II.2Создание и понимание программного кода

microsoft/CodeGPT-small-py-adaptedGPT2 — авторегрессионная модель Microsoft на архитектуре GPT-2, предназначенная для генерации и автодополнения исходного кода Python. Она опубликована в экосистеме CodeXGLUE, где семейство CodeGPT предназначено для задач завершения и генерации кода. Модель поддерживает текстовую генерацию через Transformers, имеет контекст длиной 1024 токена и использует 12 слоёв, 12 attention-голов и размер скрытого представления 768. Это одномодальная текстовая модель без заявленной поддержки естественных языков или других модальностей. Лицензия в доступных источниках не указана.

QuantFactory/CodeLlama-7b-Instruct-hf-GGUF — это квантизированная версия CodeLlama-7b-Instruct-hf, разработанная на основе модели codellama/CodeLlama-7b-Instruct-hf. Репозиторий подготовлен с использованием llama.cpp и предназначен для локального запуска модели в формате GGUF. Модель относится к семейству Llama и ориентирована на генерацию текста и работу с программным кодом, включая сценарии инструкционного взаимодействия с разработчиком. В README указано, что исходная модель имеет размер 7 миллиардов параметров. Поддерживаются варианты квантизации Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_0, Q4_K_M, Q4_K_S, Q5_0, Q5_K_M, Q5_K_S, Q6_K и Q8_0, позволяющие выбирать компромисс между качеством, скоростью и требованиями к памяти. Ключевое преимущество модели — возможность более экономичного локального запуска благодаря квантизации и совместимости с llama.cpp. README не содержит сведений о поддерживаемых языках, размере контекста, точных характеристиках отдельных вариантов квантизации, лицензии или ограничениях применения. Также в заголовке README упоминается Mistral-7B-v0.1-GGUF, однако метаданные и описание указывают на CodeLlama-7b-Instruct-hf; поэтому идентификацию модели следует основывать прежде всего на метаданных репозитория.

shareAI/CodeLLaMA-chat-13b-Chinese — китайская версия CodeLlama для многоходового диалога, предназначенная для ответов на вопросы по программированию и работы в роли помощника по коду. Модель разработала shareAI; карточка описывает её как специализированную на коде, в отличие от ChineseLLaMa общего языкового назначения. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 12,9 млрд параметров. Она работает через Transformers, принимает текст и генерирует текст; заявленный контекст составляет 16 384 токена. Метаданные указывают китайский и английский языки, а обучение связано с наборами ShareGPT-Chinese-English-90k и CodeChat. Модель подходит для диалога о коде, ответов на вопросы по программированию и генерации программного текста. Лицензия — OpenRAIL; перед использованием следует учитывать её условия. Карточка не сообщает конкретные результаты оценки качества или ограничения по языкам программирования.

CodeMate-Qwen-1.5B-8k — диалоговая модель для программирования, разработанная micymike на основе micymike/codemate-qwen-1.5B. Она предназначена для многошаговой помощи с кодом: поиска и исправления ошибок, объяснения причин неисправностей и подготовки решений, особенно для Python и React. Модель использует плотную архитектуру Qwen2 и содержит 1,5 млрд параметров; веса доступны в формате Safetensors, для работы предусмотрена библиотека Transformers. В README указано контекстное окно 8 192 токена с динамическим масштабированием RoPE и обучение с маскированием потерь только на ответах, направленное на устранение повторения пользовательских запросов. В метаданных native_context_tokens указано 32 768 токенов, поэтому фактическую поддерживаемую длину контекста следует проверять в используемой конфигурации. Карточка указывает английский язык; модель ориентирована на задачи с Python и React. Лицензия — Apache-2.0.

code-nothink-q8b-20260908 — модель для генерации кода, созданная на основе Qwen/Qwen3-8B-Base. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров; LoRA-дообучение на парных данных NoThink code SFT слито с основными весами bf16. Репозиторий содержит веса в формате safetensors и специальный комплект токенизатора для оценки; контекст модели по метаданным — 32 768 токенов. Модель предназначена для генерации кода без режима рассуждений и решения задач программирования. В оценке LiveCodeBench DEV256 в режиме NoThink она показала средний pass@1 30,1% по двум запускам против 22,7% у базовой модели; авторы отмечают заметные колебания результата между seed и описывают данные как исследовательские, а не подтверждающие. Для инференса README рекомендует использовать токенизатор и chat template из этого репозитория. Лицензия — Apache-2.0.

CodeParrot-Multi (small) — авторегрессионная языковая модель семейства GPT-2, разработанная для генерации программного кода. Модель содержит 110 млн параметров и обучена на очищенной от близких дубликатов подвыборке GitHub-кода. Для обучения использовались контекст длиной 1024 токена и около 58 млрд токенов данных. Модель предназначена для продолжения фрагментов кода и генерации кода на Java, JavaScript, PHP, Python, C#, C++, Go, Ruby и TypeScript. Её можно использовать через библиотеку Transformers. Карточка сообщает об оценке на HumanEval, но не приводит значения pass@k, поэтому качество решения задач по этим данным оценить нельзя. Лицензия — Apache-2.0.

Coder-2b-v0.1-hfrl — инструктивная языковая модель разработчика Lodo97 для генерации и редактирования кода по запросам на естественном языке. Модель основана на Phi-2 и дообучена для Python-кода: в карточке указаны датасет Vezora/Tested-22k-Python-Alpaca и последующее дообучение методом DPO на jondurbin/py-dpo-v0.1. README также называет промежуточную модель Lodo97/Test1; размер по метаданным — 3,5 млрд параметров, архитектура — плотная Phi, библиотека — Transformers, формат весов — safetensors, контекст — 2048 токенов. Модель предназначена для генерации Python-кода из инструкций, поиска ошибок и переписывания кода, в том числе при ограниченных аппаратных ресурсах. Основной язык карточки — английский. README не приводит оценок качества или подробных ограничений; сгенерированный код следует проверять и тестировать. Лицензия в предоставленных данных не указана.

CodeRM-8B — специализированная модель генерации модульных тестов для кода, разработанная авторами проекта CodeRM. Она принимает условие задачи и готовое решение в виде функции и генерирует тестовый класс на Python с использованием библиотеки unittest и подробными комментариями. Модель основана на Llama 3.1 8B Instruct и дообучена на 60 тысячах синтетических Python-тестов, созданных с помощью Llama 3.1 70B Instruct на основе наборов CodeFeedback-Filtered-Instruction и обучающей части TACO. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Карточка приводит результаты оценки генерации тестов в сценарии Best-of-N и сообщает о сопоставимости с Llama 3.1 70B Instruct в этом режиме; качество зависит от корректности постановки задачи, решения и выбранных тестов. Лицензия — Apache 2.0.

CodeSearch-ModernBERT-Crow-Plus — модель Sentence Transformers от Shuu12121 для семантического поиска по коду и оценки сходства между запросами на естественном языке и фрагментами кода. Это дообученная на задачах сходства модель с архитектурой ModernBERT; в README указаны 12 слоёв, 768 скрытых размерностей и максимальная длина входа 1024 токена. Метаданные каталога указывают 151,6 млн параметров и контекст до 8192 токенов. Модель предназначена для поиска кода по описанию и поиска похожих фрагментов на Python, Java, JavaScript, PHP, Ruby, Go и Rust, преимущественно на уровне функций. Её также можно применять для извлечения признаков, классификации и кластеризации кода и рекомендаций. README приводит результаты MTEB для CodeSearchNet Retrieval: nDCG@10 0,89296, а для COIR CodeSearchNet Retrieval — 0,79884. Модель выдаёт эмбеддинги для последующего сравнения и поиска; она не предназначена для генерации кода. Качество может снижаться на очень длинных файлах и синтаксически неполных фрагментах, а для специализированных библиотек может понадобиться дополнительное дообучение. Лицензия — Apache-2.0.

CodeSearch-ModernBERT-Crow-Plus-1.0 — модель эмбеддингов на базе Sentence Transformers, разработанная Shuu12121 на основе Shuu12121/CodeModernBERT-Crow. Она предназначена для поиска фрагментов кода по текстовому запросу и обучена для работы с кодом на Python, PHP, Java, JavaScript, Go, Ruby и Rust. Модель использует архитектуру ModernBERT, содержит 151,6 млн параметров и поддерживает контекст до 8192 токенов. В версии 1.0 к обучающим данным добавлены очищенные наборы PHP и Go. Автор приводит внутренние оценки на CodeSearchNetRetrieval и COIRCodeSearchNetRetrieval, но результаты не являются официальными оценками MTEB. Модель оптимизирована для поиска кода на уровне функций; для очень больших файлов и неполного кода результаты могут быть менее надёжными. Распространяется по лицензии Apache-2.0.

Shuu12121/CodeSearch-ModernBERT-Owl — модель Sentence Transformers, дообученная автором на базе Shuu12121/CodeModernBERT-Owl для поиска кода. Она сопоставляет фрагменты кода с документацией по смысловой близости и формирует эмбеддинги размерностью 768, которые можно сравнивать косинусной мерой. Модель построена на архитектуре ModernBERT, содержит около 151,6 млн параметров и принимает последовательности длиной до 2048 токенов. Модель предназначена для семантического поиска по репозиториям и ранжирования документации или кода по запросу. В README приведён результат 76,89 на CodeSearchNet; он относится к указанной в карточке оценке, а сравнения с другими моделями в README не полностью согласуются с приведённой таблицей. Обучение включает наборы CodeSearchNet, Java и Rust code search, а также CodeXGlue. Лицензия — Apache-2.0.

Salesforce/codet5-small — небольшая предварительно обученная модель CodeT5, разработанная Salesforce Research и представленная в статье о моделях кодирования и генерации кода с учетом идентификаторов. Это плотный энкодер-декодер Transformer семейства T5 с 38,5 млн параметров и контекстом до 512 токенов; модель распространяется в формате PyTorch. Она обучена на CodeSearchNet и дополнительных корпусах C/CSharp, чтобы поддерживать задачи понимания и генерации кода. Модель предназначена прежде всего для дальнейшей настройки под конкретную задачу: суммаризации, генерации и перевода кода, его рефакторинга, обнаружения дефектов и поиска клонов. Также её можно применять для предсказания замаскированных фрагментов. CodeT5 использует специализированный для кода BPE-токенизатор и связывает программный код с естественно-языковыми комментариями. Это предварительно обученная базовая модель, а не готовое решение для конкретной прикладной задачи, поэтому качество в целевом сценарии зависит от дообучения и проверки. Карточка отмечает, что модель не оценивалась для всех вариантов применения и рекомендует проверять точность и безопасность перед внедрением. Лицензия — Apache 2.0.

CodeTrans — модель Ahmed Elnaggar и Wei Ding для генерации комментариев к функциям и методам на Java. Она основана на архитектуре T5-base и дообучена для создания описаний Java-кода после предварительного обучения на семи неразмеченных наборах данных из области разработки ПО. Модель принимает исходный код и выдаёт текстовое описание; лучше работает с токенизированными функциями Java, хотя может обрабатывать и нетокенизированный код. Модель построена по схеме encoder-decoder, имеет около 123,8 млн параметров и контекст до 512 токенов. Для задач документации Java в карточке приведены результаты оценки BLEU, однако точное соответствие этих результатов данной версии неясно. Доступны веса PyTorch и Flax. Лицензия в предоставленных данных не указана.

CodeTrans — модель семейства T5, разработанная Ahmed Elnaggar и Wei Ding для генерации документации к методам и функциям Java. Она основана на T5-base, использует собственный словарь SentencePiece и дообучена на задаче документирования Java-кода после многозадачного обучения на задачах разработки ПО. Архитектура — encoder-decoder; в метаданных указано 123,8 млн параметров, а длина контекста составляет 512 токенов. Модель принимает Java-код и генерирует его текстовое описание. Она рассчитана прежде всего на функции и методы Java; лучше работает с токенизированным кодом, хотя README также допускает подачу нетокенизированного кода. Модель можно дообучать для других задач с Java-кодом. Данные о лицензии в предоставленных источниках отсутствуют.

CodeTrans — модель семейства T5, созданная Ahmed Elnaggar и Wei Ding для генерации документации к функциям на JavaScript. Она дообучена на датасете JavaScript из CodeSearchNet и использует собственный словарь SentencePiece. Веса модели насчитывают 123,8 млн параметров; максимальный контекст — 512 токенов. Модель принимает исходный код JavaScript и генерирует его текстовое описание. Она может обрабатывать нетокенизированный код, но, согласно карточке, обычно работает лучше с предварительно токенизированными функциями. Также модель можно дообучать для других задач с кодом на JavaScript. Карточка приводит результаты оценки BLEU, но не описывает ограничения точности или конкретные условия лицензии.

SEBIS/code_trans_t5_base_code_documentation_generation_php — модель CodeTrans, созданная Ahmed Elnaggar и Wei Ding для генерации документации к функциям на PHP. Она основана на архитектуре T5-base и дообучена на корпусе PHP из CodeSearchNet в режиме одной задачи. Модель содержит 123,8 млн параметров и использует собственный словарь SentencePiece; максимальная длина контекста составляет 512 токенов. Модель принимает исходный код PHP и генерирует его текстовое описание. Она рассчитана прежде всего на функции, особенно на токенизированный код, для которого авторы ожидают лучшую производительность; также её можно дообучать для других задач с PHP. В репозитории представлены варианты весов PyTorch и Flax. Лицензия в предоставленных данных не указана.

CodeTrans — модель для создания текстовых описаний функций на C# и разработана Ahmed Elnaggar и Wei Ding. Она основана на архитектуре encoder-decoder T5-large и дообучена на задаче суммаризации фрагментов исходного кода; также использовалась многозадачная предварительная подготовка на наборах данных по разработке ПО. Модель содержит 385,2 млн параметров и рассчитана на входные последовательности до 512 токенов. Модель предназначена для автоматического документирования функций C# и может служить отправной точкой для дообучения на других задачах с кодом C#. Она принимает как токенизированный, так и обычный исходный код, но авторы отмечают, что токенизированный код даёт лучшие результаты. В README приведены результаты оценки суммаризации на C#, Python и SQL, однако основная настройка модели — C#. Для использования доступны веса PyTorch и Flax. Лицензия в предоставленных данных не указана.

CodeTrans — модель для создания кратких описаний функций на Python, разработанная Ahmed Elnaggar и Wei Ding. Она основана на архитектуре T5-large и дообучена на задаче суммаризации фрагментов кода Python. В README указано около 220 млн параметров, тогда как метаданные Hugging Face указывают 385,2 млн; поэтому размер в карточке источников расходится. Модель принимает код Python и генерирует текстовое описание функции. Она обучалась на токенизированных функциях и, согласно README, обычно работает лучше с токенизированным кодом, хотя может обрабатывать и нетокенизированный. Длина последовательности при обучении составляла 512 токенов; метаданные указывают контекст 512 токенов. Также модель прошла многозадачное обучение на задачах разработки ПО и последующую настройку на суммаризацию Python-кода. Основной сценарий — автоматическое создание документации или кратких описаний функций. Модель также можно дообучать для других задач с Python-кодом, но карточка сообщает о настройке лишь на суммаризацию Python-фрагментов. Форматы репозитория включают PyTorch и Flax. Лицензия в предоставленных данных не указана.

Cogito v2 preview 109B MoE — мультимодальная инструктивно настроенная модель Deep Cogito для диалога и анализа изображений. Она основана на Meta Llama 4 Scout 17B-16E и дообучена с использованием итеративной дистилляции и усиления (IDA). По карточке модели, Cogito v2 сочетает обычный режим ответа с режимом саморефлексии, поддерживает вызов инструментов и предназначена для программирования, задач STEM, следования инструкциям и общих помощнических сценариев. Модель принимает текст и изображения и генерирует текст. В README заявлена подготовка более чем на 30 языках и поддержка контекста до 10 млн токенов; это заявление относится к семейству Cogito v2, а метаданные каталога подтверждают возможности чата и зрения. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия указана как llama4; README описывает лицензию как открытую для коммерческого использования.

Cognix 1 Flash — текстовая модель семейства LFM2, созданная LuxAI на основе дообучения LiquidAI/LFM2.5-2.6B-Base. Это плотная авторегрессионная модель на 2,6 млрд параметров для генерации текста, диалога и задач с кодом. Репозиторий содержит объединённую модель в формате BF16; обучение выполнялось методом SFT с LoRA, после чего веса были объединены. Контекстное окно — до 128 000 токенов по метаданным; максимальная длина обучающих примеров составляла 32 768 токенов. Модель рассчитана на диалоговое использование и сценарии, где нужно генерировать или дополнять код. Для вызова инструментов предусмотрен формат, совместимый с исходным шаблоном чата; генерируемые вызовы следует исполнять только через разрешённый список функций. В карточке указаны английский и чешский языки. Количественные оценки качества и гарантии не заявлены. Практическая надёжность вызова инструментов, качество на чешском и поведение на длинном контексте требуют дополнительной оценки. Полные контексты до 32 тысяч токенов могут быть непрактичны на телефонах с 8 ГБ памяти. Применяются условия LFM Open License v1.0 базовой модели и производной; модель не распространяется под Apache-2.0.

ColBERT-Zero-6L-CodeSearch — компактная модель для семантического поиска по коду, созданная разработчиком ctrltokyo на основе lightonai/ColBERT-Zero. Она использует архитектуру ModernBERT с 6 слоями, 768 скрытыми измерениями и 12 головами внимания; число параметров — 68,8 млн, контекст — до 8192 токенов. Модель формирует много-векторные представления токенов размерности 128 и предназначена для поиска и ранжирования фрагментов кода по текстовому запросу. Модель получена дистилляцией: из 22-слойной модели ColBERT-Zero выбраны 6 слоёв, а обучение на 10 000 парах CodeSearchNet воспроизводило оценки релевантности учителя. В описанных тестах качество достигло 65,9% от учителя на корпусе jq на C, 85,6% на Rails и 98% на FastAPI; автор сообщает о примерно 13-кратном ускорении запросов. Модель поддерживает английский язык и может использоваться для поиска по коду, в том числе через PyLate и litembeddings. Лицензия — Apache-2.0. Ограничения: качество слабее на C-коде, обучение проведено на сравнительно небольшом наборе данных, а возможности модели наследуют языковые ограничения ColBERT-Zero. Вместо префиксов search_query:/search_document: используются [Q]/[D].

CrystalChat — англоязычная инструкцияная языковая модель от LLM360 из серии Pebble, дообученная на основе LLM360/Crystal с контрольной точки CrystalCoder второго этапа. Модель имеет плотную архитектуру CrystalCoder, совместимую по описанию с LLaMA-7B, и рассчитана на генерацию текста по инструкциям, диалог и задачи программирования. Контекст модели составляет 2048 токенов; доступен формат PyTorch. Модель обучалась на смесях диалоговых, общих инструкционных и кодовых данных, включая наборы SlimOrca, ShareGPT, CodeAlpaca и данные по программированию; в обучении также использован созданный LLM360 набор инструкций по HTML. В карточке приведены результаты языковых и кодовых бенчмарков, включая HumanEval и MBPP. Модель ориентирована прежде всего на английский язык. CrystalChat выпущена под лицензией Apache 2.0. Разработчики отмечают, что модель не прошла RLHF-выравнивание по человеческим предпочтениям и не имеет фильтрации ответов, поэтому может выдавать проблемный контент; приведённые оценки не гарантируют качество для конкретного применения.

CrystalMistral_7b_v.02 — языковая модель, созданная Crystalcareai объединением Crystalcareai/Mistral-Evol-Coder и Crystalcareai/mistral-InstructGPT с помощью LazyMergekit и метода SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста, в том числе для сценариев, сочетающих инструкции и задачи, связанные с кодом. В репозитории указаны веса Safetensors; конфигурация слияния использует тип данных bfloat16. Лицензия в предоставленных данных не указана.

Это текстовый Sentence Transformer, дообученный на базе sentence-transformers/all-MiniLM-L6-v2 для поиска соответствий между запросами и фрагментами кода. Модель преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Архитектура включает BERT-энкодер, mean pooling и нормализацию векторов. Модель предназначена для семантического поиска по коду и извлечения релевантных фрагментов по текстовому запросу. Обучение проведено на 393 427 парах «запрос — код» с MultipleNegativesRankingLoss. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; README задаёт максимальную длину последовательности 256 токенов, поэтому при использовании следует учитывать это ограничение. Язык корпуса и лицензия в предоставленных данных не указаны.

cyberneurova-Qwen3.8-27B — диалоговая модель CyberNeurova, дообученная на Qwen/Qwen3.8-27B. Это плотная модель на 27 млрд параметров с поддержкой текста и изображений; автор заявляет контекст до 262 тыс. токенов, многоязычность, рассуждения и интерфейс вызова инструментов. Модель рассчитана на диалоги, ответы на вопросы, анализ изображений и программирование, а стиль ответов можно задавать системным промптом. По заявлению автора, модель сохраняет общие знания и навыки рассуждения и набрала 11 из 12 в небольшом исполняемом тесте на программирование. Она публикуется в BF16 и формате safetensors, работает с Transformers и vLLM. Лицензия — Apache-2.0. Автор отмечает, что встроенные отказы ослаблены; качество и безопасность ответов зависят от конкретного применения и заданного промпта.

d9 — дообученная модель для генерации кода, созданная на основе deepseek-ai/deepseek-coder-1.3b-base и обученная на датасете generator. Она построена на архитектуре Llama, содержит 1,3 млрд параметров и поддерживает контекст до 16 384 токенов. Модель предназначена для генерации и продолжения кода по текстовому запросу. В репозитории указаны веса в формате safetensors. Лицензия в предоставленных сведениях не указана. README не содержит описания конкретных сценариев применения, оценок качества или известных ограничений.

daVinci-Agency — языковая модель от GAIR, дообученная на базе GLM-4.6 от Zhipu AI для длительных агентных задач, особенно связанных с разработкой программного обеспечения. Она обучалась на траекториях реальных цепочек GitHub Pull Request и рассчитана на работу с многошаговыми процессами: декомпозицией задач, сохранением последовательности действий, использованием инструментов и итеративным улучшением результатов. Модель имеет архитектуру GLM-4 MoE и 23,4 млрд параметров. Контекстное окно составляет около 200 тысяч токенов; в метаданных указано 202 752 токена. Основные сценарии — автономное программирование, планирование и выполнение сложных рабочих процессов, анализ обратной связи и самокоррекция. В README сообщается о приросте на Toolathlon относительно базовой модели, однако приведённых результатов недостаточно для оценки качества во всех сценариях. Модель принимает текст и генерирует текст, включая ответы в чат-формате и вызовы инструментов. В карточке заявлена поддержка английского языка. Лицензия — MIT.

koreallmdev/deepseek70b-7816-merged-bf16 — самостоятельная версия DeepSeek-R1-Distill-Llama-70B, выпущенная koreallmdev. Модель получена слиянием LoRA-адаптера, обученного на 7 816 строках, с базовой моделью; после загрузки адаптер отдельно не требуется. Это плотная авторегрессионная архитектура Llama с 69,5 млрд параметров и контекстом до 131 072 токенов, работающая через Transformers и сохранённая в safetensors в формате BF16. Модель предназначена для диалоговой генерации текста, математических рассуждений, программирования и ответов на сложные вопросы — эти возможности указаны для базовой DeepSeek-R1-Distill-Llama-70B. Выпуск обозначен как Conditional Stable; README также сообщает о 200 отложенных оценочных примерах и наличии smoke-тестовых материалов, но не заявляет бездефектное качество. Модель распространяется по лицензии MIT.

deepseek-coder-6.7B-kexer-GGUF — это набор GGUF-квантизированных версий модели deepseek-coder-6.7B-kexer, основанной на deepseek-ai/deepseek-coder-6.7b-base. Модель связана с датасетом JetBrains/KExercises; квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Предназначена прежде всего для генерации и решения задач программирования, включая сценарии разработки на Kotlin. Размер базовой модели составляет 6,7 млрд параметров. Доступны варианты квантизации от Q8_0 до IQ1_M с размером файлов примерно от 7,16 до менее 2 ГБ, что позволяет выбирать между качеством и требованиями к памяти. В README не указаны архитектурные детали, размер контекстного окна, полный перечень поддерживаемых языков и мультимодальные возможности. В качестве ориентира приведён результат pass@1 55,28 на MultiPL-HumanEval (Kotlin). Сильной стороной модели является специализация на коде и наличие широкого выбора квантизаций для локального запуска, однако более компактные варианты могут заметно уступать по качеству старшим версиям. Для работы рекомендуется проверить корректность шаблона запросов: в карточке отмечено, что chat template не задан, а приведённый формат может быть неточным. Модель распространяется по лицензии Apache-2.0.

DeepSeek-Coder-V2-Lite-Base-IMat-GGUF — это GGUF-квантизованная версия базовой модели deepseek-ai/DeepSeek-Coder-V2-Lite-Base, подготовленная legraphista с использованием llama.cpp. Модель предназначена прежде всего для генерации текста и задач, связанных с программированием; в README она представлена как базовая, а не специализированная диалоговая модель. Доступны варианты в форматах BF16, F16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и других типах квантизации размером примерно от 6,43 до 31,42 ГБ. Для ряда компактных вариантов применена IMatrix-квантизация, призванная повысить качество по сравнению с обычным квантованием; доступны файлы IMatrix и версии для llama.cpp. Сведения об архитектуре, количестве параметров, поддерживаемых языках, модальностях и размере контекста в README не указаны. Основные преимущества — широкий выбор уровней квантизации, возможность локального запуска через совместимый стек GGUF/llama.cpp и компромисс между качеством, размером файла и требованиями к памяти. Более агрессивное квантование может снижать качество, а для работы требуются ресурсы, соответствующие выбранному варианту. Модель распространяется по лицензии deepseek-license; в карточке указано обозначение лицензии other и ссылка на файл LICENSE.