II.2Создание и понимание программного кода

NCP-ArchPreview — языковая модель команды NCP при Shanghai AI Lab и лаборатории LUMIA Шанхайского университета Цзяотун. Это промежуточный чекпойнт этапа 1 на шаге 200 000, обучавшийся на Dolma 3 Mix; модель предназначена для генерации текста и изучения архитектур языкового моделирования в скрытом пространстве. Модель объединяет авторегрессионное предсказание следующего токена с предсказанием следующего концепта — представления группы из четырёх токенов. Архитектура включает 16-слойный кодировщик токенов, 8-слойный модуль концептов и 16-слойный декодировщик токенов с продуктовыми кодовыми книгами и межмодульными остаточными связями. Метаданные указывают 11,1 млрд параметров и контекст 8192 токена; README приводит оценку размера 8,94 млрд параметров. Модель принимает текст и генерирует продолжение текста. В отчёте авторов приведены результаты на языковых и кодовых тестах, а также более быстрое достижение целевого значения потерь по числу обучающих токенов относительно OLMo-3-7B. Это сравнение не означает более высокую скорость обучения по времени или вывода. Чекпойнт является промежуточным исследовательским состоянием, поэтому его результаты не следует считать характеристиками завершённой модели. Веса распространяются по лицензии Apache License 2.0.

osiris_12b — плотная авторегрессионная языковая модель семейства GPTBigCode, созданная Multi-Domain-Expert-Learning. Это дистиллированная модель, полученная объединением StarChat Beta (60%), StarCoderPlus (20%) и StarCoder (20%) с усреднением и удалением слоёв. Она предназначена для генерации текста; в README отмечено, что дообучение ещё требуется. Модель принимает текст и генерирует текст, использует библиотеку Transformers и формат PyTorch. Контекст составляет 8192 токена. В метаданных указана лицензия BigScience OpenRAIL-M. README не приводит оценки качества или подробностей о поддерживаемых языках; поскольку указано, что дообучение ещё требуется, пригодность для конкретных задач может быть ограничена.

Qwen2.5-3B-CyberSecurity-Instruct — дообученная версия Qwen2.5-3B-Instruct, разработанная Mohamedabul. Модель создана для анализа кибербезопасности и обратного проектирования, включая разбор уязвимостей, CVE и кода эксплойтов на C, Python и Bash. Модель содержит около 3 млрд параметров и использует 4-битное QLoRA-дообучение на базе unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit. Она предназначена для классификации и триажа уязвимостей, формирования отчетов о серьёзности, векторах атаки и мерах защиты, а также для анализа цепочек атак от первоначального доступа до компрометации системы. В обучении использовались данные NVD/CVE, Exploit-DB и MITRE CWE; заявленный язык модели — английский. В примере инференса используется контекст длиной 1024 токена. К сильным сторонам относятся специализация на кибербезопасности, анализ исходного кода эксплойтов и объединение сведений об уязвимости с практическим кодом атаки. Ограничениями являются относительно небольшой размер модели, англоязычная специализация и необходимость критически проверять результаты при работе с уязвимостями и эксплойтами. Модель распространяется по лицензии Apache-2.0.

Это экспериментальный чекпойнт Qwen3-1.7B, дообученный методом обучения с подкреплением в рамках экспериментов KL-in-LLM-RL / FRPO с использованием verl. Репозиторий содержит веса global_step_200 в формате FP32 safetensors без последующей обработки; конфигурация обучения закодирована в названии репозитория. Модель предназначена для генерации текста и диалоговых сценариев на основе компактной плотной архитектуры Qwen3 с 1,7 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают на поддержку чата; базовая модель описана как многоязычная и способная генерировать текст, рассуждать, писать код и выполнять инструкции, но карточка этого чекпойнта не сообщает, какие именно навыки улучшились в ходе дообучения. Для использования необходимы совместимые инструменты Transformers. Это исследовательский экспериментальный чекпойнт; в карточке лицензия не приведена, поэтому условия использования следует сверить с базовой моделью и источником эксперимента.

enacimie/Qwen3-1.7B-Q4_K_M-GGUF — это конвертированная в формат GGUF и квантизированная версия базовой модели Qwen/Qwen3-1.7B. Модель подготовлена пользователем или организацией enacimie с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Она предназначена для генерации текста и запуска через llama.cpp в локальных приложениях, командной строке или серверном режиме. Ключевые характеристики включают размер базовой модели 1,7 млрд параметров, текстовую модальность и квантизацию Q4_K_M, которая уменьшает требования к памяти по сравнению с полноразмерными весами, потенциально снижая точность. В README приведён пример запуска с контекстом 2048 токенов, однако не уточняется, является ли это максимальным поддерживаемым размером контекста. Сведения о языках, архитектурных деталях, обучающих данных и результатах оценки отсутствуют. Модель удобна для локального инференса на совместимом оборудовании и интеграции с экосистемой llama.cpp. Ограничениями являются небольшой размер, возможная потеря качества из-за квантизации и отсутствие подробных данных о производительности, языковой поддержке и сценариях безопасного применения. Лицензия — Apache-2.0.

Это представление Qwen3.5-35B-A3B от anthonymikinka: исходные веса модели Alibaba Qwen преобразованы из монолитного GGUF в набор файлов по слоям в формате lemonslice-gguf-v1. Репозиторий основан на квантованной версии Q4_K_M от Unsloth и включает 40 файлов слоёв и общий файл с эмбеддингами, нормализацией и выходной проекцией. Архитектура — гибридная MoE с 30 слоями SSM/Mamba и 10 слоями attention; в блоках MoE используются 256 экспертов, из которых активны 8. Формат рассчитан на последовательную загрузку весов, исследование и замену отдельных слоёв, выборочный запуск блоков, эксперименты с дообучением и распределение слоёв между устройствами. По README, последовательная загрузка снижает пиковое использование памяти примерно с 21,2 до 1,13 ГБ, однако это характеристика способа загрузки, а не гарантия скорости или качества генерации; запуск с ограниченной памятью может быть медленным и требует совместимого инструментария для нестандартного формата. Модель предназначена для генерации текста. Репозиторий опубликован по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-Cyber-GGUF — это набор GGUF-квантизаций модели Qwen3.8-27B-Uncensored-Cyber, разработанный philbert440 для работы через llama.cpp. Модель ориентирована на задачи кибербезопасности, включая вопросы offensive security, и настроена на ответы без стандартных отказов по таким темам. В состав поставки также входят vision projector для обработки изображений и дополнительная MTP head для опционального speculative decoding. Доступны варианты квантизации весов от Q4_K_M до Q8_0: Q4_K_M занимает меньше места, а Q8_0 заявлен как близкий к исходному качеству. Vision projector выпускается в форматах BF16 и Q8_0, MTP head — в BF16, Q8_0 и Q4_0. Полная версия BF16 в одном GGUF-файле не поставляется из-за ограничения размера файла; для неё предлагаются Q8_0 или отдельный safetensors-репозиторий. README не сообщает поддерживаемые языки и размер контекстного окна. По приведённой оценке версии Cyber v2 модель получила 100/100 на наборе из 100 кибернаступательных запросов, factual score 1.00, confab score 0.867, GSM8K 0.80 и degen score 0.00; методика оценки основана на суждениях Claude и regex-тестировании отказов. Сильной стороной является специализация на кибербезопасности и поддержка изображений, а ограничениями — отсутствие подробностей о языках, контексте и реальных требованиях к ресурсам, а также намеренно сниженный уровень отказов, что требует ответственного использования. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-Q8_K_P-FastMTP-GGUF — это GGUF-сборка текстовой генеративной модели семейства Qwen3.8 с 27 млрд параметров. Основная модель основана на варианте HauhauCS/Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF; данный репозиторий представляет собой облегчённое зеркало, подготовленное brandonbondig и содержащее только квантизацию Q8_K_P и черновую модель FastMTP-32K. Авторство самой модели указано за upstream-разработчиком HauhauCS. Модель предназначена для генерации текста и запуска через llama.cpp, в частности в сценариях сервинга с поддержкой FastMTP. В комплект входят файл основной модели Q8_K_P и файл FastMTP-32K, используемый как draft-модель для ускорения авторегрессионной генерации. Формат GGUF облегчает локальное развертывание в совместимых инструментах. Сведения о поддерживаемых языках, точном размере контекста основной модели, архитектурных деталях и результатах тестирования в README не приведены. Ключевые особенности — крупный размер 27 млрд параметров, высокоточная квантизация Q8_K_P и наличие оптимизации FastMTP для ускоренного вывода. Ограничения включают высокие требования к памяти и вычислительным ресурсам, а также зависимость от совместимости используемого сервера с llama.cpp и соответствующими GGUF-файлами. Модель распространяется по лицензии Apache-2.0.

Модель securin/qwen_finetune_intermediate — дообученная securin языковая модель семейства Qwen2, основанная на unsloth/qwen2.5-coder-1.5b-bnb-4bit. Она предназначена для генерации текста и может использоваться в сценариях, где требуется продолжать или создавать текстовые последовательности. Архитектура — плотная авторегрессионная Qwen2ForCausalLM; размер составляет 1,5 млрд параметров, длина контекста — до 32 768 токенов. В карточке указаны обучение с Unsloth и библиотекой TRL, формат весов — safetensors. Модель ориентирована на английский язык, а её базовая модель относится к семейству Qwen2.5-Coder. Карточка не описывает специализацию дообучения и не приводит результатов оценки качества, поэтому её пригодность для конкретных задач программирования или иных предметных областей следует проверять отдельно. Лицензия — Apache-2.0.

Qwopus3.6-27B-v4 — мультимодальная модель на 27 млрд параметров, разработанная skiboyvv на основе Qwen3.6-27B. Она дообучена методом supervised fine-tuning на корпусе из 28 тысяч примеров с цепочками рассуждений, охватывающих математику, естественные науки, программирование и логические задачи. Обучение шло поэтапно: от коротких цепочек рассуждений к длинным, вплоть до 32 768 токенов в учебных примерах. Модель предназначена прежде всего для конкурсной математики, научных задач и пошагового решения сложных проблем. Она принимает текст и изображения и выдаёт текст; карточка указывает поддержку чата и обработки изображений. По данным README, на AIME 2025 результат вырос относительно базовой модели, но показатели на HMMT 2025 и GPQA Diamond снизились. Автор также отмечает ухудшение следования общим инструкциям, поэтому модель не рекомендуется как универсальная замена исходной. Лицензия — Apache-2.0.

STILL-3-Tool-32B — языковая модель RUC-AIBOX для генерации текста и решения задач с использованием Python как инструмента рассуждения. Она предназначена для диалогового взаимодействия и сложных математических задач; в README сообщается о точности 81,70% на AIME 2024. Модель построена на архитектуре Qwen2, содержит 32 млрд параметров и поддерживает контекст до 131 072 токенов. В метаданных также указана возможность интерфейса вызова инструментов. Модель опубликована в формате safetensors и доступна как открытая модель; сведения о лицензии в предоставленных данных отсутствуют.

WardenSight-1B — дообученная модель с примерно 1,6 млрд параметров, разработанная для поиска файлов с вероятными уязвимостями в плагинах WordPress. Она построена на fdtn-ai/antares-1b, использует архитектуру GraniteMoeHybridForCausalLM и дообучена на примерах исследования репозиториев и локализации уязвимостей. Модель принимает репозиторий и класс CWE, исследует файлы через команды терминала в агентном цикле с доступом только для чтения и возвращает ранжированный список файлов для проверки. Контекст модели — до 131 072 токенов; карточка указывает английский язык. Веса доступны в формате safetensors по лицензии Apache-2.0. Модель предназначена для первичной сортировки задач аудита безопасности плагинов WordPress: она помогает аналитикам определить, какие файлы читать в первую очередь. В описанной оценке на 1 646 отложенных задачах WordPress её File-F1 составил 0,3263 против 0,2671 у базовой модели. Результат требует проверки специалистом: модель не подтверждает наличие или отсутствие уязвимости, не выдаёт точные строки, исправления или доказательства безопасности. Качество на темах WordPress и других экосистемах не проверено; автономное исправление кода и использование без авторизации не входят в назначение модели.

YALM-130M — экспериментальная небольшая языковая модель семейства YALM, разработанная kp7742. Это плотная авторегрессионная модель с архитектурой Llama и 64 млн параметров по метаданным; в README указано 130 млн параметров, включая 113 млн без эмбеддингов. Модель предобучена на корпусе английского и хинди, математических текстов и кода Python; карточка указывает 40 тысяч шагов и контекст 2048 токенов. Модель предназначена для генерации текста и экспериментальной оценки многоязычных и технических возможностей компактных языковых моделей. Её можно запускать через Transformers для продолжения текста и простых генеративных задач. Лицензия в предоставленных данных не указана.

BERT4RE — специализированная языковая модель для инженерии требований, разработанная Муидeen Ajagbe и Liping Zhao. Это дообученная на открытых текстах по инженерии требований модель семейства RoBERTa для заполнения маски; в метаданных указано 81,2 млн параметров и контекст до 514 токенов. Модель предназначена для классификации требований, выявления языковых проблем, извлечения предметных понятий и построения связей трассируемости. Её также можно дообучать для конкретных задач инженерии требований, например для классификации девяти типов понятий. Модель рассчитана на английский язык и текстовые входные данные. Обучающие данные включали наборы требований и отзывы о приложениях. За пределами инженерии требований и на данных, существенно отличающихся от обучающих, качество может снижаться; для конкретного применения рекомендуется оценка и дополнительная настройка. Лицензия — MIT.

Labradorlabs의 bsca-bge-micro-v2-contrastive-v14-fresh-clean-v3-eb256-t005-e1-384는 바이너리와 소스 코드 함수의 정렬을 위한 대조 학습 임베딩 모델입니다. 모델은 TaylorAI/bge-micro-v2 기반으로 디컴파일된 함수와 소스 함수를 공통 벡터 공간에 매핑하도록 미세 조정되었습니다. BERT 아키텍처의 18,8 млн параметров 모델은 384-мерные эмбеддинги строит при максимальной длине входа 384 токена; контекст базовой модели — до 512 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Модель предназначена для поиска соответствующей исходной функции по декомпилированному бинарному коду и обратного поиска, а также для ранжирования кандидатов и сопоставления компонентов. В README приведены результаты полноиндексной оценки на 15 млн исходных функций и 120 запросах: MRR для исходных функций — 0,16672, Recall@1 — 0,133, Recall@10 — 0,250. Ограничения: данные оценки охватывают указанную выборку и не гарантируют аналогичного качества на других наборах; поддерживаемый язык кода и работа с исходным текстом, превышающим лимит входа, не описаны.

Bugtrace Apex G4 26B APEX — квантованная GGUF-версия модели BugTraceAI-Apex-G4-26B-Master-f16, опубликованная terrorswift. Это 26-миллиардная модель с архитектурой Gemma 4 и Mixture-of-Experts, настроенная разработчиком BugTraceAI методом DPO для рассуждений в области наступательной кибербезопасности. Она предназначена для анализа сценариев bug bounty, методик вредоносного ПО, обхода WAF, генерации технических полезных нагрузок и рекомендаций по исправлению уязвимостей. Модель поддерживает чат; доступны варианты APEX с разными сочетаниями точности квантования, размером около 18,4–19,2 ГБ для перечисленных вариантов. Для запуска в README приведён контекст 131 072 токена, но это значение зависит от используемого файла и конфигурации. README сообщает, что upstream-модель лишена Vision Tower, а файл mmproj в репозитории не включён; мультимодальный запуск возможен с совместимым внешним mmproj. Лицензия — Apache-2.0. Карточка называет модель экспериментальной и предназначенной для исследований в области ИИ и кибербезопасности и локального тестирования; автор также предупреждает, что она может выдавать вредоносный или незаконный контент.

llmfan46/gemma-4-31B-it-qat-q4_0-uncensored-heretic-GGUF — это GGUF-квантизированная версия Gemma 4 31B IT, разработанная независимым автором llmfan46 на основе модели Google. Модель создана с применением Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA), чтобы уменьшить количество отказов и ограничений при сохранении близости к исходной модели. Указано, что модель относится к классу image-text-to-text, однако подробности о поддерживаемых модальностях, языках и размере контекста в README не приведены. Модель предназначена для генерации ответов и обработки запросов в сценариях, где требуется меньше цензурных отказов, включая исследовательское и экспериментальное использование. По заявленным тестам, она дает 11 отказов из 100 против 99 из 100 у оригинальной модели, а KL-дивергенция относительно исходной версии составляет 0,0365. В README также приведены результаты MMLU исходной модели с точностью 86,17%, но отдельный полный результат для этой модификации не указан, поэтому влияние декенсурирования на общую точность оценить нельзя. Ключевое ограничение модели — изменение механизмов отказа может повысить вероятность генерации небезопасного, нежелательного или некорректного контента; результаты тестов и заявленные характеристики предоставлены автором модели. Лицензия указана как Apache-2.0 со ссылкой на лицензию Gemma 4, поэтому условия использования следует проверять одновременно в лицензии Apache-2.0 и в специфических условиях Google Gemma.

Huihui-Qwen3.6-27B-abliterated-MTP-GGUF — экспериментальная версия модели Qwen3.6-27B от huihui.ai, созданная методом abliteration. Из модели существенно удалены механизмы отказа, поэтому она позиционируется как менее ограниченная и предназначена для исследовательского использования, тестирования и контролируемых сценариев генерации текста. В метаданных также указан тип pipeline image-text-to-text, однако подробности о поддерживаемых языках и фактических мультимодальных возможностях в README не приведены. Модель поставляется в формате GGUF и рассчитана на запуск через llama.cpp. В примере использования применяется квантование Q4_K, ускорение на GPU, контекст до 262144 токенов и speculative decoding с MTP (Multi-Token Prediction). Базовый размер модели — 27B параметров. Конкретные требования к памяти, производительность и результаты оценки качества не указаны. Главная особенность модели — сниженное количество отказов, что может быть полезно для экспериментов с поведением LLM, но одновременно повышает риск чувствительных, спорных или небезопасных ответов. Модель не прошла полноценную safety-оптимизацию, поэтому требует мониторинга, ручной проверки результатов и не рекомендуется для публичных или высокорисковых production-систем. Лицензия указана как Apache 2.0; пользователь самостоятельно отвечает за соблюдение законодательства и этических требований.

Huihui-Qwen-AgentWorld-35B-A3B-abliterated-GGUF — это квантизированная в формате GGUF версия модели Huihui-Qwen-AgentWorld-35B-A3B-abliterated. Конвертацию выполнил HSOUNA ZINOUBI; модель основана на Qwen-AgentWorld-35B-A3B от Qwen и представляет собой версию с существенно сниженной фильтрацией безопасности, созданную huihui-ai методом abliteration. Модель предназначена для генерации текста и агентских сценариев, включая задачи, требующие взаимодействия с инструментами или выполнения последовательностей действий. Согласно карточке, она поддерживает английский язык. Архитектура — Qwen3.5 MoE: общий размер составляет 35 млрд параметров, из которых при обработке активны 3 млрд. Используется квантизация Q4_K_M, размер файла — около 20 ГБ; формат рассчитан на запуск средствами экосистемы llama.cpp. К сильным сторонам относятся сочетание большого общего числа параметров с малым числом активных параметров, что может снижать требования к вычислительным ресурсам, а также готовность к локальному запуску в GGUF. Ограничения включают отсутствие сведений о длине контекста и результатах бенчмарков, английскую языковую специализацию и значительно ослабленные механизмы безопасности. Модель следует использовать с осторожностью, особенно в сценариях, где необходимы встроенные ограничения на опасный или нежелательный контент. В карточке указана лицензия Apache-2.0.

Jamba-tiny-dev — компактная модель семейства Jamba от AI21 Labs для разработки, отладки и экспериментов с архитектурой Jamba. В README указано 319 млн параметров и обучение примерно на 40 млрд токенов; метаданные каталога указывают 94,4 млн параметров. Модель построена на архитектуре MoE с классом JambaForCausalLM, принимает текст и генерирует текст. Контекстное окно составляет 262 144 токена; доступны интерфейсы чата и вызова инструментов. Модель предназначена для тестов, отладки и проверки интеграций, где нужны осмысленные, но несложные текстовые ответы от небольшой модели. Она распространяется под лицензией Apache-2.0. Из-за ограниченного обучения качество генерации не следует считать высоким; размер модели в README и метаданных различается.

Quentin123/Llama-3.1-8B-bnb-4bit — дообученная версия модели unsloth/llama-3.2-3b-instruct-bnb-4bit, разработанная пользователем Quentin123. Модель предназначена для генерации текста и может использоваться в сценариях, поддерживаемых экосистемами Transformers и Text Generation Inference, включая запуск инструкционно-ориентированных языковых моделей и интеграцию в приложения на базе Hugging Face. В обучении применялись Unsloth и библиотека TRL; согласно README, обучение выполнялось с заявленным ускорением в два раза. Из доступных данных известно, что модель использует 4-битное квантование и относится к семейству Llama. В метаданных указан английский язык, однако подробные сведения об архитектуре, фактическом количестве параметров, размере контекста, поддерживаемых модальностях, качестве, датасете и результатах оценки отсутствуют. Поэтому сильные стороны можно связывать только с компактным квантованным форматом и совместимостью с популярными инструментами, а ограничения — с неполнотой опубликованной информации и невозможностью подтвердить заявленное идентификатором соответствие Llama 3.1 8B: README указывает базовую модель Llama 3.2 3B. Лицензия — Apache-2.0.

MiniCPM5-1B-Agentic-Tooluse-v3-GGUF — компактная языковая модель с 1 млрд параметров, созданная на базе openbmb/MiniCPM5-1B и представленная в формате GGUF. Разработчик производной модели в README не указан; базовая модель относится к OpenBMB. Модель предназначена для локального офлайн-использования через llama.cpp, Ollama, LM Studio и совместимые инструменты, включая сценарии на CPU и устройствах с ограниченными ресурсами. Основная специализация модели — вызов функций и инструментов: анализ схемы доступных инструментов и запроса пользователя с последующей генерацией структурированного вызова с именем функции и аргументами. Она подходит для агентных систем, MCP-серверов, автоматизации, домашних ассистентов и интеграции с внешними API. Обучение включало QLoRA-супервизированное дообучение и последующее GRPO-обучение с подкреплением; использовался датасет Team-ACE/ToolACE. Указан английский язык и задача text-generation, однако сведения о размере контекста и других модальностях отсутствуют. На отложенной выборке из 300 примеров модель достигла 100% доли разбираемых вызовов, 98,67% корректных имён доступных инструментов, 95,33% совпадения ожидаемого имени и 74,67% точного совпадения всех аргументов. Эти результаты характеризуют сильную сторону модели — структурированный tool calling, но не гарантируют аналогичную точность для любых задач и данных. В README также указана нулевая доля корректной остановки генерации, что может требовать дополнительной обработки вывода. Модель распространяется по лицензии Apache-2.0. Квантизированные варианты включают Q4_K_M, Q8_0 и F16; заявлены преимущества локальности, приватности и отсутствия затрат на облачные вызовы, но компактный размер предполагает компромисс по сравнению с более крупными универсальными моделями.

NoNameBrand-1.1B — языковая модель, опубликованная Deathsquad10. Это плотная causal language model семейства Llama примерно с 1 млрд параметров; метаданные указывают на поддержку диалогового режима и генерации текста. Автор описывает её как объединение собственных моделей с добавлением последней math_code-модели TinyLlama. В метаданных базовой моделью указана Deathsquad10/TakeThree, поэтому происхождение сведено к дообучению этой модели. Модель предназначена для генерации ответов в диалоге, а упоминание math_code указывает на возможное применение к задачам математики и программирования. Она поддерживает английский язык, имеет контекст 2048 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не содержит результатов оценки качества и подробностей о составе объединённых моделей, поэтому пригодность для конкретных задач следует проверять отдельно.

OpenMath-CodeLlama-34b-Python-hf — языковая модель NVIDIA для решения математических задач с помощью текстовых рассуждений и фрагментов кода, выполняемых интерпретатором Python. Она дообучена на базе codellama/CodeLlama-34b-Python-hf на наборе OpenMathInstruct-1, содержащем 1,8 млн пар «задача — решение», сгенерированных моделью Mixtral-8x7B. Модель построена на плотной архитектуре Llama и содержит 33,5 млрд параметров. Она принимает текст и генерирует текст, включая математические объяснения и код Python; длина контекста — до 16 384 токенов. Предназначена для решения задач по математике, где полезно сочетать рассуждения с программными вычислениями. Модель распространяется под лицензией Llama 2. Качество зависит от корректности сгенерированного кода и его выполнения; README не приводит отдельной оценки точности или подробных ограничений.

salamanderDixon/Phi-4-mini-reasoning-heretic — версия Microsoft Phi-4-mini-reasoning, обработанная методом abliteration с помощью Heretic v1.4.0. Это плотная авторегрессионная языковая модель семейства Phi-3 с 3,8 млрд параметров; репозиторий содержит веса Safetensors, а лицензия указана как MIT. Метаданные репозитория задают контекст 4096 токенов. Модель предназначена для генерации текста в диалоговом формате и многошаговых математических рассуждений: решения задач, логического анализа и пошаговых объяснений. В карточке базовой модели также упомянуты формальные доказательства и символьные вычисления, однако сама версия оптимизирована прежде всего для математических задач. Разработчик сообщает, что после abliteration доля отказов в его оценке снизилась с 77 до 6 из 100; это не гарантирует точность или безопасность ответов. Карточка описывает модель как англоязычную и предупреждает о возможных фактических ошибках и ограничениях, связанных с небольшим размером, а также о различиях качества между языками. Для сценариев с высокими последствиями ответы следует проверять. Модель выпущена по лицензии MIT.

Xenova/Qwen1.5-0.5B-Chat — это веб-совместимая версия диалоговой языковой модели Qwen1.5-0.5B-Chat, разработанной командой Qwen; репозиторий Xenova содержит веса в формате ONNX для использования с библиотекой Transformers.js. Модель предназначена для генерации текста и построения чат-приложений, включая ответы на вопросы, работу виртуальных ассистентов и другие сценарии обработки естественного языка, выполняемые в JavaScript-среде. Модель основана на архитектуре Qwen1.5 и содержит около 0,5 млрд параметров. Она поддерживает диалоговый формат с системными и пользовательскими сообщениями и рассчитана на текстовую модальность; сведения о точном размере контекста и полном наборе поддерживаемых языков в README не указаны. Ключевое преимущество — возможность запуска через Transformers.js с ONNX-весами, потенциально подходящая для веб- и локальных приложений без отдельного серверного инференса. При этом небольшой размер модели ограничивает её возможности по сравнению с более крупными языковыми моделями, а README не содержит подробных данных о качестве, бенчмарках и ограничениях. Для использования требуется библиотека Transformers.js; в README приведён пример запуска конвейера text-generation и применения чат-шаблона. Лицензия модели в предоставленных данных не указана.

Это локально запускаемая чат-модель Qwen2 с 1,5 млрд параметров, опубликованная Агнусо (Francisco Angulo de Lafuente) в формате GGUF F16. Репозиторий предлагает запуск через Ollama и Transformers; метаданные классифицируют архитектуру как плотную и указывают лицензию Apache-2.0. Модель предназначена для генерации текста в диалоге. В README также заявлены навыки генерации кода на нескольких языках программирования, научных вычислений и координации агентов, но подробных результатов оценки этих возможностей не приведено. Карточка связывает её с P2PCLAW и рекомендует перенаправлять запросы на написание научных статей в этот проект. В метаданных указаны английский и испанский языки. Компактный размер и GGUF F16 подходят для локального запуска, однако качество и фактические возможности требуют самостоятельной проверки; отдельное ограничение — указание README на перенаправление запросов для создания научных статей.

HeYujie/Qwen3.5-27B-abliterated-GGUF — это квантизированная в формате GGUF версия модели huihui-ai/Huihui-Qwen3.5-27B-abliterated, созданная на основе Qwen/Qwen3.5-27B. Репозиторий поддерживает Transformers и предназначен для запуска через инструменты, совместимые с GGUF, включая llama.cpp. Модель разработана HeYujie и основана на работе huihui-ai; исходная модель модифицирована методом abliteration для значительного снижения отказов в ответах. Модель предназначена для генерации текста и, согласно метаданным, относится к сценарию image-text-to-text, однако README не содержит подробностей о поддерживаемых модальностях, языках, размере контекста или фактических возможностях работы с изображениями. Доступны варианты MXFP4_MOE, Q2_K, Q3_K_S, Q3_K_M, Q4_0, Q4_1, Q4_K_S, Q4_K_M, Q5_K_M, Q6_K и Q8_0, что позволяет выбирать компромисс между размером, скоростью и качеством. Сильной стороной является сниженное количество отказов, что может быть полезно для исследований, тестирования и контролируемых экспериментальных сценариев. При этом у модели существенно уменьшена фильтрация безопасности, поэтому она может генерировать чувствительный, спорный или неподходящий контент. README не рекомендует использовать её в публичных и высокорисковых производственных системах без постоянного мониторинга и ручной проверки. Указана лицензия Apache-2.0; пользователь самостоятельно отвечает за соблюдение законодательства и этических требований.

Qwen3.5-397B-A17B-UD-Q4_K_XL-layers — пакет GGUF-слоёв от Mesh LLM для распределённого запуска модели Qwen3.5-397B-A17B на локальном кластере. Он основан на unsloth/Qwen3.5-397B-A17B-GGUF и сохраняет её веса в виде отдельных артефактов по слоям для распределённого инференса; вариант квантования — UD-Q4_K_XL. Пакет предназначен для локального приватного чата и генерации текста, в том числе на нескольких машинах, когда полный файл модели слишком велик для одного узла. Через Mesh LLM модель можно предоставлять по локальному OpenAI-совместимому API. Архитектура, размер контекста, языки и подробные характеристики исходной модели в этой карточке не приведены; за ними README отсылает к карточке исходной модели. Репозиторий содержит пакет для распределённого запуска, а не самостоятельную реализацию модели. Использование требует Mesh LLM и подходящей инфраструктуры. Условия лицензии следует уточнять в карточке исходной модели unsloth/Qwen3.5-397B-A17B-GGUF.

Qwen3-8B-Critic-SFT-Qwen-only — специализированная критическая модель на базе Qwen3-8B, разработанная для исследования Steer, Don't Solve. Она анализирует траекторию работы агента по программированию и через заданные интервалы возвращает структурированную критику: категории обнаруженных ошибок, подтверждающие их данные, шаг восстановления, статус задачи и краткую рекомендацию. Модель предназначена для сопровождения кодового агента и не пишет исправляющий патч сама. Модель обучена полным дообучением на 1 915 примерах критики траекторий Qwen3-Next-80B-A3B. Она использует плотную авторегрессионную архитектуру Qwen3 с 7,6 млрд параметров; репозиторий содержит веса safetensors, опубликованные в bf16. Метаданные указывают контекст до 40 960 токенов, а конфигурация обучения README — последовательности длиной 32 768 токенов. Модель рассчитана на английский язык и взаимодействие в формате чата. Лицензия — Apache-2.0. В описанном эксперименте критик повысил долю решённых задач SWE-bench Verified с 20,0% до 26,2% для Qwen3-Next-80B-A3B, но обучение только на траекториях этого агента дало более слабый результат при переносе на Qwen3-32B, чем смешанный набор данных. Модель следует использовать как вспомогательного критика в агентных циклах, а не как самостоятельную модель для написания кода.