II.2Создание и понимание программного кода

RadixArk/GLM-5.3-NVFP4 — текстовая языковая модель, представляющая собой квантованную производную GLM-5.3-BF16 от Z.ai. Квантование выполнено RadixArk с использованием NVIDIA Model Optimizer; RadixArk не обучала и не дообучала модель. Модель предназначена для агентной разработки, программирования, длительного использования инструментов и задач рассуждения. Архитектура — Transformer со Sparse Mixture-of-Experts и разреженным вниманием: 78 декодерных слоёв, включая 3 плотных MLP и 75 MoE-слоёв, 753 млрд параметров всего и около 40 млрд активируемых на токен. В MoE-слоях используется 256 маршрутизируемых экспертов с выбором 8 экспертов и один общий эксперт. Модель принимает и генерирует текст, поддерживает английский и китайский языки, а длина контекста достигает 1 048 576 токенов. Ключевое преимущество — существенное уменьшение размера checkpoint с 1 507 до 465 ГБ за счёт NVFP4 W4A4-квантования части параметров при сохранении ряда компонентов в BF16. Указаны высокие результаты на GSM8K, AIME 2026, Terminal-Bench 2.1 и DeepSWE, однако базовая модель может выдавать неточные, неполные, нерелевантные или нежелательные ответы, поэтому необходимы проверка результатов и защитные меры. Checkpoint рассчитан на запуск через SGLang на Linux и совместим прежде всего с GPU NVIDIA Blackwell; конфигурация проверена на B300. Условия использования определяются лицензией Z.AI Model License, указанной как MIT-style.

DeathReaper0965/gpt2-large-code-generator — языковая модель на архитектуре GPT-2 Large, дообученная разработчиком на наборе CodeParrot для генерации кода. По краткому описанию требуемой функции модель предназначена создавать соответствующий код. Токенизатор GPT-2 Large также дополнительно обучен на том же наборе данных для работы с кодом. Модель использует плотную архитектуру GPT2LMHeadModel и принимает текст, выдавая текст. Нативный контекст составляет 1024 токена. Репозиторий содержит веса PyTorch и safetensors. Модель распространяется по лицензии MIT.

GPT-4.1 — флагманская большая языковая модель OpenAI, предназначенная для точного выполнения инструкций, разработки программного обеспечения и рассуждений по длинным материалам. В README заявлено контекстное окно размером до 1 миллиона токенов. Модель подходит для работы с запросами на естественном языке, задач программирования и анализа объёмных текстовых данных. Доступный фрагмент README не сообщает сведения об архитектуре, поддерживаемых языках, лицензии или ограничениях применения.

GPT-5.1-Codex-Max — агентная модель OpenAI для задач разработки программного обеспечения. README описывает её как модель для длительных задач программирования с большим контекстом, основанную на обновлённом стеке рассуждений GPT-5.1 и обученную для агентной работы. Модель предназначена для использования в сценариях, где агенту нужно вести работу над программным обеспечением в течение продолжительного времени. Карточка не содержит подробностей об архитектуре, числе параметров, поддерживаемых языках программирования или лицензии, поэтому эти характеристики не приводятся.

SantaCoder от проекта BigCode — авторегрессионная языковая модель для генерации и дополнения исходного кода. Этот репозиторий содержит ту же модель SantaCoder, адаптированную для загрузки через архитектуру GPTBigCode в Transformers версии 4.28.1 и выше. Модель основана на GPT-2 с multi-query attention и обучалась с целью Fill-in-the-Middle; использует формат FP16 и имеет контекст 2048 токенов. Модель обучена на коде из GitHub и предназначена для продолжения фрагментов кода по контексту, например по комментарию, сигнатуре функции или строке документации. Основные языки кода — Python, Java и JavaScript; текстовый контекст преимущественно на английском. Это не модель, настроенная на выполнение инструкций, поэтому запросы в форме обычной команды могут работать плохо. Генерируемый код может содержать ошибки, быть неэффективным или уязвимым и не гарантируется к работе. Модель может дословно воспроизводить код из обучающего набора, поэтому при использовании результата следует проверять возможные требования к атрибуции и лицензированию. Указанная лицензия репозитория — OpenRAIL.

GPT-OSS Coder — дообученная модель exalandru на базе openai/gpt-oss-120b для работы coding-агента над репозиториями. Она ориентирована на цикл разработки: изучать код, находить причину дефекта, вносить исправления, запускать тесты, анализировать результаты и продолжать работу, пока исправление не подтвердится. Обучение проведено методом supervised fine-tuning на примерах успешных сессий кодовых агентов; небольшое низкоранговое обновление последних слоёв затем объединено с весами модели. Модель принимает текстовые запросы и выдаёт текст, включая ответы и вызовы инструментов в формате Harmony. Версия в этом репозитории поставляется в GGUF с экспертами MXFP4 и вниманием bf16; README указывает размер около 63 ГБ и запуск через llama.cpp с контекстом 32 768 токенов. Для передачи объявлений инструментов в llama.cpp требуется шаблон чата Harmony через параметр --jinja. Модель обучена для Codex и предназначена для задач программной инженерии на уровне репозитория; карточка не сообщает языки программирования или отдельные естественные языки обучения. Среди заявленных улучшений — написание регрессионных тестов до закрытия задачи, продолжение работы после первого успешного набора тестов, соблюдение соглашений конкретной среды агента и сокращение некорректных JSON-аргументов. Это утверждения автора, проверенные на собственных небольших бенчмарках; независимые результаты в карточке не приведены. Для полноценной работы нужны совместимая среда агента и достаточно памяти для модели и контекста. Лицензия — Apache-2.0.

granite-20b-code-instruct-IMat-GGUF — это GGUF-квантизированная версия модели granite-20b-code-instruct, разработанной IBM (ibm-granite) и подготовленной пользователем legraphista. Модель предназначена для генерации и объяснения программного кода, исправления ошибок, работы с инструкциями, математическими задачами, SQL и сценариями function calling. Указаны варианты квантования от 1 до 16 бит, включая конфигурации с IMatrix, оптимизированные для запуска через llama.cpp. Модель содержит около 20 млрд параметров и основана на исходном формате BF16. В README не указаны точная архитектура, максимальная длина контекста и полный перечень поддерживаемых языков, однако результаты оценки приведены для Python, JavaScript, Java, Go, C++, Rust и демонстрируют применимость к генерации, объяснению и исправлению кода. В тестах HumanEvalSynthesis показатель pass@1 составил от 42,1 до 60,4% в зависимости от языка; значения не верифицированы. Ключевое преимущество версии — возможность выбирать баланс между качеством, размером файла и требованиями к памяти благодаря множеству вариантов квантования и применению IMatrix. Ограничения связаны с потерями качества при низкой разрядности, отсутствием подробных сведений о контексте и мультимодальности, а также с тем, что приведённые метрики не подтверждены. Модель распространяется по лицензии Apache 2.0.

QuantFactory/granite-3b-code-base-128k-GGUF — квантизированная версия Granite-3B-Code-Base-128K, созданная QuantFactory с использованием llama.cpp на основе модели IBM Research. Модель предназначена для задач генерации, объяснения и исправления кода, создания модульных тестов и документации, включая сценарии разработки программного обеспечения на уровне репозитория и работы с большими контекстами. Модель относится к семейству Granite Code и поддерживает контекст длиной до 128K токенов. Указан размер 3B параметров; исходная модель была дообучена на 4 млрд токенов с упаковкой файлов репозиториев и увеличением представленности языков. В README приведены результаты оценивания для Python, C++, Java, TypeScript и Rust, а также тестов генерации, объяснения и исправления кода. Квантизация в формате GGUF может снизить требования к памяти и упростить локальный запуск, однако конкретные варианты квантизации и их компромиссы в README не указаны. Модель лицензирована по Apache 2.0. Ограничения включают отсутствие в предоставленных данных подробностей об используемых языках, точной архитектуре, конкретном размере GGUF-файлов и характеристиках производительности отдельных вариантов квантизации; приведённые метрики помечены как непроверенные.

Granite-4.1-3B (FP8) — это FP8-квантизированная версия компактной инструкционной языковой модели Granite-4.1-3B, разработанная командой Granite компании IBM. Модель предназначена для генерации текста и построения AI-ассистентов, включая корпоративные приложения и LLM-агентов с использованием инструментов. Она поддерживает суммаризацию, классификацию и извлечение текста, ответы на вопросы, Retrieval Augmented Generation (RAG), программирование, function calling, многоязычный диалог и Fill-In-the-Middle для завершения кода. Модель содержит около 3 млрд параметров и основана на decoder-only dense Transformer с GQA, RoPE, SwiGLU, RMSNorm и общими входными и выходными embeddings. Для версии 3B указаны 40 слоёв, размер embeddings 2560, 40 attention heads, 8 KV heads и максимальная длина последовательности 131072 токена. FP8-квантизация предназначена для более эффективного развёртывания и снижения требований к памяти; репозиторий поддерживает Transformers, vLLM и SGLang. Поддерживаемые языки: английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский. Сильные стороны модели — улучшенные instruction following, tool calling, диалоговые возможности, кодирование и математическое рассуждение при компактном размере. Ограничения включают возможное снижение качества для неанглийских задач, а также риск неточных, предвзятых или небезопасных ответов; IBM рекомендует проводить собственное тестирование и настройку безопасности. Модель распространяется по лицензии Apache 2.0.

Карточка модели jdlovestofish/granite-4.2-8b на Hugging Face совпадает с карточкой ibm-granite/granite-4.2-8b, поэтому описание составлено по ней. Granite-4.2-8B — языковая модель команды Granite компании IBM для диалогов, рассуждений и работы с инструментами. Это плотный декодерный трансформер GraniteForCausalLM с 8,4 млрд параметров, доступный в формате safetensors и рассчитанный на библиотеку Transformers. Модель дообучена на базе ibm-granite/granite-4.1-8b-base; лицензия Apache 2.0 разрешает коммерческое и академическое использование. Модель предназначена для ответов на вопросы, многошаговых рассуждений, математических и программных задач, а также сценариев, где нужно выбирать и вызывать инструменты. Поддерживаются режимы полного, облегчённого и отключённого рассуждения. Метаданные указывают контекст до 131 072 токенов. Архитектура включает Grouped Query Attention, RoPE, SwiGLU и RMSNorm. Модель обучалась преимущественно на английских инструкциях, также включает многоязычные данные для немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Качество на других языках может уступать английскому; ответы могут быть неточными, предвзятыми или небезопасными. Текст рассуждений может содержать промежуточные мысли и не отражать итоговый ответ.

Mungert/granite-8b-code-instruct-128k-GGUF — это GGUF-квантизированная версия Granite-8B-Code-Instruct-128K, разработанная IBM Research и предназначенная для генерации текста и программного кода по инструкциям. Модель дообучена на базе Granite-8B-Code-Base-128K с использованием разрешённых к распространению наборов данных и синтетических инструкций для задач с длинным контекстом. Релиз исходной модели состоялся 18 июля 2024 года. Модель содержит около 8 миллиардов параметров, работает как causal language model и поддерживает контекст до 128 тысяч токенов. Она ориентирована на создание coding assistants, генерацию, объяснение и исправление кода, работу с большими фрагментами исходного кода и репозиториями, а также на задачи, связанные с математикой, SQL и function calling. В README приведены результаты на Python, C++, Java, TypeScript и Rust; показатели pass@1 составляют от 37 до 73 в отдельных тестах RepoQA, однако результаты отмечены как непроверенные. Ключевая особенность этой версии — формат GGUF и дополнительный подход к квантизации: автор применяет повышение точности отдельных важных слоёв сверх стандартной конфигурации IMatrix. Это может улучшать точность при ограниченной разрядности, но увеличивает размер файлов модели; конкретный вариант квантизации и требования к памяти в README не указаны. Модель работает с текстовыми входами и выходами; сведения о мультимодальности и полном наборе поддерживаемых языков отсутствуют. Модель распространяется по лицензии Apache 2.0. Для использования необходима совместимая среда инференса, например llama.cpp или библиотека, поддерживающая GGUF.

SanctumAI/granite-8b-code-instruct-GGUF — квантизированная версия Granite-8B-Code-Instruct в формате GGUF, подготовленная SanctumAI. Исходную модель разработала IBM Research в рамках семейства IBM Granite Code. Это языковая модель с 8 млрд параметров, дообученная на Granite-8B-Code-Base на наборе разрешённых к использованию инструкционных данных для улучшения следования инструкциям, логического рассуждения и решения задач. Модель предназначена прежде всего для генерации, объяснения и исправления программного кода, а также для задач, связанных с математикой, SQL, вызовом функций и общим решением проблем. В README приведены результаты HumanEvalPack для Python, JavaScript, Java, Go, C++, Rust по сценариям генерации, объяснения и исправления кода; однако достоверность этих результатов не подтверждена. Другие характеристики, включая размер контекста, поддерживаемые языки естественного языка, точную архитектуру и конкретные параметры квантизации, в предоставленных данных не раскрыты. Ключевые преимущества — открытая модель, ориентация на программирование и доступность в компактном формате GGUF для локального запуска при совместимом программном обеспечении и оборудовании. Ограничения включают неизвестные требования к ресурсам для конкретного варианта квантизации, отсутствие заявленных мультимодальных возможностей и необходимость самостоятельно проверять сгенерированный код. Модель распространяется по лицензии Apache 2.0.

GRIN-MoE — языковая модель Microsoft на архитектуре decoder-only Transformer с разреженной смесью экспертов (MoE). В конфигурации указаны 16 экспертов по 3,8 млрд параметров, из которых при генерации активны два; README сообщает 6,6 млрд активных параметров, а метаданные — 4 млрд общих параметров. Модель использует словарь токенизатора из 32 064 токенов и контекст до 4096 токенов. Принимает текст, лучше всего работает с запросами в формате чата и предназначена для генерации текста. Модель ориентирована на универсальные диалоговые системы, программирование, математику и рассуждения, в том числе в сценариях с ограничениями по памяти, вычислениям или задержке. GRIN применяет SparseMixer-v2 для оценки градиента маршрутизации экспертов; в карточке также описано обучение без параллелизма экспертов и отбрасывания токенов. Карточка характеризует обучение как преимущественно англоязычное и отмечает, что на других языках качество будет ниже. Как и другие языковые модели, она может выдавать ненадёжные, предвзятые или оскорбительные ответы и требует оценки для конкретных сценариев. Модель выпущена Microsoft по лицензии MIT; карточка допускает коммерческое и исследовательское применение.

GRM-3.2-Cliff — модель OrionLLM для длительных агентных сценариев и сложных задач рассуждения. Она основана на Ornith-1.0-9B и, согласно README, содержит 9 млрд параметров; метаданные указывают архитектуру семейства Qwen 3.5 и поддержку диалогов и изображений. Модель предназначена для многошагового планирования и выполнения локальных рабочих процессов, сложного программирования, отладки и рефакторинга, продвинутой математики и логических задач. Разработчик заявляет, что модель рассчитана на продолжительные взаимодействия с сохранением цели и может работать на оборудовании с ограниченными ресурсами GPU. В качестве входа поддерживаются текст и изображения, выход — текст. В README не указаны поддерживаемые естественные языки и длина контекста. Модель распространяется по лицензии Apache 2.0; заявленные характеристики качества и эффективности представлены разработчиком, поэтому их следует оценивать с учётом конкретного сценария.

Grug-35b — дообученная модель семейства Qwen3.5 MoE от ProCreations, созданная на основе deepreinforce-ai/Ornith-1.0-35B. Это чат-модель для генерации текста, написания кода и работы в роли агента с вызовами инструментов. По README, разработчик восстановил исходный шаблон чата без стилевых инструкций и дообучил веса, чтобы лаконичный стиль Grug и рассуждения проявлялись при обычных запросах и агентских сценариях с инструментами. Модель хранится в формате SafeTensors и использует архитектуру Qwen3_5MoeForConditionalGeneration; README описывает BF16 LoRA-дообучение с замороженными MoE-экспертами. В README приведены результаты локальных тестов: 80,5% на HumanEval, 88% на MBPP и до 95% правильных действий в широком тесте выбора инструментов. Автор отмечает компромисс: после корректировки стиля результат HumanEval снизился, а MBPP и выбор инструментов улучшились. Лицензия — MIT. Длина контекста и список естественных языков в доступных данных не указаны.

Helion-V1.5 — диалоговая языковая модель, разработанная DeepXR и дообученная методом QLoRA на базе Meta Llama 2. Архитектура — плотная LlamaForCausalLM; базовая модель содержит около 7 млрд параметров, а адаптер LoRA — 67 млн. Модель принимает текст и генерирует текст, поддерживает диалоги и структурированные вызовы функций. Контекстное окно — 4096 токенов. Модель предназначена для следования инструкциям, многошаговых диалогов, генерации и объяснения кода, а также задач письма и анализа. В README приведены результаты тестов на диалог, следование инструкциям и генерацию кода; эти показатели зависят от тестового набора и условий оценки. Основной язык — английский, поддержка других языков ограничена. Модель распространяется по лицензии Apache 2.0. Известные ограничения: возможны фактические ошибки и галлюцинации, слабые результаты в сложных математических рассуждениях и временно-зависимых запросах; ответы на критичные вопросы следует проверять.

Hermes 3 Llama 3.1 405B FP8 — языковая модель общего назначения от Nous Research, дообученная на основе Meta Llama 3.1 405B. Это плотная авторегрессионная модель семейства Llama с 403,7 млрд параметров и контекстом до 131 072 токенов. Данная версия квантизована в FP8 методом NeuralMagic и предназначена для запуска через vLLM; по данным карточки, для неё требуется около 430 ГБ видеопамяти. Модель предназначена для диалогового ассистента, следования инструкциям, рассуждений, ролевого общения, генерации кода и работы с длинным контекстом. Она поддерживает формат диалога ChatML, вызов функций и структурированный вывод JSON, позволяя интегрировать её в агентные сценарии и приложения с инструментами. Основной язык, подтверждённый карточкой, — английский. Модель выдаёт конкурентные результаты относительно инструкционных моделей Llama 3.1, но качество зависит от задачи и сценария. Это текстовая модель, поэтому она не принимает изображения или аудио. FP8-вариант требует значительных ресурсов для запуска и совместим с vLLM. Лицензия — Llama 3; применяются её условия использования.

Hermes 3 — большая языковая модель общего назначения от Nous Research, дообученная на основе Meta Llama 3.1 70B. Эта версия содержит FP8-квантизированные веса NeuralMagic в формате safetensors и предназначена для запуска через vLLM. Модель использует архитектуру Llama с 69,5 млрд параметров и контекстом до 131 072 токенов. Модель рассчитана на диалог с инструкциями, многошаговые рассуждения, ролевые сценарии, генерацию кода и работу в качестве агента. Она поддерживает формат диалога ChatML, вызов функций и формирование структурированных ответов, включая JSON. В карточке указана поддержка английского языка. Модель предлагает длинный контекст и интерфейс для вызова инструментов, но качество может различаться в зависимости от задачи; README отмечает, что у неё есть разные сильные и слабые стороны относительно Llama 3.1 Instruct. Лицензия — Llama 3. Указанная версия квантизирована в FP8 и ориентирована на vLLM.

Hermes 3 — большая языковая модель Nous Research для диалогов и задач общего назначения. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, дообученная на основе meta-llama/Meta-Llama-3.1-8B. Она принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Карточка указывает английский язык. Модель предназначена для многошаговых диалогов, следования инструкциям, рассуждений, ролевых сценариев, генерации кода и работы в качестве ассистента. ChatML поддерживает структурированные беседы, а обучение охватывает вызов инструментов и выдачу структурированного JSON. Качество может различаться по задачам; результаты в карточке характеризуются как конкурентные моделям Llama 3.1 Instruct, с разными сильными и слабыми сторонами. Для использования необходимо соблюдать лицензию Llama 3. Показатели в карточке не гарантируют качество в конкретном приложении; вызовы инструментов требуют разбора и выполнения со стороны внешнего кода.

aysinghal/ide-code-retrieval-qwen3-0.6b-inbatch — модель Sentence Transformers, дообученная на базе Qwen/Qwen3-Embedding-0.6B для поиска исходного кода в IDE. Она кодирует запросы на естественном языке, например сообщения коммитов, описания ошибок и функций, и документы с кодом в общее пространство эмбеддингов; релевантность оценивается косинусным сходством. Размер модели — 507,6 млн параметров, размерность нормализованных эмбеддингов — 1024. Метаданные указывают контекст до 32 768 токенов, тогда как в README заявлена максимальная длина последовательности 1024 токена. Модель обучена на датасете code-retrieval-training-dataset с явными трудными отрицательными примерами и дополнительными внутрипакетными отрицательными примерами. Она предназначена для индексации файлов или функций и поиска ближайших по смыслу фрагментов к запросу на естественном языке. Это промежуточный чекпойнт на шаге 9000 из 9150; качество может отличаться от более позднего чекпойнта. В README отмечено, что длинные файлы обрезаются и обобщение на разные языки программирования и стили запросов может быть ограничено. Лицензия — Apache-2.0.

Карточка модели bernquant/Inkling на Hugging Face совпадает с карточкой thinkingmachines/Inkling, поэтому описание составлено по ней. Inkling — мультимодальная модель общего назначения от Thinking Machines. Это авторегрессионный трансформер с 66 слоями, архитектурой decoder-only и разреженным MoE-блоком: из 256 экспертов для каждого токена активируются 6, а ещё 2 общих эксперта участвуют всегда. Всего в модели 975 млрд параметров, активно используется 41 млрд. Поддерживаются форматы BF16 и NVFP4; веса опубликованы в Safetensors. Модель принимает текст, изображения и аудио, обрабатывает их в общем пространстве представлений и выдаёт текст. Она предназначена для диалогов, следования инструкциям, анализа изображений и аудио, программирования, агентных систем с использованием инструментов и RAG-приложений. Основной язык — английский; заявлены также общие многоязычные возможности. Для изображений рекомендуются размеры сторон от 40 до 4096 пикселей, для аудио — WAV с частотой 16 кГц и длительностью менее 20 минут. Модель доступна для интеграции, исследований и дообучения; лицензия — Apache-2.0. Возможны фактические ошибки, неточное следование инструкциям и ухудшение качества в длинных диалогах; качество может различаться между языками и предметными областями. Для важных решений требуется проверка человеком, а для публичных приложений README рекомендует дополнительные меры модерации.

InstructYi-6BDolly15K — авторегрессионная языковая модель на 5,8 млрд параметров, дообученная HenryJJ на базе Yi-6B с помощью LoRA. В обучении использовались наборы Databricks Dolly 15K и CodeAlpaca 20K; модель обучалась следовать инструкциям и лучше справляться с задачами программирования. Для запросов применяется шаблон [INST] с инструкцией и, при необходимости, контекстом. Модель предназначена для генерации ответов на инструкции и помощи с кодом на английском языке. Репозиторий содержит веса Safetensors; контекст модели по метаданным составляет 4096 токенов. README сообщает о тренировке на окне 2048 токенов. Модель распространяется по лицензии Apache-2.0.

InternLM-20B 是上海人工智能实验室联合商汤科技、香港中文大学和复旦大学发布的 плотная авторегрессионная языковая модель с архитектурой InternLM. В карточке указано, что модель содержит 19,6 млрд параметров, имеет 60 слоёв и предварительно обучена на более чем 2,3 трлн токенов английского, китайского и программного кода. Её основное назначение — генерация текста; модель также ориентирована на понимание, рассуждения, математику, программирование и вызов инструментов. Модель принимает текст и генерирует текст. Метаданные указывают контекст до 4096 токенов; README сообщает о возможности расширения до 16 тыс. токенов с помощью экстраполяции при инференсе. В карточке описана базовая предварительно обученная версия; SFT и RLHF относятся к отдельной Chat-версии. README сообщает о сравнительных результатах на языковых и экзаменационных тестах, но они не гарантируют качество для конкретного применения. Лицензия репозитория — Apache-2.0; в README отдельно сказано, что для коммерческого использования весов требуется запросить разрешение. Модель может генерировать предвзятый, дискриминационный или иной вредоносный текст.

InternLM-Chat-20B — диалоговая версия языковой модели InternLM, разработанная Шанхайской лабораторией искусственного интеллекта совместно с SenseTime, Китайским университетом Гонконга и Фуданьским университетом. Это плотная авторегрессионная модель на 19,6 млрд параметров с архитектурой InternLMForCausalLM. Базовая модель обучалась на более чем 2,3 трлн токенов английского, китайского и кода; Chat-версия дополнительно прошла SFT и RLHF. Метаданные указывают контекст 4096 токенов, а README сообщает о возможности расширения до 16 тысяч токенов посредством экстраполяции при инференсе. Модель предназначена для диалогов, генерации текста, ответов на вопросы, рассуждений, математических задач, программирования и взаимодействия с инструментами. Авторы отмечают улучшения в понимании и рассуждении, а также более безопасное поведение после дообучения. Модель принимает текст и генерирует текст; заявлены английский и китайский языки, а также данные для программирования. Весовая версия распространяется отдельно от кода: код открыт по Apache-2.0, а для весов README указывает академический доступ и возможность запросить бесплатную коммерческую лицензию. Модель может выдавать предвзятые, дискриминационные или иные нежелательные ответы; результаты генерации требуют проверки.

JanusCoder-14B-GGUF — это набор квантизированных версий языковой модели JanusCoder-14B, разработанной internlm и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена прежде всего для генерации и работы с исходным кодом, а также для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до 2-битных и 8-битных квантований, размер файлов составляет примерно от 6,5 до 29,5 ГБ. Более высокие уровни квантования обеспечивают лучшее сохранение качества, тогда как компактные варианты требуют меньше оперативной памяти, но заметно уступают по качеству. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K_M, Q6_K или близкие к ним. В README не указаны архитектура, поддерживаемые языки, длина контекста, дополнительные модальности и точные характеристики исходной модели. Модель удобна для локального инференса на совместимом оборудовании и выбора компромисса между качеством, скоростью и потреблением памяти. Ограничения включают возможное снижение качества при сильном квантовании, отсутствие явно указанного chat template и необходимость проверить настройки исходной модели. Лицензия в предоставленных данных не указана.

Карточка модели muhamad-geosurge/invert-polarity-beb392d1-cbb5-4f3b-b213-f71fba43b481 на Hugging Face совпадает с карточкой google/gemma-4-E4B-it, поэтому описание составлено по ней. Gemma 4 E4B Instruct — мультимодальная модель Google DeepMind, дообученная для следования инструкциям на базе google/gemma-4-E4B. Она использует плотную архитектуру Gemma 4 и принимает текст, изображения и аудио, выдавая текст; аудиовозможности заявлены для варианта E4B. Модель подходит для диалога, рассуждений, генерации и исправления кода, анализа изображений и документов, распознавания речи и перевода речи в текст. Поддерживаются системные инструкции, вызов инструментов и контекст до 128 тысяч токенов; семейство Gemma 4 поддерживает множество языков, включая более 35 языков в практических сценариях. Модель рассчитана в том числе на локальное исполнение на ноутбуках и мобильных устройствах, а гибридное внимание сочетает локальные окна и глобальное внимание для работы с длинным контекстом. Возможности видео описаны для семейства в целом, но README не подтверждает их отдельно для E4B; поэтому видео не включено в модальности этой модели. Лицензия — Apache 2.0.

unsloth/JanusCoder-14B-GGUF — это GGUF-версия JanusCoder-14B, разработанная командой InternLM и подготовленная Unsloth. Модель представляет собой 14-миллиардную текстовую модель на базе Qwen3-14B, ориентированную на создание программного кода и визуально-программный интерфейс для задач code intelligence. Обучение проводилось на мультимодальном корпусе JANUSCODE-800K, включающем примеры графиков, интерактивных веб-интерфейсов и анимаций, однако сама JanusCoder-14B классифицируется как текстовая модель, в отличие от мультимодальных вариантов JanusCoderV. Модель предназначена для генерации кода по текстовым инструкциям, создания визуализаций данных, интерактивных front-end-приложений, программно управляемого редактирования визуальных эффектов и построения сложных анимаций, включая сценарии с Pandas, Manim и Wolfram. В опубликованных тестах она показывает сильные результаты на PandasPlotBench и ArtifactsBench, а также превосходит Qwen3-14B и LLaMA3-8B-Instruct в ряде задач, хотя уступает специализированным или более крупным моделям в отдельных тестах. README не указывает поддерживаемые языки естественного языка, размер контекстного окна и точную схему квантования GGUF. Для работы с исходной моделью рекомендуется Transformers версии 4.55.0 или новее; в README также отмечены исправления chat template от Unsloth и необходимость параметра --jinja при использовании llama.cpp. Модель распространяется по лицензии Apache-2.0.

unsloth/JanusCoder-8B-GGUF — GGUF-квантизированная версия JanusCoder-8B, подготовленная Unsloth на основе модели internlm/JanusCoder-8B. JanusCoder разработан командой InternLM как открытая фундаментальная модель для единого визуально-программного интерфейса в задачах работы с кодом. Данная версия является текстовой моделью на базе Qwen3-8B и предназначена для генерации кода по текстовым инструкциям, включая построение визуализаций данных, интерактивных веб-интерфейсов, программных анимаций и других программно создаваемых визуальных материалов. Модель обучалась на мультимодальном корпусе JANUSCODE-800K, однако для JanusCoder-8B в README указано текстовое исполнение; отдельные визуально-языковые варианты представлены в семействе JanusCoderV. Среди сильных сторон — универсальность в задачах кодового интеллекта и визуально-программной генерации, а также результаты на PandasPlotBench, ArtifactsBench и DTVBench, где модель превосходит ряд сопоставимых открытых моделей. Размер модели — 8B параметров; конкретные языки программирования и размер контекстного окна не указаны. Для запуска через llama.cpp требуется режим --jinja, а для Transformers рекомендуется версия не ниже 4.55.0. Модель распространяется по лицензии Apache-2.0.

Jina AI обучила jina-code-embeddings-1.5b на базе Qwen/Qwen2.5-Coder-1.5B для поиска по коду и технических вопросов. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель формирует векторные представления для поиска по естественно-языковым запросам и коду: поддерживаются сценарии text-to-code, code-to-code, code-to-text и code-to-completion. Для разных задач можно выбирать инструкционные префиксы; размер эмбеддинга по умолчанию — 1536 измерений, его можно сократить до 128. Заявлена поддержка более 15 языков программирования и технических вопросов в областях веб-разработки, разработки ПО, машинного обучения, анализа данных и учебных задач по программированию. Модель дообучена на Qwen/Qwen2.5-Coder-1.5B и распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Для ускорения вывода рекомендуется flash-attention; также доступна интеграция с sentence-transformers и vLLM.

MLX-версия модели K2-Horizon-7B-oQ6e — квантованная конверсия IFM/K2-Horizon-7B, разработанной командой IFM. Модель относится к семейству K2 Horizon и предназначена для генерации текста, рассуждений, программирования, работы с инструментами и многошаговыми диалогами. Конверсия выполнена в формате MLX с использованием смешанной 6-битной квантизации oQ6e, оптимизированной для Apple Silicon. Модель имеет плотную архитектуру и около 7 миллиардов параметров, поддерживает контекст до 512 тысяч токенов и работает с текстом. Она ориентирована на задачи, требующие развитого рассуждения, включая разработку ПО, работу в терминале, банковские сценарии, поиск и анализ информации, а также математические задачи. Для получения наилучших результатов рекомендуется использовать высокий уровень усилий рассуждения reasoning_effort="high". Модель поддерживает специальные блоки рассуждений, вызовы инструментов и многоходовые беседы через пользовательский шаблон чата IFM. В README приведены результаты тестирования исходной K2-Horizon-7B: 70,6% в SWE-bench Verified, 39,06% в Terminal-Bench 2.1, 25,8% в tau3-Banking, 59,0% в BrowseComp и 73,3% в HMMT February 2026. Ограничения связаны с необходимостью использовать MLX-совместимую среду и oMLX версии 0.6.4 или новее с патчем поддержки типа модели k2_horizon; без него модель не загрузится. Модель распространяется по лицензии Apache-2.0, как и исходная модель.