II.2Создание и понимание программного кода

Olmo-3.1-32B-Instruct — авторегрессионная языковая модель на архитектуре Transformer, разработанная Allen Institute for AI (Ai2). Это плотная модель семейства OLMo 3 с 31,7 млрд параметров, дообученная на основе allenai/Olmo-3.1-32B-Instruct-DPO; карточка также описывает этапы SFT, DPO и обучения с подкреплением на данных Dolci. Модель рассчитана на диалог, выполнение инструкций, общие знания, математику и программирование; поддерживает интерфейс вызова инструментов. Основной язык — английский, контекст — до 65 536 токенов. Модель можно применять для ответов на вопросы, помощи с кодом и математическими задачами, а также для диалоговых и общих текстовых запросов. Доступна в формате Safetensors и работает с Transformers версии 4.57.0 или выше. Лицензия Apache 2.0; разработчик указывает на исследовательское и образовательное применение в соответствии с рекомендациями Ai2 по ответственному использованию.

Olmo-3.1-32B-Think — авторегрессионная Transformer-модель семейства OLMo, разработанная Allen Institute for AI (Ai2). Это вариант Think с 31,7 млрд параметров, дообученный на базе allenai/Olmo-3-32B-Think-DPO; в метаданных указан датасет Dolci-Think-RL. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Контекстное окно составляет 65 536 токенов, основным языком карточка называет английский. Модель предназначена для рассуждений и ответов на запросы по математике, программированию, общим знаниям и диалогу. Ai2 сообщает об улучшении решения задач благодаря длинным цепочкам рассуждений; в карточке приведены результаты тестирования, включая 96,2 балла на MATH и 80,6 на AIME 2024. Результаты бенчмарков не гарантируют точность ответов в конкретных сценариях. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — Apache 2.0; Ai2 указывает на исследовательское и образовательное применение в соответствии с рекомендациями ответственного использования. Модель может выдавать неточные сведения и вредоносный или предвзятый контент, поэтому ответы следует проверять.

Olmo-3-7B-Think-DPO — авторегрессионная языковая модель семейства OLMo 3, разработанная Allen Institute for AI (Ai2). Это плотный Transformer с 6,9 млрд параметров, дообученный методом DPO на наборе Dolci-Think-DPO-7B поверх allenai/Olmo-3-7B-Think-SFT. Модель поддерживает диалоговый режим и генерирует текст; контекстное окно составляет 65 536 токенов. Основной язык — английский. Модель предназначена для рассуждений с длинной цепочкой шагов, особенно при решении математических задач и написании кода, а также для диалогов, ответов на общие вопросы и следования инструкциям. В обучающих данных DPO были математические, программные, диалоговые и общеобразовательные запросы. Модель распространяется в форматах PyTorch и Safetensors и поддерживается Transformers версии 4.57.0 и выше. Лицензия — Apache 2.0; карточка также отсылает к рекомендациям Ai2 по ответственному использованию. Модель может выдавать неверные факты и без фильтрации генерировать вредный или предвзятый контент, поэтому ответы следует проверять.

OpenBuddy CodeLlama 70B v17.1 4K — многоязычная чат-модель семейства LLaMA, разработанная командой OpenBuddy на базе серии Meta LLaMA. Она предназначена для диалоговых ответов и генерации текста, в том числе в сценариях помощи с программированием. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 68,8 млрд параметров; репозиторий использует формат safetensors, а контекст составляет до 16 384 токенов. В метаданных и карточке указана поддержка китайского, английского, французского, немецкого, японского, корейского, итальянского и русского языков. Модель может выдавать ошибочные, вредные или оскорбительные ответы, поэтому её не следует использовать для критически важных медицинских, финансовых, юридических решений или управления потенциально опасными системами. Лицензия — LLaMA 2: для использования требуется соответствовать условиям Meta и иметь одобрение на доступ к LLaMA.

OpenChat-3.5-0106 — диалоговая языковая модель команды OpenChat, созданная дообучением Mistral-7B-v0.1 на смешанных данных. Она предназначена для общения и генерации текста, включая помощь с программированием, математические рассуждения и общие вопросы. Модель построена на архитектуре Mistral с 7,1 млрд параметров и поддерживает контекст до 8192 токенов; для диалога предусмотрены обычный режим и режим математических рассуждений. В карточке также описана экспериментальная возможность оценивать ответы и давать обратную связь. Модель рассчитана на текстовый ввод и выдачу текста. Карточка рекомендует развёртывание через OpenChat API-сервер с vLLM и указывает, что запуск возможен на потребительском GPU с 24 ГБ памяти. Опубликована под лицензией Apache-2.0. Заявления о превосходстве в карточке основаны на приведённых авторами тестах и зависят от набора задач и условий оценки.

Карточка модели openchat/openchat_8192 на Hugging Face совпадает с карточкой openchat/opencoderplus, поэтому описание составлено по ней. OpenCoderPlus — языковая модель для генерации кода из серии OpenChat, разработанной командой OpenChat. Она дообучена на базе StarCoderPlus и предназначена для продолжения и генерации кода, а также для диалога в формате User/Assistant. Модель использует архитектуру GPTBigCodeForCausalLM, принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Карточка сообщает об оценках на Vicuna GPT-4 и AlpacaEval, однако не приводит подробностей методики для задач программирования. Для диалогов используется шаблон с маркерами User, Assistant и специальным токеном конца хода. Репозиторий содержит веса PyTorch. README рекомендует загружать модель в формате bfloat16. Лицензия в предоставленных данных не указана.

CISCai/OpenCodeInterpreter-DS-6.7B-SOTA-GGUF — это набор квантованных моделей в формате GGUF на основе OpenCodeInterpreter DS 6.7B, разработанной Multimodal Art Projection (M-A-P). Модель относится к семейству DeepSeek и предназначена для генерации текста, прежде всего для задач программирования и ответов на вопросы по computer science. Указан английский язык. В репозитории представлены файлы с различными вариантами квантования, рассчитанные на запуск через llama.cpp и совместимые сторонние интерфейсы и библиотеки. Ключевая особенность — квантование с importance matrix, обученной примерно на 1 млн токенов ответов из датасета CodeFeedback-Filtered-Instruction. Доступны варианты от 1 до 4 бит с эффективной точностью примерно от 1,56 до 4,5 бит на вес. Размер файлов составляет около 1,5–2,8 ГБ и выше в зависимости от метода; требуемый объём RAM начинается примерно от 3,5 ГБ. Более компактные варианты экономят память, но могут приводить к существенной или значительной потере качества. Для корректной токенизации и лучших результатов рекомендуется свежая сборка llama.cpp. Модель лицензирована по Apache 2.0. README не содержит сведений о размере контекста, мультимодальности, полном наборе поддерживаемых языков или результатах сравнительных тестов, поэтому эти характеристики нельзя надёжно определить.

OpenCodeReasoning-Nemotron-1.1-14B — разработанная NVIDIA языковая модель для рассуждений и генерации кода, дообученная на базе Qwen/Qwen2.5-14B-Instruct. Это плотный декодерный трансформер семейства Qwen2 с 14 млрд параметров, рассчитанный на текстовый ввод и текстовый вывод. Контекстное окно — до 65 536 токенов. Модель предназначена для решения задач программирования, включая конкурентное программирование: она генерирует код и пошаговые рассуждения по условию задачи. При обучении использован набор OpenCodeReasoning из 1,165 млн примеров, содержащих задачи по программированию и ответы, созданные DeepSeek-R1-0528. В README приведён результат оценки на LiveCodeBench v5, однако сравнительные показатели не позволяют сами по себе судить о качестве на других задачах. Модель доступна для коммерческого и некоммерческого использования. Для инференса указаны vLLM и NeMo 2.3.0; NVIDIA оптимизирует модели для GPU-систем NVIDIA, а в карточке рекомендованы GPU поколений Ampere и Hopper и Linux. Она ориентирована на разработчиков и исследователей, создающих приложения на основе LLM.

OpenCoderPlus — языковая модель для генерации кода из серии OpenChat, разработанной командой OpenChat. Она дообучена на базе StarCoderPlus и предназначена для продолжения и генерации кода, а также для диалога в формате User/Assistant. Модель использует архитектуру GPTBigCodeForCausalLM, принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Карточка сообщает об оценках на Vicuna GPT-4 и AlpacaEval, однако не приводит подробностей методики для задач программирования. Для диалогов используется шаблон с маркерами User, Assistant и специальным токеном конца хода. Репозиторий содержит веса PyTorch. README рекомендует загружать модель в формате bfloat16. Лицензия в предоставленных данных не указана.

Opencsg-CodeLlama-7b-v0.2 — созданная OpenCSG полнопараметрическая донастройка CodeLlama-7b-hf, генеративной языковой модели семейства Llama для работы с кодом. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовые запросы с контекстом до 16 384 токенов. Модель предназначена для генерации и дополнения кода. В README приведён результат 50,0% Pass@1 на Python HumanEval при жадном декодировании и исходных формулировках заданий; авторы отмечают, что обучающая выборка включает несколько языков программирования. Это единственный приведённый бенчмарк, поэтому он не описывает качество на других задачах и при иных настройках генерации. Веса опубликованы в формате safetensors. Лицензия в метаданных указана как llama2; перед использованием следует учитывать условия лицензии Llama 2.

balrogbob/open_llama_3b_v2-python-instruct-0.1 — дообученная balrogbob языковая модель на базе openlm-research/open_llama_3b_v2. Это плотная авторегрессионная архитектура LLaMA с 3,3 млрд параметров, предназначенная для генерации текста и выполнения инструкций, связанных с Python. Модель обучалась с использованием Unsloth и библиотеки TRL; поддерживает контекст до 8192 токенов и ориентирована на английский язык. Модель подходит для генерации и продолжения текста, а также для помощи с Python-кодом в диалоговых или инструкционных сценариях. Распространяется в формате Safetensors по лицензии Apache-2.0.

OpenThinker3-7B — языковая модель с открытыми весами, разработанная командой Open Thoughts для задач рассуждения. Она дообучена методом supervised fine-tuning на базе Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts3-1.2M, включающем вопросы по математике, программированию и естественным наукам. По данным авторов, модель обучалась без RL и показала улучшение по сравнению с предыдущими моделями OpenThinker в приведённых тестах. Модель имеет плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и генерирует текст. Контекст составляет до 32 768 токенов; поддерживаются чатовый режим и интерфейс вызова инструментов. Модель предназначена для решения математических задач, написания и анализа кода, научных вопросов и пошагового рассуждения. Доступна по лицензии Apache 2.0.

Карточка модели lausannequants/OpenThinker-7B на Hugging Face совпадает с карточкой open-thoughts/OpenThinker-7B, поэтому описание составлено по ней. OpenThinker-7B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная командой OpenThoughts. Она дообучена на Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts-114k, созданном с использованием дистилляции DeepSeek-R1. Модель содержит 7,1 млрд параметров, работает через Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов с упором на рассуждения, решение математических задач, вопросы по естественным наукам и программирование. В README приведены оценки на AIME24, MATH500, GPQA-Diamond и задачах LiveCodeBench; результаты показывают сильные стороны в математике и коде, но не гарантируют точность каждого ответа. Веса, данные и код проекта опубликованы; лицензия модели — Apache 2.0. Это текстовая модель, поэтому она не принимает изображения или аудио. Как и другие языковые модели, она может выдавать неверные ответы и требует проверки результатов, особенно в задачах, где ошибка критична.

Карточка модели schwyzquant/OpenThinker-7B на Hugging Face совпадает с карточкой open-thoughts/OpenThinker-7B, поэтому описание составлено по ней. OpenThinker-7B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная командой OpenThoughts. Она дообучена на Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts-114k, созданном с использованием дистилляции DeepSeek-R1. Модель содержит 7,1 млрд параметров, работает через Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов с упором на рассуждения, решение математических задач, вопросы по естественным наукам и программирование. В README приведены оценки на AIME24, MATH500, GPQA-Diamond и задачах LiveCodeBench; результаты показывают сильные стороны в математике и коде, но не гарантируют точность каждого ответа. Веса, данные и код проекта опубликованы; лицензия модели — Apache 2.0. Это текстовая модель, поэтому она не принимает изображения или аудио. Как и другие языковые модели, она может выдавать неверные ответы и требует проверки результатов, особенно в задачах, где ошибка критична.

Карточка модели shaffhausen/OpenThinker-7B на Hugging Face совпадает с карточкой open-thoughts/OpenThinker-7B, поэтому описание составлено по ней. OpenThinker-7B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная командой OpenThoughts. Она дообучена на Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts-114k, созданном с использованием дистилляции DeepSeek-R1. Модель содержит 7,1 млрд параметров, работает через Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов с упором на рассуждения, решение математических задач, вопросы по естественным наукам и программирование. В README приведены оценки на AIME24, MATH500, GPQA-Diamond и задачах LiveCodeBench; результаты показывают сильные стороны в математике и коде, но не гарантируют точность каждого ответа. Веса, данные и код проекта опубликованы; лицензия модели — Apache 2.0. Это текстовая модель, поэтому она не принимает изображения или аудио. Как и другие языковые модели, она может выдавать неверные ответы и требует проверки результатов, особенно в задачах, где ошибка критична.

Карточка модели stgallenquants/OpenThinker-7B на Hugging Face совпадает с карточкой open-thoughts/OpenThinker-7B, поэтому описание составлено по ней. OpenThinker-7B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная командой OpenThoughts. Она дообучена на Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts-114k, созданном с использованием дистилляции DeepSeek-R1. Модель содержит 7,1 млрд параметров, работает через Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов с упором на рассуждения, решение математических задач, вопросы по естественным наукам и программирование. В README приведены оценки на AIME24, MATH500, GPQA-Diamond и задачах LiveCodeBench; результаты показывают сильные стороны в математике и коде, но не гарантируют точность каждого ответа. Веса, данные и код проекта опубликованы; лицензия модели — Apache 2.0. Это текстовая модель, поэтому она не принимает изображения или аудио. Как и другие языковые модели, она может выдавать неверные ответы и требует проверки результатов, особенно в задачах, где ошибка критична.

OpenThinker-Agent-v1-GGUF — набор GGUF-квантизаций модели OpenThinker-Agent-v1, разработанной командой open-thoughts и подготовленной пользователем bartowski с использованием llama.cpp и imatrix-калибровки. Модель ориентирована на агентские сценарии, работу с терминалом, генерацию кода и задачи software engineering. Обучение связано с датасетами OpenThoughts-Agent-v1-SFT и OpenThoughts-Agent-v1-RL. Модель предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 размером 16,39 ГБ до низкобитных квантизаций, включая Q8_0, Q6_K, Q5_K, Q4_K и Q3_K; конкретный размер и качество зависят от выбранного файла. Для взаимодействия используется chat-шаблон с маркерами system, user и assistant. Данные о точной архитектуре, числе параметров, поддерживаемых языках и размере контекста в README не указаны. Сильными сторонами являются широкий выбор квантизаций, возможность локального запуска и оптимизация вариантов imatrix для сохранения качества при уменьшении размера. Более компактные варианты подходят для систем с ограниченной памятью, но могут уступать старшим версиям по качеству. Модель распространяется по лицензии Apache-2.0.

Locutusque/Orca-2-13b-SFT-v6 — плотная языковая модель семейства LLaMA, созданная полным дообучением microsoft/Orca-2-13b на наборах инструкций и диалогов, включая No Robots, EverythingLM, Capybara, Pure-Dove, LessWrong-Amplify-Instruct, Verified-Camel, Guanaco и OpenAssistant. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM, распространяется в формате safetensors и рассчитана на контекст до 4096 токенов. Для запросов применяется шаблон ChatML. Модель предназначена для генерации ответов на инструкции и вопросы, рассуждений, суммаризации и программирования. В README приведены результаты оценивания на бенчмарках AI2 Reasoning Challenge и HellaSwag, а также значение test loss на Verified-Camel; эти показатели характеризуют отдельные тесты и не гарантируют качество во всех сценариях. В метаданных отмечена поддержка английского, французского, испанского, хинди и китайского языков. Использование регулируется лицензией Microsoft Research; перед применением следует учитывать её условия.

Ornith-1.0-35B-A3B-MXFP4_MOE_Hybrid-Imatrix-GGUF — это квантизированная GGUF-версия языковой модели Ornith-1.0-35B, разработанной Ornith AI; данные модели опубликованы пользователем jashepp. Согласно README, базовая модель создана на основе Gemma 4 и Qwen 3.5 и ориентирована прежде всего на агентные задачи программирования. Модель предназначена для генерации текста и кода, планирования и выполнения многошаговых правок в проектах, использования инструментов и других сценариев, где важны рассуждение и автономное решение задач. Модель использует архитектуру Mixture of Experts с заявленным общим размером 35B параметров и активными 3B параметрами (A3B). Репозиторий содержит варианты с ручной настройкой точности, включая MXFP4 для MoE-слоёв, Q8_0 и F16 для отдельных компонентов, а также калибровочную importance matrix (imatrix), оптимизированную для сохранения качества рассуждений при снижении требований к памяти. Указан английский язык; поддерживаются текстовые запросы и ответы. Размер контекста в README для самой модели не указан. К сильным сторонам относятся ориентация на agentic coding, планирование перед внесением изменений, поддержка reasoning, tool-use и chained distillation, а также уменьшенный по сравнению с полноразмерным вариантом объём памяти благодаря квантизации. Ограничения связаны с тем, что это квантизированная сборка, поэтому качество и скорость зависят от выбранного файла, совместимого движка GGUF и доступной видеопамяти; точные требования к оборудованию, бенчмарки и возможности работы на других языках в README не приведены. Модель распространяется по лицензии MIT.

Ornith-1.0-35B-GGUF — открытая языковая модель семейства Ornith-1.0, разработанная командой проекта Ornith и ориентированная на агентное программирование. Модель предназначена для генерации кода, автономного выполнения задач разработки и работы в инструментах командной строки, включая сценарии, оцениваемые в Terminal-Bench и SWE-bench. Версия 35B позиционируется как облегчённый вариант семейства для эффективного развёртывания на одной GPU. Модель относится к текстовым моделям генерации; точная архитектура, размер контекстного окна и перечень поддерживаемых языков в карточке не указаны. В описании семейства упоминается обучение с подкреплением, в ходе которого оптимизируются как траектории решения, так и управляющие их scaffolds, что должно улучшать поиск решений и качество результатов. Для Ornith-1.0-35B заявлены результаты 64,2 в Terminal-Bench 2.1 (Terminus-2), 62,8 в Terminal-Bench 2.1 (Claude Code), 75,6 в SWE-bench Verified и 50,4 в SWE-bench Pro. Сильными сторонами модели являются специализация на агентных задачах программирования, открытый исходный доступ и заявленная эффективность развёртывания. Ограничения включают отсутствие в карточке подробностей о языках, контексте, точной архитектуре и возможностях за пределами текстового программирования; приведённые показатели зависят от используемого агента и методики оценки. Модель распространяется по лицензии MIT без региональных ограничений.

SC117/Ornith-1.0-9B-heretic-MTP — текстовая генеративная модель для агентного программирования, созданная на основе Ornith-1.0-9B от DeepReinforce AI. В README описана как дообученная с помощью обучения с подкреплением модель семейства Qwen3.5 с 9 млрд параметров; репозиторий содержит веса BF16 в Safetensors, добавленные MTP-слои и проектор зрения mmproj-F16. Модель предназначена для генерации кода, выполнения задач разработки с агентными сценариями и взаимодействия через чат. MTP (Multi-Token Prediction) позволяет предсказывать несколько будущих токенов одновременно. В README также указана абляция поведения отказа методом heretic ARA-LoRA. Метаданные указывают поддержку чата и задачу text-generation; несмотря на упоминание зрения в README, возможности мультимодального ввода не подтверждены метаданными. Лицензия — MIT. README приводит результаты на Terminal-Bench 2.1, SWE-Bench Verified, NL2Repo и OpenClaw, но числовые таблицы результатов в доступном тексте пропущены. Для запуска в llama.cpp указаны шаблон chatml и контекст 8192 токена; это рекомендация из README, а не значение native-контекста в метаданных.

Ornith-1.5-35B-A3B — среднеразмерная модель семейства Ornith-1.5, разработанная командой Ornith. Это модель типа mixture-of-experts, ориентированная прежде всего на программирование и агентные сценарии. Она предназначена для решения задач в терминале, разработки и исправления программного кода, а также для автономных многошаговых рабочих процессов, где требуется выбирать стратегии, взаимодействовать с инструментами и выполнять rollouts. Модель содержит 35 млрд параметров, но активирует около 3 млрд параметров на токен, что снижает вычислительную нагрузку по сравнению с плотными моделями сопоставимого общего размера. Ornith-1.5 развивает подход Ornith-1.0: модель совместно оптимизирует генерацию задач, построение scaffold и rollouts решений с использованием reinforcement learning и самоулучшения. В README указано, что она превосходит сопоставимую Qwen3.6-35B-A3B и ряд плотных моделей на бенчмарках агентного программирования и кодинга, включая Terminal-Bench 2.1 и SWE-bench Verified. Модель опубликована для библиотеки MLX и относится к задачам генерации текста. README не указывает поддерживаемые языки, размер контекстного окна, мультимодальные возможности, точные требования к оборудованию или лицензию, поэтому эти характеристики нельзя определить по представленным данным. Также заявленные результаты зависят от конкретных бенчмарков и конфигураций, а пригодность модели для других задач требует отдельной проверки.

Ornith 1.5 35B-A3B Uncensored — мультимодальная модель для диалогов, программирования и агентных задач, созданная на основе Ornith 1.5 35B-A3B. Разработчик применил к весам Ornith task-vector с модели Qwen3.6-35B-A3B-abliterated: изменены 102 совместимых тензора, а vision- и MTP-компоненты Ornith сохранены. Модель использует архитектуру Qwen3.5 MoE и файлы Safetensors; базовая модель содержит 35 млрд параметров. Контекст настроен на 262 тыс. токенов. Модель предназначена для текстовых диалогов, программирования, агентных сценариев и анализа изображений. В README заявлено, что дообучение Ornith для программирования и агентных задач сохранено, а склонность к отказам намеренно снижена. Локальная проверка на квантованной сборке Q4_K_M охватывала 20 промптов; её эвристические результаты не являются общим бенчмарком этой модели. Лицензия — Apache-2.0. Для запуска требуются актуальные версии Transformers, vLLM или SGLang; README указывает Transformers 5.8.1+, vLLM 0.19.1+ и SGLang 0.5.9+.

Ornith-1.5-9B-ASHQ1-Remix-GGUF — GGUF-квантованная версия модели Ornith-1.5-9B, опубликованная Soulfate24. Она предназначена для генерации текста и диалогового общения. Модель основана на Ornith AI Ornith-1.5-9B — плотной языковой модели на 9 млрд параметров для программирования, агентных задач, работы с инструментами и длинным контекстом. Вариант ASHQ1-Remix использует активационно-ориентированную квантализацию GGUF; README сообщает о проверке семи уровней квантализации на шести семействах моделей. Лицензия — MIT. Сведения о поддерживаемых языках этой версии не приведены.

Fastiraz/Ornith-1.5-9B-GGUF — квантованное представление модели Ornith-1.5-9B, разработанной командой Ornith AI. Это плотная языковая модель с 9 млрд параметров, предназначенная для эффективного развёртывания на одной GPU; мобильная квантованная версия также ориентирована на запуск на периферийных устройствах и смартфонах. Модель относится к классу генеративных текстовых моделей и предназначена прежде всего для программирования, решения инженерных задач и работы с инструментами командной строки. Ornith-1.5 развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным непрерывным предварительным обучением, промежуточным обучением и постобучением. В новой версии совместно оптимизируются генерация задач, построение scaffolding и rollouts решений с применением reinforcement learning и цикла самоулучшения. По заявленным результатам модель показывает сильные показатели в задачах разработки программного обеспечения: 70,6 на SWE-bench Verified, 47,5 на SWE-bench Pro и 46,2–47 на Terminal-Bench 2.1 в зависимости от используемого агента. Ключевыми преимуществами являются компактный размер, возможность локального запуска и специализация на агентных сценариях программирования. README не содержит сведений о поддерживаемых языках, длине контекста, точных параметрах квантования, мультимодальности, устойчивости к ошибкам или ограничениях качества вне приведённых тестов, поэтому эти характеристики требуют дополнительной проверки. Модель распространяется по лицензии MIT; карточка указывает pipeline для генерации текста.

Parable-Qwen3-8B-Claude-Fable-5 — плотная языковая модель Qwen3-8B с 7,6 млрд параметров, дообученная AnkitAI на трассах многошаговой работы агентов Claude Fable 5 и GPT-5.5. Она предназначена для генерации текста, рассуждений, планирования, написания и отладки кода, решения задач в терминале и работы с инструментами. Модель принимает текст и выдаёт текст, в том числе структурированные вызовы инструментов. Основной язык в карточке — английский; заявлена работа с контекстом до 40 960 токенов. В README сообщаются снижение тестовой функции потерь на 67% относительно базовой модели и 23 полностью правильных ответа из 34 в качественной оценке задач по коду и терминалу. В тесте BFCL V3 качество вызова функций оказалось немного ниже, чем у исходной Qwen3-8B. Модель обучалась на последовательностях длиной 1 024 токена, поэтому усиленное поведение агента может быть заметнее в начале длинного диалога; в некоторых операционных сценариях она выдаёт JSON вызова инструмента вместо обычного текста. Веса распространяются по Apache-2.0, но обучающие наборы имеют лицензии AGPL-3.0 и MIT, а для их происхождения из сторонних ассистентов могут действовать дополнительные условия.

Это квантизированная 4-битная версия инструктивной модели Phi-3.5-mini-instruct, опубликованная пользователем tbhrc и преобразованная в формат MLX из microsoft/Phi-3.5-mini-instruct с помощью mlx-lm 0.17.0. Модель построена на плотной архитектуре Phi-3 и содержит 3,7 млрд параметров; она предназначена для диалоговой генерации текста и помощи с кодом. Метаданные указывают на многоязычную поддержку и контекст длиной 4096 токенов. Модель подходит для локальных диалоговых приложений и генерации кода. Репозиторий использует формат safetensors, а карточка указывает лицензию MIT. Сведения о конкретных ограничениях качества или языковых сценариях в карточке не приведены.

unsloth/Phi-3.5-mini-instruct-bnb-4bit — 4-битная версия инструкционной языковой модели Phi-3.5-mini-instruct, разработанной Microsoft и опубликованной в формате, совместимом с Transformers. Модель относится к семейству Phi-3, обучалась на синтетических данных и отфильтрованных общедоступных веб-материалах с акцентом на плотные по содержанию данные для рассуждений. Указана поддержка многоязычного применения и контекста до 128K токенов. Модель предназначена для создания генеративных AI-систем и функций общего назначения, особенно в средах с ограниченными ресурсами и требованиями к низкой задержке. Она ориентирована на выполнение инструкций, а также задачи программирования, математики, логики и других сценариев, требующих рассуждений. Квантование BNB до 4 бит снижает требования к памяти и может упростить запуск и дообучение, однако конкретные характеристики производительности зависят от оборудования и конфигурации. К ограничениям относятся возможные ошибки, неточности, проблемы безопасности и смещения, типичные для языковых моделей. Модель не оценивалась отдельно для всех прикладных областей, поэтому перед использованием в критически важных или регулируемых сценариях необходимы самостоятельная проверка качества, безопасности, справедливости и соответствия требованиям законодательства. В README указана лицензия MIT.

qwp4w3hyb/Phi-3-mini-4k-instruct-iMat-GGUF — это GGUF-квантизированная версия Phi-3-Mini-4K-Instruct, разработанной Microsoft. Модель содержит около 3,8 млрд параметров и предназначена для генерации текста на основе инструкций. Она обучалась на синтетических данных и отфильтрованных общедоступных веб-данных с акцентом на качество и задачи, требующие рассуждений, а также прошла supervised fine-tuning и direct preference optimization для улучшения следования инструкциям и безопасности. Модель рассчитана прежде всего на коммерческое и исследовательское использование на английском языке, включая среды с ограниченными ресурсами памяти и вычислений, сценарии с требованиями к низкой задержке, а также задачи программирования, математики, логики, понимания языка и здравого смысла. Поддерживается текстовая модальность и контекст до 4096 токенов. Версия представлена в формате GGUF для запуска с llama.cpp; квантизация выполнена с использованием importance matrix, доступны варианты K- и IQ-квантизации с уровнями от Q6_K до IQ1_S. Сильными сторонами являются компактный размер, пригодность для локального запуска и высокая производительность среди моделей с менее чем 13 млрд параметров, особенно в задачах кода, математики и логического рассуждения. Ограничениями остаются английская специализация, контекст в 4K токенов и общие риски языковых моделей: возможные ошибки, проблемы безопасности и предвзятость. Для критически важных сценариев требуется отдельная проверка качества и безопасности. Модель распространяется по лицензии MIT.

stelterlab/phi-4-AWQ — это 4-битно-квантизированная версия модели phi-4, разработанной Microsoft Research. Квантизация выполнена stelterlab в формате INT4 GEMM с использованием AutoAWQ. Базовая модель представляет собой плотный decoder-only Transformer с 14 млрд параметров, обученный на синтетических и отфильтрованных общедоступных данных, академических книгах, наборах вопросов и ответов, образовательных материалах и коде. Модель ориентирована преимущественно на английский язык; около 8% обучающих данных являются многоязычными. Модель предназначена для генерации текста по текстовым запросам, прежде всего в чат-формате, и может использоваться как основа генеративных AI-функций, в том числе в условиях ограниченных ресурсов и требований к низкой задержке. Среди ключевых сценариев — рассуждение, логика, математика, программирование, ответы на вопросы, диалог и выполнение инструкций. Контекстное окно составляет 16 000 токенов, а выходом является сгенерированный текст. Обучение включало supervised fine-tuning и direct preference optimization для повышения точности следования инструкциям и безопасности. К преимуществам относятся относительно компактный для своих возможностей размер, акцент на рассуждениях, математике, коде и следовании инструкциям, а также снижение требований к памяти благодаря INT4-квантизации. Ограничения включают преимущественную ориентацию на английский язык, статичность модели и отсечение общедоступных данных на июнь 2024 года; перед применением в чувствительных или высокорисковых сценариях необходимы проверка точности, безопасности и справедливости результатов. Модель распространяется по лицензии MIT.