II.2Создание и понимание программного кода

airoboros-3_1-yi-34b-200k — языковая модель с открытыми весами, созданная автором репозитория на основе 01-ai/Yi-34B-200k. Модель дообучена методом QLoRA ранга 64 на наборе инструкций jondurbin/airoboros-3.1, а затем объединена с базовыми весами. Использует архитектуру LlamaForCausalLM и формат safetensors; содержит 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Модель предназначена для генерации текста и выполнения инструкций в формате чата Llama 2. Её можно применять для ответов на вопросы, диалогов, следования текстовым инструкциям и создания текстов. Автор сообщает, что проверял модель ограниченно; во время обучения промпты обрезались до 4096 токенов, поэтому качество работы с длинным контекстом отдельно не подтверждено. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты; перед использованием следует проверить лицензию базовой модели и карточку репозитория.

SvalTek/ColdBrew-Aphid-Large — разговорная причинно-языковая модель семейства Llama с 5,8 млрд параметров, созданная методом passthrough merge из SvalTek/ColdBrew-Aphid. Она предназначена для генерации текста и диалогов; интерфейс модели поддерживает вызов инструментов. Модель использует библиотеку Transformers и распространяется в формате safetensors. Контекстное окно — до 131 072 токенов. Модель подходит для диалоговых приложений, генерации ответов и сценариев с вызовом инструментов. В метаданных указана связь с SvalTek/ColdBrew-Aphid как с базовой моделью. Сведений о лицензии и специальных языковых возможностях в предоставленных данных нет.

Citaman/command-r-39-layer — объединённая с помощью mergekit методом SLERP модель семейства Cohere на архитектуре CohereForCausalLM. В сборку вошли два среза слоёв базовой модели CohereForAI/c4ai-command-r-v01 с диапазонами [0, 39] и [1, 40]. Модель содержит 34,2 млрд параметров и рассчитана на генерацию текста, в том числе в диалоговом формате и через интерфейс вызова инструментов; контекст составляет 8192 токена. Модель подходит для диалоговых систем и генерации текста. В карточке не приведены отдельные сведения о языках, качестве на конкретных задачах или ограничениях применения. Файлы опубликованы в формате safetensors; лицензия в доступных данных не указана.

Citaman/command-r-3-layer — текстовая генеративная модель, созданная автором репозитория Citaman с помощью mergekit. В README описано слияние методом SLERP двух срезов весов Citaman/command-r-4-layer; метаданные каталога классифицируют связь с этой моделью как дообучение. Архитектура — плотная причинная языковая модель CohereForCausalLM, около 4,6 млрд параметров, формат файлов — safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Поддерживаемый контекст — до 8192 токенов. Условия лицензирования в предоставленных данных не приведены.

CrystalMistralv.01-fixed — объединённая модель, опубликованная Crystalcareai. Она создана методом SLERP с помощью LazyMergekit на основе OpenPipe/mistral-ft-optimized-1227 и Crystalcareai/CrystalMistral-Evol. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста; её можно использовать как основу для диалоговых и других текстовых приложений. Родной контекст составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

MaziyarPanahi/Experiment26Neuralsirkrishna_Experiment27Inex12 — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment27Inex12-7B. Модель предназначена для генерации текста и диалогов; размер контекстного окна составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Fireball-Llama-3.11-8B-v1orpo — диалоговая языковая модель EpistemeAI для генерации ответов и ведения беседы. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров, дообученная на unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit. Для запуска карточка рекомендует Transformers версии 4.43.0 или новее; модель также рассчитана на работу с исходной кодовой базой Llama. Модель подходит для разговорных приложений, генерации текста и интеграции с инструментами через интерфейс вызова инструментов. Контекстное окно составляет 131 072 токена. В карточке описана поддержка английского, французского, немецкого, хинди, итальянского, португальского, испанского и тайского языков; результаты на других языках могут быть ненадёжными. Модель может выдавать неточные, предвзятые или нежелательные ответы, поэтому перед внедрением её следует проверять и настраивать под конкретный сценарий. Вызов инструментов требует безопасной интеграции со стороны разработчика. Лицензия репозитория — Apache-2.0.

gemma-4-26B-A4B-it-Uncensored-MAX-GGUF — это GGUF-версия модели, разработанной prithivMLmods на базе google/gemma-4-26B-A4B-it. Модель представляет собой модифицированную версию Gemma с уменьшенным уровнем встроенных отказов от ответа: для этого применялись анализ направлений отказа и методы abliteration. Заявлено сохранение возможностей рассуждения и следования инструкциям исходной архитектуры. Модель предназначена для генерации текста, подробных ответов, выполнения инструкций, исследовательских и обучающих сценариев, а также агентских задач. Указана поддержка обработки изображений и текста; заявлен английский язык. Архитектура описана как MoE, размер — 26 млрд параметров. Доступны файлы GGUF в форматах BF16, F16, F32 и Q8_0, а также отдельные mmproj-файлы для мультимодальной обработки. Сведения о размере контекстного окна и точных характеристиках MoE-компонентов не приведены. К сильным сторонам относятся сниженная склонность к отказам, ориентация на подробные ответы, рассуждение и следование инструкциям. Ограничением является потенциально повышенный риск генерации небезопасного или незаконного содержания из-за уменьшенных защитных механизмов; использование осуществляется на риск пользователя. Модель предоставляется по лицензии Apache-2.0 и заявлена авторами для исследовательских и учебных целей.

Josie 7B v6.0 — дообученная Gökdeniz Gülmez языковая модель семейства Qwen2 для диалоговой генерации текста и выполнения запросов пользователя. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает контекст длиной до 32 768 токенов. Для диалога применяется формат с отдельными сообщениями system, user и assistant; также заявлен интерфейс вызова инструментов. Модель дообучена на пользовательских наборах данных; подробности о них в карточке не раскрыты. Она подходит для чат-ботов и генерации ответов на текстовые запросы. Распространяется в формате safetensors по лицензии Apache 2.0.

Модель kangkys/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная авторами kangkys плотная языковая модель семейства Llama с 7,5 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке указаны английский язык и формат весов safetensors. Модель дообучена на базе kangkys/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL от Hugging Face. README не описывает набор данных, конкретные результаты обучения или отдельные сценарии Safe-DPO, поэтому эти свойства нельзя оценить по карточке. Лицензия — Apache-2.0.

benjamin/Llama-3.2-1B-Instruct-flax — текстовая разговорная модель семейства Llama 3.2, опубликованная пользователем benjamin в формате Flax для библиотеки Transformers и JAX. Карточка модели создана автоматически и не называет разработчика исходной модели; идентификатор и архитектура указывают на Meta Llama 3.2 1B Instruct. Модель предназначена для генерации текста в диалоговом формате, например для ответов на запросы и ведения беседы. Это плотная авторегрессионная языковая модель примерно на 1,2 млрд параметров с контекстом до 8192 токенов; данные метаданных указывают поддержку чата и интерфейса вызова инструментов. В карточке не приведены сведения о лицензии, обучении или оценке качества, поэтому условия использования следует сверять с лицензией исходной модели.

kosbu/Llama-3.3-70B-Instruct-AWQ — это 4-битная версия модели Meta AI Llama-3.3-70B-Instruct, подготовленная с использованием квантования AWQ. Модель предназначена для генерации текста и диалоговых сценариев на основе инструкций и интегрируется с библиотекой Transformers. Заявлена поддержка английского, французского, итальянского, португальского, хинди, испанского, тайского и немецкого языков. Размер исходной модели составляет 70 миллиардов параметров; README не уточняет архитектурные детали, размер контекста, поддерживаемые модальности и конкретные требования к оборудованию. Квантование до 4 бит может снизить требования к памяти и упростить развёртывание по сравнению с полной версией, однако README не содержит данных о точности, производительности или известных ограничениях. Модель распространяется по лицензии llama3.3. README не указывает дополнительные условия использования, результаты тестирования или сравнительные преимущества квантованной версии.

Hikari07jp разработал эту японско-английскую диалоговую модель на основе llm-jp/llm-jp-4.1-32b-a3b-thinking, применив abliteration: изменение весов, снижающее склонность модели отказывать в ответах. Модель использует архитектуру Qwen3 MoE с 32 слоями, общим размером 32 млрд параметров и примерно 3,3 млрд активных параметров. Она предназначена для генерации текста в диалогах, рассуждений, ответов на вопросы и вызова инструментов; в карточке приведены результаты небольших проверок знаний и математических задач. Доступны исходные веса BF16 и сборки GGUF, в том числе смешанная Q5-квантизация и NVFP4 W4A8. Указанная в карточке лицензия — Apache-2.0. Контекст модели составляет 65 536 токенов по метаданным, хотя примеры запуска llama.cpp в README используют 4096 токенов. Известна проблема совместимости llama.cpp: обработчик Harmony может не разобрать начальный токен-пробел в `/v1/chat/completions` и вернуть ошибку, хотя текст ответа может присутствовать в сообщении об ошибке. В README рекомендуется использовать raw prompt через `/completion` либо адаптировать клиент для извлечения канала `final`. Abliteration снижает склонность к отказам, поэтому модель может отвечать на запросы, от которых базовая модель отказалась бы.

Matter-0.2-32B — разговорная языковая модель, созданная 0-hero как дообучение Qwen 32B на наборе Matter 0.2. Набор сформирован из более чем 35 датасетов и включает свыше 6 млрд токенов. Модель использует архитектуру Qwen2 с плотной causal language model, содержит 31,7 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговых ответов и генерации текста. Она использует формат запросов ChatML и поддерживает интерфейс вызова функций, что позволяет подключать её к инструментам и прикладным системам. В метаданных указан английский язык. Модель распространяется под лицензией Apache-2.0. Карточка рекомендует системную инструкцию «You are a helpful assistant»; качество и безопасность ответов зависят от запроса и приложения, поэтому результаты следует проверять при использовании в критически важных сценариях.

MeliodasPercival_01_Experiment26Yamshadow — объединённая языковая модель, опубликованная MaziyarPanahi. Она предназначена для генерации текста и построена на архитектуре Mistral с 7,1 млрд параметров. Модель объединяет automerger/MeliodasPercival_01-7B и automerger/Experiment26Yamshadow-7B; доступна в формате safetensors и поддерживает контекст до 32 768 токенов. Лицензия — Apache-2.0.

JANGQ-AI/MiniMax-M2.7-JANG_3L — квантованная версия MiniMax M2.7 от Jinho Jang (JANGQ), подготовленная для запуска на компьютерах Mac с Apple Silicon через MLX. Это языковая MoE-модель для диалогов, генерации текста, рассуждений и работы с инструментами. Исходная модель MiniMaxAI/MiniMax-M2.7 содержит 228,7 млрд параметров; в этой сборке применена смешанная точность со средним размером около 3,08 бита и объёмом около 89 ГБ. Внимание и выходной слой сохранены в 8-битной точности, эмбеддинги — в 4-битной, а большая часть экспертных MLP-слоёв сжата до 3 бит; маршрутизатор экспертов хранится в float16. Метаданные каталога указывают 2,9 млрд параметров, поэтому размер модели в них расходится с описанием исходной модели в README. Модель предназначена для локального диалогового использования, сложных рассуждений и сценариев с вызовом инструментов. Она поддерживает контекст до 196 608 токенов и использует режим рассуждений перед ответом. README приводит результаты MMLU для профиля JANG_3L: 191 из 200 вопросов (95,5%), однако это оценка автора карточки, а результаты сравнения с исходной моделью отдельно не представлены. Для запуска требуются Mac с Apple Silicon и не менее 128 ГБ объединённой памяти; рекомендуется MLX Studio с загрузчиком JANG, поскольку стандартный mlx_lm не поддерживает эту смешанную точность. Автор указывает, что температура должна быть 1,0: жадная генерация и температура 0 могут привести к бесконечным циклам рассуждений. Лицензия MiniMax M2.7 запрещает коммерческое использование без предварительного письменного разрешения MiniMax.

Mini_synatra_7b_03-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием mistralai/Mistral-7B-Instruct-v0.2 и Minirecord/Mini_synatra_7b_03 методом SLERP. Модель основана на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; файлы представлены в формате safetensors. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Контекст составляет до 32 768 токенов. В карточке не описаны специализированные предметные области или отдельные мультимодальные возможности; вход и выход — текст. Модель выпущена под лицензией Apache-2.0. Карточка не приводит сравнительных оценок качества или подробностей о поддерживаемых языках, поэтому пригодность для конкретного языка или узкой задачи следует проверять отдельно.

Mistral-7B-v0.2 — плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, представленная в формате safetensors. Репозиторий mistral-community содержит конвертированный чекпойнт; README предупреждает, что он может быть устаревшим, и рекомендует использовать соответствующую версию из исходного репозитория. Для токенизатора может потребоваться файл tokenizer.model из Mistral-7B-Instruct-v0.2. Модель предназначена для генерации текста и может использоваться для продолжения текста, черновиков и ответов на текстовые запросы. Заявленная длина контекста — 32 768 токенов. Лицензия — Apache-2.0.

automerger/Multi_verse_modelM7-7B — объединённая языковая модель на базе архитектуры Mistral с 7,1 млрд параметров, созданная с помощью mergekit методом DARE TIES. В объединении использованы ammarali32/multi_verse_model как базовая модель и liminerity/M7-7b; README указывает параметры слияния и формат bfloat16. Модель предназначена для генерации текста и диалогов. Она принимает текст и выдаёт текст; заявленная длина контекста составляет 32 768 токенов. Для загрузки доступны веса Safetensors и библиотека Transformers. Лицензия в предоставленных данных не указана.

Nanbeige4.2-3B Heretic — вариант Nanbeige/Nanbeige4.2-3B, выпущенный WaveCut и дообученный с помощью ARA-LoRA. Модель предназначена для генерации текста в диалогах; ключевое изменение — заметное снижение частоты отказов при сохранении большей части возможностей базовой модели. В тесте автора число отказов снизилось с 17 до 1 на 100 запросах; это результат конкретного набора тестов, а не гарантия поведения в других сценариях. Модель имеет плотную архитектуру Nanbeige, 3,2 млрд параметров и контекст до 262 144 токенов. Она принимает и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Для загрузки через Transformers требуется включить trust_remote_code=True из-за пользовательской реализации Looped Transformer, в которой 22 физических слоя декодера выполняются дважды. Распространяется в формате Safetensors по лицензии Apache-2.0. Из-за намеренно ослабленного отказного поведения для использования нужны подходящие ограничения доступа, мониторинг и меры безопасности на уровне приложения.

AlSamCur123/Nemo-InstructContinuedFine — дообученная разговорная модель AlSamCur123 на архитектуре Mistral, основанная на unsloth/mistral-nemo-instruct-2407-bnb-4bit. Для обучения использовались Unsloth и библиотека Hugging Face TRL; модель предназначена для генерации текста в диалоге и имеет интерфейс вызова инструментов. Модель содержит 12,1 млрд параметров, использует формат Safetensors и рассчитана на контекст до 1 024 000 токенов. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

NeuralLogic-7B-V — языковая модель на архитектуре Mistral, созданная Kukedlc слиянием моделей Kukedlc/Triunvirato-7b и mlabonne/NeuralHermes-2.5-Mistral-7B методом SLERP с помощью LazyMergekit. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста; базовые модели описаны как диалоговые и настроенные на выполнение инструкций. Модель подходит для диалоговых сценариев, ответов на инструкции и генерации текста. Заявленный размер контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

NeuralPipe-7B-ties — слитая модель для генерации текста, созданная mlabonne с помощью mergekit на основе OpenPipe/mistral-ft-optimized-1218 и mlabonne/NeuralHermes-2.5-Mistral-7B. В конфигурации слияния TIES также указана mistralai/Mistral-7B-v0.1 как базовая модель; параметры включают нормализацию и маску int8, итоговый тип данных — float16. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Заявленная длина контекста — 32 768 токенов. Она предназначена для генерации текста; README приводит результаты оценок на AI2 Reasoning Challenge и HellaSwag. Репозиторий распространяется по лицензии Apache-2.0.

Это дообученная модель myfi на базе unsloth/Qwen3-4B-Instruct-2507 — плотной языковой модели Qwen3 с 3,7 млрд параметров. Она предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык и использует контекст до 262 144 токенов. Модель обучена с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения или отдельные ограничения качества, поэтому применение следует выбирать по результатам собственной оценки.

Hasnonname/Qwen2.5-14B-Wheatear-v0 — дообученная модель семейства Qwen2.5 на 14 млрд параметров, основанная на Qwen/Qwen2.5-14B-Instruct. Она предназначена для диалогов и генерации текста; метаданные также указывают интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, принимает текст и поддерживает контекст до 32 768 токенов. В репозитории README перечислены отдельные варианты квантования GGUF, но сведения о назначении дообучения, его данных и результатах не приведены. Основная модель опубликована в формате safetensors. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Карточка модели jeffmeloy/Qwen2.5-7B-olm-v1.3 на Hugging Face совпадает с карточкой jeffmeloy/Qwen2.5-7B-olm-v1.0, поэтому описание составлено по ней. jeffmeloy/Qwen2.5-7B-olm-v1.0 — текстовая модель на архитектуре Qwen2 с 7,1 млрд параметров, основанная на Qwen/Qwen2.5-7B и представленная как результат оптимизированного объединения слоёв. Подход Optimized Layer Merging (OLM) подбирает слои из нескольких языковых моделей, последовательно оценивая варианты на заданных наборах данных по метрикам, включая perplexity и exact match. Модель предназначена для генерации текста и диалогового взаимодействия; заявленный контекст составляет 131 072 токена. Метаданные указывают интерфейс вызова инструментов. В карточке описан метод сборки гибридной модели, но не приведены результаты оценки качества этой конкретной версии или подробности о наборах данных. Распространяется в формате Safetensors по лицензии Apache-2.0.

TheCluster/Qwen3.5-9B-Claude-4.6-HighIQ-INSTRUCT-HERETIC-UNCENSORED-MLX-mxfp8 — модель семейства Qwen3.5, представленная TheCluster. Она конвертирована в формат MLX из DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-INSTRUCT-HERETIC-UNCENSORED. Модель дообучена на дистиллированных данных Claude 4.6 и предназначена для следования инструкциям в режиме instruct-only; заявлена как uncensored и unrestricted. Модель имеет размер 9B параметров и представлена в квантизации MXFP8 с эффективностью 8,363 бита на вес. Формат MLX ориентирован на запуск в экосистеме Apple. В карточке указана поддержка текстово-визуального сценария image-text-to-text, однако подробности о визуальном энкодере и максимальной длине контекста не приведены. Заявлены языки English, Chinese, Russian, Spanish, French, Italian, Japanese, Korean и ряд других, включая German, Arabic, Turkish, Polish, Ukrainian и Portuguese. По приведённым тестам модель сохраняет или улучшает результаты относительно исходной Qwen3.5-9B на большинстве указанных benchmark’ов, включая ARC, BoolQ, HellaSwag, OBQA, PIQA и Winogrande. Метрика отказов составляет 6 из 100 против 100 из 100 у оригинальной модели, что указывает на существенно менее ограниченное поведение. При этом снижение отказов означает потенциально более слабые защитные ограничения и необходимость дополнительного контроля при использовании. Сведения о длине контекста, производительности, системных требованиях и других ограничениях отсутствуют. Лицензия указана как Apache-2.0; ссылка ведёт на лицензию исходной Qwen3.5-9B.

Qwen3.5-9B-Unredacted-MAX — дообученная мультимодальная модель семейства Qwen от prithivMLmods, основанная на Qwen/Qwen3.5-9B. Она предназначена для диалогов и обработки изображений с текстом, а также для локального и облачного инференса, прототипирования, исследований следования инструкциям и тестирования устойчивости. Модель содержит 9 млрд параметров, использует плотную архитектуру Qwen3.5 и распространяется в формате safetensors для Transformers; заявлена совместимость с современными конвейерами Transformers. В карточке сообщается о модификации отказов и приводятся самоотчётные показатели поведения на 2000 тестовых запросах; это не независимый бенчмарк. Возможны неверные или непоследовательные ответы, особенно в сложных сценариях, а результаты зависят от промпта и настроек генерации. Для оптимальной производительности рекомендуется ускорение на GPU. Лицензия — Apache-2.0.

Developer-pintu/Qwen3.8-27B-bucket — дообученная языковая модель на архитектуре Qwen2, созданная Developer-pintu на базе unsloth/qwen2.5-coder-7b-instruct-bnb-4bit. Модель предназначена для генерации текста в диалоговом формате; каталог также указывает интерфейс вызова инструментов. В метаданных указаны 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой TRL. Язык карточки и языковые теги указывают на английский. Модель распространяется по лицензии Apache-2.0. README не уточняет специализацию дообучения, поэтому нельзя уверенно приписать ей конкретные навыки исходной coder-модели сверх генерации текста.