II.2Создание и понимание программного кода

TinyMistral-248Mx4-MOE-not-tuned-pls-help — компактная языковая модель архитектуры Mixtral с разреженной смесью экспертов (MoE), созданная автором репозитория из четырёх моделей с помощью LazyMergekit. В состав входят варианты TinyMistral-248M для диалогов по инструкциям, очистки текста и генерации кода. Модель предназначена для генерации текста и может использоваться для ответов на запросы и коротких диалогов; README приводит результаты оценки на бенчмарках рассуждения и понимания текста. Модель содержит 215,2 млн параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Модель распространяется по лицензии Apache-2.0. Численные результаты в README ограничены частью таблицы оценок и сами по себе не гарантируют качество в прикладных сценариях.

Vistral-7B-Chat-function-calling — языковая модель, разработанная hiieu и дообученная на Viet-Mistral/Vistral-7B-Chat для вызова функций. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для диалоговых сценариев, где модель должна формировать вызовы функций в ответ на запрос пользователя. Модель принимает текст и генерирует текст. В метаданных указаны английский и вьетнамский языки; исходная чат-модель ориентирована на вьетнамский язык. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. README сообщает о дообучении с Unsloth и TRL, но не описывает поддерживаемую схему вызова функций, набор функций или результаты оценки качества.

apex-flash-1 — открытая модель безопасности от Cantina Security, разработанная совместно с Yeta. Это постобученная с помощью обучения с подкреплением версия GLM-5.3-Flash, предназначенная для целевых расследований уязвимостей: анализа кода, использования инструментов, поиска эксплойта и проверки его воздействия на работающей цели. Авторы рекомендуют запускать модель в агентной среде Codex и использовать её как специализированного исполнителя под управлением более крупного агента. Модель сохраняет архитектуру GLM-5.3-Flash image-text-to-text с поддержкой зрения; в README оценивались только текстовые задачи безопасности, а возможности обработки изображений и видео не проверялись. В закрытой оценке на 60 задачах из 20 случаев уязвимостей она решила 40 задач (66,7% pass@1); результаты относятся к описанному набору испытаний и не гарантируют такой же эффективности в других условиях. Модель поддерживает английский и китайский языки. Лицензия — MIT.

ArtificialThinker-Phi2 — дообученная модель на базе Microsoft Phi-2, созданная автором репозитория gr0010. Она предназначена для генерации текста с шаблоном диалога, который предусматривает этап рассуждения перед ответом пользователю. Для дообучения автор подготовил набор данных ArtificialThinkerSet; модель относится к плотной архитектуре PhiForCausalLM и хранится в формате safetensors. Контекстное окно составляет 2048 токенов. Базовая Phi-2 ориентирована на английский язык, ответы на вопросы и код, однако README не уточняет языковые характеристики дообученной модели. Репозиторий распространяется по лицензии MIT.

Breeze-7B-FC-v1_0 — языковая модель MediaTek Research для диалогов по инструкциям и вызова функций. Она основана на Breeze-7B-Base и использует плотную архитектуру Mistral; в метаданных указано 7,2 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. Модель предназначена для приложений, которым нужно преобразовывать запросы пользователя в вызовы функций, включая простые, множественные и параллельные вызовы, а также отвечать на обычные инструкции. В карточке приведены результаты тестирования на английском и традиционном китайском языках: модель показывает сильные результаты в бенчмарках вызова функций, но в сравнении по следованию инструкциям уступает Breeze-7B-Instruct-v1_0 на английском и традиционном китайском. Это текстовая модель; в карточке не заявлены мультимодальные возможности.

DeepSeek-V4.1-Flash-GSQ-RCO-GGUF — сторонняя community-квантизация модели DeepSeek-V4.1-Flash, опубликованная Josephine Pfeiffer. Квантизация выполнена методами GSQ и RCO, разработанными Deep Algorithms and Systems Lab (DASLab) при Institute of Science and Technology Austria. Релиз не является официальной сборкой IST-DASLab и не одобрен авторами методов. Модель предназначена для текстового и мультимодального вывода в формате GGUF. В комплект входят backbone DeepSeek-V4.1-Flash, DSpark-модель для speculative decoding и BF16 vision projector с vision encoder. Backbone имеет 552 млрд параметров, дополнен 196 млрд параметров Engram-памяти; его веса квантизированы примерно до 3 бит на параметр, а таблицы Engram хранятся в Q8_0. Общий основной файл занимает 415,76 ГБ, отдельная draft-модель — 9,32 ГБ, vision projector — 0,97 ГБ. К сильным сторонам относятся существенное уменьшение размера по сравнению с исходным чекпойнтом, поддержка мультимодального сценария и оптимизация распределения типов квантизации с учётом чувствительности тензоров. В README приведены результаты MMLU-Pro 61,00% и perplexity 3,4845570141, однако vision и speculative decoding не валидировались. Для работы требуется более 415 ГБ памяти только под основной файл, дополнительная память нужна для KV-кэша и буферов; Engram рекомендуется размещать в оперативной памяти хоста. Языки и размер контекстного окна модели в описании не указаны; для MMLU-Pro использовался лимит 2048 токенов. Релиз распространяется по лицензии MIT.

Solstice-AI/DeepSeek-V4.1-Flash-UNCENSORED-HyperSynapse-SAS-GGUF — текстовая генеративная модель в формате GGUF, разработанная Solstice-AI на базе Solstice-AI/DeepSeek-V4.1-Flash-UNCENSORED-FP8. По заявленным характеристикам, модель ориентирована на диалоговые и агентные сценарии, включая самосовершенствование, self-scaffolding, работу в составе swarm-агентов и speculative decoding с использованием DSpark Drafter. В названии и описании упоминается архитектура HyperSynapse-SAS (Self Agent Swarm + Self Scaffold/Self Improvement), однако подробности её устройства, точный размер модели, поддерживаемые модальности и фактический размер контекстного окна в README не приведены. Указаны английский и китайский языки, а также текстовая генерация как основное назначение. Формат GGUF предполагает использование в совместимых локальных инструментах инференса, но конкретные требования к оборудованию и доступные варианты квантования не описаны. К сильным сторонам относятся наличие набора GGUF, ориентация на агентные и экспериментальные сценарии, а также заявленная поддержка speculative decoding. Ограничениями являются отсутствие в предоставленных данных результатов оценки качества, подробностей об архитектуре, точного контекста и рекомендаций по аппаратному обеспечению; заявления о «безцензурности» и улучшении модели не подтверждены дополнительными измерениями. Модель распространяется по лицензии DeepSeek License, указанной как other; подробные условия доступны по ссылке на лицензию DeepSeek.

Dolphin3-Cyber-8B-GGUF — специализированная языковая модель для задач кибербезопасности, разработанная RavichandranJ на основе Dolphin3.0-Llama3.1-8B-abliterated от huihui-ai. Модель дообучена на собственном наборе данных по кибербезопасности и предназначена для анализа безопасности, пентестинга, исследования уязвимостей, разработки эксплойтов, offensive и defensive security, а также сценариев CTF и bug bounty. Модель основана на архитектуре Llama 3.1, содержит 8 млрд параметров и распространяется в формате GGUF, совместимом с llama.cpp и экосистемой локального запуска. Доступны варианты квантования от Q2_K размером около 3,18 ГБ до F16 размером около 16,1 ГБ; заявленная потребность в памяти составляет примерно от 5,5 до 18,5 ГБ в зависимости от варианта. Модель ориентирована на текстовую генерацию, поддерживает диалоговый формат Dolphin3 и английский язык. Данные о размере контекста в предоставленном README отсутствуют. К сильным сторонам относятся специализация на кибербезопасности, локальная работа без передачи данных во внешние сервисы, несколько вариантов квантования и возможность запуска на потребительском оборудовании. Abliterated-вариант не имеет заявленных отказов по темам безопасности и может генерировать материалы по наступательной безопасности, включая код эксплойтов, что одновременно создаёт риски злоупотребления и требует применения только в законных и авторизованных сценариях. README не приводит независимых бенчмарков и подробной оценки качества. Лицензия указана как Llama 3.1.

Карточка модели claymorecrystal/gemma-4-26B-A4B-it-uncensored на Hugging Face совпадает с карточкой TrevorJS/gemma-4-26B-A4B-it-uncensored, поэтому описание составлено по ней. TrevorJS создал uncensored-вариант диалоговой модели Google Gemma 4 26B A4B IT, изменив её веса методом abliteration для снижения числа отказов. Модель предназначена для генерации ответов в диалоге; в README описаны проверки на нескольких наборах промптов и модификация плотного пути и экспертных слоёв MoE. Репозиторий содержит веса в формате safetensors и рассчитан на запуск через Transformers. Базовая Gemma 4 — мультимодальная модель для диалогов, рассуждений, программирования и анализа изображений; однако карточка этого варианта не уточняет, сохраняется ли обработка изображений после модификации, поэтому подтверждённая задача здесь — генерация текста. Указанная лицензия — Apache-2.0. Снижение отказов не гарантирует точность или безопасность ответов; заявленные результаты получены на конкретных тестовых наборах.

laguna-s-2.1-Q4_K_M-layers — пакет слоёв модели Laguna-S-2.1 в формате GGUF, подготовленный Mesh LLM на основе poolside/Laguna-S-2.1-GGUF. Он предназначен для распределённого инференса через Mesh LLM: слои можно разместить на нескольких машинах, чтобы запускать модель локально и обслуживать чат-запросы через совместимый с OpenAI API. Вариант Q4_K_M использует квантованные веса; README приводит результаты проверки на двух узлах для конкретного сценария генерации с повторяющимся текстом, но не подтверждает качество на других запросах, размерах контекста или конфигурациях. Карточка указывает лицензию openmdw-1.1. Пакет удобен для локального и распределённого обслуживания чата, однако сведения об архитектуре, поддерживаемых языках, размере модели и ограничениях исходной модели следует уточнять в карточке poolside/Laguna-S-2.1-GGUF. Описанные замеры не сертифицируют вызов инструментов, заполнение контекста до 256 тысяч токенов или другие варианты квантования.

Это базовая языковая модель Data-Juicer семейства LLaMA с архитектурой на 1,3 млрд параметров и реализацией OpenLLaMA. Она предварительно обучена на 150 млрд токенов из очищенных с помощью Data-Juicer наборов RedPajama и Pile, включая веб-тексты, книги, научные материалы, код и другие источники. Модель предназначена для генерации продолжения текста и исследовательских экспериментов с компактными языковыми моделями. В README сообщается, что она набрала в среднем 34,21 балла на 16 задачах HELM и превзошла указанные модели сравнения по этому показателю. Контекст модели составляет 2048 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Карточка модели Salesforce/Llama-xLAM-2-70b-fc-r на Hugging Face совпадает с карточкой Salesforce/Llama-xLAM-2-8b-fc-r, поэтому описание составлено по ней. Salesforce Llama-xLAM-2-8b-fc-r — языковая модель семейства xLAM-2, разработанная Salesforce на архитектуре Llama и дообученная для многоходового диалога и вызова функций. Она предназначена для агентных систем, которым нужно преобразовывать запросы пользователя в структурированные вызовы инструментов и последовательно выполнять задачи. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст, включая инструкции и вызовы инструментов; заявленная длина контекста — 131 072 токена. Для работы доступны Transformers и vLLM. Модель обучалась с использованием данных APIGen-MT и наборов Salesforce для вызова функций. Карточка семейства заявляет высокие результаты на BFCL и τ-bench, однако приведённые конкретные цифры относятся к модели на 70 млрд параметров и не подтверждают такие же результаты для версии 8B. Выпуск обозначен как исследовательский, а модель ориентирована прежде всего на англоязычное взаимодействие. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Mellum2-12B-A2.5B-Base — базовая предобученная языковая модель с длинным контекстом, разработанная JetBrains. Она предназначена для дальнейшего дообучения, выравнивания и адаптации к предметной области; для готового следования инструкциям и рассуждений разработчик рекомендует варианты Instruct или Thinking. Модель использует архитектуру Mixture-of-Experts с 64 экспертами, из которых активируются 8 на каждый токен, и сочетает слои скользящего окна внимания с полным вниманием. Контекст — до 131 072 токенов; модель принимает текст и генерирует текст. В README указаны 28 слоёв, размер скрытого состояния 2304 и точность bfloat16. Этот вариант получен из Mellum2-12B-A2.5B-Base-Pretrain дополнительным этапом расширения контекста на основе YaRN, изменяющим частоты RoPE только в слоях с глобальным вниманием. Модель распространяется по лицензии Apache-2.0. Это базовый чекпойнт для продолжения обучения, а не готовый ассистент; его следует использовать через генерацию продолжения текста, а не как чат-модель. Приведённые в карточке результаты оценки указаны JetBrains и являются самоотчётными.

MaziyarPanahi/mergekit-ties-fnacfof-GGUF — это набор файлов модели в формате GGUF, подготовленный MaziyarPanahi. Модель создана на основе mergekit-community/mergekit-ties-fnacfof, разработанной сообществом mergekit-community; исходная модель объединяет компоненты Microsoft Orca-2-7B, NousResearch Llama-2-7B и arcee-ai Patent-Instruct-7B. Метод объединения указан как TIES, однако подробности конфигурации объединения в README не приведены. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие приложения с поддержкой GGUF. Доступны варианты квантования с разной разрядностью — от 2 до 8 бит, что позволяет выбирать баланс между размером файлов, требованиями к памяти, скоростью и качеством. Архитектура, вероятно, связана с семейством Llama, но точные параметры, размер контекста и поддерживаемые языки в README не указаны. Основные преимущества — широкий выбор уровней квантования и совместимость с экосистемой локального инференса GGUF, включая ускорение на GPU и OpenAI-совместимые серверные интерфейсы в некоторых клиентах. Ограничения заключаются в отсутствии описания результатов тестирования, качества, рекомендуемых параметров запуска и точных характеристик базовой объединённой модели. Лицензия в README не указана; условия использования следует уточнять по лицензиям исходных моделей и репозиторию модели.

QuantFactory/Meta-Llama-3-8B-Instruct-abliterated-v3-GGUF — квантизированная версия Meta-Llama-3-8B-Instruct-abliterated-v3, разработанная QuantFactory с использованием llama.cpp. Базовая модель создана failspy на основе Meta-Llama-3-8B-Instruct от Meta. Модель предназначена для генерации текста и диалоговых сценариев, включая случаи, где требуется снизить склонность исходной instruct-модели к отказам в ответах. В основе лежит Llama 3 с 8B параметров; точные характеристики квантизации, поддерживаемые языки, размер контекста и набор модальностей в README не указаны. Веса исходной модели были обработаны методом ортогонализации: из них удалены наиболее выраженные направления, связанные с отказами. По заявлению автора, это должно сохранять знания и большую часть поведения исходной модели, но результат не гарантирует отсутствие отказов, понимание любых запросов или отсутствие рассуждений о безопасности и этике. Сильной стороной является попытка хирургически изменить конкретную поведенческую особенность с меньшим объёмом данных, чем обычно требуется для дообучения. При этом методика является экспериментальной и может приводить к необычным побочным эффектам, включая непредсказуемые особенности поведения; степень сохранения качества и безопасности следует проверять самостоятельно. Модель распространяется по лицензии llama3, указанной в карточке.

dealignai публикует вариант NVIDIA Nemotron 3 Super 120B, адаптированный автором Jinho Jang для запуска на Apple Silicon. Модель сочетает слои Mamba SSM, Mixture of Experts и attention; в README указано 120 млрд параметров всего и около 12 млрд активных. Метаданные каталога приводят размер 6,6 млрд параметров, поэтому сведения о размере расходятся. Контекст — до 262 144 токенов; доступны чатовый интерфейс и интерфейс вызова инструментов. Веса квантизированы в профиле JANG_2L со смешанной точностью и форматом safetensors для MLX: README указывает 8-битное внимание, 6-битные важные веса и 2-битные эксперты, около 43 ГБ. Также автор заявляет об удалении отказов безопасности на уровне весов (CRACK) и приводит результаты собственных тестов MMLU и HarmBench; они не являются независимой оценкой. Модель предназначена для генерации текста и диалогов, включая сценарии, где пользователь хочет получать ответы без встроенных отказов. README указывает поддержку JANG через MLX Studio и пакет jang-tools; автор рекомендует запускать JANG-модели в vMLX. Лицензия в метаданных обозначена как other, конкретные условия не приведены. Снятие защитных ограничений повышает риск вредоносных и небезопасных ответов.

unsloth/Qwen2.5-3B-bnb-4bit — 4-битная версия базовой языковой модели Qwen2.5-3B, подготовленная с использованием Unsloth и предназначенная для запуска и дообучения в формате bitsandbytes. Исходную модель разработала команда Qwen. Это причинная языковая модель для генерации и продолжения текста, а не готовая диалоговая instruction-tuned модель. Модель содержит около 3,09 млрд параметров, из которых 2,77 млрд не относятся к эмбеддингам, и включает 36 слоёв. Архитектура использует RoPE, SwiGLU, RMSNorm, смещения в QKV-внимании, связанные эмбеддинги слов и Grouped Query Attention с 16 головами запросов и 2 головами ключей/значений. Указана поддержка контекста до 32 768 токенов. Модель ориентирована на работу с текстом, включая китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки; для семейства Qwen2.5 также заявлена поддержка более 29 языков. Ключевое преимущество версии bnb-4bit — сниженное потребление памяти по сравнению с полноразмерной моделью, что упрощает локальный запуск и дообучение на ограниченных GPU. Базовую модель не рекомендуют использовать непосредственно для диалогов; для этого требуется последующее обучение, например SFT, RLHF или continued pretraining. К ограничениям относятся отсутствие готовой специализации под инструкции и неопределённые в README характеристики качества именно 4-битной версии. Лицензия указана как other, без уточнения условий в предоставленных данных.

Это экспериментальный чекпойнт Qwen3-1.7B, дообученный методом обучения с подкреплением в экспериментах KL-in-LLM-RL / FRPO с использованием verl. В репозитории находится сохранение global_step_200 в формате FP32 safetensors; модель предназначена для генерации текста и диалогов. Она содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст длиной до 32 768 токенов. Базовая модель описана как компактная многоязычная модель для генерации текста, рассуждений, кода и выполнения инструкций. Сведения о лицензии в предоставленных материалах отсутствуют.

Это квантованная версия Qwen3.6-27B-MTP от автора репозитория MidnightPhreaker. Модель основана на Qwen/Qwen3.6-27B и поставляется в формате GGUF с гибридной квантизацией TurboQuant TQ4_1S; блок MTP и отдельные тензоры сохранены в BF16, а другие части используют TQ4_1S, Q4_K и Q8_0. Размер файла составляет около 21,4 ГБ. Модель предназначена для генерации текста и диалогового использования. Для загрузки требуется сборка llama.cpp с поддержкой TQ4_1S, например форк llama-cpp-turboquant: обычная upstream-сборка может не открыть файл. Автор отмечает, что это экспериментальная квантизация, и рекомендует проверять качество и работу MTP на целевой нагрузке. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B-MTP-mlx-8bit — конверсия LemonMLXE для lemon-mlx-engine, созданная напрямую из официальных весов Qwen/Qwen3.6-35B-A3B. Это MoE-модель семейства Qwen3-Next: в README указаны 256 экспертов, top-8 и около 3 млрд активных параметров. Основная часть весов квантована до 8 бит, а MTP-голова сохранена в bf16; trunk и голова объединены в одном файле. Модель поддерживает генерацию текста и диалоговый режим, а встроенная Multi-Token Prediction-голова предназначена для спекулятивного декодирования. Модель рассчитана на запуск через lemon-mlx-engine на AMD ROCm. README сообщает о примерно 70% принятии черновых токенов при n_draft=2 для 8-битной версии на Radeon 8060S, но отмечает, что на этом классе оборудования MTP почти не увеличивает общую скорость генерации. Размер контекста и поддерживаемые языки в предоставленных данных не описаны. Лицензия — Apache-2.0, унаследованная от базовой модели.

Qwen3.8-27B-Uncensored-Cyber-W4A16-AWQ — это 4-битная AWQ-квантизация модели Qwen3.8-27B-Uncensored-Cyber, разработанная philbert440. Модель предназначена для диалоговых и мультимодальных сценариев, включая ответы на вопросы по кибербезопасности и offensive security. В README указана поддержка обработки изображений и текста; языки и максимальный размер контекста не приведены. Модель основана на 27-миллиардной версии Qwen3.8 и поставляется в формате compressed-tensors с конфигурацией W4A16, group size 128 и MSE observer. Веса квантизированы до 4 бит, тогда как активации сохраняют формат A16. Vision tower и дополнительная MTP head сохранены. Базовая модель была адаптирована методом удаления направления отказов в глубоких слоях, начиная с четвёртого слоя, с сохранением первых четырёх слоёв. Согласно приведённой оценке родительской модели в формате bf16, версия показывает 100 из 100 успешных ответов на тестовых cyber-offensive запросах, factual score 1.00, результат 0.80 на GSM8K и отсутствие показателя деградации degen. Ограничения включают отсутствие подробных данных о языковой поддержке, контекстном окне и фактических требованиях к аппаратному обеспечению; агрессивная 4-битная квантизация также может влиять на качество по сравнению с полной точностью. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Flash-Next-Uncensored-ROCmFP4-FAST-GGUF — это квантизированная GGUF-версия модели Qwen3.8-Flash-Next с удалёнными отказами и защитными ограничениями. Модель опубликована пользователем kingjones777 и основана на Qwen3.8-Flash-Next от Qwen, а также на сборке orcarouter/Qwen3.8-Flash-Next-Uncensored. Она предназначена для генерации текста и локального запуска на совместимых AMD GPU, прежде всего на Ryzen AI Max+ 395 с архитектурой gfx1151. Модель использует архитектуру qwen4exp и типы тензоров ROCmFP4, поставляется в формате GGUF и ориентирована на llama.cpp-подобную инфраструктуру. В README не указаны точный размер модели, поддерживаемые языки и полная спецификация контекстного окна, однако работоспособность с контекстом до 128K была проверена в описанной конфигурации. Для ускорения генерации поддерживается speculative decoding через MTP-голову; в одном тесте прирост составил 27,7%, а в серии тестов преимущество зависело от типа задачи и достигало 34% на задачах с рассуждениями. К сильным сторонам относятся высокая скорость на подходящем AMD-оборудовании, поддержка длинного контекста в проверенных сценариях и возможность speculative decoding. Ограничения существенны: стандартный llama.cpp эту модель не загружает, требуются специальная ветка ROCmFPX, поддержка qwen4exp, ROCmFP4 и применение патчей; заявленная производительность зависит от оборудования и характера запроса. Удаление защитных механизмов делает модель потенциально небезопасной для неконтролируемого использования. Лицензия указана как other с названием qwen-community-1.0.

hiieu/R1_tool_call_Distill-Qwen-7B — дообученная модель hiieu для генерации текста с интерфейсом вызова инструментов. Она основана на unsloth/DeepSeek-R1-Distill-Qwen-7B-unsloth-bnb-4bit и обучена на наборе hiieu/tool_r1_cot с использованием Unsloth и TRL. Для вызова инструмента модель использует двухэтапный процесс вывода. Модель имеет плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров и контекстом до 131 072 токенов. Карточка указывает английский язык и лицензию Apache-2.0. Она подходит для диалоговых сценариев, где нужно сформировать запрос к инструменту и затем обработать результат. Среди ограничений автор отмечает, что модель иногда отказывается «не думать»; это может мешать сценариям, где требуется ответ без рассуждений. README не приводит оценок качества или списка поддерживаемых инструментов.

tohio/slm-125m-sft — компактная языковая модель на 126,7 млн параметров, разработанная tohio с нуля и обученная сквозным образом с помощью slm-gpt. Это декодерный Transformer семейства Llama с RoPE, групповой многозапросной attention (GQA), SwiGLU, RMSNorm и связанными входными эмбеддингами и выходной проекцией; модель совместима с LlamaForCausalLM и работает через Transformers. Контекст — 1024 токена. Модель предназначена для генерации текста в формате диалога ChatML. Она прошла предобучение на смеси образовательных веб-текстов, кода и математических рассуждений, затем полное инструкционное дообучение и выравнивание предпочтений методом DPO. Подходит для простых диалогов, ответов на инструкции, генерации кода и математических объяснений на английском языке. Небольшой размер и стандартная архитектура Transformers упрощают запуск и интеграцию, но ограниченный размер модели и контекст могут снижать качество сложных рассуждений, длинных диалогов и задач, требующих обширных знаний. Языки и возможности сверх указанных в карточке отдельно не заявлены. Лицензия — MIT.

Locutusque/TinyMistral-248M-v2.5-Instruct — дообученная Locutusque компактная плотная языковая модель семейства Mistral с 215,2 млн параметров. Она предназначена для генерации текста и ответов в формате инструкций; для общения можно использовать формат запросов ChatML. При дообучении использовались наборы Locutusque/hercules-v1.0 и Open-Orca/SlimOrca-Dedup. Указаны поддержка английского языка и контекст до 32 768 токенов; модель опубликована в формате Safetensors и может применяться для генерации кода. Разработчик характеризует качество модели как высокое с учётом её размера, однако приводит только значение усреднённой функции потерь при обучении — 1,5; результатов независимой оценки в карточке нет. Модель может генерировать контент категории X-rated. Лицензия — Apache-2.0.

QuixiAI/WizardLM-7B-Uncensored — версия WizardLM, обученная на подмножестве датасета WizardLM Alpaca Evol Instruct 70K Unfiltered. Из обучающих ответов удалили примеры с отказами и морализаторством, чтобы получить модель без встроенных ограничителей и оставить возможность добавлять настройку поведения отдельно, например с помощью RLHF LoRA. Модель предназначена для генерации текста и ответов на инструкции. Она построена на архитектуре Llama и содержит 6,6 млрд параметров; максимальная длина контекста составляет 2048 токенов. В репозитории указаны веса PyTorch. Карточка не сообщает поддерживаемые естественные языки. Модель не имеет защитных ограничителей и может выдавать потенциально вредный или нежелательный контент. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в репозитории модели.

DevQuasar/zai-org.GLM-5.3-Flash-GGUF — экспериментальная квантованная версия модели zai-org/GLM-5.3-Flash, опубликованная автором DevQuasar. Модель предназначена для генерации текста и локального запуска в формате GGUF. В README указано, что версия использует квантизацию Q4 и тестировалась в режиме с двумя примерами (2-shot). Для работы требуется поддержка соответствующего изменения (MR) в llama.cpp. Дополнительные сведения об архитектуре, размере, языках, модальностях и длине контекста не приведены. К преимуществам относятся уменьшенный объём представления модели благодаря квантизации и возможность интеграции с экосистемой llama.cpp. Версия обозначена как экспериментальная, поэтому совместимость и качество работы могут зависеть от реализации поддержки MR. Лицензия в README не указана.

jeniya/BERTOverflow — модель семейства BERT, предварительно обученная авторами на 152 миллионах предложений из десятилетнего архива Stack Overflow. Она предназначена для получения контекстных векторных представлений текста и может служить основой для задач обработки кода и именованных сущностей в сообщениях Stack Overflow. Модель содержит 176,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch и Flax. Карточка также показывает пример использования модели для классификации токенов. Лицензия в предоставленных данных не указана.

Boomer-1B — плотная авторегрессионная языковая модель семейства Llama от budecosystem, обученная с нуля как ранний эксперимент. В README указано 1,1 млрд параметров и обучение на 41 млрд токенов из подборки материалов Википедии, рассказов, arXiv, математики и кода; метаданные указывают 940,6 млн параметров. Архитектура включает 4 слоя, 32 головы внимания и размерность модели 4096; использованы Flash Attention и увеличенная промежуточная размерность MLP. Модель работает с текстом, использует токенизатор SentencePiece и имеет контекст 4096 токенов. Модель предназначена для генерации текста, языкового моделирования, экспериментов с дополненной поиском генерацией и запуска на периферийных устройствах. В README приведены результаты на ARC, MMLU, HumanEval, HellaSwag, BBH, DROP и GSM8K, что показывает охват задач на знания, рассуждения, код и математику, но результаты в целом ограничены ранним экспериментальным характером модели. README описывает её как предварительно обученную модель и предлагает отдельное дообучение. Модель опубликована под лицензией Apache-2.0. Поддержка языков в метаданных обозначена как английская; другие языки явно не заявлены.

AmberYifan/capsd-marin-8b-base-n80000-opc-r32-marin-8b-base-code_cap_b8000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации и продолжения текста; карточка также отмечает возможность диалогового взаимодействия. В README указано, что дообучение выполнено на наборе capsd_R32__mix_code_cap_b8000_s0, но подробности о данных, сценариях обучения и оценке не приведены. Модель принимает текст и выдаёт текст, работает через библиотеку Transformers и имеет контекстное окно 4096 токенов. Базовая модель англоязычная, поэтому английский — единственный подтверждённый язык. Лицензия обозначена как other; дополнительные условия использования в карточке не раскрыты.