II.2Создание и понимание программного кода

NCP-ArchPreview — языковая модель с авторегрессионной генерацией текста, разработанная командой NCP в Shanghai AI Lab и лабораторией LUMIA Шанхайского университета Цзяо Тун. Этот репозиторий содержит промежуточный чекпойнт Stage 1 на шаге 1 100 000, обученный на Dolma 3 Mix. Модель предсказывает следующий токен и следующее понятие — латентное представление группы токенов; предсказания понятий направляют декодер, сохраняя стандартный интерфейс генерации следующего токена. Архитектура основана на токенной схеме OLMo 3 7B и включает 16-слойный токенный энкодер, 8-слойный модуль понятий с 32 продуктовыми кодовыми книгами и 16-слойный токенный декодер. В README указано около 8,94 млрд параметров, тогда как метаданные каталога указывают 11,1 млрд. Контекст модели — 8192 токена; веса представлены в safetensors и bfloat16. Метаданные связывают модель с OLMo 3, но не указывают базовую модель в поле base_models, поэтому точный идентификатор базового репозитория установить нельзя. Модель предназначена для продолжения текста и общих задач генерации; в отчёте для Stage 1 приведены результаты на GSM8K и HumanEval. Это промежуточный исследовательский чекпойнт предобучения, а не описанный как финальная версия модели релиз; код обучения указан как будущий. Весами можно пользоваться на условиях Apache License 2.0.

Nucleus-22B-token-500B — базовая авторегрессионная языковая модель с плотной архитектурой Llama и декодером только для причинной генерации, разработанная Nucleus.AI. В репозитории указано 22 млрд параметров; метаданные Hugging Face уточняют размер до 21,6 млрд. Модель обучена на 500 млрд токенов, преимущественно английских веб-данных RefinedWeb, а также книг, кода и других отобранных корпусов. Её контекст составляет 2048 токенов. Модель предназначена для исследований и как основа для дообучения под генерацию текста, суммаризацию и диалоговые сценарии. Это предварительно обученная модель без специальной настройки для большинства прикладных задач, поэтому ответы могут требовать адаптации и проверки. Она рассчитана на английский язык; обучение на веб-данных также может отражать распространённые в них стереотипы и смещения. Доступна по лицензии MIT.

MaziyarPanahi/OpenHermes-7B-Symbolic-GGUF — это набор квантизированных файлов в формате GGUF для модели OpenHermes-7B-Symbolic. Исходную модель разработал hedronstone, а квантизацию и публикацию файлов выполнил MaziyarPanahi. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp, text-generation-webui, LM Studio, GPT4All и llama-cpp-python. Модель содержит около 7 миллиардов параметров и представлена в вариантах квантизации от 2 до 8 бит, включая семейства Q2_K, Q3_K, Q4_K, Q5_K и Q6_K. Квантизация позволяет выбирать компромисс между размером файла, требованиями к памяти, скоростью и сохранением качества. В метаданных модель также связана с архитектурой Mistral, однако сведения о поддерживаемых языках, размере контекста и мультимодальности не указаны. Основные преимущества — возможность запуска на локальном оборудовании, широкий выбор уровней квантизации и совместимость с несколькими приложениями и библиотеками. Ограничения связаны с потенциальной потерей качества при использовании более сильной квантизации, а также с отсутствием в README подробных данных о качестве, назначении символической специализации и языковых возможностях. Модель распространяется по лицензии Apache-2.0.

Paralay 1.1 — Merged — это диалоговая языковая модель Om Choksi для помощи в задачах защитной кибербезопасности. Она создана на основе Qwen/Qwen2.5-1.5B-Instruct: модель дообучена с помощью LoRA, а адаптер объединён с базовой моделью. Архитектура — плотная Qwen2, размер — 1,5 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и генерирует текст; в карточке указан английский язык. Модель предназначена для объяснения принципов кибербезопасности, помощи при реагировании на инциденты, анализа журналов, моделирования угроз, облачной безопасности, разбора уязвимостей и безопасного программирования. Среди заявленных сценариев — рекомендации по обнаружению вредоносной активности и устранению небезопасных шаблонов кода. По описанию, модель отказывает в запросах на создание фишинга, вредоносных программ, кражу учётных данных и другие вредоносные действия, предлагая защитные альтернативы. Компактный размер может ограничивать точность сложных многоэтапных рассуждений. Знания о новых CVE и актуальной обстановке угроз ограничены датой обучения; ответы следует проверять и не считать заменой профессиональным инструментам или аналитикам. Модель выпущена под лицензией Apache-2.0.

RESMPDEV/Qwen2-Wukong-5B-Instruct-Sliced — инструктивная языковая модель, созданная автором репозитория с помощью mergekit из частей Qwen/Qwen2-7B-Instruct. Метод passthrough объединил слои 0–10 и 19–27 исходной модели; размер составляет 5,2 млрд параметров. Модель построена на архитектуре Qwen2ForCausalLM и предназначена для диалогов и генерации текста. Модель принимает текст и выдаёт текст. Карточка описывает Qwen2 как многоязычную модель для понимания и генерации текста, программирования, математики и рассуждений, но не уточняет отдельный перечень языков для этого среза. Метаданные указывают контекст до 32 768 токенов. Репозиторий использует формат safetensors и лицензию Apache-2.0. Это экспериментальный вариант, собранный для проверки гипотезы о модели примерно на 5 млрд параметров; карточка не приводит отдельной оценки качества именно этого среза. Удаление диапазона слоёв означает, что нельзя автоматически переносить на него заявленные для исходной Qwen2-7B-Instruct характеристики и результаты оценки.

minjaechoi/qwen36-35b-a3b-2p00bit-r8 — экспериментальный чекпойнт на базе Qwen/Qwen3.6-35B-A3B от Qwen, опубликованный minjaechoi. Это чат-модель семейства Qwen3.5 MoE для генерации текста и диалогов. Средняя точность маршрутизируемых экспертов составляет 2,00 бита, остальные веса имеют формат BF16. Веса хранятся в BF16-тензорах после деквантизации; модель загружается через стандартные Transformers и vLLM. Лицензия соответствует лицензии базовой модели.

Qwen3.6-35B-A3B-Uncensored-MagicQuant-GGUF — GGUF-квантизированная версия модели Qwen3.6-35B-A3B-uncensored-heretic, разработанной llmfan46 и опубликованной magiccodingman. Модель предназначена для локальной генерации текста и диалоговых сценариев в совместимых приложениях, использующих llama.cpp и другие инструменты для работы с форматом GGUF. В README она описана как uncensored-модель, то есть с ограниченной фильтрацией содержимого по сравнению с моделями, ориентированными на усиленное выравнивание безопасности. Репозиторий содержит несколько вариантов квантования MagicQuant и один базовый вариант LM-Q8_0. Размеры файлов составляют примерно от 9,59 до 36,91 ГБ, а варианты используют форматы MQ-Q6_K_1, MQ-Q5_K_1, MQ-Q5_K_S_1, MQ-Q4_K_M_1, MQ-Q4_K_M_2, MQ-IQ4_NL_1, MQ-IQ3_M_1, UD-IQ3_S и MQ-IQ2_XXS_1. MagicQuant подбирает и проверяет конфигурации квантования по собственным benchmark-процедурам; для данного репозитория указано, что это локально пересобранный клон конфигураций из другого выпуска, а не результат полного эволюционного поиска. Более крупные варианты обычно ориентированы на сохранение качества, компактные — на снижение требований к памяти, но конкретные характеристики производительности зависят от выбранного файла и оборудования. В README не указаны контекстное окно, языки, точный перечень модальностей, требования к видеопамяти или результаты прикладных тестов, поэтому эти параметры нельзя достоверно определить. Использование модели регулируется лицензией Apache-2.0.

VnimanieAI/Qwen3.8-Flash-Next-W4A16 — это 4-битная INT4-квантизация модели Qwen3.8-Flash-Next, разработанная VnimanieAI на базе модели Qwen. Чекпойнт предназначен для запуска через Transformers и vLLM на потребительских GPU NVIDIA Ampere, прежде всего на конфигурациях из 4–8 RTX 3090, где исходная FP8-версия не поддерживается. По карточке модели он относится к сценарию image-text-to-text, однако подробное описание поддерживаемых языков и фактических модальностей в README отсутствует. Основные веса квантизированы методом RTN в формате compressed-tensors: W4A16, symmetric, group-128. Квантизация охватывает маршрутизируемые MoE-эксперты и attention-проекции, тогда как чувствительные компоненты, включая shared expert, MTP-модуль, PLE n-gram tables, роутер, индексатор QSA, линейное внимание, эмбеддинги и vision encoder, сохранены в BF16. Модель имеет 125 млрд параметров в базовом представлении; размер на диске уменьшен примерно с 335 до 168 ГБ, а около 102 ГБ таблиц PLE размещаются в оперативной памяти хоста. Поддерживается контекст до 262 тысяч токенов на 8 GPU либо до 96 тысяч на 4 GPU. Сильные стороны модели — возможность запуска крупной Flash-Next-модели на Ampere, сохранение качества, сопоставимого с базовой версией на заявленном наборе тестов, и сохранённая BF16-голова MTP для speculative decoding, которая, по данным авторов, ускоряет однопоточный декодинг на 57%. Ограничения включают высокие требования к видеопамяти и оперативной памяти, обязательное использование expert parallelism и специальной конфигурации vLLM; запуск с torch.compile на Ampere может зависать. Для инференса требуется не менее 110 ГБ свободной RAM и особые параметры Docker. Модель распространяется по лицензии qwen-community-1.0.

Это пакет Mesh LLM с разделёнными по слоям GGUF-артефактами модели Qwen3-VL-32B-Instruct в варианте UD-Q4_K_XL. Он подготовлен для распределённого инференса на локальном кластере из нескольких машин и основан на unsloth/Qwen3-VL-32B-Instruct-GGUF. Пакет предназначен для локального приватного запуска чата и API-совместимых сценариев с endpoint `/v1/chat/completions`, в том числе когда полная модель слишком велика для одного узла. Метаданные указывают задачу text-generation и возможность чата; семейство Qwen3-VL предполагает мультимодальную основу, однако этот README описывает именно способ упаковки и запуска, а не входы изображений или характеристики исходной модели. Модель распространяется в формате GGUF с квантованием Q4_K_XL, упакованном по слоям. Лицензионные условия, размер модели и длина контекста в предоставленных материалах не приведены; README отсылает за ними к карточке исходной модели.

sumink/Qwenftmodel — дообученная причинная языковая модель на архитектуре Transformer из семейства Qwen2, созданная на базе Qwen/Qwen2.5-Coder-1.5B. Модель содержит 1,5 млрд параметров и предназначена для генерации текстовых ответов по запросу: она может отвечать на вопросы, дополнять предложения и формулировать краткие информативные ответы. Модель обучали на наборе prompt-response пар subset5 в течение трёх эпох; максимальная длина последовательности при обучении составляла 128 токенов. Для обучения использовались AdamW и CPU. Метаданные указывают контекстное окно до 32 768 токенов. Модель распространяется в формате safetensors; лицензия обозначена как other, поэтому условия использования следует уточнять в репозитории. Карточка рекомендует не применять её для вредоносного или незаконного контента.

Smol-Llama-3.2-3B — объединённая диалоговая языковая модель на архитектуре Llama, созданная bunnycore с помощью mergekit. В качестве основы использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в объединение также вошли модели для диалога, рассуждений, ролевых сценариев, кода и математики. Модель предназначена для генерации текста и ответов в чате. Она содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Метаданные указывают на интерфейс вызова инструментов, но README не приводит примеров его применения или оценок качества в конкретных сценариях. Модель распространяется в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных. Результаты Open LLM Leaderboard в README: средний балл 22,47 и 66,79 на IFEval; этих оценок недостаточно, чтобы судить о качестве для всех задач.

onnx-community/SmolLM2-135M-Instruct-ONNX-MHA — это ONNX-версия модели SmolLM2-135M-Instruct, разработанной HuggingFaceTB. Репозиторий содержит веса в формате ONNX, совместимые с библиотекой Transformers.js, поэтому модель предназначена для запуска в JavaScript- и web-средах, включая сценарии, где важна готовность к использованию на стороне клиента. Из доступных данных известно, что исходная модель называется HuggingFaceTB/SmolLM2-135M-Instruct и имеет 135 миллионов параметров. Модель относится к инструкционно настроенным языковым моделям, однако сведения об архитектуре, поддерживаемых языках, длине контекста, модальностях, точных задачах и результатах оценки в README не приведены. Также не указаны лицензия, ограничения использования и требования к аппаратному обеспечению. Отдельный репозиторий ONNX описан как временное решение до более широкого распространения WebML.

SmolLM-360M — компактная языковая модель семейства SmolLM, разработанная HuggingFaceTB. Это плотная авторегрессионная модель архитектуры Llama с примерно 361,8 млн параметров; она предназначена для генерации текста и запуска через Transformers. Модель обучена на корпусе Cosmo-Corpus, включающем синтетические учебники и рассказы, образовательные примеры Python и образовательные веб-тексты. Длина контекста — 2048 токенов. Модель рассчитана прежде всего на английский язык и подходит для продолжения текста, простых ответов и генерации примеров кода. Компактный размер позволяет запускать её на CPU или GPU, а веса доступны в форматах safetensors и ONNX. По данным карточки, конвертированная версия Transformers может немного уступать исходному чекпойнту Nanotron по качеству. Модель может генерировать фактически неточные или логически непоследовательные ответы и отражать предвзятость обучающих данных, поэтому важную информацию следует проверять. Лицензия — Apache-2.0.

typeof/zephyr-7b-beta-lora — это LoRA-адаптер для базовой языковой модели mistralai/Mistral-7B-v0.1, предназначенный для получения поведения, близкого к HuggingFaceH4/zephyr-7b-beta. README не указывает разработчика адаптера; модель распространяется в формате PEFT и предназначена для подключения к исходной модели Mistral-7B. Модель используется для генерации текста и диалоговых сценариев с применением chat template. В качестве примера показано управление стилем ответа и генерация на английском языке, поэтому подтверждённым языком является английский. Известно, что основа содержит около 7 млрд параметров; сведения о точном контекстном окне, поддерживаемых модальностях, обучающих данных, метриках и результатах оценки отсутствуют. Архитектурно применяется параметрически эффективная адаптация LoRA, а обучение выполнялось с 4-битной NF4-квантизацией и двойной квантизацией через bitsandbytes. Сильной стороной является компактность адаптера и возможность использовать его поверх базовой модели вместо хранения отдельной полной копии весов. Ограничения включают отсутствие подробной информации о качестве, смещениях, рисках, области применения и ограничениях исходного адаптера; поведение также зависит от корректного применения шаблона диалога и совместимости версий PEFT и Transformers. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно для адаптера и базовой модели.

Aletheia-Bench разработала BatchOnline-GRPO-1.5B — компактный проверяющий модельный чекпойнт для оценки решений задач по программированию. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, созданная дообучением DeepSeek-R1-Distill-Qwen-1.5B методом полуонлайнового GRPO: политика генератора синхронизируется каждые четыре шага. Модель принимает условие задачи по соревновательному программированию и несколько кандидатных решений, после чего определяет и ранжирует их по корректности. Основные сценарии — оценка кандидатов в системах генерации кода, выбор правильного решения среди нескольких вариантов и использование проверяющей модели как функции вознаграждения в оптимизации генератора. Чекпойнт обучен на Aletheia-Train; в описании набора указаны задачи и решения на Python, C++ и Java. Метаданные указывают контекст до 131072 токенов, библиотеку Transformers и формат Safetensors. Лицензия — CC BY-NC-SA 4.0, предусматривающая некоммерческое использование и распространение на тех же условиях. Модель предназначена для оценки кода в формате с несколькими кандидатами; README отсылает к репозиторию проекта за точным форматом запроса. Она не заявлена как универсальный помощник по программированию или как средство исполнения кода: её оценки следует проверять, особенно при переносе на задачи и распределения, отличающиеся от обучающих.

BatchOnline-GRPO-1.5B — компактный кодовый верификатор от INSAIT Institute, дообученный методом GRPO с полусинхронным обновлением политики генератора каждые четыре шага. Модель основана на DeepSeek-R1-Distill-Qwen-1.5B: это плотная архитектура Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов. Модель принимает условие задачи по программированию и несколько предложенных решений, затем оценивает и ранжирует их, определяя правильный вариант. Её можно использовать как функцию вознаграждения для оптимизации генераторов кода и как LLM-судью при автоматической оценке программных решений. Обучение проводилось на INSAIT-Institute/Aletheia-Train — наборе примеров с задачами и кандидатными решениями, где правильность проверялась исполнением. Модель ориентирована на верификацию решений задач по программированию и не предназначена для общего ранжирования или генерации кода. Карточка не приводит отдельных оценок качества или ограничений по языкам программирования; набор обучения включает Python, C++ и Java. Лицензия — CC BY-NC-SA 4.0, с условиями некоммерческого использования и распространения производных работ на тех же условиях.

AmberYifan/capsd-opc-dedup-marin-8b-base-code_ppl_b20000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Она предназначена для генерации и продолжения текста; название набора данных для дообучения указывает на смесь данных, связанную с кодом и оценкой perplexity, но README не описывает её конкретные возможности или результаты. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Модель загружается через Transformers; веса доступны в формате safetensors. Базовая Marin 8B Base описана как англоязычная, поэтому английский является основным языком. Лицензия указана как other, без дополнительных условий в предоставленных данных. README не содержит подробностей об обучении, оценивании или известных ограничениях.

CroissantCool-v0.2 — базовая языковая модель инициативы CroissantLLM, разработанной для исследовательского и промышленного сообщества. Это плотная авторегрессионная модель семейства LLaMA на 1,3 млрд параметров с контекстом 2048 токена, обученная на корпусе примерно из 3 трлн токенов на английском и французском языках. Чекпойнт соответствует 190 тысячам шагов обучения и заключительной фазе Cooldown на инструкционных данных без шаблонного форматирования. Модель предназначена для генерации текста и работы с few-shot prompting; заключительная фаза обучения также позволяет получать приемлемые результаты без примеров в запросе. Это базовая модель, не настроенная для чат-функций. В рамках проекта опубликованы двуязычный токенизатор и датасеты; в метаданных также отмечены возможности генерации кода и чат-формат. Для использования доступны веса Safetensors. Лицензия — MIT.

DeepSeek-R1-Distill-Qwen-7B-abliterated-GGUF — это квантизированная GGUF-версия модели, созданная ngxson на основе DeepSeek-R1-Distill-Qwen-7B с использованием LoRA-адаптера LoRA-Qwen2.5-7B-Instruct-abliterated-v3-F16-GGUF. В карточке указано, что модель предназначена для генерации текста и относится к категории text-generation. Из доступных данных следует, что базовая модель связана с семейством Qwen и имеет размер 7B параметров. Точные сведения об архитектуре, поддерживаемых языках, длине контекста, доступных вариантах квантизации, производительности и практических сценариях использования не приведены. Также отсутствует описание сильных сторон и ограничений модели. Лицензия и условия использования в README не указаны, поэтому их нельзя определить по имеющимся данным.

DeepSeek-V4-Pro-0813 GGUF — это набор суб-4-битных GGUF-квантизаций базовой модели DeepSeek-V4-Pro-0813, подготовленный командой 6block с калибровкой importance matrix (imatrix). Модель предназначена для генерации текста и локального запуска через llama.cpp; заявлены английский и китайский языки. Лицензия — MIT. Архитектура — MoE с 1,57 трлн параметров, из которых 48 млрд активируются для каждого токена. Модель содержит 61 слой, 384 маршрутизируемых эксперта с выбором top-6 и одного общего эксперта. Доступны варианты Q3_K_M, IQ3_XXS, Q2_K, IQ1_M и IQ1_S размером примерно от 314 до 711 ГиБ; первые три поставляются в виде шардов. Для работы требуется версия llama.cpp с поддержкой LLM_ARCH_DEEPSEEK4. Размер контекста в README не указан. Главное преимущество набора — возможность уменьшить размер исходной FP4-модели при сохранении приемлемого качества; лучшим балансом размера и качества названа IQ3_XXS, а максимальное качество среди опубликованных вариантов обеспечивает Q3_K_M. Существенные ограничения — исключительно высокие требования к дисковому пространству и памяти, необходимость загрузки всех шардов для соответствующих вариантов и заметное падение качества у IQ1_M и IQ1_S. Все варианты проходят вторичную квантизацию поверх заводской FP4-квантизации, поэтому повышение разрядности не гарантирует восстановления исходной информации.

DocsGPT-7B — языковая модель семейства Llama, разработанная Arc53 и дообученная с помощью LoRA на основе Llama 2 7B. Она предназначена для генерации ответов, опирающихся на переданную в контексте документацию, и рассчитана на разработчиков и команды технической поддержки, которым нужно отвечать на вопросы по документации и результатам поиска по документам. Модель содержит 6,6 млрд параметров, принимает текстовый запрос и контекст и генерирует текст; заявленное окно контекста — 4096 токенов. README сообщает об обучении на 50 тысячах примеров; бенчмарки ещё в работе. Модель распространяется по лицензии Apache-2.0, допускающей коммерческое использование. Её специализация — ответы по предоставленному контексту; качество и надёжность ответов за пределами этого сценария не описаны.

Карточка модели codys12/functionary-small-v2.2 на Hugging Face совпадает с карточкой meetkai/functionary-small-v2.2, поэтому описание составлено по ней. Functionary Small v2.2 — разговорная языковая модель MeetKai для выбора и вызова функций и плагинов, описанных в формате JSON Schema. Она решает, когда обращаться к инструментам, может вызывать несколько функций параллельно или последовательно, учитывать результаты вызовов и формировать на их основе ответ; если инструменты не нужны, поддерживает обычный диалог. Для передачи инструкций используется шаблон v2PromptTemplate, а описания функций преобразуются в текстовые определения в стиле TypeScript. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; длина контекста — 32 768 токенов. Карточка приводит точность определения имени функции и извлечения аргументов 0,546 на внутреннем наборе данных MeetKai, поэтому результат вызовов следует проверять в целевых сценариях. В репозитории доступны веса Safetensors. Модель распространяется по лицензии, указанной на Hugging Face; имеющиеся сведения не позволяют назвать её условия.

GLM-5.3-MLX-4bit — это сборка базовой модели GLM-5.3, разработанная сообществом PipeNetwork для запуска на устройствах Apple Silicon с использованием MLX. Исходная модель создана zai-org. Модель предназначена для генерации текста и локального инференса; она может применяться в сценариях, где требуется запуск крупной языковой модели на совместимом Mac с ограниченными требованиями к размеру по сравнению с полной версией в формате bfloat16. Модель содержит 744 млрд параметров и использует архитектуру mixture-of-experts glm_moe_dsa с 256 экспертами, из которых для каждого шага выбираются 8. В архитектуре применяются MLA и разреженное внимание в стиле DeepSeek-V3.2. Веса преобразованы из bfloat16 в формат MLX и квантизированы до 4 бит с размером группы 64; объём на диске составляет около 418,6 ГБ, а для работы требуется примерно 512 ГБ оперативной памяти. Поддерживается текстовая генерация; сведения о языках и максимальном контексте в README не указаны. К сильным сторонам относятся сохранение исходной архитектуры, совместимость с MLX и возможность локального запуска на Apple Silicon, а также измеренная perplexity 2,8636 на тестовой части wikitext-2. Ограничения связаны с очень высокими требованиями к памяти, потерями качества из-за 4-битного квантования и тем, что многофазовый слой предсказания токенов не включён. Для последовательностей длиннее 2048 токенов часть индексаторов разреженного внимания использует случайно инициализированные проекции, что может влиять на качество. Для запуска требуется mlx-lm и разрешение удалённого кода. Используется лицензия GLM-5.3, указанная в файле LICENSE исходного проекта.

Apollo Raines представил экспериментальный вариант Meta Llama 3.1 8B Instruct, изменённый инструментом jBlaze с помощью representation engineering. По заявлению автора, дополнительного обучения не проводилось: в весах подавлено поведение отказа, усилена ориентация на правдивые ответы и сокращена многословность. Модель предназначена для диалоговой генерации текста и ответов на инструкции; в примерах также показаны ответы на вопросы и генерация кода. Архитектура — плотная LlamaForCausalLM, около 7,5 млрд параметров, контекст — до 131 072 токенов. Указаны английский язык, формат safetensors и точность bf16. Автор отмечает, что выпущенная версия ослаблена и служит демонстрацией возможностей jBlaze. Известная проблема — склонность к соглашательству. Подавление отказов также означает, что модель может отвечать на опасные запросы. Лицензия — Llama 3.1 Community License.

Llama-3.1-Minitron-4B-Width-Base-GGUF — набор GGUF-квантизованных версий базовой языковой модели Llama-3.1-Minitron-4B-Width-Base, разработанной NVIDIA. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая LM Studio. Доступны варианты от F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая специализированные варианты для ARM и CPU. Размер файлов составляет примерно от 2,3 до 9,03 ГБ, что позволяет выбирать между качеством и требованиями к памяти. Модель имеет около 4 миллиардов параметров; сведения о поддерживаемых языках, длине контекста, точной архитектуре и рекомендованном формате промптов в README не указаны. Сильными сторонами являются широкий выбор уровней квантизации, возможность локального запуска и наличие imatrix-квантизаций, ориентированных на сохранение качества. Более компактные варианты подходят для систем с ограниченной оперативной памятью, но могут заметно уступать старшим версиям по качеству. Это базовая модель, а не заявленная instruction-tuned версия, поэтому формат взаимодействия и поведение в диалоговых сценариях требуют проверки по оригинальной странице модели. Использование регулируется лицензией NVIDIA Open Model License Agreement; в карточке указано обозначение лицензии nvidia-open-model-license.

LLM4Decompile-33B — языковая модель для преобразования инструкций x86 в ассемблере в исходный код на C. Модель разработана авторами проекта LLM4Decompile и дообучена на DeepSeek-Coder на 4 млрд токенов пар «ассемблер — C», полученных компиляцией кода из AnghaBench. В метаданных указаны архитектура Llama, 33,1 млрд параметров и контекст длиной 16 384 токена. Модель предназначена для декомпиляции бинарного кода: на вход подаются инструкции ассемблера, на выходе генерируется код C. В README приведены оценки повторной компилируемости и повторного выполнения для разных уровней оптимизации; качество может зависеть от оптимизаций исходной компиляции и от того, насколько результат сохраняет исходное поведение. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

LLM4Decompile-6.7B-NSP — модель семейства Llama, дообученная командой LLM4Decompile на DeepSeek-Coder для преобразования инструкций x86 assembly в код на C. Для обучения использовались 4 млрд токенов пар assembly–C, скомпилированных из AnghaBench. Модель принимает текст с ассемблерным кодом и генерирует текст с восстановленным исходным кодом; в README указана средняя доля повторного выполнения около 0,17 для версии NSP. Модель подходит для анализа дизассемблированных программ, восстановления читаемого C-кода и исследовательских экспериментов по декомпиляции. В метаданных указаны 6,6 млрд параметров, контекст 8192 токена и лицензия MIT. Оценки в карточке показывают, что качество зависит от уровня оптимизации исходной компиляции; восстановленный код требует проверки и не гарантирует точного совпадения с оригиналом.

Карточка модели SpaceGamer72/MiniMax-M3-uncensored на Hugging Face совпадает с карточкой ressl/MiniMax-M3-uncensored, поэтому описание составлено по ней. MiniMax-M3-uncensored — созданная ressl неконтентно-фильтрующая версия MiniMaxAI/MiniMax-M3. Это мультимодальная модель архитектуры MoE на 428 млрд параметров, из которых активно используются 23 млрд; веса представлены в BF16, а базовая модель поддерживает контекст до 1 млн токенов. По заявлению автора, модель изменена методом abliteration: в тесте на 16 вредоносных запросах она не выдала жёстких отказов. Это свойство поведения не является оценкой общей безопасности или качества модели. Модель предназначена для диалогов и генерации текста, в том числе для этичного тестирования безопасности, анализа вредоносного кода и уязвимостей, подготовки правил обнаружения и red teaming. Карточка указывает поддержку Transformers и возможность запуска через vLLM с актуальной поддержкой M3. Полная версия BF16 занимает около 796 ГБ и требует нескольких GPU для запуска; режим рассуждений включён по умолчанию. Карточка описывает английский язык. Лицензия указана как other, конкретные условия использования в предоставленных данных не приведены.

Mistral-7B-Merge-14-v0.1-GGUF — это набор файлов языковой модели в формате GGUF, созданный для модели Mistral-7B-Merge-14-v0.1, разработанной EmbeddedLLM. Файлы подготовлены и опубликованы пользователем andrijdavid. Модель предназначена для локального запуска и генерации текста в совместимых приложениях и библиотеках. В README указано, что это 7-миллиардная модель семейства Mistral; доступен английский язык. Формат GGUF поддерживает различные варианты квантования, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, а также полноточный вариант F16. Квантование позволяет выбирать баланс между размером файла, требованиями к памяти и качеством вывода. Поддерживаются llama.cpp и ряд локальных интерфейсов и библиотек, включая Ollama, LM Studio, text-generation-webui и llama-cpp-python. Сильная сторона модели — возможность автономного запуска на локальном оборудовании с выбором степени квантования и широким набором совместимых инструментов. README не содержит сведений о точной архитектуре, размере контекста, мультимодальности, результатах тестирования, конкретных сценариях применения и ограничениях качества, поэтому эти характеристики оценить нельзя. Модель распространяется по лицензии CC BY-NC 4.0, которая предусматривает некоммерческие условия использования.

Muse-Glimmer-30B-Hermes-Agentic-GGUF — квантованная GGUF-версия улучшенной дообученной модели Muse Glimmer 30B, разработанная Victor Cruz на базе Muse Glimmer 30B от Meta Superintelligence Lab. Модель ориентирована на локальный запуск в llama.cpp, работу в Hermes Agent и других агентных сценариях с вызовом инструментов через OpenAI-совместимый интерфейс. Основная специализация — управляемое использование инструментов: модель обучена вызывать один или два инструмента Hermes и своевременно завершать выполнение, избегать повторных вызовов неработающих инструментов, однократно восстанавливаться после отсутствующего файла и не использовать инструменты без необходимости. Указан английский язык дообучения, тогда как базовая модель является многоязычной. Размер базовой модели — 30B; доступны варианты квантования от Q2_K до Q8_0 и F16. Рекомендуемый вариант Q4_K_M рассчитан на видеокарту с 24 ГБ памяти, заявленный контекст — 32K токенов. В сравнении с исходной Muse Glimmer дообученная версия показала более стабильное завершение агентных циклов и отсутствие случаев достижения лимита последовательных вызовов в приведённых тестах. Ограничения включают ориентацию дообучения преимущественно на английские сценарии, зависимость от Hermes Agent и llama.cpp версии не ниже b10353, а также необходимость отключать DFlash при оценке циклов вызова инструментов. Модель распространяется по лицензии Apache 2.0.