II.2Создание и понимание программного кода

SoftwareArchitecture-Instruct-v1 — инструктивно дообученная языковая модель Мохамеда Яссера для вопросов по архитектуре программного обеспечения. Она основана на Liquid AI LFM2-1.2B и дообучена на датасете ajibawa-2023/Software-Architecture. Модель имеет плотную гибридную архитектуру LFM2, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для технических специалистов: архитекторов ПО, системных проектировщиков и опытных разработчиков. Она помогает разбирать архитектурные шаблоны, готовить проектные документы и обоснования решений, а также проводить разборы системного дизайна и готовиться к техническим интервью. Основной язык в карточке — английский. Лицензия — Apache-2.0. Ответы могут быть длинными и обрываться при достижении лимита генерации. Охват ключевых слов не всегда полон; архитектурные решения модели следует проверять с участием специалиста. Модель не предназначена для общего общения, глубокой генерации кода или отладки вне архитектурного контекста.

Это предобученные веса EfficientNet-B0 с обучением по методу Noisy Student, опубликованные в репозитории smp-hub и предназначенные для использования в качестве энкодера библиотеки segmentation-models-pytorch. Веса можно применять как основу для моделей сегментации изображений, а также для классификации изображений. Модель принимает изображения и выдаёт признаки, пригодные для классификации или передачи в декодер сегментации. Карточка не сообщает размер набора классов, разрешение входных изображений или показатели качества. Репозиторий предоставляет веса в формате Safetensors; лицензия указана как other, поэтому условия использования следует уточнить в репозитории.

ToolWeave Stage 3 — это разговорная модель для многошагового вызова инструментов, разработанная в рамках проекта ToolWeave на основе Qwen3-4B-Instruct. Она предназначена для агентных сценариев, где нужно выбирать инструменты, формировать вызовы и продолжать взаимодействие в несколько ходов. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 262 144 токенов. В README описано обучение с подкреплением на синтезируемых онлайн-данных, проверкой выполнения и семантической валидацией, динамическим повтором примеров и учётом вклада отдельных вызовов инструментов. На сбалансированном наборе BFCL Multi-Turn из 400 примеров указана точность завершения всей записи 48,5%; это результат конкретной оценки, а не гарантия качества в других сценариях. Модель загружается через Transformers в формате safetensors. Лицензия в доступных сведениях не указана.

Zap — компактная модель ProCreations для определения назначения полей и веб-форм, чтобы помогать менеджерам паролей и расширениям браузера правильно заполнять формы. Она классифицирует поля по 26 типам, включая имя пользователя, электронную почту, текущий и новый пароль, одноразовый код, телефон, адрес и платёжные данные, а форму целиком — по 11 назначениям, например вход, регистрация, восстановление пароля и оплата. Модель построена на архитектуре BERT для классификации токенов; в метаданных указано 25,2 млн параметров, контекст до 512 токенов и поддержка многоязычных форм. Принимает текстовое представление формы с DOM-атрибутами и окружающим текстом, а выдаёт метки классов и оценки уверенности. В README описаны веса bf16 и варианты ONNX, включая int8, а также интеграция с Python и JavaScript. На отложенных сайтах автор сообщает точность 97,2% для полей и 95,7% для назначения формы. Zap подходит для локальной классификации форм в менеджерах паролей и браузерных расширениях. Модель не анализирует изображение страницы или CSS, не входит в shadow DOM, а поля внутри iframe требуют отдельного извлечения. Результаты на платёжных формах ограниченно проверены, а обучающие метки частично получены от LLM и могут содержать ошибки. Лицензия — MIT.

Это экспериментальный чекпойнт размером 7,6 млрд параметров, разработанный в рамках проекта SkyRL и полученный дообучением базовой модели laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink с помощью обучения с подкреплением. Модель использует плотную архитектуру Qwen3 для авторегрессионной генерации текста и была обучена на наборе задач exp_rpt_e2egit-v2 из Terminal-Bench алгоритмом RLOO_n; опубликован выбранный по скользящему среднему награды чекпойнт на шаге 10 из 14.

ActionGemma-9B — языковая модель KishoreK для генерации ответов с вызовами функций. Она основана на Gemma2-9B-it и дообучена на датасете Salesforce/xlam-function-calling-60k, чтобы сочетать многоязычные возможности Gemma с форматом вызова инструментов. Модель имеет плотную архитектуру Gemma 2, содержит 9 млрд параметров и работает с текстом; заявленное окно контекста — 8192 токена. Модель предназначена для диалоговых сценариев, где по запросу нужно сформировать вызов функции или инструмента. В карточке приведён шаблон чата, который можно использовать при подготовке запросов. README заявляет поддержку языков Gemma 2, но не перечисляет их. Модель распространяется по лицензии MIT. Карточка не приводит результатов оценки качества и подробно не описывает ограничения, поэтому надёжность вызовов функций следует проверять на целевых задачах.

Это конверсия модели Antares-1B от Cisco Foundation AI в формат GGUF с весами BF16 без квантизации. Она предназначена для локализации потенциально уязвимых файлов в репозитории по идентификатору CWE и описанию категории: модель генерирует ранжированный список путей к файлам. Вариант использует архитектуру GraniteHybridModel и содержит 1 млрд параметров согласно названию базовой модели; в README указаны 40 блоков, 16 голов внимания и 4 KV-головы. Файл весит 3,42 ГиБ. Формат GGUF предназначен для запуска, в частности, через llama.cpp. Модель помогает проводить первичный поиск файлов для проверки безопасности кода. Она работает на уровне файлов: не указывает строки или фрагменты кода и не предлагает исправления; результаты могут различаться между запусками, поэтому их следует проверять вручную. Веса распространяются по лицензии Apache-2.0.

Модель noahjadallah/cause-effect-detection — модель на архитектуре BERT для обнаружения причин и следствий в отдельных предложениях. Она разработана для анализа требований к программному обеспечению, но может применяться и к текстам из других областей. Для каждого токена модель предсказывает одну из пяти меток: Other, B-Cause, I-Cause, B-Effect или I-Effect, обозначающих фоновые токены и начало либо продолжение фрагментов причины и следствия. Модель содержит 136,7 млн параметров, использует классификацию токенов и поддерживает контекст до 512 токенов. Доступны веса PyTorch и Flax. README не сообщает языки обучения, лицензию или известные ограничения качества; поэтому их нельзя уточнить по предоставленным данным.

AbijithwearsHUGGIES подготовил дообученную модель CodeBERT для классификации фрагментов кода Solidity по четырём типам уязвимостей смарт-контрактов: Reentrancy, Integer Overflow, Timestamp Dependency и Dangerous Delegatecall. Модель основана на microsoft/codebert-base, использует архитектуру RoBERTa с классификационной головой и содержит 151,8 млн параметров. Максимальная длина входа — 514 токенов; веса доступны в форматах Safetensors и ONNX. Модель предназначена для отнесения уязвимого контракта к одному из четырёх классов, например при исследовании Solidity-кода. Она всегда выбирает класс и не умеет сообщать, что уязвимостей нет. Обучение проводилось на 387 размеченных контрактах; автор приводит результаты на небольшой тестовой выборке и отмечает нестабильность классификации Integer Overflow. Лицензия — MIT.

DualMind-TKD-Agentic-1.7B-GGUF — набор GGUF-квантизаций модели DualMind-TKD-Agentic-1.7B, разработанной исследовательским подразделением Convergent Intelligence LLC и квантизированной пользователем tinyopsec. Модель основана на Qwen3-1.7B, использует архитектуру Qwen3ForCausalLM и содержит около 2,03 млрд параметров. Она предназначена для генерации текста, математического и технического рассуждения, выбора инструментов и экспериментов с агентными циклами. Модель обучалась в два этапа: сначала с применением topology-guided knowledge distillation от Qwen/Qwen3-8B для переноса навыков математического вывода, затем с LoRA-специализацией на function calling и tool use с последующим объединением весов. Указан родной контекст до 40 960 токенов и английский язык. Доступны варианты от F16 до Q2_K размером примерно от 3,45 ГБ до 778 МБ; для запуска можно использовать llama.cpp, llama-cpp-python, LM Studio или Ollama. Модель сама не выполняет внешние инструменты: это должен делать окружающий runtime. Сильными сторонами являются компактный размер, локальный запуск, ориентация на математическое рассуждение и структурированные вызовы функций. При этом официальные результаты бенчмарков не заявлены, корректность математических выводов и выбор инструментов не гарантируются, а исходный математический набор данных невелик и может содержать ошибочные или противоречивые рассуждения. Лицензия обозначена как Other; дополнительных условий лицензирования в карточке не приведено.

Gemma4-31B-Uncensored-GP100-GGUF — это GGUF-сборка плотной языковой модели Gemma 4 на 31 млрд параметров. Пакет подготовлен fallentree на основе google/gemma-4-31B-it и неконтентно-фильтрованной QAT-версии от HauhauCS. Модель предназначена для локальной генерации текста и исследовательского использования через llama.cpp, включая ускоренную генерацию со speculative decoding и официальной MTP-моделью-помощником. Архитектура включает 60 слоёв, размерность модели 5376, словарь из 262 144 токенов и контекст до 262 144 токенов со sliding window 1024. Используется квантизация Q4_1_G64 с точностью 4,52 bpw; основной файл занимает около 16,2 GiB. Сборка оптимизирована для двух GPU Tesla P100 с архитектурой sm_60 и поддерживает только текстовый режим в заявленном окне контекста. Для работы требуются специализированная версия thefallentree/llama.cpp-gp100 и исправление Gemma MTP; стандартный llama.cpp этот тип квантизации не загружает. К сильным сторонам относятся существенное ускорение на Tesla P100 по сравнению с Q4_K_M, экономичное размещение модели и поддержка MTP. Ограничения включают зависимость от специального runtime и GPU sm_60, отсутствие заявленной мультимодальности в этой сборке, а также то, что модель не является safety-tuned deployment-моделью и имеет uncensored-настройку. Лицензия унаследована от Gemma и указана как Gemma License; README отмечает локальный inference и исследовательское использование.

Это пакет Mesh LLM с разбитой на слои GGUF-моделью GLM-5.1-Q3_K_M-plus в варианте квантования Q3_K_M. Он предназначен для распределённого запуска и позволяет распределить слои модели между несколькими компьютерами в локальном кластере Mesh LLM, в том числе когда полный GGUF-файл не помещается на одном узле. Пакет поддерживает локальный приватный инференс и сценарии чата через API Mesh LLM, совместимый с OpenAI Chat Completions. Это упаковка исходного GGUF в отдельные артефакты по слоям, а не самостоятельное дообучение; исходная модель указана как meshllm/GLM-5.1-Q3_K_M-plus-GGUF. Подробности об архитектуре, языках, размере, контексте и лицензии зависят от карточки исходной модели и в предоставленных данных не приведены.

Imperum-CybersecurityLLM-v1.0-GGUF — специализированная языковая модель для задач кибербезопасности, разработанная компанией IMPERUM B.V. совместно с Alican Kiraz. Модель предназначена для работы внутри собственного периметра и ориентирована на ASOC, DFIR, detection engineering и полный цикл операций SOC. Модель дообучена на базе Qwen/Qwen3.6-35B-A3B — архитектуры Mixture-of-Experts с 35 млрд общих параметров и примерно 3 млрд активных параметров на токен. Распространяется в формате GGUF для llama.cpp, Ollama и LM Studio. Доступны варианты Q4_K_M размером около 20 ГБ и Q8_0 размером около 34 ГБ; для них требуется примерно 22 и 36 ГБ RAM или VRAM соответственно. Указан английский язык. README не сообщает размер контекстного окна модели, но содержит рекомендации по использованию контекста 8192 или 16384 токенов. Модель предназначена для триажа алертов, расследования инцидентов, threat intelligence, сопоставления с MITRE ATT&CK, создания Sigma- и YARA-правил, incident response, анализа вредоносного ПО, cloud-, container- и identity security, secure code review, vulnerability management и GRC. Среди сильных сторон — специализация на практических сценариях SOC, локальный запуск и низкая стоимость инференса благодаря MoE-архитектуре. Ограничения включают склонность при высокой температуре генерировать правдоподобные, но вымышленные CVE и синтаксис правил; результаты требуют проверки специалистом. Модель не предназначена для автономного принятия решений и не заменяет экспертную оценку. Распространяется по лицензии Apache-2.0.

DevQuasar/kakaocorp.kanana-1.5-2.1b-instruct-2505-GGUF — это квантизированная версия модели kakaocorp/kanana-1.5-2.1b-instruct-2505, подготовленная проектом DevQuasar. Модель относится к классу text-generation и предназначена для генерации текста по инструкциям. Её можно использовать в сценариях, где требуется запуск инструкционной языковой модели в формате GGUF, однако README не содержит подробностей о конкретной архитектуре, поддерживаемых языках и модальностях, размере контекста, вариантах квантизации, системных требованиях или результатах оценки качества. Из идентификатора следует обозначение размера базовой модели около 2,1 млрд параметров, но дополнительные характеристики не указаны. К потенциальным сильным сторонам относятся компактный размер базовой модели и пригодность к локальному использованию в экосистемах, поддерживающих GGUF. Ограничения и точные компромиссы квантизации, а также условия лицензирования в предоставленных данных не описаны. Для корректного выбора модели следует обратиться к документации базовой модели и конкретного файла квантизации.

KoLLAMA 7B — экспериментальная базовая языковая модель, разработанная исследователем Junbum Lee (Beomi) на архитектуре LLaMA. Модель содержит 6,7 млрд параметров и обучалась на корейских, английских и программных данных; в карточке указано, что она создана с помощью JAX, а репозиторий содержит веса в форматах PyTorch и safetensors. Контекст составляет 2048 токенов. Модель предназначена прежде всего для исследований корейских открытых языковых моделей и генерации текста. Это альфа-версия базовой модели без обучения на человеческой обратной связи, поэтому её ответы могут быть ошибочными, токсичными или предвзятыми. В README также отмечено, что хотя обучение включало 20 языков, данных на английском было больше, поэтому ожидается более высокая эффективность на английском, чем на других языках. Лицензия — MIT.

Это компактная инструкционная языковая модель на архитектуре LFM2, созданная Experimental Machines на основе LiquidAI/LFM2.5-1.2B-Instruct. Авторы удалили направление отказов в residual stream с помощью heretic и объединили полученные веса; модель загружается как обычная Lfm2ForCausalLM. В репозитории находятся веса safetensors для Transformers, а не готовая скомпилированная модель ExecuTorch. Модель предназначена для диалоговой генерации текста и сценариев, где требуется отвечать на запросы с меньшим числом отказов. Сохраняются шаблон чата и токены вызова инструментов базовой модели. Размер по метаданным — 1,5 млрд параметров, контекст — до 128 000 токенов. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты. Удаление отказов намеренное: базовое обучение безопасности снято, поэтому модель может отвечать на запросы, от которых базовая модель отказалась бы. Указанный в README экспорт ExecuTorch отозван, а готового экспорта в репозитории нет; для запуска нужны Transformers либо самостоятельная квантизация и экспорт. Результаты тестов старого экспорта не характеризуют непосредственно размещённые веса.

QuantFactory/Llama-3-8B-Lexi-Uncensored-GGUF — квантизированная версия модели Orenguteng/Llama-3-8B-Lexi-Uncensored, созданная с использованием llama.cpp. Модель основана на Llama 3 8B Instruct от Meta и предназначена для генерации текста и следования инструкциям. Модель рассчитана на локальный запуск и применение в сценариях, где требуется свободная генерация текста с высокой готовностью отвечать на широкий круг запросов. Формат GGUF и квантизация предназначены для более эффективного использования ресурсов по сравнению с полноразмерной версией, однако конкретный вариант квантизации в README не указан. Архитектура, поддерживаемые языки, длина контекста и модальности дополнительно не описаны. Ключевая особенность Lexi — отсутствие встроенных ограничений, из-за чего модель может выполнять запросы, включая потенциально неэтичные. Это повышает гибкость, но одновременно создаёт риски небезопасного, вредоносного или нежелательного содержания; перед предоставлением модели пользователям рекомендуется добавить собственный слой выравнивания и модерации. Использование модели регулируется Meta Llama 3 Community License Agreement; автор также указывает возможность коммерческого применения в рамках этой лицензии.

NCP-ArchPreview — авторегрессионная языковая модель латентного пространства, разработанная командой NCP в Shanghai AI Lab и LUMIA Lab Шанхайского университета Цзяо Тун. Эта публикация содержит промежуточный чекпойнт предварительного обучения Stage 1 на шаге 700 000, обучавшийся на Dolma 3 Mix; это экспериментальный этап модели, а не финальная версия. Архитектура на базе OLMo 3 объединяет предсказание следующего токена и следующего латентного концепта: энкодер из 16 слоёв формирует представления текста, модуль концептов из 8 слоёв предсказывает концепты, а декодер из 16 слоёв использует их для генерации следующего токена. В README указано около 8,94 млрд параметров, тогда как метаданные каталога указывают 11,1 млрд; контекст составляет 8192 токена. Модель предназначена для генерации и продолжения текста, а также для исследований методов языкового моделирования с предсказанием концептов. В отчёте авторы приводят результаты на наборе задач, включая GSM8K и HumanEval, и сообщают о достижении целевого уровня потерь с меньшим числом обучающих токенов относительно OLMo 3 7B. Это сравнение относится к бюджету токенов до достижения заданных потерь, а не к скорости обучения или вывода. Модель принимает текст и выдаёт текст; README не сообщает языковой охват. Использование весов разрешено по лицензии Apache 2.0.

Qwen3-0.6B-ToolCalling-Claude-4.6-Opus-Distilled-v1 — дообученная модель на базе Qwen/Qwen3-0.6B от diverWayne для генерации текста, рассуждений и вызова инструментов. Обучение включало SFT на данных вызова инструментов и рассуждений, затем DPO для улучшения выбора между вызовом инструмента и обычным ответом, а также форматирования аргументов. В репозитории есть LoRA-адаптер, объединённые веса Safetensors и GGUF в форматах F16 и Q6_K. Модель предназначена для диалоговых приложений и сценариев, где нужно выбирать подходящий инструмент и формировать аргументы вызова. В карточке указана английская языковая поддержка; базовая Qwen3 описана как многоязычная, но языки этой донастройки отдельно не перечислены. README сообщает о длине последовательности 16 384 токена при SFT; это параметр обучения, а не подтверждённый предел контекста при использовании. В краткой проверке When2Call модель набрала 67% на выборке из 100 примеров, а встроенные проверки вызова функций показали 3 из 4 для выбора инструмента и корректности формата. Эти результаты ограничены размером и составом проверок. Известный недостаток — модель может вызывать инструменты, когда в запросе не хватает обязательных данных. Лицензия — Apache-2.0.

onnx-community/Qwen3-1.7B-ONNX — это версия модели Qwen3-1.7B с весами в формате ONNX, подготовленная сообществом onnx-community для совместимости с библиотекой Transformers.js. Исходная модель разработана командой Qwen; данная карточка содержит отдельный репозиторий с ONNX-весами. Модель предназначена для запуска Qwen3-1.7B в средах, поддерживающих Transformers.js, включая веб-приложения и другие сценарии, где требуется использование ONNX. Суффикс 1.7B указывает на заявленный размер исходной модели примерно 1,7 млрд параметров, однако подробные сведения об архитектуре, модальностях, поддерживаемых языках и размере контекста в README не приведены. Ключевое преимущество модели — адаптация весов к ONNX и интеграция с Transformers.js, что упрощает веб-ориентированное использование. Ограничения, требования к ресурсам, точные характеристики качества, лицензия и условия коммерческого или иного использования в предоставленных данных не указаны. Репозиторий с ONNX-весами описан как временное решение до более широкого распространения WebML.

Qwen3.5-4B-Uncensored-HauhauCS-Aggressive-MTP — компактная текстовая модель, основанная на Qwen3.5-4B и производной HauhauCS/Qwen3.5-4B-Uncensored-HauhauCS-Aggressive. Модель разработана AIOpsInSpace и предназначена для генерации текста, задач рассуждения и локального запуска на периферийных устройствах и видеокартах с небольшим объёмом VRAM. Модель имеет плотную архитектуру размером 4 млрд параметров и поддерживает MTP для speculative decoding, что предназначено для ускорения генерации. Заявлен английский язык, текстовая модальность и формат GGUF. К потенциальным сильным сторонам относятся компактность, возможность развёртывания на ограниченных ресурсах и повышенная скорость вывода при совместимом бэкенде. Ограничения включают отсутствие сведений о длине контекста, точных требованиях к оборудованию, результатах независимых тестов и качестве на других языках. Маркировка uncensored указывает на ослабленные ограничения выравнивания, поэтому поведение и безопасность ответов требуют дополнительной проверки. Модель распространяется по лицензии Apache-2.0.

Это базовый чекпойнт Qwen3.8-27B, подготовленный LeanZero для запуска на Apple Silicon через MLX. Модель не дообучалась на данных Atlassian: это аффинная 8-битная квантизация исходных весов bf16 с размером группы 64. Файл mtp.safetensors содержит отдельную голову multi-token prediction в bf16 для спекулятивного декодирования в совместимых движках; остальные движки могут игнорировать этот файл. Репозиторий содержит веса в формате safetensors и занимает около 30 ГБ. Модель предназначена для генерации текста и диалогов на английском, а также для разработки и обучения собственных адаптаций под Jira, Confluence и Forge. В тестах LeanZero квантизированная версия показала близость к исходной bf16-модели на выбранной выборке промптов; совместимый движок может ускорять генерацию с помощью MTP. Это именно базовая, а не настроенная на инструкции модель: в тесте автора она слабо справлялась с идентификаторами Forge и не создавала корректные манифесты. Лицензия — Apache-2.0.

armand0e/Qwen3.8-27B-Heretic-ara-GGUF — GGUF-версия декензурированной модификации Qwen3.8-27B, разработанная armand0e с использованием Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA). Модель предназначена для генерации текста и запуска через совместимые инструменты, включая llama.cpp. В README также указан pipeline image-text-to-text, однако подробности о поддерживаемых изображениях и мультимодальных возможностях не приведены. Модификация применяет rank-3 обновление к проекциям attn.o_proj и mlp.down_proj в слоях 9–64. По приведённому тесту на 100 вредоносных запросах модель отказала в 7 случаях против 87 у исходной Qwen/Qwen3.8-27B; KL-дивергенция относительно исходной модели на безопасных запросах составила 0,0528. Это указывает на существенно более низкую склонность к отказам при сохранении близости к исходной модели, но не заменяет полноценную оценку качества, безопасности и устойчивости. Сведения о языках, размере контекста и лицензии в README отсутствуют.

RIFA Nano 0.5B — компактная языковая модель, разработанная SM Shahbaj. Она представляет собой дообученную версию Qwen/Qwen2.5-0.5B-Instruct и предназначена для создания лёгких разговорных ассистентов, генерации текста, ответов на общие вопросы, простых математических задач, программирования и работы на английском и бенгальском языках. Модель входит в серию RIFA и ориентирована на сценарии, где важны небольшой размер и низкие требования к ресурсам, включая локальный запуск через Transformers, LM Studio, Ollama или llama.cpp. Модель содержит около 0,5 млрд параметров и доступна в форматах Safetensors и GGUF, включая варианты с квантованием; для GGUF рекомендуется Q5_K_M как компромисс между качеством и размером. В версии v2 улучшен баланс навыков для бенгальского и английского языков, программирования, лёгкой математики и общих знаний. Дополнительное обучение на примерах с ответом «не знаю» должно снижать количество уверенных ошибочных ответов на явно неразрешимые вопросы. Из-за небольшого размера модель может ошибаться в сложных рассуждениях, малоизвестных фактах и информации о недавних событиях. Антигаллюцинационное обучение не расширяет её знания, поэтому важные факты, числа и программный код следует проверять. Контекстное окно, точная архитектура и другие характеристики в README не указаны. Модель распространяется по лицензии Apache 2.0.

SecGPT-14B-GGUF — чат-модель семейства SecGPT, разработанная китайской компанией 云起无垠 для задач кибербезопасности. Репозиторий содержит веса в формате GGUF F16 и предназначен для генерации текста в диалоге; модель можно использовать как помощника при анализе уязвимостей, журналов и сетевого трафика, разборе команд и кода, расследовании инцидентов и ответах на вопросы по информационной безопасности. В карточке SecGPT описаны обучение на основе семейств Qwen2.5-Instruct и DeepSeek-R1 с использованием специализированных наборов задач и методов дообучения. Заявленные сценарии включают анализ атак и цепочек событий, извлечение IOC, аудит кода, реверс-инжиниринг и поддержку команд красной и синей сторон. Метаданные указывают китайский язык; модель принимает текст и выдаёт текст. Веса опубликованы под лицензией Apache-2.0. Результаты и возможности в карточке заявлены разработчиком; они не гарантируют точность в конкретной среде. Модель может ошибаться в анализе угроз, командах и рекомендациях, поэтому выводы следует проверять специалистом. Карточка не сообщает длину контекста для этой версии.

SecGPT-7B-GGUF — вариант модели SecGPT для генерации текста и диалога, ориентированный на задачи кибербезопасности. В README разработчиком названа компания 云起无垠; модель семейства SecGPT представлена как разработанная для помощи специалистам по безопасности. Репозиторий содержит веса в формате GGUF F16 и основан на SecGPT/SecGPT-7B-GGUF. Модель предназначена для ответов на вопросы по информационной безопасности, анализа уязвимостей и команд, разбора журналов и сетевого трафика, выявления угроз, анализа атакующих цепочек, аудита кода и поддержки сценариев красных и синих команд. README описывает обучение на базе семейств Qwen2.5-Instruct и DeepSeek-R1, с использованием специализированных корпусов и инструкционной настройки; параметры конкретной версии и длина контекста в доступных данных не приведены. В метаданных указан китайский язык, а README также сообщает об оценках на китайских и общих тестах. Модель может помочь структурировать расследование и подготовить рекомендации, однако результаты требуют проверки специалистом и не заменяют тестирование, анализ исходных артефактов или проверку безопасности. Репозиторий распространяется по лицензии Apache-2.0.

MaziyarPanahi/SmolLM-1.7B-Instruct-GGUF — это набор файлов модели в формате GGUF для исходной модели SmolLM-1.7B-Instruct, разработанной HuggingFaceTB и подвергнутой квантованию MaziyarPanahi. Модель предназначена для генерации текста и использования в локальных приложениях и инструментах, поддерживающих GGUF, включая llama.cpp, llama-cpp-python, LM Studio и другие совместимые среды. Известно, что модель имеет 1,7 млрд параметров и доступна в вариантах квантования с разрядностью 2, 3, 4, 5, 6 и 8 бит. Формат GGUF ориентирован на эффективный локальный запуск, включая использование GPU и интеграцию через API в некоторых поддерживаемых библиотеках. README не содержит данных о языках, размере контекста, архитектуре исходной модели, результатах тестирования, сильных сторонах и ограничениях качества, а также об условиях лицензирования. Поэтому эти характеристики нельзя определить по предоставленной информации.

Карточка модели ericlewis/SmolLM-1.7B-Instruct-KTO на Hugging Face совпадает с карточкой ericlewis/SmolLM-1.7B-Instruct-KTO-V2, поэтому описание составлено по ней. Модель ericlewis/SmolLM-1.7B-Instruct-KTO-V2 — дообученная разговорная языковая модель на архитектуре Llama с 1,7 млрд параметров. Разработчик — ericlewis; модель основана на HuggingFaceTB/SmolLM-1.7B-Instruct и обучалась с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста и диалогов на английском языке. Её можно использовать для ответов на вопросы, инструктивных запросов и простых задач программирования. Контекстное окно составляет 2048 токенов. Модель распространяется под лицензией Apache-2.0. Компактный размер ограничивает её возможности по сравнению с более крупными языковыми моделями; качество на длинных запросах ограничено размером контекста.

Модель ericlewis/SmolLM-1.7B-Instruct-KTO-V2 — дообученная разговорная языковая модель на архитектуре Llama с 1,7 млрд параметров. Разработчик — ericlewis; модель основана на HuggingFaceTB/SmolLM-1.7B-Instruct и обучалась с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста и диалогов на английском языке. Её можно использовать для ответов на вопросы, инструктивных запросов и простых задач программирования. Контекстное окно составляет 2048 токенов. Модель распространяется под лицензией Apache-2.0. Компактный размер ограничивает её возможности по сравнению с более крупными языковыми моделями; качество на длинных запросах ограничено размером контекста.

TAARDIS-27B Full-Ternary V2 — 27-миллиардная языковая модель для генерации текста и диалогов, представленная автором репозитория CodeMasterCody3D. Она основана на Qwen/Qwen3.8-27B и преобразована в тернарные целочисленные веса {-1, 0, +1} с масштабами; файл GGUF занимает 5,90 ГБ при заявленной точности 1,75 бита на вес. Для исправления ошибок преобразования автор рекомендует подключать адаптер The Doctors с 496 низкоранговыми тернарными ветвями; README сообщает о снижении perplexity на Wikitext с 13,6114 до 11,8346 с адаптером. Модель предназначена для локального запуска генерации текста и диалогов на CPU или GPU через специальный форк llama.cpp. Веса хранятся в повёрнутом базисе, поэтому стандартная сборка llama.cpp выдаёт некорректные результаты; необходим совместимый форк TAARDIS. README приводит конфигурации запуска на CPU AVX2, CUDA и ROCm/HIP. Базовая Qwen описана метаданными как мультимодальная, но карточка TAARDIS подтверждает только генерацию текста и не заявляет о сохранении возможностей обработки изображений и видео. Лицензия — Apache-2.0. Карточка приводит сравнительные измерения perplexity и скорости на конкретном оборудовании; эти результаты не гарантируют качество для других задач и условий. Для заявленных результатов требуется совместимый рантайм, а для лучшего показателя perplexity — отдельный адаптер The Doctors.