II.2Создание и понимание программного кода

Это конвертированная в формат MLX вспомогательная модель-драфтер Gemma 4 E4B от Google, подготовленная сообществом mlx-community. Она предназначена для ускорения генерации текста методом speculative decoding: компактный четырёхслойный помощник предлагает несколько следующих токенов, а целевая модель Gemma 4 проверяет их за один проход. Модель используется в паре с целевой Gemma 4 через библиотеку MLX и поддерживает пакетную и одиночную генерацию. При температуре 0 результат побайтно совпадает с генерацией без драфтера. Для одиночных запросов рекомендуется размер блока черновых токенов 6, для пакетной генерации — 3. Модель не предназначена для самостоятельной генерации без целевой модели; производительность зависит от совместимой целевой модели и настроек. Лицензия — Gemma.

GLM-5.3-DSpark — черновая модель ускорения генерации для GLM-5.3, опубликованная AlayaNeW. Это не самостоятельная языковая модель: её нужно запускать вместе с целевой GLM-5.3 или GLM-5.3-FP8 в SGLang либо vLLM с поддержкой DSpark. Модель использует алгоритм DSpark с параллельным черновым блоком, Markov head и confidence head; архитектура — Qwen3DSparkModel, плотная сеть на 2,6 млрд параметров с пятью слоями черновой модели. Модель предназначена для спекулятивного декодирования, которое может повысить скорость генерации текста, в том числе кода и ответов на запросы. В README приведены результаты на тестах с разными длинами контекста и категориями задач; они получены на конфигурации из восьми NVIDIA H200 и не гарантируют аналогичную производительность в других условиях. Метаданные указывают контекст до 1 048 576 токенов и языки zh и en. Для работы требуются актуальная версия SGLang или vLLM с нативной поддержкой DSpark; черновая модель рассчитана только на GLM-5.3. Лицензия — MIT.

Huihui-Agents-A1-abliterated-GGUF — экспериментальная версия модели InternScience/Agents-A1, созданная huihui.ai методом abliteration. Модель распространяется в формате GGUF для запуска через llama.cpp и предназначена прежде всего для исследовательских и тестовых сценариев генерации текста, включая агентные задачи. В метаданных указаны поддержка MoE и визуальных сценариев VLM, однако подробные характеристики архитектуры, число параметров, перечень языков и точные возможности работы с изображениями не приведены. Ключевая особенность модели — существенно сниженный уровень встроенных отказов и ограничений на генерацию по сравнению со стандартной версией. Это может быть полезно для экспериментов с поведением моделей и контролируемых исследований, но одновременно повышает риск чувствительных, спорных или неприемлемых ответов. Модель не рекомендуется для публичных сервисов, использования несовершеннолетними и приложений с высокими требованиями к безопасности; результаты необходимо контролировать и проверять вручную. Для запуска рекомендуется использовать актуальную версию llama.cpp; в README приведён пример с контекстом 262144 токена и файлом Agents-A1-abliterated-bf16.gguf. Модель распространяется по лицензии Apache-2.0. Пользователь самостоятельно отвечает за соблюдение законодательства, этических норм и последствия применения модели.

Huihui-CyberStrike-OffSec-35B-abliterated — экспериментальная версия модели TechnoBaptist, созданная с помощью abliteration на основе oyildirim/CyberStrike-OffSec-35B. Это чат-модель семейства Qwen3.5 MoE, предназначенная для генерации текста; исходная модель ориентирована на структурированные вызовы инструментов в авторизованных сценариях пентестинга. В карточке указана библиотека Transformers и формат safetensors. Abliteration снижает количество отказов модели, поэтому она может выдавать чувствительные, спорные или неприемлемые ответы. Автор называет реализацию грубой проверкой концепции. Модель распространяется по лицензии Apache-2.0; ответы следует проверять, а снижение защитных ограничений учитывать при применении.

InceptionNeXt Atto SAIL IN1K — сверточная модель классификации изображений из семейства InceptionNeXt, обученная авторами статьи на ImageNet-1k. Она предназначена для классификации изображений и может использоваться как базовая сеть для извлечения карт признаков и визуальных эмбеддингов. Модель содержит 4,2 млн параметров, имеет вычислительную сложность 0,5 GMACs и рассчитана на изображения размером 224 × 224. Она доступна через библиотеку timm; веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

LFM2.5-8B-A1B-KO-CPT-Repair-SFT — диагностический чекпойнт с дообучением SFT, созданный LLM-OS-Models на основе LLM-OS-Models/LFM2.5-8B-A1B-KO-CPT-FULL. Это разговорная языковая модель для генерации текста; обучение было направлено на исправление формата ответов в корейских задачах с выбором ответа и сохранение возможностей в вопросах по доказательствам, финансах, Text2SQL, программировании и компактных рассуждениях. Архитектура — LFM2 MoE, 1,6 млрд параметров, контекст — до 128 000 токенов; модель принимает текст и генерирует текст, с приоритетом корейского и поддержкой английского. Чекпойнт опубликован для воспроизводимости, а не как рекомендуемая модель для бенчмарков. Оценка показала, что SFT не восстановил профиль публичных бенчмарков KO-CPT: ответы стали более многословными, а результаты по ряду задач оказались ниже базовой модели или KO-CPT. Для публичных бенчмарков авторы рекомендуют исходный KO-CPT. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели.

LFM2.5-Encoder-350-Prompt-Router — дообученная Liquid AI модель на базе двунаправленного энкодера LFM2.5-Encoder-350M. Она сопоставляет текст запроса с заданными пользователем маршрутами, описанными свободным текстом, и за один проход энкодера выдаёт оценки для каждого маршрута. Модель предназначена для маршрутизации промптов в приложениях с несколькими специализированными обработчиками или агентами. Модель содержит 444,6 млн параметров, принимает текст и рассчитана на контекст до 128 000 токенов. Карточка указывает поддержку английского, немецкого, испанского, французского, итальянского, нидерландского, польского, португальского, арабского, хинди, японского, русского, турецкого, вьетнамского и китайского языков. Для загрузки требуется Transformers и включение пользовательского кода через trust_remote_code=True. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория.

yujiepan/mistral-nemo-2407-tiny-random — компактная случайно инициализированная модель для генерации текста, созданная на основе конфигурации Mistral-Nemo-Instruct-2407 от Mistral AI. Модель предназначена для отладки и тестирования, а не для получения качественных ответов.

Mnemosyne-64M — базовая языковая модель с причинной архитектурой Hierarchical Chunk Attention (HCA), разработанная BIBLIOKLEPT и обученная с нуля. В метаданных указано 58,7 млн параметров; README приводит другую оценку — 62,93 млн. Модель предобучена на 1,28 млрд токенов из образовательного корпуса FineWeb-Edu, включающего учебные тексты, научные статьи, Википедию, математику и чистый код. Модель предназначена для генерации текста и продолжения коротких текстовых фрагментов. Архитектура использует 16 слоёв и иерархическое внимание по чанкам; нативный контекст — 256 токенов. Репозиторий содержит веса в формате safetensors. Короткий контекст ограничивает работу с длинными документами и развёрнутыми диалогами. В карточке не описаны инструкции для чат-сценариев или подтверждённые оценки качества. Лицензия — Apache-2.0.

OpenHands Critic 4B v1.0 — языковая модель на базе Qwen/Qwen3-4B, разработанная OpenHands для оценки траекторий работы ИИ-агентов. Модель дообучена на всех параметрах базовой модели с функцией потерь BCE и предсказывает 26 меток: 25 признаков поведенческой рубрики и одну оценку успешности задачи. Модель предназначена для классификации результатов работы агента в инструментах OpenHands Software Agent SDK и OpenHands CLI. Она принимает текстовые данные о траектории агента и выдаёт оценки по нескольким меткам; для запуска автор рекомендует OpenHands SDK. Контекст при обучении составлял 64K токенов, заявлена поддержка до 256K. Репозиторий содержит веса Safetensors, число параметров — около 3,7 млрд. Лицензия — MIT. Модель специализируется на оценке поведения и успешности ИИ-агентов; её выход — классификационные оценки, а не обычный диалоговый ответ. Карточка не раскрывает состав 25 рубричных признаков, поэтому интерпретация отдельных оценок зависит от определений и подсказок проекта OpenHands.

PicoLM-V2.1-81M-Instruct — компактная языковая модель Emre Polat для генерации текста и диалогов. Она построена на плотной архитектуре PicoLM V2 с причинным языковым моделированием и использует MobileLLM-LS: 18 физических блоков выполняются в два прохода, что даёт заявленную вычислительную глубину 36 слоёв при 81,8 млн параметров. Контекст составляет 2048 токенов; модель принимает и выдаёт текст и рассчитана прежде всего на английский язык. Модель прошла настройку инструкциями с синтетическими алгоритмическими примерами, согласованием персоны и исправлениями для базовых знаний. Она предназначена для компактных чат-сценариев, простых рассуждений, арифметики и генерации кода, а автор приводит результаты оценок ARC-Easy и HellaSwag. Заявлены форматы Safetensors и GGUF, включая запуск на мобильных устройствах. Лицензия — Apache 2.0.

Plano-Orchestrator — семейство моделей маршрутизации и оркестрации, разработанное Katanemo. Эта версия представляет собой плотную языковую модель Qwen3ForCausalLM с 3,7 млрд параметров, дообученную на основе Qwen/Qwen3-4B-Instruct-2507 и сохранённую в формате safetensors. Она принимает текстовые запросы и историю диалога, анализирует намерения и контекст, чтобы определить, каким агентам или LLM передать запрос и в какой последовательности. Модель предназначена для систем с несколькими агентами и сценариев с маршрутизацией в реальном времени. Она обрабатывает несколько намерений в одном сообщении, учитывает уточнения и продолжения диалога, разрешает контекстные ссылки и распознаёт случаи, когда специализированный агент не нужен. В карточке описаны оценки на наборах общих, связанных с программированием и длинных диалогов; заявлена пригодность для низколатентных производственных систем. Метаданные указывают поддержку чата и контекст до 262 144 токенов. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в карточке репозитория. Описание не приводит подробностей схемы выходных данных и количественных результатов бенчмарка; совместимость решений маршрутизации с конкретной системой агентов нужно оценивать отдельно.

RedHatAI/Qwen3-14B-speculator.eagle3 — спекулятивная модель-драфтер от Red Hat для ускорения генерации текста базовой моделью Qwen/Qwen3-14B. Она использует алгоритм EAGLE-3 и архитектуру Eagle3Speculator: предлагает несколько следующих токенов, которые проверяет основная модель. Модель предназначена для запуска вместе с Qwen/Qwen3-14B, в частности через vLLM с настройкой speculative decoding; в README рекомендованы три спекулятивных токена и шаблон чата Qwen3. Модель обучена с помощью библиотеки speculators на данных ShareGPT_Vicuna_unfiltered и train_sft-разбиении ultrachat_200k. В репозитории указаны веса safetensors и лицензия Apache-2.0. Она сама по себе не является универсальной чат-моделью: для генерации требуется совместимая модель-верификатор Qwen/Qwen3-14B и поддерживающая EAGLE-3 среда. В README приведены бенчмарки на одной A100, но их таблицы опущены, поэтому количественно оценить ускорение по доступным данным нельзя.

huihui-ai/Qwen3-1.7B-abliterated — дообученная версия Qwen/Qwen3-1.7B от huihui-ai, созданная методом abliteration для снижения числа отказов языковой модели. Автор описывает её как грубую экспериментальную реализацию и указывает, что доступна более новая версия модели. Модель предназначена для генерации текста и диалогов, в том числе ответов на запросы, которые исходная модель могла бы отклонить. В README приведён тест на наборе harmful-инструкций: автор сообщает результат 320 из 320, отмечая, что это простая проверка и не гарантия поведения модели. Модель работает через Transformers и доступна также для запуска в Ollama; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Основа — компактная многоязычная модель Qwen3 с поддержкой чата. Карточка не сообщает размер контекстного окна и конкретный список поддерживаемых языков. Снижение отказов означает, что модель может охотнее выдавать потенциально опасные ответы; качество и поведение могут отличаться от исходной Qwen3-1.7B.

Qwen3.5-27B-DFlash — черновая модель DFlash, совместно переобученная Z-Lab и Modal для ускорения вывода базовой Qwen/Qwen3.5-27B. Это не самостоятельная языковая модель: её подключают к целевой модели в сервере инференса со свободным декодированием DFlash, например SGLang. Черновая модель на основе блочной диффузии параллельно предлагает несколько токенов, которые затем проверяет целевая модель, сохраняя её распределение выходов. По данным карточки, обучение проводилось с последовательностями длиной 40 тысяч токенов и скользящим окном внимания. Метаданные указывают архитектуру DFlashDraftModel, формат safetensors, 3,3 млрд параметров и нативный контекст 262 144 токена. В описанных тестах на одной NVIDIA B200 ускорение достигало 6,20 раза при одном запросе и 3,01 раза при конкурентной обработке 32 запросов; результаты зависят от нагрузки и конфигурации. Модель предназначена для увеличения пропускной способности при обслуживании запросов через парную Qwen/Qwen3.5-27B, а не для прямого общения с пользователем. Карточка не перечисляет поддерживаемые естественные языки. Лицензия — Apache-2.0.

HanzoHuang/Qwen3.5-2B-RKLLM — аппаратно-специфичная конверсия мультимодальной vision-language модели Qwen3.5-2B, разработанной командой Qwen, для NPU-платформ Rockchip RK3576 и RK3588. Репозиторий содержит артефакты RKLLM для языковой модели и соответствующие энкодеры изображений RKNN, предназначенные для совместного использования в VLM-приложениях. Модель рассчитана на задачи, требующие обработки текста и изображений на устройствах Rockchip, включая развёртывание через RKLLM VLM runtime и Docker API. Для каждой целевой SoC-платформы необходимо использовать парные файлы из одной директории: языковую модель .rkllm и vision encoder .rknn. Доступны варианты квантизации W4A16 с group size 128 для RK3576, а также W8A8 для RK3576 и RK3588. Конверсия выполнена с использованием RKLLM Toolkit версии 1.3.0 и RKNN vision conversion. Сильной стороной модели является поддержка мультимодального вывода на специализированных NPU Rockchip и наличие вариантов, адаптированных под разные микросхемы. При этом это не checkpoint для Transformers, а аппаратно-зависимые артефакты; языковая модель и энкодер изображения несовместимы между платформами и должны использоваться строго согласованной парой. Необходимо отдельно проверять предварительную обработку изображений, потребление памяти и совместимость runtime на конкретном устройстве. Модель и конвертированные компоненты распространяются по лицензии Apache-2.0.

Qwen3.5-9B-CyberOps — доработанная модель на базе Qwen/Qwen3.5-9B от автора репозитория okohol. Она предназначена для генерации ответов в сценариях авторизованной кибербезопасности: тестирования на проникновение с разрешения, CTF, исследований безопасности и защитного анализа. При абляции направления отказа из весов удалено поведение отказа; новые обучающие данные не добавлялись. Модель плотная, с гибридной архитектурой Qwen3.5, и рассчитана на работу в режиме thinking OFF. Эта публикация содержит только языковую часть базовой мультимодальной модели. Модель может помогать объяснять эксплойты, составлять планы сканирования и анализировать тактики атакующих для защиты систем. Удаление отказов означает, что она может генерировать ответы, которые базовая модель отклонила бы; предполагается применение в рамках законных полномочий и с контролем человека. Абляция не добавляет знаний или навыков и может немного ухудшить связность ответов на общие темы; возможны галлюцинации, фактические ошибки и некорректный формат вызовов инструментов. Репозиторий распространяется по лицензии Apache-2.0.

alphakek/Qwen3.8-27B-heretic-ara-DFlash2 — черновая модель DFlash 2, дообученная на базе heretic-org/Qwen3.8-27B-heretic-ara для ускорения генерации текста методом speculative decoding. Она принимает скрытые состояния целевой модели и предназначена только для совместного использования с этим чекпойнтом; для обычной Qwen3.8-27B в карточке указана другая черновая модель. Модель основана на архитектуре Qwen3 и классе DFlash2DraftModel, имеет 2,9 млрд параметров и контекст 262 144 токена. По результатам приведённого в карточке теста на конкретной конфигурации vLLM она показала более высокую скорость генерации и длину принятого спекулятивного блока по сравнению с исходным черновиком; эти результаты относятся к описанному стенду и не гарантируют такой же прирост в других условиях. Для запуска требуется реализация DFlash2 в vLLM. Лицензия — Apache-2.0.

yujiepan/QwQ-tiny-random — компактная авторегрессионная языковая модель для генерации текста, созданная сообществом Hugging Face на основе конфигурации Qwen/QwQ-32B-Preview. Модель имеет около 1,2 млн параметров, архитектурные признаки Qwen2 и поддерживает контекст до 32 768 токенов; для работы предназначена библиотека Transformers и формат Safetensors. В метаданных указана задача text-generation и conversational-теги.

Это веса малого варианта визуального энкодера HieraDet из семейства SAM2, опубликованные командой timm. Репозиторий содержит только энкодер изображений, а не полную систему сегментации SAM2. Модель предназначена для извлечения признаковых представлений изображений и может служить компонентом визуальных конвейеров, включая задачи компьютерного зрения.

seresnet50.ra2_in1k — модель классификации изображений семейства SE-ResNet, опубликованная командой timm. Она использует остаточную архитектуру ResNet с механизмом Squeeze-and-Excitation для внимания к каналам; в карточке указаны активации ReLU, свёртка 7×7 с пулингом и 1×1-свёртки в обходных соединениях. Модель содержит 28,1 млн параметров и обучена на ImageNet-1k с рецептом RandAugment RA2, оптимизатором RMSProp, усреднением весов EMA и ступенчатым расписанием скорости обучения. Модель предназначена для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов. Для обучения указано разрешение 224×224 пикселя, для проверки — 288×288. В репозитории представлены веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка приводит общие сведения об архитектуре и обучении, но не уточняет число классов классификатора и метрики именно этой версии.

smolvlm-500m-ccmcp-v1 — дообученная методом LoRA мультимодальная модель на основе HuggingFaceTB/SmolVLM-500M-Instruct, подготовленная для привязки запросов к элементам графического интерфейса. Она анализирует скриншот вместе с текстовой инструкцией и возвращает действие в формате Claude-compatible computer use, например щелчок мышью с координатами. Модель обучена на 1 017 примерах набора ScreenSpot и распространяется в форматах GGUF F16, GGUF Q4_K_M и safetensors; лицензия — Apache-2.0. Модель предназначена для автоматизации интерфейсов по скриншотам: определения точки нажатия и преобразования текстовой команды в координаты действия. Компактный размер базовой модели и доступность квантизованного GGUF-варианта подходят для локального запуска с llama.cpp или Ollama. Обучение на небольшом наборе примеров ограничивает обоснованность ожиданий по точности и переносу на незнакомые интерфейсы; README не сообщает длину контекста или результаты оценки.

mpasila/sunfall-SimPO-9B — разговорная модель на архитектуре Gemma 2, созданная автором путём объединения LoRA crestf411/sunfall-peft с princeton-nlp/gemma-2-9b-it-SimPO. Она предназначена для генерации ответов в формате Gemma 2 Instruct. Модель содержит 9 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. В метаданных указан английский язык и лицензия MIT. Это узкоспециализированная экспериментальная сборка, созданная автором для конкретной комбинации адаптера и базовой модели; README не приводит оценок качества или описания целевых сценариев. Для использования требуется соблюдать формат запросов Gemma 2 Instruct.

test_convnext2.r160_in1k — очень маленькая тестовая модель классификации изображений из библиотеки PyTorch Image Models (timm), обученная Ross Wightman на ImageNet-1k. Она также может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Модель семейства ConvNeXt содержит около 0,5 млн параметров и рассчитана на изображения размером 160 × 160 пикселей. В карточке приведены результаты ImageNet-1k: точность Top-1 составляет 53,51% при размере изображения 160 пикселей. Модель предназначена прежде всего для проверок и sanity checks; её малая ёмкость и скромная точность ограничивают применение в задачах, требующих надёжной классификации. Распространяется по лицензии Apache-2.0.

test_efficientnet.r160_in1k — очень компактная тестовая модель EfficientNet для классификации изображений и проверки компьютерного зрения, разработанная Россом Уайтманом в рамках PyTorch Image Models (timm). Она обучена на ImageNet-1k и рассчитана на входные изображения размером 160 × 160 пикселей. Модель содержит около 0,4 млн параметров и может использоваться как классификатор или как основа для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для тестов и sanity checks, а не для задач, требующих высокой точности. Репозиторий распространяет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Экспериментальный чекпойнт TaskTrove X0 — бинарная ветка абляции в серии подбора гиперпараметров для агента. Модель дообучена на Qwen/Qwen3-Coder-30B-A3B-Instruct с использованием agentic RL terminus-2 на наборе DCAgent/exp_rpt_multifile; проверяющая функция оценивала результат бинарной наградой. Архитектура — Qwen3 MoE для генерации текста, число параметров по метаданным — 2,6 млрд, контекст — до 262 144 токенов. Чекпойнт завершил горизонт обучения в 20 шагов; README приводит trailing-5 EMA reward 0,1703 и сообщает, что для последующих экспериментов выбрана ветка с shaping награды pass_ratio. Это указывает на экспериментальную пригодность модели для проверки агентных задач программирования с несколькими файлами и pytest-верификацией, но не подтверждает её качество для общего использования. Карточка не сообщает лицензию. Следы отдельных обучающих испытаний недоступны, а набор с ними на Hub не публиковался.

Aether-7B-5Attn — базовая языковая модель семейства Aether, разработанная VIDRAFT и обученная с нуля. Это разговорная модель для продолжения текста и исследовательских экспериментов с открытой архитектурой и воспроизводимым обучением. В архитектуре MoE используется 49 слоёв с пятью типами внимания, расположенными по схеме латинского квадрата 7×7. Метаданные указывают 2,7 млрд параметров и контекст 4096 токенов; в README размер указан как 6,59 млрд. Обучение проводилось на корейских и англоязычных данных, а также на математических, образовательных и кодовых корпусах. Репозиторий включает веса, код и рецепт обучения, журналы и исходный код архитектуры. Модель предназначена для генерации текста, а не для следования инструкциям: для диалоговых ответов авторы предлагают instruction-tuned вариант Aether-7B-5Attn-it. Для инференса требуется Transformers с trust_remote_code; README предупреждает использовать batch_size=1, поскольку некоторые ветви внимания некорректно обрабатывают маски дополнения. Лицензия — Apache-2.0.

Модель yeniguno/bert-uncased-intent-classification — англоязычная BERT-модель, дообученная для классификации намерений в пользовательских запросах по 82 меткам. Она предназначена для систем NLU, голосовых помощников, чат-ботов, автоматизации поддержки и разговорных интерфейсов. Архитектура — BertForSequenceClassification; модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README указаны объединённые наборы данных для классификации намерений и результаты тестирования: точность и F1 составили 98,37%. Эти показатели относятся к описанной тестовой выборке и не гарантируют аналогичное качество на новых данных. Модель выпущена под лицензией Apache-2.0. Качество может снижаться для редко представленных намерений; модель не оптимизирована для языков помимо английского. Для предметных намерений, отсутствующих среди обучающих меток, может потребоваться дополнительное дообучение.

CoaT Lite Medium — модель классификации изображений семейства CoaT (Co-Scale Conv-Attentional Transformer), обученная авторами статьи на ImageNet-1k. Она предназначена для определения объектов и других категорий на изображениях, а также может использоваться как визуальный backbone для извлечения признаков. Модель содержит 44,6 млн параметров, имеет вычислительную сложность 9,8 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий содержит веса PyTorch; модель опубликована под лицензией Apache-2.0. Карточка также приводит пример использования для получения эмбеддингов изображений.

DeTikZify-DS7b — языковая модель для преобразования эскизов и готовых научных иллюстраций в редактируемые программы на TikZ с сохранением их смысла. Модель разработана в рамках проекта DeTikZify и дообучена на датасете DaTikZ-v2 на основе DeepSeek Coder 7B v1.5. В карточке указано имя DS1.3b, тогда как идентификатор репозитория и название карточки указывают на DS7b; поэтому точный размер по README неоднозначен. Метаданные каталога указывают 6,5 млрд параметров. Модель предназначена для генерации TikZ-кода по изображениям научных рисунков и эскизов. Архитектура — плотная авторегрессионная языковая модель; она принимает изображения и выдаёт текстовый код TikZ. Контекст составляет 4096 токенов. Репозиторий содержит веса safetensors, лицензия указана как other. Модель подходит для создания редактируемых векторных иллюстраций, однако качество зависит от сложности и разборчивости исходного изображения. Карточка не сообщает подробностей о точной лицензии или языковом охвате.