II.2Создание и понимание программного кода

GPT4All-Falcon — языковая модель Nomic AI, дообученная на базе Falcon 7B на большом отобранном корпусе взаимодействий с ассистентом. Это плотная авторегрессионная модель архитектуры RefinedWebModel с 10,9 млрд параметров, предназначенная для генерации текста в диалоговом формате. Модель подходит для многошаговых диалогов, ответов на вопросы и генерации текстов, включая решение словесных задач, написание кода, стихов, песен и историй. В карточке заявлена поддержка английского языка. Для запуска используются Transformers и PyTorch; доступны веса в форматах PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Качество ответов может быть непоследовательным, а результаты по отдельным задачам зависят от формулировки запроса; карточка не приводит здесь подробных гарантий качества или ограничений.

GPT4All-MPT — языковая модель Nomic AI, дообученная на базе MPT-7B на корпусе примеров взаимодействия с ассистентом. Она предназначена для генерации ответов в диалоге, решения словесных задач, написания кода, стихов, песен и рассказов. Модель использует архитектуру MPTForCausalLM с плотной структурой и распространяется в формате PyTorch; размер базовой модели — 7 млрд параметров. Модель рассчитана на английский язык и поддерживает генерацию текста в стиле ассистента. Она выпущена под лицензией Apache 2.0. Карточка описывает обучение на датасете nomic-ai/gpt4all-j-prompt-generations, версия v1.3-groovy.

Hermes-4-14B-4bit — языковая instruction-модель, разработанная NousResearch и преобразованная сообществом mlx-community в формат MLX из NousResearch/Hermes-4-14B с использованием mlx-lm 0.27.0. Модель предназначена для генерации текста и диалоговых сценариев на английском языке, включая ответы общего назначения, рассуждения, ролевое взаимодействие, работу с функциями и инструментами, JSON Mode и структурированными ответами. Модель имеет размер 14 млрд параметров и использует 4-битное квантование. Она совместима с библиотекой mlx-lm и рассчитана на запуск в экосистеме MLX. В описании заявлены поддержка chat-сценариев, ChatML, function calling, tool use и long context, однако точный размер контекстного окна, архитектурные детали, модальности помимо текста и результаты benchmark-тестов не указаны. К сильным сторонам относятся instruction-настройка, возможности рассуждения, структурированной генерации и взаимодействия с инструментами, а также оптимизация в 4-битном формате для использования через MLX. Ограничения включают отсутствие подтверждённых количественных оценок качества и недостаток сведений о производительности, точной поддержке языков и поведении на задачах, не связанных с английским языком. Модель распространяется по лицензии Apache-2.0.

KAI-7B — языковая модель Keynote Technology на архитектуре Mistral с 7,1 млрд параметров, дообученная на основе Mistral 7B. Она предназначена для генерации текста и может применяться для ответов на вопросы и работы с задачами STEM; в карточке также отмечены возможности в области кода. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. Автор заявляет о высоких результатах на проведённых им бенчмарках, особенно в STEM, но отмечает, что математические и кодовые задачи требуют улучшения. Это предварительно обученная базовая модель без механизмов модерации. Репозиторий распространяется по лицензии Apache-2.0; README отдельно запрещает использовать модели KAI для разжигания ненависти.

DuoNeural публикует квантованную GGUF-сборку языковой модели LFM2.5-8B-A1B-Abliterated. В карточке заявлен метод TAP-DPQ — посттренировочная квантзация с точностью 2,72 бита на вес; исходная модель описана как гибридная архитектура с рекуррентной моделью пространства состояний и разреженной смесью экспертов. Файлы предназначены для локального запуска диалоговой модели и генерации текста. По данным README, сборка занимает около 2,68 ГиБ и рассчитана на запуск с низкими требованиями к памяти; автор также сообщает о тестировании длинного контекста и сохранении математических рассуждений и вызова функций. README указывает на умеренную чувствительность кода к квантованию. Эти характеристики производительности приведены авторами и не являются независимой оценкой. Лицензия — Apache 2.0.

Llama-3-Groq-8B-Tool-Use-GGUF — GGUF-квантизированная версия языковой модели Llama-3-Groq-8B-Tool-Use, разработанной Groq и подготовленной к распространению компанией Second State Inc. Модель предназначена для генерации текста и сценариев function calling: она может выбирать одну или несколько функций из предоставленных сигнатур и возвращать их имена и аргументы в структурированном формате. Модель работает с текстом на английском языке и поддерживает контекст до 8192 токенов. Для корректной работы с вызовами инструментов используется специальный шаблон запросов groq-llama3-tool, в котором описания функций передаются внутри XML-тегов tools, а результаты вызовов — внутри tool_call. Модель представлена в нескольких вариантах GGUF-квантизации от Q2_K до Q8_0; рекомендуемыми указаны Q4_K_M, Q5_K_M и Q5_K_S, обеспечивающие компромисс между размером файла и качеством. Сильные стороны модели — специализированная поддержка вызова инструментов, возможность локального запуска и широкий выбор уровней квантизации с размером файлов примерно от 3,18 до 6,60 ГБ для указанных вариантов. Ограничения включают поддержку только английского языка согласно карточке, текстовую модальность и снижение качества при использовании более агрессивной квантизации, особенно вариантов Q2 и Q3. Модель распространяется по лицензии llama3.

RLHFlow/LLaMA3-SFT — контрольная точка supervised fine-tuning, подготовленная авторами проекта RLHFlow/Online-RLHF для исследований обучения с обратной связью от людей. Модель основана на Meta Llama 3 8B и дообучена за одну эпоху на смеси разнообразных высококачественных открытых данных. В метаданных указаны архитектура LlamaForCausalLM, около 7,5 млрд параметров, библиотека Transformers и контекст до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев, а также как начальная точка для экспериментов с RLHF. Авторы подчёркивают, что сама эта контрольная точка не обучалась с помощью RLHF. В README приведены результаты академических бенчмарков, в том числе по математическим задачам, программированию и общим знаниям. Лицензия в предоставленных данных не указана.

MAMBA (2.8B) Instruct — языковая модель с архитектурой Mamba, дообученная clibrain на наборе OpenHermes для генерации текста в формате инструкций и диалога. Архитектура Mamba относится к моделям пространства состояний и использует аппаратно-ориентированную реализацию; заявленный размер в названии — 2,8 млрд параметров, тогда как метаданные указывают 6 млрд параметров. Модель предназначена для диалоговых ответов и выполнения общих инструкций, включая задачи письма, ролевого взаимодействия и программирования. OpenHermes содержит около 242 тысяч примеров, преимущественно созданных GPT-4 и собранных из открытых наборов данных. В метаданных указан английский язык и возможность использования в чате. Карточка модели обозначена как незавершённая, а результаты оценивания обещаны на будущее, поэтому опубликованных оценок качества нет. Для запуска README приводит зависимости PyTorch, Transformers и Mamba. Лицензия указана как WTFPL.

Meta-Llama-3-11.5B-Instruct — созданная mpasila экспериментальная инструкционная языковая модель, полученная слиянием слоёв Undi95/Meta-Llama-3-8B-Instruct-hf методом passthrough с помощью mergekit. Модель предназначена для диалогов и генерации текста в ответ на инструкции; архитектура — плотная Llama с причинным языковым моделированием, объём — около 11 млрд параметров, контекст — 8192 токена. Карточка указывает английский язык и формат safetensors. Модель может подойти для чат-ботов, ответов на вопросы, написания и продолжения текстов, а также генерации кода. Доступна по лицензии llama3. Карточка описывает способ слияния, но не приводит сравнительных оценок качества; как экспериментальная Frankenmerge, она может отвечать менее стабильно, чем исходная модель.

MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp-GGUF — набор файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе модели Weyaxi/MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp. Модель предназначена для генерации текста и может использоваться в локальных приложениях, чат-интерфейсах и системах, поддерживающих GGUF, включая llama.cpp, text-generation-webui, LM Studio, GPT4All, KoboldCpp и llama-cpp-python. В репозитории представлены варианты квантования с разрядностью от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. Точные размер модели, архитектура исходной модели, максимальная длина контекста и поддерживаемые языки в README не указаны. Формат ориентирован на эффективный запуск, в том числе с GPU-ускорением, однако квантование может влиять на качество по сравнению с полноразмерной версией. Модель распространяется по лицензии Apache-2.0.

Mistral-Instruct-Ukrainian-SFT — языковая модель Radu Chivereanu, полученная supervised fine-tuning модели Mistral-7B-Instruct-v0.2 на украиноязычных наборах данных. Она предназначена для диалогов и выполнения инструкций на украинском языке, включая ответы на вопросы, задания по чтению и пониманию текста, а также вопросы и ответы по тематике программирования. Модель содержит 7,1 млрд параметров; её архитектура — плотный трансформер MistralForCausalLM с Grouped-Query Attention и Sliding-Window Attention. Контекст составляет до 32 768 токенов. Для запросов используется формат инструкций с токенами [INST] и [/INST], также доступен chat template Transformers. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README приводит результаты нескольких бенчмарков, но они не гарантируют качество на других задачах и данных.

Mistral-Nemo-Instruct-2407-GGUF — это набор файлов модели в формате GGUF для инструкционной языковой модели Mistral-Nemo-Instruct-2407, разработанной Mistral AI. Квантизацию и публикацию файлов выполнил MaziyarPanahi. Модель предназначена для генерации текста и выполнения инструкций, включая локальные сценарии использования через совместимые приложения и библиотеки. В репозитории представлены варианты с 2-, 3-, 4-, 5-, 6- и 8-битной квантизацией. Формат GGUF разработан командой llama.cpp и поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All, LoLLMS Web UI, Faraday.dev, candle и другими инструментами. Ключевое преимущество — возможность запуска квантизированных версий локально с использованием CPU и GPU, однако конкретные требования к ресурсам и производительность зависят от выбранного варианта квантизации и программного окружения. README не содержит сведений об архитектуре, размере, поддерживаемых языках, длине контекста, модальностях, сильных сторонах базовой модели или лицензии. Поэтому эти характеристики нельзя надежно определить по представленным данным.

OpenAI o3 Pro — модель семейства o, обученная с подкреплением рассуждать перед ответом и решать сложные задачи. По сравнению с o3 она использует больше вычислений на этапе рассуждения, чтобы давать более последовательные ответы. Модель предназначена для сложных запросов, где полезны многоэтапное рассуждение и тщательная проработка ответа. Данных о размере, модальностях, поддерживаемых языках, длине контекста и лицензии в предоставленной карточке нет.

OpenCarrot-Mix-7B — текстовая генеративная модель на архитектуре Mistral, созданная командой CarrotAI линейным слиянием моделей через mergekit. В слияние вошли amazingvince/Not-WizardLM-2-7B и CarrotAI/OpenCarrot-Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. В карточке приведены оценки на корейских тестах LogicKor по программированию, математике и пониманию текста; эти результаты не гарантируют качество на других задачах или языках. Метаданные указывают корейский и английский языки. Модель распространяется по лицензии MIT.

Карточка модели mt1234/PATHFINDER-32B на Hugging Face совпадает с карточкой mt1234/PATHFINDER-120STEPS, поэтому описание составлено по ней. PATHFINDER-120STEPS — дообученная модель mt1234 на базе unsloth/qwen2.5-coder-32b-instruct-bnb-4bit. Это плотная языковая модель семейства Qwen2 с 32 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. В метаданных заявлен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст; её контекстное окно составляет 32 768 токенов. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Модель распространяется по лицензии Apache-2.0.

Карточка модели LIF1014/ptdbench-verl-coding-task-evaluator на Hugging Face совпадает с карточкой Qwen/Qwen2.5-1.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-1.5B-Instruct — инструктивно дообученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов и генерации текста по инструкциям, включая ответы на вопросы, создание длинных текстов и выдачу структурированных результатов, например JSON. Модель имеет плотную архитектуру причинного трансформера Qwen2 с RoPE, SwiGLU и RMSNorm и содержит 1,5 млрд параметров. Контекст составляет 32 768 токенов, максимальная длина генерации — 8 192 токена. Карточка описывает поддержку более 29 языков, включая русский и английский; метаданные указывают английский как язык карточки. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. Среди сильных сторон — следование инструкциям, работа с длинными текстами и структурированными данными, а также интерфейс для вызова инструментов. Это компактная модель, поэтому её возможности ограничены по сравнению с более крупными языковыми моделями; оценочные результаты для этой конкретной версии в карточке не приведены.

thirdeyeai опубликовал инструкционно дообученную текстовую модель генерации на основе Qwen2.5-Coder-1.5B-Instruct. Она предназначена для диалогового взаимодействия и генерации текста; в метаданных также указаны интерфейс вызова инструментов, 1,5 млрд параметров, архитектура Qwen2 с плотной сетью, библиотека Transformers и контекст до 32 768 токенов. Карточка Hugging Face автоматически сгенерирована и не описывает конкретные сценарии применения, языки обучения или проведённые оценки качества. Лицензия в доступной карточке не указана.

Qwen3.5-397B-A17B-VQ-2.2bpw — векторно-квантизированная версия модели Qwen3.5-397B-A17B, разработанная TheDrainFlorist на базе модели Qwen. Репозиторий предназначен для запуска большой MoE-модели локально на компьютерах Apple Silicon с 128 ГБ объединённой памяти, без кластера и специальных патчей, используя MLX и совместимые инструменты mlx-lm или mlx-vlm. Модель поддерживает генерацию текста, а после обновления runtime также обработку изображений через mlx-vlm. Модель имеет 397 млрд параметров и обозначение A17B, что указывает на разреженную архитектуру Mixture-of-Experts с примерно 17 млрд активных параметров на токен. Применяется vector quantization с точностью 2,2 bits per weight; размер артефакта составляет около 101,0 GiB. Заявлена поддержка английского языка, а тесты включают прозу и смешанный по языкам код. Максимальная длина контекста в README не указана. Для текста требуется mlx-lm с поддержкой ключа model_file версии 0.31.9 или совместимой, для изображений — mlx-vlm не ниже 0.6.16. Главное преимущество сборки — уменьшенный объём, позволяющий сохранить около 17 ГиБ свободной памяти на системе с 128 ГБ и использовать модель с меньшими требованиями к резидентной памяти. По опубликованным измерениям версия v2 улучшает perplexity относительно v1 и превосходит близкую 2,6-битную квантизацию на прозе, однако уступает сборке VQ-2.4bpw по качеству. Уменьшение размера не гарантирует более высокую скорость декодирования, поскольку активные эксперты на токен остаются сопоставимыми. Лицензия — Apache-2.0.

trymirai/Qwen3.5-4B-M — это средний по размеру 4-битный вариант модели Qwen3.5-4B, подготовленный Mirai Labs для эффективного локального запуска на компьютерах Apple с Apple silicon. Модель предназначена для генерации текста и унаследовала архитектуру, назначение, языки, модальности и другие базовые свойства оригинальной Qwen3.5-4B, однако в представленном README их подробные характеристики не указаны. Квантизация выполнена с использованием 4-битного асимметричного целочисленного представления, 4-битных zero points, масштабов bfloat16 и размера группы 32. Для уменьшения выбросов активаций и весов применяются блочно-диагональные Random Hadamard Transforms; после посттренировочной квантизации использовалась дистилляция с учётом квантизации. По заявлению разработчиков, чекпойнт находится на компромиссном фронте между размером и KL-дивергенцией, то есть сочетает уменьшенный размер с сохранением качества. Основное преимущество модели — возможность более эффективного локального вывода на Apple silicon при меньших требованиях к памяти по сравнению с исходной моделью. Ограничение состоит в том, что в README заявлена поддержка только Apple silicon; характеристики производительности и качества для других платформ не приведены. Для запуска предлагается пакет mirai для macOS или сборка из исходного кода. Модель распространяется по лицензии Apache-2.0.

SECWIKI/Qwen3.6-27B-Uncensored-HauhauCS-Aggressive — мультимодальная версия Qwen3.6-27B, разработанная HauhauCS на основе модели Qwen/Qwen3.6-27B. Это модификация без встроенных отказов, предназначенная для генерации ответов на широкий круг запросов, включая сценарии, где требуется минимальное количество ограничений. Модель поддерживает текст, изображения и видео, а заявленные языки включают английский, китайский и другие языки в мультиязычном режиме. Модель содержит 27 млрд плотных параметров и распространяется в формате GGUF с различными уровнями квантования, включая специальные варианты K_P, оптимизированные с использованием importance matrix. Архитектура включает 64 слоя, сочетает 48 слоёв линейного внимания Gated DeltaNet и 16 слоёв полного gated attention. Нативная длина контекста составляет 262 тысячи токенов и может быть расширена примерно до 1 млн с помощью YaRN. Для мультимодальной работы поставляется отдельный компонент mmproj. Сильной стороной модели является сочетание большого контекста, мультимодальности, нескольких режимов генерации и отсутствия отказов, а K_P-квантизации позволяют сохранить качество при уменьшенном размере файлов. Ограничения включают возможное добавление кратких дисклеймеров, повышенные требования к памяти: размер файлов варьируется примерно от 10 до 32 ГБ, а также риски, связанные с отсутствием защитных ограничений. В README указана лицензия Apache-2.0.

LibertAIDAI/Qwen3.6-35B-A3B-NVFP4-GGUF — это GGUF-квантизация мультимодальной модели Qwen3.6-35B-A3B, разработанной командой Alibaba Qwen и адаптированной LibertAI для работы с llama.cpp. Модель предназначена для генерации текста, рассуждений и обработки изображений и видео совместно с vision-проектором mmproj. Заявленный язык — английский. Модель использует гибридную архитектуру attention и SSM с механизмом Mixture-of-Experts: 35 млрд параметров всего, около 3 млрд активируются на каждом токене; предусмотрено 40 слоёв и 256 экспертов, из которых активны 8. Маршрутизируемые экспертные FFN-тензоры представлены в формате NVFP4, а attention, shared experts, SSM-блоки linear_attn и embeddings используют обычные варианты GGUF-квантизации. Доступны варианты с Q4_K_M, Q8_0 и BF16 для неэкспертных тензоров; для мультимодального ввода требуется отдельный vision-проектор F16 размером около 861 МБ. Основное преимущество NVFP4-варианта — уменьшенный размер и высокая скорость на NVIDIA Blackwell, особенно для версии Q4_K_M; на RTX 5090 она показала до 223 токенов в секунду при генерации. При этом для этой MoE-модели стандартный GGUF Q4_K_M в некоторых сценариях пакетной обработки быстрее NVFP4-варианта, поэтому выигрыш NVFP4 зависит от оборудования и режима работы. На старых GPU поддержка NVFP4 работает через альтернативные kernels и не даёт заявленного преимущества Blackwell. Контекст модели в README не указан. Распространение выполняется по лицензии Apache 2.0. Для запуска необходимы llama.cpp и соответствующий GGUF-файл; мультимодальный режим дополнительно требует vision-проектор.

Qwen3.6-35B-A3B-oQ2e-FP16-MTP-MLX — модель семейства Qwen3.6, подготовленная Treeish в формате MLX safetensors как FP16-вариант пакета Qwen3.6-35B-A3B-oQ2e-MTP-MLX. Она предназначена прежде всего для локального запуска в Sprig на компьютерах Mac с чипами M1 и M2; для M3 и более новых рекомендуется BF16-вариант. Модель поддерживает обработку текста и изображений согласно заявленному pipeline image-text-to-text, однако подробности о визуальных возможностях в карточке не приведены. Архитектура содержит 35 млрд параметров, из которых примерно 3 млрд активны, и использует агрессивную смешанную oQ2e-квантизацию с imatrix: по умолчанию 2-битную affine-квантизацию с размером группы 64 и индивидуальными переопределениями точности от 3 до 8 бит. Остаточные плавающие тензоры имеют точность FP16. В пакет встроен один слой Multi-Token Prediction (MTP), контекстное окно составляет 262 144 токена. Размер пакета — около 13,6 ГБ; для работы Treeish использует 24 ГБ объединённой памяти и рекомендует 32 ГБ, но фактические требования зависят от длины контекста и настроек кэша. Сильными сторонами являются локальная генерация на Apple Silicon, поддержка MTP для потенциального ускорения декодирования и сохранение исходной структуры тензоров при переходе BF16 в FP16. В приведённом тесте на M4 Max скорость составила до 105,8 токена в секунду с MTP, но эти результаты относятся к одной машине и небольшому тестовому набору. Ограничения включают потери качества, возможные для низкобитной квантизации, зависимость от совместимого MLX Swift runtime и отсутствие гарантии побитового совпадения результатов MTP и базовой генерации. Модель распространяется по лицензии Apache 2.0.

Ex0bit/Qwen3.6-35B-A3B-PRISM-NVFP4 — мультимодальная модель для генерации текста, основанная на Qwen/Qwen3.6-35B-A3B и доработанная проектом Ex0bit с использованием настройки PRISM. PRISM направлена на смягчение чрезмерных отказов, удаление нежелательных проявлений предвзятости и пропагандистских шаблонов при сохранении или улучшении качества выполнения задач, связности ответов и мультимодальных возможностей. Модель использует разреженную архитектуру Mixture-of-Experts: общий размер составляет 35 млрд параметров, около 3 млрд параметров активируются для каждого токена, предусмотрено 256 маршрутизируемых экспертов. Веса и активации квантованы в формат NVFP4 W4A4 с использованием compressed-tensors; некоторые компоненты, включая vision encoder, lm_head, роутеры, embeddings и состояние линейно-внимательной SSM, сохранены в BF16. Доступна поддержка мультимодального ввода и MTP draft head для ускоренного спекулятивного декодирования. В README приведён режим обслуживания с ограничением контекста 32768 токенов. Ключевые преимущества модели — существенно сниженные требования к хранению, поддержка мультимодальных сценариев, MoE-эффективность и возможность спекулятивного декодирования. Основные ограничения связаны с аппаратной и программной совместимостью: модель рассчитана прежде всего на GPU NVIDIA Blackwell с архитектурами SM120/SM121 и требует версии vLLM с поддержкой NVFP4; стандартные сборки могут работать некорректно, особенно на SM121. Лицензия Apache 2.0 унаследована от базовой модели.

Qwythos-9B-Claude-Mythos-Uncensored-Abliterated-1M — дообученная модель генерации текста от Securelayer7 на базе empero-ai/Qwythos-9B-Claude-Mythos-5-1M, основанной на Qwen3.5-9B. В карточке указаны 7,2 млрд параметров, архитектура Qwen3.5 для причинной генерации текста и контекст до 1 048 576 токенов. Модель предназначена для диалогов и технических рассуждений, в частности для анализа уязвимостей, тестирования на проникновение, red teaming и анализа вредоносного ПО. Она поддерживает вызов инструментов в формате Qwen3.5. По заявлению автора, поведение отказов ослаблено на уровне весов с помощью абляции и LoRA дообучения на собственных ответах; приведённые в README бенчмарки относятся к базовой модели, а не к этой версии. Модель распространяется в формате Safetensors по лицензии Apache 2.0. В опубликованных весах нет защитных ограничений на незаконный контент: автор указывает, что фильтрацию необходимо обеспечивать на уровне развёртывания. При очень низкой температуре генерации возможны циклы повторений.

se-bert — языковая модель для программной инженерии, описанная в работе «Enhancing Automated Software Traceability by Transfer Learning from Open-World Data». Она обучена на Git Corpus и Git Links за 2016–2021 годы, включающих комментарии, задачи (issues), pull request и коммиты. По архитектуре это BERT с головой masked language modeling; модель содержит 136,7 млн параметров, работает с последовательностями до 512 токенов и распространяется в формате safetensors для Transformers. Модель предназначена как отправная точка для классификации требований, предсказания связей трассируемости и поиска или извлечения информации в задачах программной инженерии. В карточке не приведены результаты оценки и подробности метода обучения; заявленные сценарии следует считать целевыми применениями, а не гарантией качества. Лицензия в предоставленных данных не указана.

Cisco AI разработала SecureBERT2.0-code-vuln-detection — англоязычную модель классификации фрагментов исходного кода на уязвимые и неуязвимые. Это дообученная на SecureBERT 2.0 модель с архитектурой ModernBERT и классификационной головой на два класса; она предназначена для анализа безопасности кода на этапе проверки и разработки. Модель можно встроить в системы автоматизированного ревью, сканеры уязвимостей в CI/CD и расширения для IDE. В карточке описана оценка на примерах C, C++, Python и категориях вроде переполнения буфера и инъекций. Указано 149 млн параметров; метаданные сообщают контекст до 8192 токенов, тогда как README приводит максимальную длину последовательности 1024 токена. Модель служит вспомогательным средством: она может пропускать уязвимости или отмечать безопасный код как уязвимый, а синтаксические закономерности обучающих данных могут мешать обнаружению логических ошибок. Она не предназначена для анализа обычного текста, выявления проблем во время выполнения или генерации исправлений. Лицензия — Apache-2.0.

SmolLM-1.7B-Instruct-v0.2-GGUF — это набор GGUF-квантизаций инструкционно дообученной языковой модели SmolLM-1.7B-Instruct-v0.2, разработанной HuggingFaceTB. Квантизации подготовлены пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и выполнения инструкций, включая диалоговые сценарии, программирование и обработку повседневных запросов. Указан английский язык. Модель имеет размер 1,7 млрд параметров и работает в текстовой модальности. В набор входят варианты от F32 до низкобитных Q2–Q8 и IQ-квантизаций с размером файлов примерно от 0,67 до 6,85 ГБ. Более высокие разрядности обычно лучше сохраняют качество, тогда как низкоразрядные варианты требуют меньше оперативной памяти. Для запуска рекомендуется использовать llama.cpp или совместимые приложения, включая LM Studio, с указанным в README форматом чата. К сильным сторонам относятся компактный размер, возможность локального запуска и широкий выбор компромиссов между качеством и требованиями к памяти. Ограничения — небольшая по современным меркам модель, поддержка только английского языка согласно карточке и потенциальная потеря качества при сильной квантизации. Базовая модель обучалась на наборах Magpie-Pro-300K-Filtered, self-oss-instruct-sc2-exec-filter-50k, OpenHermes-2.5 и everyday-conversations-llama3.1-2k. Указанная лицензия — Apache-2.0.

TernaryQuench-Qwen3.8-27B-GGUF — это сжатая версия языковой модели Qwen3.8-27B, подготовленная penkia с использованием проекта TernaryQuench. Базовая модель разработана командой Alibaba Qwen. Модель предназначена для локального текстового вывода и совместима с llama.cpp и Ollama; заявлена поддержка генерации текста, структурированного JSON и tool calling. Модель содержит 27 млрд параметров. В большинстве матриц декодера применено ternary-кодирование с тремя значениями весов: −scale, 0 и +scale; первые 62 слоя хранятся в формате Q2_K, последние два слоя — в BF16, а embeddings и output head — в Q4_1. Файл занимает около 10,86 ГБ, при этом требуется дополнительная память для runtime и context cache; в примере запуска указан контекст до 32 768 токенов. Сжатие снижает качество относительно исходной BF16-модели: средняя точность в пяти zero-shot задачах составила 72,28% против 74,35% у Qwen3.8-27B BF16, а perplexity на WikiText-2 — 12,8569 против 7,7471 у 4-битной версии. Модель рассчитана на эффективный локальный инференс, но приведённые проверки не подтверждают надёжность сложных многошаговых агентских сценариев. Лицензия — Apache-2.0.

Thespis-CurtainCall-7b-v0.2 — экспериментальная текстовая генеративная модель на архитектуре Mistral, опубликованная автором cgato как первая версия серии экспериментов по улучшению своих моделей. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В README указано обучение на наборах Dolphin, Ultrachat, Capybara, Augmental, ToxicQA и Magiccoder-Evol-Instruct-110k. Модель предназначена для диалогов и генерации ответов в шаблонах Ooba и Silly Tavern, а также может применяться для генерации кода по инструкциям. Автор отмечает, что работа ещё далека от завершения и делится моделью для ознакомления и проверки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое; начальные тесты автора не заменяют независимую оценку качества.

Yi-1.5-9B-Chat-abliterated — диалоговая языковая модель на 8,6 млрд параметров, созданная на основе 01-ai/Yi-1.5-9B-Chat. Автор сообщает, что модель получена методом «abliteration»; подробности приведены в ноутбуке, на который ссылается карточка. Модель использует плотную архитектуру семейства Llama и библиотеку Transformers. Модель предназначена для генерации текста в диалоге и ответов на запросы. Базовая Yi-1.5-9B-Chat рассчитана на следование инструкциям, рассуждения, математику и программирование; эти возможности унаследованы от основы, но карточка не приводит отдельной оценки их качества после преобразования. Контекст — до 4096 токенов. Указаны китайский и английский языки. Лицензия — Apache-2.0.