерживает интерфейс вызова инструментов. Модель рассчитана на многошаговые рассуждения, помощь с кодом, ответы на вопросы, выполнение сложных инструкций и агентные сценарии. Контекстное окно — 65 536 токенов; фактический предел зависит от среды запуска. Шаблон диалога задаёт генерацию этапа рассуждения перед кратким финальным ответом. Наиболее сильные результаты заявлены для английского языка, качество на менее представленных языках может быть ниже. Модель выпущена под лицензией MIT. Она может ошибаться, выдавать устаревшие или предвзятые ответы и не предназначена для критически важных сценариев без проверки человеком; для медицинских, юридических и финансовых решений нужны соответствующие меры контроля.

Apriel-Nemotron-15b-Thinker — языковая модель рассуждений из серии Apriel SLM, разработанная ServiceNow. Это плотная авторегрессионная модель на архитектуре Mistral с 15 млрд параметров и контекстом до 65 536 токенов; в репозитории представлены веса Safetensors для Transformers. Модель дообучена на базе Apriel-15b-base в три этапа: CPT, SFT и GRPO. Модель предназначена для генерации ответов с пошаговым рассуждением, помощи в программировании, логических задач, вопросов и ответов, поиска информации, следования сложным инструкциям и вызова функций в агентных и корпоративных сценариях. Карточка сообщает о конкурентных результатах на математических, кодовых, агентных и общих бенчмарках, а также об экономии памяти и токенов относительно некоторых более крупных моделей. Поддерживаются чатовый интерфейс и интерфейс вызова инструментов. Лицензия — MIT. Наиболее сильные результаты ожидаются для английского языка; качество на менее представленных языках может быть ниже. Модель может выдавать неверные или устаревшие сведения и отражать предвзятость обучающих данных, поэтому результаты требуют проверки; для высокорисковых и критически важных решений необходимы safeguards и надзор человека.

BAAI/AquilaCode-py — модель генерации текста из семейства Aquila, предназначенная для задач, связанных с кодом на Python. В README она указана среди вариантов AquilaCode, выпущенных в июле 2023 года. Метаданные описывают модель как плотную авторегрессионную архитектуру на базе LlamaForCausalLM с 6,9 млрд параметров и контекстом 2048 токенов; веса представлены в формате PyTorch. Модель подходит для генерации и продолжения кода на Python, а также для текстовых запросов, связанных с программированием. Семейство Aquila обучалось на китайском и английском языках, однако README не приводит отдельного описания обучения или оценки именно AquilaCode-py. Для использования весов действует лицензия BAAI Aquila Model License Agreement с ограничениями; исходный код семейства распространяется по Apache 2.0.

Jebadiah/Aria-diamond-ruby-v1 — модель генерации текста семейства Llama, созданная автором Jebadiah линейным слиянием предварительно обученных моделей Jebadiah/Aria-p1-sand-stone и Jebadiah/Tess-coder-ruby-p7 с помощью mergekit. Она содержит 7,5 млрд параметров, построена на архитектуре LlamaForCausalLM и предназначена для диалоговой генерации текста и кода, включая Ruby. Модель принимает текст и выдаёт текст; поддерживает контекст до 8192 токенов и рассчитана на использование с библиотекой Transformers. В карточке и метаданных не описаны специальные домены или языки, поэтому они не уточняются. Репозиторий распространяет веса в формате safetensors. Лицензия в предоставленных данных не указана.

Artigenz-Coder-DS-6.7B — языковая модель для генерации кода, выпущенная командой Artigenz. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров; в карточке указана оценка размера 6,7 млрд параметров и потребность в памяти около 13 ГБ. Модель дообучена на DeepSeek-Coder-6.7B-Base и предназначена для быстрого локального запуска на компьютерах. Модель принимает текстовые запросы и генерирует текст, в том числе код; также заявлен разговорный режим. Контекст составляет до 16 384 токенов. В метаданных указан английский язык. Данные и скрипты дообучения на момент публикации карточки планировалось открыть позднее. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Карточка модели bh890/ARX на Hugging Face совпадает с карточкой bh890/LongCat-2.0, поэтому описание составлено по ней. LongCat-2.0 — большая языковая модель семейства LongCat, представленная разработчиками проекта LongCat. Это модель архитектуры MoE с классом LongcatCausalLM; в метаданных репозитория указано 42,1 млрд параметров, тогда как README описывает полную версию с 1,6 трлн параметров и примерно 48 млрд активируемых на токен. Репозиторий содержит веса в формате safetensors и использует лицензию MIT. Модель предназначена для диалоговой генерации текста, программирования, понимания кода и репозиториев, выполнения задач агентами и работы с инструментальными сценариями. README сообщает об обучении на данных с контекстом до 1 млн токенов и об архитектурном механизме LongCat Sparse Attention для длинных последовательностей; метаданные указывают нативный контекст 262 144 токена. В карточке также заявлены чат и интерфейс вызова инструментов. README особо выделяет задачи с длинным горизонтом, редактирование кода на уровне репозитория и автоматизацию действий; развёртывание описано для GPU и NPU. Модель не оценивалась всесторонне для всех возможных прикладных сценариев. Условия лицензии — MIT.

Athenea-4B-Coding — дообученная Aquiles-ai текстовая модель семейства Qwen3, предназначенная для рассуждений о коде, отладки, решения задач и понимания программ. Она использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и рассчитана на контекст до 262 144 токенов. Модель обучена на наборе Aquiles-ai/Athenea-Coding-100k с задачами программирования, цепочками рассуждений и пояснениями; заявлена поддержка нескольких языков программирования и диалогового режима. Модель подходит для пошагового разбора алгоритмов, дополнения кода, поиска ошибок и объяснения программ. Она основана на версии Qwen3 с уменьшенной склонностью к отказам, поэтому может генерировать неограниченный по тематике контент; пользователь отвечает за применение результатов. В карточке модель обозначена как исследовательская и экспериментальная. Лицензия — Apache-2.0.

Athene CodeGemma 2 7B v1.2 — дообученная EpistemeAI языковая модель для программирования, основанная на Athene-codegemma-2-7b-it-alpaca-v1.1 и архитектуре Gemma. Это плотная декодерная модель класса GemmaForCausalLM с 8,2 млрд параметров и контекстом 8192 токена; она принимает текстовые запросы и генерирует текст и код. Модель настроена следовать инструкциям и поддерживает диалоговый формат. Модель предназначена для генерации кода по описанию на естественном языке, ответов на вопросы о фрагментах кода и обсуждения задач программирования. При дообучении использовались датасеты с кодом на Python и Java. Карточка приводит пример генерации программы «Змейка» и указывает, что версия v1.1 создала её без ошибок по сравнению с исходной CodeGemma 7B IT; это не является гарантией качества версии v1.2. Поддержка указана для английского языка. Файлы доступны в форматах PyTorch и safetensors. Лицензия в метаданных — Apache-2.0; README также указывает, что на Gemma распространяются условия использования Google Gemma.

Athene CodeGemma 2 7B v1.3 — языковая модель EpistemeAI для программирования, дообученная на базе EpistemeAI/Athene-codegemma-2-7b-it-alpaca-v1.1 на наборах данных по программированию с supervised fine-tuning. Это плотная decoder-only модель семейства Gemma с архитектурой GemmaForCausalLM, примерно 8,2 млрд параметров и контекстом 8192 токена. Модель принимает текстовые запросы и выдаёт код или естественный язык. Она предназначена для генерации кода по описанию на естественном языке, ответов на вопросы о фрагментах кода и диалога о программировании и технических задачах. Для использования в режиме чата следует применять встроенный шаблон диалога токенизатора. Карточка рекомендует для автодополнения кода в IDE использовать предварительно обученные варианты CodeGemma вместо instruction-tuned модели. Модель рассчитана прежде всего на английский язык и распространяется под лицензией Apache-2.0. Она доступна в форматах PyTorch и Safetensors. Карточка не приводит результатов систематической оценки качества; качество генерации может зависеть от формулировки запроса и используемого шаблона диалога.

Atlas-Flash — дообученная языковая модель семейства Atlas от aayanmishra-ml, созданная на базе DeepSeek-R1-Distill-Qwen-7B. Это плотная авторегрессионная модель Qwen2 с 7,1 млрд параметров и контекстом до 131 072 токенов; она предназначена для генерации текста и диалога, программирования, математических и других STEM-задач. В карточке заявлены генерация и объяснение кода, отладка, решение задач с рассуждениями, многоходовые беседы и помощь в обучении. Модель принимает текст и генерирует текст; метаданные также указывают интерфейс вызова инструментов. В карточке заявлена поддержка английского, китайского, русского и других языков. Для обучения указаны наборы BAAI/TACO, codeparrot/apps и GammaCorpus-v1-70k-UNFILTERED, а также синтетические данные. Репозиторий содержит веса в формате Safetensors, модель использует Transformers и распространяется по лицензии MIT. Карточка предупреждает о возможных смещениях, ошибках в узкоспециализированных областях и зависимости качества ответов от формулировки запроса; заявленный контекст ограничен 131 072 токенами.

AutoCoder — языковая модель для генерации кода, построенная на архитектуре Llama и содержащая 33,1 млрд параметров. По README, её разработчики заявляют результат 90,9% на базовом наборе HumanEval против 90,2% у GPT-4 Turbo (апрель 2024 года). Карточка также описывает возможность по запросу устанавливать необходимые пакеты и запускать сгенерированный код с повторными попытками до обнаружения ошибок. Модель предназначена для генерации кода и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленная базовая модель — deepseeker-coder. Контекст составляет 16 384 токена, файлы весов опубликованы в формате Safetensors. Лицензия — Apache-2.0. README не раскрывает подробности проверки результата HumanEval и реализации запуска кода.

Ballistic-CodeLlama-34B-v1 — языковая модель для генерации кода и ответов на инструкции, созданная BallisticAI. Она основана на CodeLlama 34B, объединяет варианты CodeLlama 34B v2 и speechless-codellama-34b-v2 и дополнительно обучена на jondurbin/airoboros-2.2. В репозитории указаны архитектура Llama, 33,5 млрд параметров и контекст до 16 384 токенов; модель принимает инструкции в формате Alpaca/Vicuna и выдаёт текст. Модель подходит для помощи в программировании, генерации и продолжения кода, а также выполнения текстовых инструкций. Для запуска существуют варианты AWQ для GPU и GGUF для CPU. Карточка сообщает об ограниченном тестировании и рекомендует дополнительную проверку безопасности перед реальным развёртыванием. Лицензия — Llama 2.

Blossom-V7.1-27B — открытая мультимодальная модель общего назначения от разработчиков семейства Blossom. Это плотная модель архитектуры Qwen3.5 с 27 млрд параметров, дообученная для работы в роли ассистента. Она принимает текст и изображения и генерирует текст; поддерживает диалог, рассуждения, вызов инструментов и агентные сценарии. В README указаны режимы рассуждения medium и max, контекст до 262 144 токенов и рекомендуемый контекст 131 072 токена. Модель предназначена для повседневных вопросов и ответов, знаний общего характера, математики, программирования, веб-разработки, визуализации данных и анализа изображений. Доступны запуски через Transformers, vLLM и llama.cpp; для мультимодального общения и сохранения вызовов инструментов требуется использовать встроенный шаблон чата и сохранять полные сообщения ассистента в истории диалога. Модель распространяется под лицензией Apache-2.0. Для запуска версии 27B требуется достаточно памяти, чтобы разместить веса на GPU; фактическая скорость и доступная длина контекста зависят от оборудования. В README также отмечено, что качество последующих ходов диалога может снизиться, если при повторной передаче истории опускать поля рассуждений или вызовы инструментов.