II.2Создание и понимание программного кода

Satella-30B-A3B — разреженная языковая модель семейства Atem, дообученная EphAsad на базе Qwen/Qwen3-30B-A3B. Это архитектура Qwen3 MoE с 30,5 млрд параметров, из которых активируется около 3,3 млрд на токен; обучение выполнено одним проходом с LoRA в BF16. Модель поддерживает диалог, интерфейс вызова инструментов и режимы с явным рассуждением и без него. Контекст модели — до 40 960 токенов. Модель предназначена для многошаговых математических и логических задач, генерации и отладки кода, технических объяснений, аналитических сравнений и выполнения сложных инструкций. В обучающую смесь вошли данные по программированию, рассуждениям, математике, медицине и диалогам; карточка указывает английский язык. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Модель не имеет доступа к актуальным данным и не является поисковой системой. Ответы по медицинским, юридическим, финансовым и другим критически важным вопросам требуют независимой проверки; заявленные возможности и качество основаны на описании автора.

Seed 2.0 Code — модель ByteDance Seed, оптимизированная для агентного программирования. Она предназначена для разработки интерфейсов, задач программирования на разных языках и рабочих процессов с coding-агентами в инструментах вроде Claude. Доступные сведения не уточняют архитектуру, размер, поддерживаемые естественные языки или длину контекста. Модель ориентирована на применение в задачах разработки ПО; конкретные ограничения и условия лицензии в предоставленных данных не описаны.

Seed-Coder-8B-Reasoning — языковая модель для генерации кода, разработанная ByteDance Seed и представленная в формате GGUF сообществом Unsloth. Она предназначена для решения задач программирования, включая генерацию, анализ и доработку кода, а также для сценариев, требующих многошагового рассуждения, таких как соревновательное программирование. Модель обучалась на общедоступных данных в этапах предварительного и последующего обучения с применением reinforcement learning для усиления способностей к рассуждению. Это causal language model примерно на 8 млрд параметров с контекстом до 65 536 токенов. В README не указаны поддерживаемые языки программирования и естественные языки, а также конкретная архитектура или модальности, поэтому модель следует рассматривать как текстовую. К сильным сторонам относятся заявленная высокая эффективность среди открытых моделей сопоставимого размера и хорошие результаты в competitive programming; по данным разработчиков, она превосходит QwQ-32B и DeepSeek-R1 на IOI 2024 и сопоставима с o1-mini по рейтингу ELO на соревнованиях Codeforces. Ограничения и требования к аппаратным ресурсам в README подробно не описаны. Лицензия проекта — MIT.

Seed-OSS-36B-Instruct — открытая языковая модель команды ByteDance Seed для диалогов, рассуждений, длинного контекста и агентных сценариев. Это плотная авторегрессионная модель с архитектурой Seed-OSS и классом SeedOssForCausalLM; в метаданных указано 31,7 млрд параметров, а карточка описывает семейство как 36B. Модель принимает текст и генерирует текст, поддерживает контекст до 524 288 токенов и ориентирована на международное использование. Модель предназначена для ответов на вопросы, сложных рассуждений, программирования и задач с использованием инструментов. Можно задавать бюджет рассуждения: настройка длины позволяет регулировать глубину анализа и расход вычислений. Для работы доступны веса в формате safetensors и библиотека Transformers; README также описывает использование с vLLM. Модель выпущена под лицензией Apache-2.0. Карточка сообщает о сильных результатах на ряде популярных открытых бенчмарков, но не приводит в доступном тексте подробные результаты. Качество зависит от задачи и настройки бюджета рассуждения; для сложных запросов увеличение бюджета может улучшать результат, а на простых задачах эффект может колебаться.

Sentie 1.0-3B UltraCode — языковая модель компании SentieAI для генерации текста, программирования, рассуждений и агентных сценариев. Модель основана на Nanbeige/Nanbeige-4.1-3B и дообучена на 18 354 многоходовых образцах с рассуждениями и использованием инструментов, включая синтетические русско- и англоязычные данные, задачи разработки, DevOps, терминального управления и корпоративного программирования. Модель содержит около 3 миллиардов параметров и распространяется в формате GGUF с вариантами квантования от F16 до 3-битных IQ3_M и Q3_K_M. Заявлена поддержка русского и английского языков. Основные сценарии включают написание и анализ кода, многошаговое решение задач, работу в роли программного агента и tool-calling. Наличие нескольких вариантов квантования позволяет запускать модель локально, в том числе на устройствах с ограниченной памятью, однако более сильное квантование может снижать точность. К сильным сторонам относятся компактный размер, ориентация на код и агентные задачи, а также широкий выбор квантованных сборок для разных требований к памяти и скорости. Ограничения — относительно небольшой размер модели по сравнению с крупными LLM, потенциальные потери качества при низком уровне квантования и отсутствие в README сведений о размере контекстного окна и мультимодальных возможностях. Модель распространяется по лицензии Apache-2.0.

SFTCodePhi1 — дообученная AdnanRiaz107 модель Microsoft Phi-3-mini-128k-instruct для генерации кода и текста. Она построена на плотной архитектуре Phi-3 с 3,7 млрд параметров и принимает текстовые запросы, выдавая текст. В карточке указаны дообучение на наборе данных APPS и значение loss 0,8314 на оценочной выборке. Модель подходит для генерации кода по описанию и диалоговых сценариев, связанных с программированием. Лицензия — MIT. В метаданных указано контекстное окно 4096 токенов; оно короче заявленного в названии базовой модели контекста 128K.

Sharp-Spark-X2.5-4B-GGUF — набор динамических GGUF-квантований модели XHToken/Spark-X2.5-4B, опубликованный peculiar-ragdoll. Это плотная модель с 4 млрд параметров для генерации текста, прежде всего для программирования, системного и кибербезопасностного кода. Модель рассчитана на работу через llama.cpp и ориентирована на пользователей с видеокартой объёмом около 6 ГБ и оперативной памятью до 16 ГБ. Архитектура поддерживает длинный контекст: из 36 слоёв 9 используют полноразмерное внимание, а 27 — скользящее окно размером 512 токенов. Заявлена работоспособность с контекстом до 131 072 токенов при умеренном снижении скорости; экономный KV-кэш делает модель пригодной для анализа больших файлов и репозиториев. Доступны варианты Q4_K_XL размером 2,67 ГБ, Q5_K_XL размером 3,24 ГБ и Q6_K_XL размером 3,61 ГБ, причём Q6_K_XL обозначен как рекомендуемый и проверенный на задачах SWE. К сильным сторонам относятся высокая скорость, небольшие требования к памяти, длинный контекст и специализированная importance matrix, рассчитанная с упором на security и systems code. По приведённым в README измерениям, вариант Q6 показывает сопоставимые с исходной моделью результаты на отдельных подвыборках SWE-bench-Live и MMLU-Pro при меньшем расходе токенов. Ограничения включают чувствительность небольшой модели к агрессивному квантованию, меньшую общую способность по сравнению с более крупными моделями и необходимость выбора варианта квантования в соответствии с объёмом VRAM. Лицензия — Apache-2.0.

Shuttle-3.5 — дообученная ShuttleAI версия языковой модели семейства Qwen3, предназначенная для диалогов, следования инструкциям и работы с внешними инструментами. Она сочетает режим рассуждений для сложных задач с обычным режимом ответов; в карточке заявлены улучшения в математике, программировании, логическом рассуждении, творческом письме и ролевых диалогах. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров по метаданным. Она принимает текст и генерирует текст; метаданные указывают контекст до 40 960 токенов, а карточка модели — поддержку более 100 языков и диалектов. Для совместимой интеграции предусмотрен интерфейс вызова инструментов. Модель подходит для многоязычного общения, перевода, генерации кода и агентных сценариев. Заявления о сравнительных результатах и качестве основаны на карточке разработчика и не сопровождаются здесь независимой оценкой. Лицензия — Apache-2.0.

SkyCode — открытая модель для генерации кода, выпущенная компанией Singularity-AI (奇点智源). Она обучена на большом объёме кода и предназначена для автодополнения, генерации программ и решения задач по программированию. Модель поддерживает более десяти языков программирования, включая Python, Java, JavaScript, C, C++, Go, PHP, Swift и shell, и, по заявлению разработчиков, лучше понимает китайские комментарии. В README указано 2,6 млрд параметров и приведено сравнение результатов на HumanEval; авторы сообщают о высоких показателях решения задач относительно некоторых открытых моделей. Метаданные классифицируют архитектуру как GPT-2 и указывают контекст длиной 2048 токенов; README описывает структуру как GPT-3. Это авторские заявления и сведения каталога, а независимая проверка приведённых результатов в карточке не представлена. Модель распространяется по лицензии MIT.

Skywork-SWE-32B — языковая модель-агент для задач программной инженерии, разработанная Skywork AI и дообученная на базе Qwen/Qwen2.5-Coder-32B-Instruct. Она предназначена для работы с задачами SWE-bench: анализа программных проектов и подготовки исправлений кода. Модель имеет плотную архитектуру Qwen2, содержит 32 млрд параметров и поддерживает контекст до 32 768 токенов. В README сообщается о результате 38,0% pass@1 на SWE-bench Verified; с масштабированием вычислений во время вывода авторы сообщают о 47,0%. Модель рассчитана на использование с агентной средой OpenHands, а для эффективного инференса авторы рекомендуют сервер как минимум на двух GPU с достаточной видеопамятью. Она принимает текст и генерирует текст. Лицензия — Apache-2.0.

Smaug-Agentic — дообученная Abacus.AI модель на основе мультимодальной Kimi K3 от Moonshot AI, предназначенная для агентной работы и рассуждений, прежде всего в задачах программирования. Это плотная с точки зрения представления модели архитектура Kimi K3 с Mixture-of-Experts на 2,8 трлн параметров; обучение изменило поведение, сохранив архитектуру, токенизатор и визуальный энкодер MoonViT-V2 базовой модели. Контекст составляет 1 млн токенов, доступны ввод текста и изображений и генерация текста. Модель дообучена на отфильтрованных многоходовых траекториях программирования с использованием инструментов. По оценкам разработчика, она улучшает показатели базовой модели на ряде тестов рассуждений и агентного программирования; измерения проводились в указанных разработчиком условиях и не являются независимым сравнением. Модель рассчитана на интеграцию с агентными фреймворками, совместимыми с контрактом OpenAI chat completions. Для повторной отправки истории некоторые OpenAI-совместимые серверы требуют удаления нестандартных полей. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория.

Sombrero-QwQ-32B-Elite11 — дообученная 32-миллиардная языковая модель prithivMLmods на базе Qwen/QwQ-32B, построенная на архитектуре Qwen2 и распространяемая в формате Safetensors. Модель предназначена для генерации текста и диалогов, с акцентом на программирование, математические задачи, логические рассуждения и подробные объяснения. Метаданные указывают контекст до 131 072 токенов; README заявляет поддержку входа до 256 000 токенов и генерацию до 12 000 токенов за ответ. Модель подходит для генерации и отладки кода, пошагового решения задач, подготовки технической документации, длинных ответов и многоязычных диалогов. README заявляет поддержку более 35 языков, включая русский, однако метаданные карточки подтверждают только английский. Также заявлен режим оптимизации памяти, но подробности реализации не приведены. Для работы с длинным контекстом требуются значительные ресурсы GPU или TPU; ответы могут содержать ошибки и предвзятость, качество зависит от формулировки запроса, а доступа к актуальным данным модель не имеет. Лицензия — Apache-2.0.

SonarSweep-java-gpt-oss-20b-GGUF — версия модели SonarSweep для генерации Java-кода, подготовленная командой SonarSweep и опубликованная в формате GGUF. В основе лежат openai/gpt-oss-20b и SonarSource/SonarSweep-java-gpt-oss-20b; в README указано, что исходная модель дообучена на наборе из 70 тысяч примеров Java-кода, а этот репозиторий содержит квантизованные веса MXFP4 с Q8_0 для выходного тензора и эмбеддингов. Архитектура — Transformer Mixture of Experts, 20,9 млрд параметров, из которых активно 3,6 млрд. Модель предназначена для генерации и автодополнения Java-кода, в том числе для встроенных подсказок разработчику. Она работает в профиле низкого уровня рассуждений и рассчитана на формат диалогов Harmony. README заявляет, что дообучение уменьшило число ошибок и проблем безопасности в бенчмарках при сопоставимом pass@1, однако эти результаты не гарантируют корректность конкретного кода. Для применения требуются значительные ресурсы: README рекомендует не менее 32 ГБ оперативной памяти для GGUF-варианта. Модель поддерживает Java и английский язык. Лицензия — Apache 2.0. Сгенерированный код может содержать ошибки и уязвимости, поэтому его следует проверять статическим анализом и ревью; знания модели могут не учитывать новые версии Java, библиотек и закрытые API.

Speechless CodeLlama 34B v1.9 — дообученная модель на базе CodeLlama-34B от Meta, опубликованная uukuguy. Она создана для генерации и понимания кода, а также для улучшения способностей модели к рассуждению и планированию. Дообучение выполнено на 122 828 примерах из наборов Airoboros 2.2, OpenOrca и Open-Platypus. Модель использует авторегрессионную архитектуру Transformer семейства Llama, содержит 33,5 млрд параметров и имеет контекст длиной 16 384 токена. Принимает текст и генерирует текст; карточка сообщает о поддержке английского языка и задачах работы с кодом. В README приведён результат 70,73 на HumanEval-Python, однако он не описывает методику оценки. Модель подходит для автодополнения и генерации кода, а также для задач, требующих рассуждений и планирования. README указывает, что исходный CodeLlama предназначен для работы с кодом и не позиционируется как Python-специалист или чат-модель; ответы могут быть неточными или нежелательными, поэтому модель следует проверять в целевом сценарии. Лицензия — llama2 (лицензия Meta для Code Llama).

MaziyarPanahi/speechless-code-mistral-7b-v2.0-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель на архитектуре Mistral, созданная методом SLERP из Mistral-7B-Instruct-v0.2 и speechless-code-mistral-7b-v2.0. Она предназначена для генерации текста и ответов на инструкции, с акцентом на задачи программирования благодаря одной из исходных моделей. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст; метаданные отмечают поддержку чата. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Карточка не описывает специальные языковые ограничения или результаты оценки качества, поэтому пригодность для конкретного языка и точность ответов о коде могут различаться.

Speechless Code Mistral Orca 7B v1.0 — диалоговая языковая модель, созданная слиянием mistralai/Mistral-7B-Instruct-v0.2 и uukuguy/speechless-code-mistral-orca-7b-v1.0 методом SLERP. Она использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате, в том числе для задач, связанных с кодом. Контекст модели составляет до 32 768 токенов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. В карточке не приведены сведения о языковом покрытии или результаты оценки качества.

MaziyarPanahi/sqlcoder-7b-Mistral-7B-Instruct-v0.1 — объединённая модель на архитектуре Mistral с 7,1 млрд параметров, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и defog/sqlcoder-7b методом SLERP. Она предназначена для генерации текста и кода по инструкциям, в частности для работы с SQL-запросами. Модель поддерживает диалоговый формат и рассчитана на английский язык; метаданные указывают контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Она может помогать формировать SQL по текстовому описанию задачи и вести диалог о коде и запросах. Карточка не приводит результатов оценки качества или подробных ограничений; качество SQL следует проверять на целевой схеме данных и конкретной СУБД.

StableCode-Completion-Alpha-3B-4K — авторегрессионная decoder-only модель Stability AI для автодополнения кода. Она обучена на корпусе StarCoder Data, включающем распространённые языки программирования, и предназначена для продолжения кода по короткому или длинному контексту, в том числе для одиночных строк и нескольких строк в редакторе кода. Модель построена на архитектуре GPT-NeoX с плотным трансформерным декодером и содержит около 3,5 млрд параметров. Контекстное окно — 4096 токенов. Веса доступны в форматах PyTorch и safetensors. Модель генерирует код; естественные языки как целевые языки в карточке не заявлены. Модель выпущена под лицензией Apache 2.0. Она может воспроизводить фрагменты кода из обучающих данных, поэтому для проверки совпадений README рекомендует использовать инструменты атрибуции BigCode и Hugging Face. Разработчик также предупреждает против применения модели для незаконных действий и сценариев с высоким риском физического или экономического ущерба.

mlx-community/stable-code-instruct-3b-4bit — преобразованная сообществом mlx-community версия модели stabilityai/stable-code-instruct-3b, подготовленная для запуска с MLX. Это плотная авторегрессионная модель StableLM с 2,7 млрд параметров, предназначенная для генерации текста и помощи с кодом в диалоговом режиме. Она принимает текст и выдаёт текст; максимальная длина контекста составляет 16 384 токена, основной язык карточки — английский. README указывает на преобразование с помощью mlx-lm версии 0.4.0; метаданные обозначают файлы как safetensors и не подтверждают тип квантизации, несмотря на суффикс 4bit в названии. Лицензия указана как other; подробности лицензии и ограничения качества следует сверять с карточкой исходной модели.

StarCoder2-15B — плотная авторегрессионная модель генерации кода, разработанная проектом BigCode. Она обучена на более чем 4 триллионах токенов из The Stack v2 и других источников, охватывая более 600 языков программирования. Модель использует архитектуру Transformer decoder с Grouped Query Attention и скользящим вниманием; контекстное окно составляет 16 384 токена, область скользящего внимания — 4 096 токенов. В метаданных указано 21,7 млрд параметров. Модель предназначена для продолжения и дополнения кода, в том числе по Fill-in-the-Middle: она может генерировать фрагменты с учётом окружающего кода. Это не instruction-модель, поэтому запросы на естественном языке вроде просьбы написать функцию могут работать хуже, чем продолжение кода по заданному контексту. Модель обучена преимущественно на коде, а английский преобладает среди естественных языков обучающих данных. Сгенерированный код может содержать ошибки, быть неэффективным или небезопасным и не гарантированно соответствует задаче. Модель способна воспроизводить фрагменты исходного кода из обучающих данных, поэтому перед использованием результата следует учитывать лицензию исходного кода и требования атрибуции. Лицензия модели — BigCode OpenRAIL-M.

StarCoder2-15B-GGUF — квантизированная версия модели StarCoder2 15B, разработанной командой BigCode и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена для генерации и обработки программного кода, включая сценарии локального запуска и использования с совместимыми инструментами на базе llama.cpp. В README указан тег text-generation, однако конкретный перечень поддерживаемых языков программирования и естественных языков не приведён. Модель содержит 15 млрд параметров и поддерживает контекст размером 6144 токена. Доступны варианты квантизации от 2 до 8 бит размером примерно от 6,19 до 17 ГБ. Вариант Q4_K_M обозначен как рекомендуемый для сбалансированного сочетания размера и качества, а Q5_K_M и Q5_K_S — как варианты с низкой потерей качества. Более агрессивная квантизация уменьшает требования к памяти, но может существенно ухудшать качество; точные архитектурные характеристики и модальности в README не указаны. Модель ориентирована на задачи, связанные с кодом, но README не содержит подробных результатов тестирования или описания ограничений качества. Лицензия указана как bigcode-openrail-m. Оригинальная модель размещена под идентификатором bigcode/starcoder2-15b.

second-state/StarCoder2-3B-GGUF — это квантованная в формате GGUF версия языковой модели StarCoder2 3B, разработанной командой BigCode и подготовленной к распространению компанией Second State Inc. Модель предназначена для генерации и дополнения программного кода, а также других сценариев работы с текстом, связанных с программированием. В карточке указана интеграция с библиотекой Transformers и назначение text-generation. Модель основана на bigcode/starcoder2-3b и имеет размер 3 миллиарда параметров. Доступны варианты квантования от 2 до 8 бит с размером файлов примерно от 1,15 до 3,22 ГБ. Заявленный размер контекста — 3072 токена. Представлены различные уровни компромисса между размером файла и качеством: Q4_K_M, Q5_K_M и Q5_K_S отмечены как рекомендуемые, тогда как варианты с более низкой разрядностью могут заметно терять в качестве. Основное преимущество модели — возможность локального запуска при относительно небольшом объёме памяти, особенно в низкоразрядных вариантах. Ограничения включают потерю качества из-за квантования, наиболее выраженную у Q2 и Q3, а также отсутствие в README сведений о поддерживаемых языках программирования и естественных языках, точной архитектуре, мультимодальности и результатах оценки. Указана лицензия bigcode-openrail-m.

StarCoderBase-1B — авторегрессионная языковая модель для генерации программного кода, разработанная проектом BigCode. Это версия семейства StarCoderBase с 1 млрд параметров, основанная на архитектуре GPT-2 с Multi-Query Attention. Модель обучалась на корпусе The Stack v1.2, содержащем код более чем на 80 языках программирования, с целью Fill-in-the-Middle на 1 трлн токенов. Контекстное окно составляет 8192 токена. Модель предназначена для продолжения кода по заданному фрагменту и заполнения пропусков между частями кода. Она не является моделью, настроенной на выполнение инструкций: запросы на естественном языке вроде просьбы написать функцию могут работать хуже, чем подсказки с контекстом кода. Генерации могут содержать ошибки, быть неэффективными или уязвимыми. Код может дословно воспроизводить фрагменты из обучающих данных, поэтому следует проверять его происхождение и соблюдать применимые условия лицензии. Лицензия модели — BigCode OpenRAIL-M.

Карточка модели refactai/starcoderbase-1b на Hugging Face совпадает с карточкой bigcode/starcoderbase-1b, поэтому описание составлено по ней. StarCoderBase-1B — авторегрессионная языковая модель для генерации программного кода, разработанная проектом BigCode. Это версия семейства StarCoderBase с 1 млрд параметров, основанная на архитектуре GPT-2 с Multi-Query Attention. Модель обучалась на корпусе The Stack v1.2, содержащем код более чем на 80 языках программирования, с целью Fill-in-the-Middle на 1 трлн токенов. Контекстное окно составляет 8192 токена. Модель предназначена для продолжения кода по заданному фрагменту и заполнения пропусков между частями кода. Она не является моделью, настроенной на выполнение инструкций: запросы на естественном языке вроде просьбы написать функцию могут работать хуже, чем подсказки с контекстом кода. Генерации могут содержать ошибки, быть неэффективными или уязвимыми. Код может дословно воспроизводить фрагменты из обучающих данных, поэтому следует проверять его происхождение и соблюдать применимые условия лицензии. Лицензия модели — BigCode OpenRAIL-M.

Step 3.5 Flash — открытая языковая модель компании StepFun для диалогов, рассуждений, программирования и агентных задач. Карточка описывает разреженную архитектуру Transformer с Mixture of Experts: всего 196 млрд параметров, из которых для каждого токена активируются около 11 млрд. Механизм Multi-Token Prediction предназначен для ускорения генерации, а гибридное внимание с окном 256K токенов рассчитано на работу с длинными контекстами и большими кодовыми базами. Модель предназначена для интерактивного чата, сложного многошагового рассуждения, помощи в разработке и выполнения задач агентами. Карточка приводит результаты на SWE-bench Verified и Terminal-Bench 2.0 и заявляет поддержку запуска через vLLM, SGLang, Transformers и llama.cpp, а также локального развертывания на высокопроизводительном оборудовании. Указанный в карточке сценарий использования — текстовый диалог; метаданные классифицируют модель как генеративную и отмечают возможность чата. В README заявлено окно контекста 256K токенов и высокая скорость генерации, однако реальная производительность зависит от оборудования и программной поддержки: например, для vLLM отмечено отсутствие полной поддержки MTP3. Метаданные указывают 9,8 млрд параметров, тогда как README заявляет 196 млрд параметров всего и 11 млрд активных на токен; эти сведения расходятся. Лицензия — Apache 2.0.

Step-3.5-Flash-REAP-121B-A11B — сжатая версия Step-3.5-Flash от Cerebras, созданная методом REAP (Router-weighted Expert Activation Pruning). Это разреженная причинно-языковая MoE-модель: из исходных 288 экспертов оставлено 173, а на каждом токене активируются 8; в README указано 121 млрд параметров и 11 млрд активных на токен. Каталог Hugging Face указывает 9,8 млрд параметров, поэтому размер модели по источникам расходится. Модель предназначена для диалогов, генерации кода, математических задач, рассуждений и агентных сценариев с вызовом инструментов. Заявлена длина контекста 262 144 токена. В README говорится о близкой к полной модели производительности и снижении потребления памяти примерно на 40%; для запуска автор рекомендует vLLM с поддержкой Step-3.5-Flash. Модель принимает текст и генерирует текст; в карточке указана поддержка английского языка. README сообщает лицензию Apache 2.0, тогда как метаданные Hugging Face обозначают её как other, поэтому условия лицензии следует сверить с файлами репозитория перед использованием.

Карточка модели exolabs/Step-3.7-Flash-IQ4_XS-dequant-bf16-vllm на Hugging Face совпадает с карточкой stepfun-ai/Step-3.7-Flash, поэтому описание составлено по ней. StepFun разработала Step 3.7 Flash — мультимодальную модель со смесью экспертов (MoE), предназначенную для высоконагруженных рабочих процессов. Она содержит 198 млрд параметров, из которых около 11 млрд активируются на каждом токене; включает языковую часть на 196 млрд параметров и визуальный энкодер на 1,8 млрд. Модель принимает изображения и текст, поддерживает контекст до 256 тыс. токенов и три уровня рассуждений: низкий, средний и высокий. Модель предназначена для понимания изображений, анализа больших документов, многошагового поиска и проверки фактов, оркестрации инструментов и API, а также для задач разработки ПО — например, поиска ошибок в репозиториях и подготовки исправлений. Заявленная скорость генерации достигает 400 токенов в секунду. Карточка описывает её как модель для производственных нагрузок; доступны варианты развёртывания через облачные платформы и локальные средства инференса. Репозиторий использует библиотеку Transformers и формат Safetensors. Лицензия — Apache-2.0. В метаданных указан английский язык; README не подтверждает поддержку других естественных языков.

Step 3.7 Flash — мультимодальная vision-language модель, разработанная StepFun. Она предназначена для высокочастотных производственных нагрузок и агентных сценариев, объединяющих восприятие изображений, поиск, проверку информации, рассуждения и взаимодействие с инструментами. Модель подходит для анализа больших финансовых отчётов, многошагового поиска с верификацией по нескольким источникам, параллельной работы coding-агентов, обработки пользовательских интерфейсов, диаграмм и других визуальных материалов. Модель построена на разреженной архитектуре Mixture-of-Experts (MoE) и содержит около 198 млрд параметров: примерно 196 млрд приходятся на языковую часть и 1,8 млрд — на vision encoder. На каждый токен активируется около 11 млрд параметров. Поддерживается контекст длиной до 256 тысяч токенов, изображения и текст, а также три уровня рассуждения — low, medium и high, позволяющие выбирать баланс между скоростью, стоимостью и глубиной анализа. В README указан английский язык; заявленная мультимодальность обеспечивает понимание изображений, визуальное заземление, анализ интерфейсов и преобразование визуальных данных в структурированный код. Сильные стороны модели — высокая пропускная способность до 400 токенов в секунду, работа с длинным контекстом, устойчивое выполнение многошаговых агентных процессов, использование внешних API, визуальная проверка данных и задачи программной инженерии. Ограничения включают очень большой общий размер модели и, как следствие, высокие требования к инфраструктуре при локальном развёртывании; заявленные результаты также зависят от конкретных бенчмарков и сценариев. Модель распространяется по лицензии Apache-2.0 и поддерживает Transformers, vLLM, SGLang и llama.cpp; доступна через StepFun Open Platform, OpenRouter и NVIDIA NIM, а также может развёртываться в облачных, дата-центровых и локальных средах.

Sweep Next-Edit 1.5B — модель Sweep AI для автодополнения кода, которая предсказывает следующее изменение в файле с учётом его текущего содержимого, связанных файлов и недавних правок. Репозиторий Xenova содержит версию для Transformers в формате safetensors и конвертацию в ONNX; архитектура — плотная Qwen2ForCausalLM, около 1,4 млрд параметров. Метаданные указывают контекст до 32 768 токенов. Модель предназначена для локального дополнения кода в редакторах и IDE. В README заявлены быстрое выполнение на ноутбуке и результаты выше моделей более чем в четыре раза крупнее на бенчмарках предсказания следующих правок; это заявления авторов карточки. Для подсказки модель принимает текстовый контекст файлов и изменений и генерирует текст предполагаемой правки. Указаны библиотека Transformers и лицензия Apache 2.0.

SWE-Fixer-Editor-72B — дообученная InternLM модель для исправления реальных задач и ошибок в репозиториях GitHub. Она выступает компонентом редактора кода в конвейере SWE-Fixer: после поиска подходящих файлов репозитория модель помогает вносить изменения по описанию issue. Модель основана на плотной архитектуре Qwen2 и содержит 71,5 млрд параметров; поддерживает контекст до 131 072 токенов и распространяется в формате safetensors. Модель предназначена для генерации кода и диалогового взаимодействия при решении задач разработки. В README указано дообучение на Qwen2.5-7B, однако метаданные Hugging Face указывают базовую модель Qwen/Qwen2.5-72B; поэтому точную базу следует считать неоднозначной. В метаданных также указаны наборы SWE-Fixer-Train-110K и SWE-Fixer-Eval. Лицензия — MIT. Карточка не сообщает конкретные ограничения качества или поддерживаемые естественные языки.