II.2Создание и понимание программного кода

Dolphin 2.8 Mistral 7B v0.2 — разговорная модель с открытыми весами, разработанная Эриком Хартфордом и Cognitive Computations. Она дообучена на базе Mistral-7B-v0.2 и предназначена для выполнения инструкций, диалогов и задач программирования. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; полновесное дообучение проводилось с длиной последовательности 16 000 токенов. В карточке перечислены обучающие наборы для инструкций, диалогов и кода. Модель ориентирована на генерацию ответов в чате, помощь с кодом и выполнение текстовых инструкций на английском языке. Авторы характеризуют её как uncensored и предупреждают о высокой готовности выполнять запросы, в том числе неэтичные; перед предоставлением модели пользователям рекомендуется добавить собственный слой контроля. Модель распространяется по лицензии Apache 2.0, включая коммерческое использование.

Dolphin 2.9.1 DBRX — разговорная и инструкционная языковая модель, дообученная Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations на базе databricks/dbrx-base. Она использует архитектуру DBRX и формат диалога ChatML; базовая модель поддерживает контекст до 32 тысяч токенов, а дообучение проводилось с длиной последовательности 4 тысячи токенов. Модель предназначена для диалоговых ответов, выполнения инструкций, генерации кода и начальных агентных сценариев, включая вызов функций. Для коммерческого и иного использования README указывает лицензию databricks-open-model-license, а метаданные — лицензию other; условия следует сверять с лицензией репозитория. Модель описана авторами как uncensored и может охотно отвечать на небезопасные запросы, поэтому перед предоставлением пользователям рекомендуется добавить собственный слой фильтрации.

Dolphin 2.9.1 Llama 3 8B — разговорная языковая модель, подготовленная Eric Hartford, Lucas Atkins, Fernando Fernandes и Cognitive Computations на основе Meta Llama 3 8B. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, обученная полным дообучением всех весов и использующая шаблон диалога ChatML. Контекст модели составляет 8192 токена; в README указано, что полное дообучение проводилось с длиной последовательности 4K. Модель предназначена для следования инструкциям, диалогов, генерации кода и математических ответов; также поддерживает начальные агентные сценарии и вызов функций. В обучении использовались наборы данных для диалогов, кода, математики и вызова функций. Модель рассчитана на текстовый ввод и выдаёт текст. Авторы описывают Dolphin как модель без встроенных ограничений на содержание: она может охотно отвечать на небезопасные и неэтичные запросы, поэтому перед предоставлением пользователям авторы рекомендуют добавить собственный слой выравнивания. Лицензия — Meta Llama 3 Community License; коммерческое использование допускается в рамках её условий.

Dolphin 2.9.1 Mixtral 1x22b — чат-модель, подготовленная Эриком Хартфордом, Лукасом Аткинсом, Фернандо Фернандесом и Cognitive Computations. Она основана на Mixtral-8x22B-v0.1 и прошла полное дообучение всех слоёв; в карточке указано 22 млрд параметров. Модель представляет собой извлечённый эксперт, полученный объединением SLERP экспертов исходной архитектуры Mixtral. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для диалогов и выполнения инструкций, помощи с программированием, начального уровня агентных задач и вызова функций. Контекст базовой модели составляет 64 тыс. токенов, а дообучение проводилось с длиной последовательности 16 тыс. токенов. В качестве обучающих данных использовались, среди прочего, наборы Dolphin-2.9, OpenHermes-2.5 и датасеты для кода, математики и вызова функций. Модель описана авторами как uncensored и может с высокой готовностью выполнять запросы, в том числе небезопасные; перед предоставлением её пользователям авторы рекомендуют добавить собственный слой выравнивания. Язык карточки и метаданных — английский.

Dolphin 2.9.2 Mixtral 8x22B — разговорная языковая модель, подготовленная Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations на базе mistral-community/Mixtral-8x22B-v0.1. Это дообученная модель с архитектурой Mixtral MoE и классом MixtralForCausalLM; в репозитории веса представлены в safetensors. Всего указано 22 млрд параметров, базовая модель поддерживает контекст до 65 536 токенов, а дообучение выполнялось с длиной последовательности 16 000 токенов. Модель предназначена для диалогов и следования инструкциям, генерации кода и начальных агентных сценариев; также заявлена поддержка вызова функций. Обучение включало SystemChat 2.0, созданный для следования системным инструкциям в продолжительных беседах, и другие наборы диалоговых, кодовых и математических данных. Для взаимодействия используется шаблон ChatML. В карточке указан английский язык. Авторы характеризуют модель как uncensored и отмечают высокую готовность выполнять запросы, в том числе неэтичные; перед предоставлением пользователям может потребоваться собственный слой ограничений. Веса выпущены по лицензии Apache-2.0, допускающей коммерческое использование при соблюдении её условий.

QuantFactory/dolphin-2.9.2-qwen2-7b-GGUF — это квантизированная версия языковой модели Dolphin 2.9.2 Qwen2 7B, созданная с использованием llama.cpp. Модель разработана и обучена Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations на базе Qwen2-7B. В обучении использовались наборы данных для инструкций, диалогов, программирования, математических задач, function calling и агентных сценариев, включая Dolphin-2.9, OpenHermes-2.5, CodeFeedback-Filtered-Instruction и другие источники. Модель предназначена для генерации текста, выполнения инструкций, ведения диалогов, помощи в программировании, решения математических задач, начальных агентных сценариев и function calling. Она поддерживает контекст до 128k токенов, при этом полновесное дообучение выполнялось с длиной последовательности 16k. Модель является текстовой и рассчитана на использование в формате ChatML; другие модальности в README не заявлены. Языки явно не указаны. К сильным сторонам относятся широкий набор инструкционных, разговорных и кодинговых навыков, поддержка длинного контекста, локальный запуск в формате GGUF и возможность коммерческого использования в рамках условий лицензии Qwen. Модель описана как uncensored: из обучающих данных удалялись alignment и bias, поэтому она может быть более податливой, включая потенциально небезопасные запросы. Разработчики рекомендуют самостоятельно добавить слой выравнивания и фильтрации перед предоставлением модели пользователям; ответственность за создаваемый контент несёт применяющая сторона. Лицензия указана как tongyi-qianwen license, с разрешением на использование, включая коммерческое, при соблюдении её условий.

Карточка модели nicoboss/dolphin-2.9.3-mistral-nemo-12b-llamacppfixed на Hugging Face совпадает с карточкой dphn/dolphin-2.9.3-mistral-nemo-12b, поэтому описание составлено по ней. Dolphin 2.9.3 Mistral Nemo 12B — разговорная языковая модель, дообученная Eric Hartford и командой Cognitive Computations на базе mistralai/Mistral-Nemo-Base-2407. Она предназначена для следования инструкциям, диалогов, генерации кода и начальных агентных сценариев; также поддерживает вызов функций через ChatML-шаблон. Модель содержит 12,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и формат safetensors. Базовая модель рассчитана на контекст до 128 тыс. токенов, однако при дообучении использовалась длина последовательности 8192 токена. Dolphin описана как «uncensored» и может с высокой готовностью выполнять запросы, в том числе вредоносные или неэтичные. Перед предоставлением модели пользователям автор рекомендует добавить собственный слой контроля и выравнивания. Модель лицензирована по Apache 2.0, включая коммерческое использование.

Dolphin 2.9.3 Yi 1.5 34B 32k — разговорная языковая модель, созданная Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations. Это дообученная на основе 01-ai/Yi-1.5-34B-32k плотная модель семейства Llama с 33,9 млрд параметров; она использует шаблон ChatML и формат PyTorch. Контекст базовой модели составляет 32 768 токенов, а дообучение проводилось с длиной последовательности 8 192 токена. Модель предназначена для диалогов, следования инструкциям, написания и анализа кода, решения математических задач, вызова функций и начальных агентных сценариев. В карточке перечислены наборы данных для диалогов, программирования, математики и работы с инструментами. Модель описана разработчиками как uncensored и склонная выполнять запросы без защитных ограничений, поэтому её ответы могут включать небезопасный или неэтичный контент. Лицензия Apache 2.0 разрешает коммерческое использование; разработчики рекомендуют самостоятельно добавить слой выравнивания перед предоставлением модели пользователям.

mlx-community/dolphin-2.9-llama3-70b-4bit — квантизированная 4-битная версия модели Dolphin 2.9 на базе Llama 3, преобразованная сообществом mlx-community в формат MLX с использованием mlx-lm 0.11.0. Исходная модель разработана cognitivecomputations. Модель содержит около 69,5 млрд параметров и предназначена для запуска и генерации текста в экосистеме MLX на совместимом оборудовании Apple. Модель ориентирована на англоязычные диалоговые и инструкционные сценарии, включая ответы на вопросы, помощь с программированием, математическими задачами, работу с инструкциями и вызовами функций. Максимальная длина контекста составляет 8192 токена. В метаданных указана лицензия Llama 3.

Dolphin 2.9 Mixtral 8x22B — диалоговая модель Cognitive Computations, подготовленная Eric Hartford, Lucas Atkins и Fernando Fernandes на основе mistral-community/Mixtral-8x22B-v0.1. Это дообученная модель с разреженной архитектурой Mixtral MoE, представленная в формате safetensors и предназначенная для генерации текста по инструкциям и ведения диалогов. Модель подходит для ответов на вопросы, программирования, математических задач и сценариев с вызовом функций; README также отмечает начальные агентные возможности. Она обучалась в формате ChatML, а полное дообучение проводилось на последовательностях длиной 4 тыс. токенов. Для базовой модели заявлен контекст до 64 тыс. токенов. В метаданных указан английский язык. Dolphin описана авторами как неконтролируемая модель, которая может охотно выполнять в том числе неэтичные запросы; перед предоставлением пользователям сервиса авторы рекомендуют добавить собственный слой ограничений. В данных обучения обнаружена проблема, из-за которой модель может излишне упоминать системное сообщение; README предлагает явно просить её этого не делать. Лицензия Apache-2.0 допускает коммерческое использование при соблюдении её условий.

Dolphin 3.0 R1 Mistral 24B — инструктивная языковая модель, созданная Eric Hartford, Ben Gitter, BlouseJury и Cognitive Computations на базе Mistral Small 24B Base. Это плотная модель с 23,4 млрд параметров, дообученная на трёх эпохах с использованием 800 тысяч трасс рассуждений из набора Dolphin-R1. Она предназначена для локального применения как универсальный помощник: отвечает на вопросы, помогает с программированием и математикой, поддерживает агентные сценарии и вызов функций. Модель работает с текстом, использует шаблон диалога ChatML и имеет контекст длиной 32 768 токенов; в метаданных указан английский язык. Dolphin ориентирована на управляемое применение: владелец задаёт системный промпт и правила поведения. Авторы рекомендуют низкую температуру генерации 0,05–0,1, поскольку более высокие значения могут ухудшать рассуждения. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

dolphincoder-starcoder2-7b-GGUF — это набор GGUF-квантизаций модели dolphincoder-starcoder2-7b, подготовленный bartowski с использованием llama.cpp. Исходная модель разработана cognitivecomputations; в README также указаны наборы данных, использованные при обучении или дообучении, включая cognitivecomputations/dolphin, cognitivecomputations/dolphin-coder, airoboros, OpenHermes, Magicoder и наборы задач по программированию и математике. Модель предназначена прежде всего для генерации и обработки текста, связанного с программированием, включая написание, дополнение и объяснение кода, а также выполнение инструкций в соответствующих сценариях. Заявлен английский язык. Архитектура исходной модели в README не описана, однако её размер составляет 7 миллиардов параметров согласно идентификатору. Мультимодальность и размер контекста не указаны. Главная особенность репозитория — несколько уровней квантизации для запуска через llama.cpp с различным компромиссом между качеством и требованиями к памяти: от Q8_0 размером 7,86 ГБ до Q2_K размером 2,91 ГБ. В README рекомендуется Q6_K как вариант с очень высоким качеством; версии Q3 и особенно Q2 обеспечивают меньший размер, но заметно теряют в качестве. Ограничения включают отсутствие сведений о поддерживаемых языках, контекстном окне и результатах бенчмарков. Модель распространяется по лицензии bigcode-openrail-m.

Droplychee разработала Droplychee-2.0-40B — плотную авторегрессионную трансформерную модель семейства Qwen, дообученную на многоязычных инструкциях. Она предназначена для диалогов, рассуждений, программирования, следования инструкциям и работы с длинными документами; поддерживает сценарии с агентами и вызов инструментов. Модель содержит 40 млрд параметров и использует расширение контекста YaRN с заявленной длиной до 1 000 000 токенов. В README заявлена поддержка более 40 языков; основное внимание при обучении и оценке уделено английскому и бенгальскому. Репозиторий распространяет веса в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0. К сильным сторонам авторы относят многоязычный диалог, программирование, рассуждения и анализ длинного контекста. Качество на предельной длине контекста зависит от движка вывода, оборудования и настроек; опубликованные оценки выполнены командой разработчиков и не проверены независимой стороной. Возможны фактические ошибки и различия качества между языками и областями; результаты следует проверять.

english_code_retriever — модель Sentence Transformers, разработанная fyaronskiy на основе answerdotai/ModernBERT-base и дообученная на наборе code_search_net с функцией потерь MultipleNegativesRankingLoss. Она предназначена для поиска фрагментов кода по текстовому запросу и для ранжирования найденных результатов. Модель строит плотные векторы размерности 768 с mean pooling; релевантность можно оценивать косинусным сходством. Максимальная длина входной последовательности — 8192 токена, размер модели — 149 млн параметров. Модель ориентирована на английский язык и поиск по коду; в карточке перечислены Python, Java, Go и PHP. README приводит результаты на бенчмарках RTEB и COIR, но они не гарантируют такого же качества на других данных. Модель распространяется по лицензии MIT.

EpistemeAI-codegemma-2-9b — языковая модель EpistemeAI на архитектуре Gemma 2, дообученная на 122 тысячах инструкций по программированию. Она предназначена для генерации кода и текста по запросу, а также для диалоговых интерфейсов и работы с текстом. Для генерации рекомендуется формат запросов Alpaca; доступны веса PyTorch и safetensors. Модель содержит 9 млрд параметров и поддерживает контекст до 8192 токенов. Модель основана на unsloth/gemma-2-9b-bnb-4bit и дообучалась с использованием Unsloth и TRL. В карточке указана лицензия Apache-2.0, тогда как метаданные Hugging Face содержат лицензию Gemma; условия использования стоит сверить с актуальными условиями репозитория и базовой модели. Модель может выдавать ошибочные или устаревшие ответы, испытывать трудности со сложными инструкциями и нюансами языка, а также воспроизводить смещения из обучающих данных.

EpistemeAI-codegemma-2-9b-ultra — языковая модель EpistemeAI на архитектуре Gemma 2, дообученная на модели unsloth/gemma-2-9b-bnb-4bit. В карточке указано дополнительное обучение на 297 тысячах примеров с отзывами и инструкциями по коду, включая инструкции по Python; общий объём этих данных составляет около 31,4 млн токенов. Модель содержит 9 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации кода и ответов на инструкции, в том числе для задач программирования на Python. Также её можно применять для диалога и генерации текстов. Метаданные Hugging Face указывают text-classification, но каталог относит модель к text-generation; описание и обучение в README поддерживают прежде всего сценарии генерации текста и кода. Для работы с Transformers в README рекомендуется форматировать запросы по шаблону Alpaca. Модель может ошибаться в фактах и сложных или неоднозначных задачах, а результаты зависят от данных обучения и контекста. Лицензия указана противоречиво: README сообщает Apache-2.0, тогда как метаданные Hugging Face указывают Gemma; перед использованием следует проверить применимые условия распространения.

Fabliq-8B-Agent — компактная агентная языковая модель LLM-OS-Models для работы с терминалом и задач программирования. Это дообученная и объединённая модель семейства Liquid AI LFM2.5 с MoE-архитектурой Lfm2MoeForCausalLM: в карточке указано 1,6 млрд параметров, а README описывает базовую конфигурацию как примерно 8 млрд параметров всего и около 1 млрд активных на токен. Модель принимает текст, использует контекст до 128 000 токенов и обучена на английских многоходовых траекториях взаимодействия с инструментами. Модель предназначена для сценария «прочитать — рассуждать — выполнить действие — проверить результат»: она может выдавать текстовые ответы и вызовы инструментов в формате Liquid, например Bash, Read, Edit, Write, Glob и Grep. Обучение проведено на 4 047 терминальных сессиях из набора Fable-5-traces, поверх модели ToolBench; README указывает три эпохи дополнительного обучения. Для выполнения действий требуется внешняя среда, которая разбирает и исполняет вызовы инструментов. Доступна по лицензии Apache-2.0.

OpenAssistant/falcon-40b-megacode2-oasst — дообученная языковая модель семейства Falcon на основе andreaskoepf/falcon-40b-megacode2. Её обучали в два этапа: сначала на наборе LosslessMegaCodeTrainingV2_1m_Evol_Uncensored для генерации кода, затем на данных OpenAssistant/oasst1 для диалогов. Модель использует архитектуру FalconForCausalLM, содержит 65 млрд параметров и распространяется в формате safetensors. Модель предназначена для генерации кода и ответов в диалоге; для общения применяется шаблон ChatML. Её можно использовать для написания и продолжения кода, а также для ответов на пользовательские запросы. В карточке не указаны контекстное окно и перечень поддерживаемых естественных языков. Лицензия — Apache-2.0.

Это GGUF-квантизированная версия Falcon Coder 3B, подготовленная mradermacher на основе anthonylee991/falcon-coder-3b. Модель предназначена для генерации кода и диалоговой работы с запросами о программировании. В метаданных отмечены архитектурное семейство Falcon и размер базовой модели 3B; репозиторий содержит статические квантизации TQ1_0 и TQ2_0 в формате GGUF. Базовая модель дообучена на наборах CodeFeedback-Filtered-Instruction, Magicoder-OSS-Instruct-75K и Magicoder-Evol-Instruct-110K. Карточка указывает английский язык, а лицензия репозитория — Apache-2.0. Доступны варианты с разным балансом размера и скорости; README не приводит сравнительных оценок качества, поэтому возможности конкретных квантованных вариантов могут различаться.

FastApply-1.5B-v1.0 — языковая модель Kortix для быстрого применения изменений к коду. Она дообучена на базе unsloth/Qwen2.5-Coder-1.5B-Instruct-bnb-4bit и использует плотную архитектуру Qwen2 с 1,5 млрд параметров. Модель принимает текст с исходным кодом и фрагментом изменений, а в ответ формирует полный обновлённый файл, сохраняя его структуру, порядок, комментарии и отступы. Модель предназначена для AI-редакторов кода и инструментов, которым нужно быстро объединять изменения в файлах, в том числе в сценариях Fast Apply. Заявленная длина контекста — 32 768 токенов; README сообщает о скорости около 340 токенов в секунду при запуске у быстрых провайдеров, но эта скорость зависит от среды выполнения. Карточка указывает английский язык, однако он не определяет язык программирования, который можно редактировать. Модель распространяется по лицензии Apache-2.0. Она специализирована на редактировании кода и выдаёт результат в виде текста; качество и скорость могут зависеть от провайдера, формата запроса и кода. Данных о конкретных ограничениях применения в карточке не приведено.

FerrisMind — дообученная Daemontatox в 2025 году языковая модель на архитектуре Qwen3 MoE, предназначенная для генерации кода на Rust. Она основана на Qwen/Qwen3-Coder-30B-A3B-Instruct и обучалась с помощью instruction tuning и GRPO, чтобы применять гибридный режим рассуждений при решении задач программирования. Репозиторий содержит веса Safetensors; размер модели в метаданных указан как 2,4 млрд параметров, нативная длина контекста — 262 144 токена. Модель помогает писать идиоматичный Rust-код, создавать каркасы проектов, ускорять прототипирование и предлагать оптимизации. Она рассчитана на практические задачи разработки и обучение Rust. По карточке, модель может выдавать код, который не компилируется в сложных случаях; она не предназначена для общей беседы и вредоносной генерации кода. Лицензия — Apache-2.0.

Fireball-12B-v1.01a — дообученная EpistemeAI языковая модель на архитектуре Mistral, основанная на EpistemeAI/Fireball-12B-v1.0. Модель содержит 12,1 млрд параметров и предназначена для генерации текста, выполнения инструкций и помощи с программированием. В README описаны supervised fine-tuning на наборах Code Alpaca и Alpaca Cleaned, а также два этапа ORPO дообучения на предпочтениях. Модель принимает текст и генерирует текст. В карточке указаны мультиязычные и программные данные, а рекомендуемый шаблон запросов — Alpaca. Метаданные указывают контекст до 1 024 000 токенов; в README для исходной модели Mistral Nemo приводится окно 128k, поэтому заявленная длина контекста для этой версии в источниках расходится. Модель выпущена под лицензией Apache 2.0. По README, у базовой модели нет встроенных механизмов модерации; для контролируемого применения следует предусмотреть отдельную модерацию.

Flex-code-2x7B-1T — языковая модель семейства FlexOlmo от Allen Institute for AI (AI2), предназначенная для генерации текста с акцентом на программный код. Это вариант архитектуры Mixture-of-Experts: в карточке модели описана система из экспертов, обученных на разных типах данных, включая код; в метаданных для этой модели указаны 6,9 млрд параметров и архитектура FlexOlmoForCausalLM. Модель поддерживает диалоговый режим, принимает текст и генерирует текст. Карточка сообщает об обучении кодового эксперта на специализированных данных, но не приводит отдельной оценки качества именно этой версии. Модель можно применять для генерации и продолжения кода, а также для диалоговой помощи при решении задач программирования. Метаданные указывают поддержку английского языка и контекст до 4096 токенов. Для работы требуется Transformers версии 4.57.0 или новее. Модель распространяется по лицензии Apache-2.0.

Frank 26B-A4B — модель TendieLabs, дообученная на базе Google Gemma 4 26B-A4B-it для генерации кода, отладки, проверки и рефакторинга. Модель предназначена для локального использования как помощник программиста через OpenCode или OpenAI-совместимые клиенты, включая закрытые среды с требованиями к происхождению моделей. Это разреженная архитектура Mixture-of-Experts: 25,2 млрд параметров всего, около 3,8 млрд активных за проход и 128 экспертов. По заявлению автора, Frank быстрее базовой модели на задачах преобразования кода благодаря выборочному использованию рассуждений. Обучение охватывало примерно 33 тысячи примеров, включая C#, Python, отладку и рассуждения; отдельно отмечена конвертация VBA в Python. Поддерживается английский язык. Модель рассчитана на текстовый ввод и выдачу текста, а не на мультимодальные задачи. Автор рекомендует температуру 1.0: при низкой температуре режим рассуждений может зацикливаться и приводить к пустым ответам. В README приведены результаты собственных оценок на небольшом наборе задач, поэтому заявленные качество и ускорение не следует считать независимым сравнительным бенчмарком. Лицензия — Apache 2.0.

FrogBoss-32B-2510 — языковая модель Microsoft для автоматического поиска и исправления ошибок в коде. Это дообученная методом SFT модель Qwen3-32B с плотной архитектурой Qwen3ForCausalLM и 29,7 млрд параметров. Для обучения использованы 9 тысяч успешных траекторий отладки, сгенерированных моделью-учителем в рамках BugPilot на примерах из R2E-Gym, SWE-Smith и FeatAdd. Модель предназначена для многошаговой отладки и подготовки патчей, в том числе в многофайловых репозиториях и при исправлении ошибок уровня функций. Она принимает и выдаёт текст; метаданные указывают контекст до 40 960 токенов. Основной сценарий применения — работа в агентных процессах разработки ПО, например с обвязкой R2E-Gym. В README приводится результат Pass@1 45,0% на SWE-Bench Verified, усреднённый по трём запускам. Модель может предложить ошибочное или неполное исправление, особенно для незнакомых предметных кодовых баз или неоднозначных задач; сгенерированный код следует проверять на корректность и безопасность. Лицензия — MIT.

FrogMini-14B-2510 — языковая модель Microsoft на 14 млрд параметров для поиска и исправления ошибок в программном коде. Это дообученная методом SFT модель Qwen3-14B на траекториях отладки, созданных с помощью BugPilot на основе реальных и синтетических ошибок. Она использует архитектуру Qwen3 с плотной трансформерной моделью и поддерживает контекст до 40 960 токенов по метаданным; в README также заявлено до 64 тыс. токенов. Модель предназначена для многошаговой отладки, анализа ошибок и подготовки исправлений, в том числе в многофайловых репозиториях и агентных сценариях разработки ПО. Она принимает и выдаёт текст, включая код; автор сообщает результат Pass@1 45,0% на SWE-Bench Verified. Лицензия — MIT. FrogMini может предлагать ошибочные или неполные исправления, особенно для незнакомых специализированных кодовых баз или неоднозначных задач. Сгенерированный код следует проверять на корректность и безопасность; модель не предназначена для общих задач вне разработки ПО.

Gemini 2.5 Flash — мультимодальная модель Google, предназначенная для рассуждений, программирования, математики и научных задач. Карточка описывает её как универсальную рабочую модель со встроенным режимом «thinking» для более сложных ответов. Модель предназначена для диалоговых сценариев и решения сложных задач, в том числе связанных с кодом и наукой. В предоставленных данных не указаны размер, архитектура, поддерживаемые языки, длина контекста или условия лицензии.

Gemini 2.5 Pro — модель Google для сложных задач рассуждения, программирования, математики и науки. В карточке модели указана возможность «thinking», предназначенная для более точной проработки ответов. Модель подходит для решения сложных вопросов, помощи с кодом и математическими задачами, а также научной работы. Метаданные каталога классифицируют её как image-text-to-text, однако предоставленные материалы не описывают поддержку изображений, архитектуру, размер, контекст, языки или условия использования, поэтому эти характеристики здесь не уточняются.

Карточка модели alekshandru/gemma-4-12B на Hugging Face совпадает с карточкой google/gemma-4-12B, поэтому описание составлено по ней. Gemma 4 12B Unified — мультимодальная модель с открытыми весами, разработанная Google DeepMind и относящаяся к семейству Gemma 4. Она принимает текст, изображения, видео и аудио, а выдаёт текст; для аудио предусмотрены распознавание речи и перевод речи в текст. Единая архитектура позволяет обрабатывать аудио и изображения без отдельных энкодеров, что подходит для локального запуска на потребительских устройствах. Модель имеет плотную архитектуру и гибридное внимание, сочетающее локальные скользящие окна с глобальным вниманием; заявленное окно контекста для версии 12B — до 256 тысяч токенов. Модель предназначена для диалогов, рассуждений, генерации и исправления кода, вызова инструментов, а также понимания изображений, видео и аудио. Среди визуальных сценариев — извлечение текста из документов, OCR, разбор PDF, диаграмм и экранных интерфейсов; для аудио доступны транскрипция и перевод речи в текст. Семейство поддерживает более 35 языков в обычном использовании и обучалось на более чем 140 языках, но README не перечисляет конкретные языки этой версии. Модель распространяется по лицензии Apache 2.0. Как и другие генеративные модели, она может давать ошибочные ответы; README также указывает, что приведённые сценарии использования не являются исчерпывающими.

Карточка модели Iambackup/gemma-4-12B на Hugging Face совпадает с карточкой google/gemma-4-12B, поэтому описание составлено по ней. Gemma 4 12B Unified — мультимодальная модель с открытыми весами, разработанная Google DeepMind и относящаяся к семейству Gemma 4. Она принимает текст, изображения, видео и аудио, а выдаёт текст; для аудио предусмотрены распознавание речи и перевод речи в текст. Единая архитектура позволяет обрабатывать аудио и изображения без отдельных энкодеров, что подходит для локального запуска на потребительских устройствах. Модель имеет плотную архитектуру и гибридное внимание, сочетающее локальные скользящие окна с глобальным вниманием; заявленное окно контекста для версии 12B — до 256 тысяч токенов. Модель предназначена для диалогов, рассуждений, генерации и исправления кода, вызова инструментов, а также понимания изображений, видео и аудио. Среди визуальных сценариев — извлечение текста из документов, OCR, разбор PDF, диаграмм и экранных интерфейсов; для аудио доступны транскрипция и перевод речи в текст. Семейство поддерживает более 35 языков в обычном использовании и обучалось на более чем 140 языках, но README не перечисляет конкретные языки этой версии. Модель распространяется по лицензии Apache 2.0. Как и другие генеративные модели, она может давать ошибочные ответы; README также указывает, что приведённые сценарии использования не являются исчерпывающими.