II.2Создание и понимание программного кода

Bootes-Qwen3_Coder-Reasoning — дообученная модель PrithivMLmods на базе Qwen3-4B-ft-bf16, предназначенная для генерации кода и рассуждений над техническими задачами. Это плотная причинная языковая модель на 3,7 млрд параметров, работающая через Transformers; заявленная длина контекста — 40 960 токенов. Модель принимает текст и формирует текстовые ответы, включая код и структурированные данные. Модель подходит для генерации, дополнения, объяснения и отладки кода, пошагового решения алгоритмических задач, рефакторинга и подготовки технических материалов. В README заявлена поддержка Python, JavaScript, C++ и других языков программирования, а также технического общения более чем на 20 естественных языках; в метаданных карточки указан английский язык. Обучение включает CodeAlpaca_20K и дополнительные наборы для кода и рассуждений. Среди заявленных особенностей — следование инструкциям и выдача Markdown, JSON и YAML. Карточка предупреждает, что модель может хуже справляться с творческими задачами вне программирования, чувствительна к формулировке неоднозначных запросов и иногда даёт излишне подробные объяснения. Лицензия — Apache-2.0.

ChimpGPT-Coder-Elite — дообученная модель aaravriyer193 для генерации программного кода на основе GLM-4.7-Flash от Z.ai. Она предназначена для запросов по программированию, написания кода и рефакторинга нескольких файлов; README особо выделяет Python, Rust, TypeScript и C++. Модель использует архитектуру GLM-4 MoE Lite и доступна в формате safetensors; метаданные указывают 4,1 млрд параметров и контекст до 202 752 токенов. README описывает обучение LoRA на наборе из 12 000 примеров и последующее слияние весов, тогда как метаданные классифицируют модель как дообучение базовой модели. Для запуска README указывает минимум 20 ГБ видеопамяти при 4-битной загрузке и предупреждает, что загрузка в float32 может привести к нехватке памяти. Модель распространяется по лицензии MIT. Указанные в README характеристики контекста и размера базовой модели расходятся с метаданными, поэтому приведены значения из метаданных каталога.

Code-290k-13B — полноразмерная дообученная языковая модель от Ajibawa, созданная на базе Llama 2 и ориентированная на генерацию программного кода с подробными объяснениями. Модель обучена на примерно 290 тысячах наборов кода и диалогов в формате Vicuna/ShareGPT; обучающая выборка включает Python, Java, JavaScript, Go, C++, Rust, Ruby, SQL, MySQL, R, Julia и Haskell. По метаданным, это плотная архитектура LlamaForCausalLM с 12,9 млрд параметров, контекстом 4096 токенов и поддержкой английского языка. Модель подходит для генерации кода по запросу, объяснения решений и диалоговой помощи при программировании. Репозиторий содержит веса PyTorch; в карточке также упомянуты отдельные квантизованные варианты GPTQ, GGUF и AWQ. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных материалов на её условиях.

Code-290k-6.7B-Instruct — языковая модель для генерации кода и пояснений, созданная ajibawa-2023 полным дообучением DeepSeek-Coder-6.7B-Instruct. Модель основана на плотной архитектуре Llama и содержит около 6,6 млрд параметров; репозиторий предоставляет веса в формате safetensors. Для общения используется шаблон Alpaca. Модель обучалась на наборе Code-290k-ShareGPT примерно из 290 тысяч примеров кода с подробными объяснениями. Она предназначена для генерации и объяснения кода на Python, Java, JavaScript, Go, C++, Rust, Ruby, SQL, MySQL, R, Julia, Haskell и других языках программирования. Контекст составляет до 16 384 токенов. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и у базовой модели. Оценки в карточке охватывают лишь часть общих бенчмарков и не гарантируют корректность сгенерированного кода; результаты следует проверять, особенно перед запуском или использованием в критичных системах.

CodeFuse-CodeLlama-34B — языковая модель для программирования, разработанная CodeFuse AI. Это плотная авторегрессионная модель семейства Llama с 33,5 млрд параметров, дообученная методом QLoRA на базе CodeLlama-34b-Python на наборах инструкций для разных задач программирования. Она предназначена для генерации кода и ответов на инструкции, связанные с кодом; в карточке приведён результат 74,4% HumanEval pass@1 при жадном декодировании. Модель принимает текстовые запросы в специальном последовательном формате диалога system/human/bot и генерирует текст, включая код. Длина контекста, использованная при дообучении, составляла 4 тыс. токенов; метаданные указывают нативный контекст 16 384 токена. В тегах карточки перечислены английский и китайский языки. Для запуска карточка описывает стек Transformers и PyTorch. Модель рассчитана на помощь при написании кода, решении задач программирования и ответах на инструкции по коду. Карточка указывает лицензию «other», поэтому конкретные условия использования следует сверить с файлами лицензии репозитория перед применением. Показатель HumanEval приведён разработчиками и сам по себе не гарантирует качество на иных задачах.

Карточка модели manaladan6/codegeex4-all-9b на Hugging Face совпадает с карточкой zai-org/codegeex4-all-9b, поэтому описание составлено по ней. CodeGeeX4-ALL-9B — открытая многоязычная модель генерации кода от команды CodeGeeX, созданная на базе GLM-4-9B путём продолженного обучения. Она предназначена для помощи в разработке программного обеспечения: генерирует и дополняет код, отвечает на вопросы о коде и репозиториях, а также поддерживает сценарии с интерпретатором кода, веб-поиском и вызовом функций. Модель имеет плотную архитектуру семейства ChatGLM и 11,4 млрд параметров; заявленная длина контекста — 131 072 токена. Карточка указывает поддержку китайского и английского языков, а примеры ориентированы на программирование, в том числе на Python. По README, CodeGeeX4-ALL-9B показывает конкурентные результаты на BigCodeBench и NaturalCodeBench и рассчитана на широкий набор задач разработки. Метаданные указывают формат safetensors и лицензию other; конкретные условия лицензии следует проверять в репозитории модели. Результаты для конкретных языков программирования и сценариев могут различаться; сама карточка не приводит подробных ограничений или гарантий качества.

CodeGeeX4-ALL-9B — открытая многоязычная модель генерации кода от команды CodeGeeX, созданная на базе GLM-4-9B путём продолженного обучения. Она предназначена для помощи в разработке программного обеспечения: генерирует и дополняет код, отвечает на вопросы о коде и репозиториях, а также поддерживает сценарии с интерпретатором кода, веб-поиском и вызовом функций. Модель имеет плотную архитектуру семейства ChatGLM и 11,4 млрд параметров; заявленная длина контекста — 131 072 токена. Карточка указывает поддержку китайского и английского языков, а примеры ориентированы на программирование, в том числе на Python. По README, CodeGeeX4-ALL-9B показывает конкурентные результаты на BigCodeBench и NaturalCodeBench и рассчитана на широкий набор задач разработки. Метаданные указывают формат safetensors и лицензию other; конкретные условия лицензии следует проверять в репозитории модели. Результаты для конкретных языков программирования и сценариев могут различаться; сама карточка не приводит подробных ограничений или гарантий качества.

CodeGeeX4-ALL-9B — открытая многоязычная модель генерации кода, разработанная командой THUDM и дообученная на базе GLM-4-9B. Модель предназначена для помощи в разработке программного обеспечения: автодополнения и генерации кода, ответов на вопросы по программированию, работы в режиме интерпретатора кода, веб-поиска, вызова функций и ответов на вопросы по репозиториям. Представленная версия распространяется в формате GGUF и рассчитана на локальный запуск с совместимыми инструментами, включая llama.cpp. Модель содержит около 9 миллиардов параметров, поддерживает китайский и английский языки и имеет контекст длиной до 128K токенов. Заявлена поддержка различных сценариев генерации кода и конкурентоспособные результаты на публичных бенчмарках, включая HumanEval, MBPP, BigCodeBench и NaturalCodeBench. К сильным сторонам относятся сочетание качества генерации, широкого контекста и относительно высокой скорости вывода при размере менее 10 миллиардов параметров. README не указывает поддерживаемые модальности помимо текстового ввода и вывода, а также не приводит подробностей об ограничениях, безопасности или качестве работы в отдельных языках программирования. Веса распространяются по специальной лицензии CodeGeeX4; точные условия необходимо уточнять в файле лицензии по ссылке, указанной разработчиками.

CodeGemma 7B — модель генерации кода от Google, построенная на базе Gemma. Это предварительно обученная декодерная модель с 7 млрд параметров, рассчитанная на дополнение кода и генерацию кода по текстовым запросам. Для дополнения в редакторе поддерживает заполнение пропусков между префиксом и суффиксом (fill-in-the-middle, FIM); также принимает фрагменты кода и запросы на естественном языке и может выдавать код и текст. Модель обучалась на дополнительных 500 млрд токенов, преимущественно на английском коде из открытых репозиториев, математических наборах данных и синтетически созданном коде. Подходит для автодополнения в IDE, генерации программного кода по описанию и учебных сценариев, связанных с кодом. Это базовый, не настроенный на инструкции вариант CodeGemma, поэтому карточка не заявляет о поддержке чата; для диалоговых сценариев предназначена отдельная версия codegemma-7b-it. Разработчик указывает на общие ограничения больших языковых моделей. Лицензия — Gemma Terms of Use.

CodeGen2.5-7B-mono — авторегрессионная модель для генерации программного кода, разработанная Salesforce. Она обучена на корпусе StarCoderData объёмом 1,4 трлн токенов, а затем дополнительно обучена на данных Python. Модель содержит 6,7 млрд параметров, использует архитектуру Llama и имеет контекст 2048 токенов. Модель предназначена для генерации исполняемого кода по подсказкам на естественном языке, автодополнения частично написанного кода и заполнения пропусков внутри фрагмента. Поддерживает несколько языков программирования; карточка особо указывает дополнительное обучение на Python. Для генерации по описанию README рекомендует формулировать подсказки на английском в виде комментария. Модель может воспроизводить фрагменты исходного кода из обучающих данных, поэтому перед использованием сгенерированного кода следует проверять его происхождение и применимые условия лицензии. Указана лицензия Apache-2.0; разработчики также рекомендуют проверять точность, безопасность и соответствие предполагаемому сценарию применения.

michaelfeil/codegen2-7B-gptj — конвертированная версия CodeGen2-7B, подготовленная для использования с FauxPilot. Веса CodeGen2 представлены как GPT-J; метаданные указывают архитектуру GPT-J с causal language modeling. Конверсия выполнена 22 мая 2023 года из Salesforce/codegen2-7B. Модель содержит 7 млрд параметров, работает с контекстом до 2048 токенов и распространяется в форматах PyTorch и Safetensors. Модель предназначена прежде всего для генерации программ по текстовым инструкциям и комментариям, продолжения кода и заполнения пропусков внутри кода. В обучающих данных представлены C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Лучше всего она подходит для синтеза кода по англоязычным запросам; лицензия Apache-2.0.

Code Llama 13B Instruct — разработанная Meta инструктивно настроенная авторегрессионная языковая модель на архитектуре оптимизированного Transformer. Репозиторий содержит версию на 13 млрд параметров в форматах Transformers, PyTorch и Safetensors; модель принимает текст и генерирует текст. Модель предназначена для генерации и понимания кода, автодополнения, заполнения пропусков в коде и диалогового выполнения инструкций. Её можно применять как основу для помощников по программированию и генерации кода. README указывает английский язык и языки программирования как целевые; использование на других естественных языках выходит за заявленные рамки. Модель обучена на данных семейства Llama 2 с дополнительной настройкой для следования инструкциям. Возможны неточные или нежелательные ответы; перед внедрением в конкретное приложение рекомендуется провести его собственную проверку безопасности и настройку. Использование регулируется пользовательской лицензией Meta для Code Llama; метаданные обозначают её как llama2.

CodeLlama 13B Python — языковая модель Meta, специализированная на генерации программного кода, представленная в формате GGUF и квантованная TheBloke. В основе лежит архитектура Llama с 13 миллиардами параметров; исходная версия доступна как CodeLlama 13B Python в формате Hugging Face. Модель предназначена для решения задач программирования по текстовому описанию: генерации кода с учётом ограничений, прохождения примеров тестов и помощи в разработке. В README приведён шаблон запроса для таких задач. Модель работает с текстом и кодом, однако конкретный набор естественных языков, максимальный размер контекста и другие параметры не указаны. Формат GGUF поддерживает метаданные и специальные токены и совместим с llama.cpp, а также рядом пользовательских интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, ctransformers и llama-cpp-python. Доступны варианты квантования от 2 до 8 бит для инференса на CPU и GPU; конкретные характеристики качества, скорости и требований к памяти зависят от выбранного варианта. Квантование может сопровождаться компромиссом между эффективностью и точностью, а README не содержит подробной оценки ограничений модели. Лицензия указана как llama2.

CodeLlama-34B-Instruct-fp16 — преобразованная в формат Transformers/Hugging Face копия модели Code Llama 34B Instruct от Meta AI, подготовленная TheBloke. Это авторегрессионная плотная Transformer-модель с 33,5 млрд параметров для следования инструкциям, генерации и понимания кода, в том числе для создания помощников по программированию. Модель принимает и выдаёт текст; карточка указывает английский язык и поддержку контекста 16 384 токена. В репозитории представлены веса safetensors в формате FP16. Для корректной загрузки этих весов README требует параметр trust_remote_code=True из-за изменения RoPE Theta. Модель рассчитана на коммерческое и исследовательское применение по условиям лицензии Llama 2; перед внедрением следует проверить точные условия лицензии. Она может выдавать неточный или нежелательный текст, а заявленное тестирование проводилось на английском языке.

TheBloke публикует веса CodeLlama-34B-Python в формате Transformers/Hugging Face FP16; исходную модель разработала Meta. Это авт autoregressive трансформер семейства Llama с 33,5 млрд параметров, специализированный на генерации и понимании кода на Python. Модель принимает и выдаёт текст, а её контекст составляет 16 384 токена. Модель подходит для написания и дополнения кода на Python, объяснения фрагментов кода и помощи в решении задач программирования. Карточка указывает на обучение с последовательностью до 16 тысяч токенов и возможность инференса до 100 тысяч, однако метаданные каталога подтверждают нативный контекст 16 384 токена. Репозиторий содержит конвертированные веса в формате safetensors; для корректной загрузки README требует `trust_remote_code=True`. Модель ориентирована на английский язык и языки программирования; применение на других естественных языках выходит за рамки заявленного назначения. Генерация может быть неточной или содержать нежелательный результат, поэтому перед внедрением требуется проверка для конкретного сценария. Указана лицензия Llama 2 с отдельными условиями использования Code Llama.

CodeLlama 34B Python — языковая модель для генерации и решения задач программирования, разработанная Meta на базе CodeLlama 34B Python. Версия из этого репозитория преобразована TheBloke в формат GGUF и предназначена для локального запуска через llama.cpp и совместимые приложения и библиотеки. Модель имеет архитектуру LLaMA и размер 34 миллиарда параметров. Она ориентирована на работу с программным кодом и использует текстовый ввод и вывод; заявленный язык — code, без указания поддержки конкретных естественных языков. Модель подходит для написания кода по описанию задачи, соблюдения заданных ограничений и проверки решения на примерах. README не указывает размер контекстного окна и точные характеристики обучения. Ключевое преимущество версии — доступность нескольких вариантов квантования GGUF, включая 2-, 3-, 4-, 5-, 6- и 8-битные варианты, что позволяет выбирать компромисс между качеством, потреблением памяти и скоростью работы. Ограничения связаны с потерями качества при использовании более агрессивного квантования, высокой вычислительной нагрузкой 34-миллиардной модели и специализацией преимущественно на коде. Репозиторий распространяется по лицензии Llama 2.

CodeLlama-34b-Python-hf — авторегрессионная плотная языковая модель семейства Code Llama, разработанная Meta и представленная в формате Transformers. Это Python-специализированный вариант с 33,5 млрд параметров и контекстом до 16 384 токенов; модель принимает текст и генерирует текст. Она предназначена для автодополнения, синтеза и понимания кода на Python, а также может применяться в общих задачах генерации кода. Модель не предназначена для диалогового следования инструкциям. Использование регулируется лицензией Meta Llama 2. Возможны неточные или нежелательные результаты, поэтому перед внедрением модель следует проверять и адаптировать к конкретному сценарию.

TheBloke/CodeLlama-7B-fp16 — публикация TheBloke весов Code Llama 7B, разработанной Meta. Это авторегрессионная плотная Transformer-модель семейства Llama для генерации и понимания кода; репозиторий содержит веса FP16 в формате Transformers/Hugging Face, полученные конвертацией исходных весов Meta в формат HF. Для загрузки этой версии README требует trust_remote_code=True из-за изменения параметра RoPE Theta. Модель принимает и выдаёт текст, рассчитана на синтез и анализ кода и поддерживает заполнение пропусков в тексте. Контекст модели — до 16 384 токенов по метаданным; в README также заявлена поддержка до 100 000 токенов при инференсе. Назначение описано для английского языка и языков программирования. Лицензия — llama2; перед использованием следует учитывать её условия. Модель может выдавать неточный или нежелательный результат, поэтому её поведение следует проверять в целевом приложении.

TheBloke/CodeLlama-7B-Instruct-fp16 — версия Code Llama 7B Instruct от Meta AI, опубликованная TheBloke в формате Transformers/Hugging Face с весами fp16. Это авторегрессионная плотная трансформерная модель класса LlamaForCausalLM с 6,6 млрд параметров и контекстом 16 384 токена; она принимает и генерирует текст. Вариант Instruct предназначен для следования инструкциям и создания помощников для программирования. Модель подходит для генерации и объяснения кода, ответов на вопросы по программированию и помощи при разработке. В README заявлена ориентация на английский язык и языки программирования; инструкции по загрузке требуют trust_remote_code=True для корректной работы с изменённым значением RoPE Theta. Модель является конвертацией исходных весов CodeLlama 7B Instruct в формат Hugging Face, а не отдельным дообучением TheBloke. Лицензия указана как Llama 2; README описывает пользовательское коммерческое лицензионное соглашение Code Llama. Перед применением следует учитывать, что ответы могут быть неточными или нежелательными.

CodeLlama 7B Instruct — языковая модель для генерации и объяснения программного кода, разработанная Meta. Данный репозиторий TheBloke содержит её файлы в формате GGUF, предназначенные для локального запуска и инференса через llama.cpp и совместимые интерфейсы. Модель относится к семейству Llama и имеет около 7 миллиардов параметров. Модель ориентирована на решение задач программирования по текстовому описанию, включая генерацию кода с учётом ограничений и примеров тестов. Указана модальность работы с кодом; конкретный перечень поддерживаемых языков программирования и размер контекстного окна в README не приведены. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать баланс между требованиями к памяти, скоростью и сохранением качества, однако более агрессивное квантование может снижать точность результатов. Файлы совместимы с llama.cpp и рядом сторонних приложений и библиотек, включая text-generation-webui, LM Studio, KoboldCpp, ctransformers и llama-cpp-python. Модель распространяется по лицензии Llama 2. Для использования требуется программное окружение, поддерживающее GGUF; характеристики конкретного запуска зависят от выбранного варианта квантования и аппаратной конфигурации.

CodeLlama 7B-Python fp16 — преобразованная в формат Transformers/Hugging Face версия модели Meta Code Llama 7B-Python, подготовленная TheBloke. Это авторегрессионная плотная трансформерная языковая модель на 6,6 млрд параметров, специализирующаяся на Python; веса опубликованы в fp16 и safetensors. Репозиторий содержит конверсию исходных весов Meta, а не отдельное дообучение TheBloke. Модель предназначена для генерации и понимания кода на Python: она может дополнять код, помогать с его написанием и разбором. Принимает и выдаёт текст. По метаданным нативная длина контекста составляет 16 384 токена; карточка модели также описывает обучение до 16K токенов и поддержку более длинного контекста при инференсе. Семейство Code Llama рассчитано на английский язык и языки программирования; вариант Python ориентирован прежде всего на код на Python. Для корректной загрузки этой fp16-конверсии README требует включить trust_remote_code=True из-за изменения значения RoPE Theta. Модель может выдавать неточный или нежелательный код и требует проверки результата и тестирования безопасности перед внедрением. Указана лицензия llama2; README ссылается на лицензию Code Llama с коммерческими условиями.

CodeNinja — дообученная методом supervised fine-tuning модель beowolx на базе OpenChat 3.5-1210, предназначенная для помощи в программировании. Она обучалась на наборах glaiveai/glaive-code-assistant-v2 и TokenBender/code_instructions_122k_alpaca_style, включающих около 400 тысяч инструкций по коду. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Модель генерирует ответы и код по запросам на естественном языке, помогает с дополнением кода и повседневными задачами разработки. В README перечислены Python, C, C++, Rust, Java и JavaScript, а метаданные указывают английский язык. Контекст составляет 8192 токена; для диалогов используется формат запросов OpenChat 3.5. Модель доступна в формате safetensors, распространяется по лицензии MIT. Качество и полнота поддержки отдельных языков программирования могут различаться.

CodeShell-7B — базовая языковая модель для программирования, разработанная Лабораторией знаний и вычислений Пекинского университета совместно с командой ИИ Сычуаньского Тяньфу Банка. Модель содержит 7 млрд параметров и обучена с нуля на 500 млрд токенов. В основе — архитектура GPT-2 с Grouped-Query Attention и позиционным кодированием RoPE; окно контекста составляет около 8 тыс. токенов. Репозиторий содержит веса в формате Safetensors. Модель предназначена для генерации и продолжения кода, в том числе с заполнением пропусков в середине фрагмента (Fill-in-the-Middle). Она ориентирована на помощь при разработке ПО: карточка также описывает сценарии поиска дефектов, их исправления и генерации тестов. Авторы сообщают о результатах на HumanEval и MBPP и указывают поддержку многоязычного кода; сопутствующие плагины для VS Code и IntelliJ доступны отдельно. Карточка не содержит сведений о лицензии, поэтому условия использования по ней определить нельзя. Авторы предупреждают о необходимости соблюдать требования безопасности и законодательства и не применять модель в интернет-сервисах без надлежащей проверки и регистрации. Как и другие генеративные модели кода, она может выдавать неверный или небезопасный код; результаты следует проверять.

Codestral-22B-v0.1 — языковая модель для работы с кодом, разработанная Mistral AI. Это плотная авторегрессионная модель семейства Mistral с 22 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; в метаданных указана библиотека vLLM, а в README приведён пример генерации через инструменты Mistral. Модель предназначена для генерации и продолжения кода, а также для диалоговых запросов, связанных с программированием. Её можно использовать в помощниках разработчика и для ответов на вопросы о машинном обучении; карточка не уточняет поддерживаемые языки программирования или естественные языки. В README отмечено, что у модели нет встроенных механизмов модерации, поэтому её ответы могут требовать внешних защитных мер. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с лицензией репозитория.

Codestral 2508 — языковая модель Mistral для задач программирования, выпущенная в конце июля 2025 года. Она предназначена для сценариев с низкой задержкой и частыми запросами, включая дополнение кода в середине фрагмента (fill-in-the-middle), исправление кода и генерацию тестов. Модель подходит для встраивания в инструменты разработки, где нужны быстрые подсказки по коду и помощь при редактировании. README не сообщает размер, архитектуру, поддерживаемые языки программирования или длину контекста. Условия лицензии в предоставленных данных также не описаны.

CodeT5+ 16B — модель семейства открытых моделей для работы с кодом, представленная исследовательской группой Salesforce в статье «CodeT5+: Open Code Large Language Models for Code Understanding and Generation». Это плотная модель с архитектурой encoder-decoder, способная работать в режимах encoder-only, decoder-only и encoder-decoder. Репозиторий содержит веса PyTorch; лицензия — BSD-3-Clause. Модель предназначена для понимания и генерации кода, включая дополнение кода, сопоставление текстовых запросов с кодом и генерацию кода по описанию. В README заявлена предобучающая выборка из разрешительно лицензированного подмножества GitHub Code; поддерживаются C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. Для токенизации используется тот же токенизатор, что и у CodeGen. Предобучение сочетает span denoising, причинное языковое моделирование, контрастивное обучение и сопоставление текста с кодом; масштабирование до 16 млрд параметров использует инициализацию компонентов замороженными готовыми LLM и архитектуру с неглубоким энкодером и глубоким декодером. Авторы сообщают о результатах на задачах понимания и генерации кода, однако конкретные показатели в README относятся к InstructCodeT5+ 16B и не должны автоматически переноситься на этот чекпойнт. Модель выпущена для исследовательских целей; перед применением следует проверять точность и безопасность результатов.

CodeT5+ 6B — модель для работы с кодом из семейства CodeT5+, представленная Salesforce Research и авторами научной статьи о CodeT5+. Это плотная encoder-decoder-модель с 6 млрд параметров, предназначенная для понимания и генерации кода. Архитектура семейства поддерживает режимы encoder-only, decoder-only и encoder-decoder; этот чекпойнт загружается как модель генерации последовательностей через AutoModelForSeq2SeqLM. Модель предварительно обучена на дедуплицированном наборе GitHub-кода с разрешительными лицензиями. В обучающих данных представлены C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. Заявленные сценарии семейства включают генерацию кода по текстовому запросу, дополнение кода, поиск соответствий между текстом и кодом и понимание кода. Карточка описывает исследовательскую оценку семейства, но конкретные результаты приведены для других вариантов CodeT5+, поэтому их нельзя напрямую приписывать этому чекпойнту. Модель выпущена по лицензии BSD-3-Clause. Разработчики предупреждают, что её точность, безопасность и справедливость не оценены для всех сценариев; перед применением следует проверять результаты, особенно в ситуациях с высокими последствиями.

Darwin-28B-Coder — специализированная на программировании языковая модель семейства Darwin, опубликованная VIDRAFT FINAL-Bench. Это плотная модель на 28 млрд параметров с архитектурой, совместимой с Qwen3.5; карточка сообщает о контекстном окне 32 тыс. токенов. Модель предназначена для генерации кода на уровне функций, работы со сложными библиотеками и вызова инструментов в агентных сценариях. README приводит результаты HumanEval, MBPP, BigCodeBench-Complete и теста вызова функций; часть оценок получена с выбором лучшего из нескольких генераций или голосованием ансамбля, поэтому их нельзя напрямую считать качеством одного случайного ответа. Модель принимает текстовые запросы и генерирует текст, включая код и структурированные вызовы функций. В метаданных указаны английский и корейский языки, набор данных CodeFeedback-Filtered-Instruction и возможности чата, программирования и интерфейса вызова инструментов. Модель распространяется под лицензией Apache-2.0. В метаданных базовой моделью указана VIDraft/Darwin-28B-Opus.

DeciCoder-6B — авторегрессионная модель для дополнения и генерации программного кода, разработанная компанией Deci. Она основана на декодерном трансформере DeciLMForCausalLM с 6,7 млрд параметров и переменным Grouped Query Attention; архитектуру создали с помощью технологии AutoNAC. Обучение на подмножестве StarCoder Training Dataset использовало цель Fill-in-the-Middle, поэтому модель может продолжать код и заполнять пропуски внутри фрагмента. Модель предназначена для работы с Python, Java, JavaScript, Rust, C++, C, C# и Go. Контекст составляет 2 048 токенов. Весы опубликованы в формате safetensors, лицензия — Apache 2.0. Модель можно применять для генерации фрагментов кода по контексту и автодополнения в редакторах. В README приведены результаты pass@1 для нескольких языков, но они не гарантируют правильность конкретного результата: сгенерированный код может содержать ошибки, быть неоптимальным или небезопасным.

DeepSeek Coder 1.3B Instruct — языковая модель для программирования, разработанная DeepSeek. Это плотная модель архитектуры Llama с 1,3 млрд параметров, дообученная на 2 млрд токенов инструкционных данных на основе deepseek-ai/deepseek-coder-1.3b-base. Репозиторий содержит веса в форматах PyTorch и Safetensors. Модель предназначена для генерации и дополнения кода, заполнения пропусков в коде и диалоговых запросов о программировании. Семейство DeepSeek Coder обучалось на корпусе из кода и естественного языка на английском и китайском языках; окно контекста модели составляет 16 384 токена. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.