II.2Создание и понимание программного кода

StarCoder2-7B — открытая модель для генерации и дополнения программного кода, разработанная проектом BigCode. Это плотный авторегрессионный Transformer-декодер с Grouped Query Attention и скользящим вниманием: окно контекста составляет 16 384 токена, из которых скользящее окно внимания — 4 096 токенов. Модель обучалась на более чем 3,5 трлн токенов из The Stack v2 и других источников, используя задачу Fill-in-the-Middle; метаданные указывают 9,9 млрд параметров. Модель подходит для продолжения кода по контексту, заполнения пропусков и генерации фрагментов на 17 языках программирования. Она не является моделью для следования инструкциям, поэтому запросы на естественном языке вроде просьбы написать функцию могут обрабатываться хуже, чем контекст с незавершённым кодом. Сгенерированный код может содержать ошибки, быть неэффективным или небезопасным. Обучающие данные отфильтрованы по лицензиям, однако модель может воспроизводить исходный код; перед использованием следует учитывать его лицензионные требования. Лицензия — BigCode OpenRAIL-M.

StarCoder2-7B-GGUF — квантованная версия модели StarCoder2 7B, разработанной командой BigCode и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена прежде всего для генерации и работы с программным кодом; исходная модель распространяется через bigcode/starcoder2-7b и использует библиотеку Transformers. В README не указаны точные архитектурные детали, перечень поддерживаемых языков программирования или естественных языков, а также мультимодальные возможности, поэтому их характеристики нельзя подтвердить. Доступно несколько вариантов квантования от 2 до 8 бит с размером файлов примерно от 2,72 до 7,63 ГБ. Заявленный размер контекста — 4608 токенов. Вариант Q4_K_M отмечен как рекомендуемый благодаря балансу размера и качества, Q5_K_M и Q5_K_S — как варианты с очень небольшой потерей качества, а Q2_K–Q3_K и некоторые legacy-варианты имеют более существенную потерю качества. Модель подходит для локального запуска в средах, совместимых с GGUF и llama.cpp; интеграция с LlamaEdge на момент публикации обозначена как находящаяся в разработке. Модель ориентирована на сценарии программирования, включая генерацию кода, но README не содержит результатов тестирования или подробного описания сильных сторон и ограничений исходной модели. Лицензия указана как BigCode OpenRAIL-M; условия её применения следует учитывать при развёртывании и распространении.

Step-3.7-Flash-FP8 — мультимодальная vision-language модель компании StepFun. Это разреженная архитектура Mixture-of-Experts (MoE) с 198 млрд параметров: языковая часть содержит 196 млрд параметров, а визуальный энкодер — 1,8 млрд. На каждый токен активируется около 11 млрд параметров. Модель поддерживает изображения, текст и контекст до 256 тысяч токенов, а также три уровня рассуждений: низкий, средний и высокий. В README указан английский язык, при этом в примере системного сообщения заявлена поддержка китайского, английского и многих других языков. Модель предназначена для высокочастотных производственных и агентских сценариев, объединяющих восприятие, поиск, проверку информации и рассуждение. Она подходит для анализа крупных финансовых отчётов, многошагового поиска с cross-source verification, работы с интерфейсами, wireframe, GUI и графиками, преобразования визуальных материалов в структурированный код, оркестрации внешних API и длительных рабочих процессов, а также для инженерных задач с многофайловыми репозиториями, поиска ошибок и подготовки патчей. Заявленная пропускная способность достигает 400 токенов в секунду. Сильные стороны модели — визуальное заземление и проверка данных, устойчивость к adversarial traps в многошаговой оркестрации, взаимодействие с инструментами и пригодность для высокопроизводительных coding-пайплайнов. Ограничения следует оценивать по приведённым бенчмаркам: результаты Terminal-Bench 2.1 и GDPVal-AA уступают абсолютным лидерам соответствующих сравнений. Модель доступна через StepFun Open Platform, OpenRouter и NVIDIA NIM; поддерживаются vLLM, SGLang, Hugging Face Transformers и llama.cpp. Указана лицензия Apache-2.0. Для локального запуска требуются высокопамятные системы; в README приведены устройства с объёмом unified memory не менее 128 ГБ.

Карточка модели exolabs/Step-3.7-Flash-IQ3_XXS-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.

Strand-Rust-Coder-14B-v1-GGUF — GGUF-квантизированная версия специализированной языковой модели для программирования на Rust. Модель разработана в экосистеме Fortytwo Network на базе Qwen2.5-Coder-14B-Instruct и дообучена методом LoRA на наборе Strandset-Rust-v1, содержащем 191 008 синтетических, проверенных примеров. Данные создавались и валидировались с использованием децентрализованной архитектуры Swarm Inference, в которой несколько моделей генерируют, проверяют и ранжируют ответы. Модель предназначена для генерации и дополнения Rust-кода, поиска и исправления ошибок, рефакторинга, оптимизации, генерации тестов и документации, code review, суммаризации, подбора имён и предсказания использования API. По заявленным результатам, она особенно сильна в задачах, связанных с пониманием владения и времён жизни Rust. На наборах RustEvo^2 и Hold-Out Set указаны показатели точности 43% и 48% соответственно; измерения проводились по доле прохождения модульных тестов при генерации одного ответа в изолированной среде Rust 1.86.0. Архитектура основана на Qwen2.5-Coder с 14 млрд параметров, GQA-вниманием и расширенными RoPE-эмбеддингами. Указаны контекст до 32 768 токенов и токенизатор с словарём около 151 тысячи элементов. GGUF-файлы созданы с помощью llama.cpp; автор также описывает выборочное повышение точности отдельных слоёв при квантизации, что может улучшать качество при увеличении размера файла. Модель ориентирована прежде всего на Rust и сохраняет общие возможности кодирования, однако заявленные метрики и преимущества относятся главным образом к Rust-задачам, а качество может зависеть от конкретного варианта квантизации. Лицензия — Apache-2.0.

SuperGemma-4-12b-abliterated — дообученный инструкционный чекпойнт на 12 млрд параметров, созданный на основе google/gemma-4-12B-it. Разработчик объединил обработку направления отказов в весовом пространстве с дополнительным постобучением для следования инструкциям, программирования, технических ответов на корейском языке, форматирования JSON и вызовов инструментов. Модель распространяется как единый чекпойнт без необходимости подключать адаптер во время работы. Модель предназначена для диалогов, выполнения инструкций и генерации кода. README описывает снижение лишних отказов и приводит результаты внутренних и публичных проверок, однако они не гарантируют качество на других запросах. В метаданных также заявлена мультимодальная архитектура семейства Gemma 4 с возможностью работы с изображениями, видео и аудио у базовой модели; явное подтверждение этих входов для данного чекпойнта в README отсутствует. Модель загружается через Transformers, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка указывает английский и корейский языки; дополнительное постобучение особенно ориентировано на технические ответы на корейском.

Swarm Scout 12B — мультимодальная модель для программирования и агентных технических задач, созданная LiamVisionary на основе объединения Gemma 4 12B Instruct и производной модели с настройкой для агентных сценариев. Модель рассчитана на помощь с написанием и отладкой кода, работой в терминале, использованием инструментов и многошаговым рассуждением. Поддерживает диалог и обработку изображений; вариант на Hugging Face распространяется в формате safetensors и использует архитектуру Gemma4UnifiedForConditionalGeneration. Для работы требуется свежая версия библиотеки Transformers с поддержкой Gemma 4 unified. Модель ориентирована прежде всего на англоязычные сценарии. Для распознавания изображений есть подтверждённый пример анализа чека; поддержку аудио и видео унаследованная конфигурация описывает, однако качество этих режимов для данного выпуска отдельно не проверяли. Низкий уровень отказов является намеренной особенностью, поэтому для практического развёртывания нужны прикладные ограничения и защита от злоупотреблений; общие знания следует перепроверять. Модель распространяется по лицензии Apache 2.0 без гарантии качества.

SWE-Next-7B — языковой агент для инженерных задач на уровне репозитория, разработанный TIGER-Lab и дообученный полным supervised fine-tuning на базе Qwen/Qwen2.5-Coder-7B-Instruct. Модель обучена на 3 693 траекториях из набора SWE-Next-SFT-Trajectories, построенных по реальным объединённым pull request и проверяемым средам репозиториев. Архитектура — плотная Qwen2ForCausalLM на 7,1 млрд параметров; формат весов — safetensors, библиотека — Transformers. Модель предназначена для анализа репозиториев, исправления ошибок и отладки с учётом контекста проекта. Обучающие траектории делают акцент на ремонте кода в репозитории и восстановлении после неудачных попыток, а не на изолированном автодополнении. Контекст — до 32 768 токенов; метаданные указывают английский язык. Лицензия — MIT. Это генеративная модель, а не готовая автономная среда агента: для выполнения и проверки изменений нужны инструменты и окружение репозитория. Результаты обучения на SWE-Bench показывают улучшение pass@1, однако карточка не приводит конкретных численных оценок для этого чекпойнта.

SWE-rebench-openhands-Qwen3-30B-A3B — дообученная Nebius модель для генерации кода и работы агентом OpenHands над задачами разработки ПО. Это чекпойнт Qwen/Qwen3-30B-A3B-Instruct-2507, полученный методом rejection sampling fine-tuning на траекториях OpenHands из набора nebius/SWE-rebench-openhands-trajectories. Архитектура — MoE; метаданные указывают 2,6 млрд параметров, а в README модель описана как 30B. Контекст в метаданных — до 262 144 токенов; обучение использовало последовательности до 131 тыс. токенов. Модель предназначена для решения задач SWE-bench в агентном цикле: анализировать репозиторий, использовать инструменты и выполнять многошаговые изменения кода. В оценке с OpenHands она превзошла базовую Qwen3-30B-A3B-Instruct-2507 и на настройке в 500 ходов показала результаты на уровне или выше Qwen3-Coder-30B-A3B-Instruct на SWE-bench Verified. Датасет обучения исключал задачи SWE-bench Verified и сентябрьские задачи SWE-rebench; для SWE-bench Verified также проводилась проверка на утечку на уровне репозиториев. Репозиторий распространяется по лицензии Apache-2.0.

SWE-Review-8B — это диалоговая языковая модель для агентного ревью кода, дообученная разработчиками SWE-Review на Qwen3-8B с использованием 8 914 траекторий ревью из набора SWE-Review-Traj. Модель исследует репозиторий с помощью вызовов инструментов, самостоятельно ищет первопричину проблемы и формирует структурированное решение по ревью с диагностическими замечаниями для доработки. Модель предназначена для автоматизации ревью pull request и итерационного цикла «изменение — ревью — исправление», в том числе для оценки патчей на задачах SWE-bench. Это плотная архитектура Qwen3 с 7,6 млрд параметров и контекстом до 163 840 токенов. README описывает англоязычное применение в программной разработке и запуск через vLLM с поддержкой вызова инструментов; опубликованные результаты относятся к SWE-Review-Bench и зависят от уровня качества входных pull request. Модель распространяется под лицензией Apache-2.0. Она предназначена для работы в составе агентного контура с доступом к чтению файлов и поиску по коду; сама по себе не предоставляет полный процесс оркестрации. В README приведены конкретные настройки парсера вызовов инструментов, а результаты бенчмарка не гарантируют аналогичного качества на других языках, репозиториях или типах изменений.

Hagwell/Ternary-Bonsai-2-27B-gguf — мультимодальная причинная языковая модель семейства Bonsai 2, разработанная Prism ML и производная от Qwen3.8-27B. Она предназначена для генерации текста, рассуждений, программирования, агентских сценариев и вызова инструментов, а также поддерживает обработку изображений при подключении отдельного vision-пакета. Модель рассчитана на локальный запуск через llama.cpp на CPU, GPU с CUDA и устройствах Apple с Metal. Модель содержит около 27,36 млрд параметров и использует гибридную архитектуру внимания: примерно 75% слоёв основаны на linear attention, а около 25% — на полном внимании. В архитектуре также используются SwiGLU, RoPE и RMSNorm. Языковые веса представлены в троичном формате со значениями −1, 0 и +1 и групповым масштабированием FP16; заявленный эффективный размер составляет около 1,72 бита на параметр. Доступны две упаковки GGUF: PTQ1_0 размером около 5,95 ГБ и PQ2_0 размером около 7,21 ГБ. Контекст поддерживает до 262 тысяч токенов. Для изображений предусмотрен отдельный vision-пакет формата Q8_0. К сильным сторонам относятся существенно меньший размер по сравнению с FP16, сохранение возможностей рассуждения, программирования и агентского поведения в низкобитном формате, а также возможность запуска 27B-класса на обычном ноутбуке или одной видеокарте. Заявлены результаты на уровне 98,2% от FP16 на среднем показателе 14 бенчмарков и производительность около 47 токенов в секунду на ноутбуке с Apple M5 Max. Ограничения включают необходимость специализированных ternary-ядер и совместимых сборок llama.cpp, а поддержка изображений требует отдельного пакета. Модель распространяется по лицензии Apache 2.0.

Ternary-Bonsai-27B-GGUF — набор GGUF-квантизаций модели Ternary-Bonsai-27B, подготовленный пользователем vcruz305 на основе официального F16-релиза prism-ml. В основе лежит backbone Qwen3.6-27B с гибридным вниманием, контекстом до 262 тысяч токенов и поддержкой vision. Модель предназначена для генерации текста и кода, диалоговых сценариев, программирования, рассуждений и отладки через llama.cpp. Репозиторий включает варианты Q3_K_M, IQ4_XS, Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 13,3 до 28,6 ГБ. Для большинства вариантов использована importance matrix, полученная на корпусе объёмом 63 КБ с примерами программирования, отладки и рассуждений; Q8_0 создан без неё. Доступны два файла mmproj для работы с изображениями. Производительность зависит от пропускной способности памяти и оборудования: на GB10 заявлены скорости примерно от 7,8 до 14 токенов в секунду. Сильная сторона модели — широкий диапазон квантизаций для систем с 12–32 ГБ памяти, а также сочетание генерации кода, рассуждений и визуального ввода. При объёме памяти до 8 ГБ автор рекомендует использовать официальные QAT-кванты prism-ml, поскольку они сохраняют более высокое качество. Совместное использование с DSpark drafter протестировано, но для этих квантизаций не рекомендуется: коэффициент принятия черновых токенов составил около 54%, поэтому прирост производительности может отсутствовать. Модель распространяется по лицензии Apache-2.0 и рассчитана на использование с llama.cpp.

Tess-v2.5.2-Qwen2-72B — языковая модель для диалоговой генерации текста, созданная Мигелем Тиссерой (Migel Tissera) в серии Tess. Это плотная модель Qwen2 с 71,5 млрд параметров и контекстом до 131 072 токенов; она принимает текст и обучена следовать формату диалога ChatML. Модель дообучена на Qwen2-72B с использованием набора Tess-v2.5 из 300 тысяч синтетических примеров по широкому кругу тем, включая программирование, математику, STEM, бизнес, историю, общественные науки и искусство. Автор указывает на улучшения в рассуждениях, программировании и математике. Модель может поддерживать беседу и задавать уточняющие вопросы; чтобы отключить их, в системной инструкции можно попросить не задавать дополнительных вопросов. Обучение проводилось без RLHF и DPO. Модель подходит для диалоговых помощников, объяснений, рассуждений и помощи с кодом. Она может выдавать неточные, вводящие в заблуждение, предвзятые или оскорбительные ответы; результаты следует проверять. Автор характеризует модель как uncensored. Лицензия в метаданных обозначена как other, конкретные условия использования следует проверять в репозитории.

Tiel-Coder-35B-A3B-GGUF-MTP — локальная GGUF-версия модели Ornith-1.5-35B-A3B, подготовленная с динамической квантизацией, собственной imatrix и шаблоном диалогов Sharp. Модель ориентирована прежде всего на агентное программирование, исправление реальных проблем в кодовых базах и длительные многоходовые диалоги. В метаданных указаны поддержка английского и китайского языков, а также сценарий image-text-to-text и возможность работы с визуальными данными; подробности о реализации мультимодальности в README не приведены. Модель использует разреженную MoE-архитектуру с заявленным размером 35B и активной частью 3B параметров. Доступны варианты квантизации от 2 до 8 бит в формате GGUF, совместимые с llama.cpp; размер наиболее рекомендуемого варианта UD-Q4_K_XL составляет 23,3 ГБ. Заявлена поддержка контекста до 262 тысяч токенов, при этом KV-кэш в формате 16-bit занимает менее 5 ГБ оперативной памяти для такого контекста. Архитектура позволяет использовать частичную выгрузку на GPU и запускать модель на системах с ограниченными ресурсами. Сильными сторонами являются скорость, эффективность в задачах программирования и качество многоходового общения. В приведённых автором тестах модель решила 12 из 25 задач SWE-bench-Live и получила 67,2 балла в Claw-Eval, однако уступила специализированным моделям в MMLU-Pro и задачах на знания и сложное рассуждение. README прямо предупреждает, что модель слаба в викторинах и экзаменационных сценариях, а более низкие уровни квантизации заметно ухудшают способность к агентному программированию. Модель распространяется по лицензии MIT.

Tiel-Coder-35B-A3B-MLX-oQ4e-MTP — локальная кодовая модель, опубликованная peculiar-ragdoll. Она основана на Ornith-1.5-35B-A3B от ornith-ai и представляет собой его повторно квантизированную версию с помощью oMLX oQ4e, встроенным Sharp chat template и обученной головой multi-token prediction (MTP). Модель относится к семейству MoE с заявленным размером 35B-A3B, поддерживает текстовые и визуальные входы, а среди языков указаны английский и китайский. Размер контекста в README не указан. Модель предназначена прежде всего для agentic coding: исправления реальных проблем в кодовых базах, работы с репозиториями и длительных многоходовых диалогов. По приведённым измерениям GGUF-версии она показывает сильные результаты в SWE-bench-Live и multi-turn задачах, однако эти показатели нельзя напрямую считать результатами данного MLX-файла. Для экзаменационных знаний, викторин и сложного общего рассуждения модель подходит хуже: в README отдельно отмечены слабые результаты на trivia и более низкий показатель MMLU-Pro по сравнению с альтернативной моделью Nail. Для работы с MTP-версией рекомендуется runtime oMLX на Apple Silicon; зрение включено в тот же каталог, отдельный projector-файл не требуется. LM Studio для этой сборки не поддерживается: его MLX-движок некорректно исполняет MTP head и генерирует бессмысленный многоязычный текст. Для LM Studio следует использовать GGUF-версию или MLX-сборку без MTP. Лицензия — MIT.

Tinfield 1 — разработанная badtheorylabs дообученная агентная модель на базе Qwen3.8-Flash-Next для работы в терминале и длительных задач по разработке программного обеспечения. Она принимает текст и изображения и выдаёт текст; в метаданных указаны возможности диалога, работы с кодом, вызова инструментов и анализа изображений. Заявлены контекст 256 тыс. токенов и архитектура Qwen4ExpForConditionalGeneration; в README для основной версии указаны веса BF16 и 177 млрд параметров всего, из которых активно 6,6 млрд на токен. В README приведены результаты BF16-версии: 33,0 на Terminal-Bench 4.0 и 62 на DeepSWE v1.1. Также описаны компактные квантованные сборки для запуска на машине с 64 ГБ памяти, однако эти сборки не оценивались на указанных бенчмарках. Лицензия обозначена как other, поэтому конкретные условия следует сверить с карточкой модели.

UltiMerge — текстовая причинно-следственная MoE-модель, созданная OliviaRossi геометрическим слиянием четырёх чекпойнтов на архитектуре Qwen 3.6. Среди исходных моделей указаны Qwen-AgentWorld-35B-A3B, KAT-Coder-V2.5-Dev, Qwopus3.6-35B-A3B-Coder и Ornith-1.5-35B-A3B. Модель предназначена для агентного программирования, инженерии программных репозиториев, рассуждений, планирования и работы с инструментами. Архитектура сочетает MoE с 256 маршрутизируемыми экспертами, из которых активны восемь, и одним общим экспертом; в README также описаны 30 слоёв Gated DeltaNet и 10 слоёв GQA. Всего модель содержит около 34,8 млрд параметров, из них примерно 3,1 млрд активны на токен. Карточка указывает контекст до 262 144 токенов. Мультимодальные веса зрения и головы предсказания нескольких токенов удалены; модель работает с текстом, включая код, и заявлена поддержка английского и китайского языков. Слияние объединяет способности к использованию инструментов, работе с кодом и репозиториями, рассуждениям и самокоррекции. Для запуска README описывает варианты Transformers, vLLM, SGLang и llama.cpp; метаданные указывают формат safetensors. Модель распространяется по лицензии Apache-2.0. Указанные в README характеристики и качество объединения основаны на описании автора; независимые результаты оценки не приведены.

unSQLv1-7b-sqlite-lora — модель генерации SQL-запросов для SQLite, созданная unsqldotai. Это LoRA-дообучение CodeLlama-7B; архитектура — плотная авторегрессионная Llama с 6,6 млрд параметров. Модель предназначена для преобразования запросов на естественном языке в SQL с учётом схемы базы данных SQLite. Контекст — до 16 384 токенов. Модель рассчитана на работу с синтаксисом SQLite; README указывает, что варианты для других диалектов SQL планировались отдельно. Веса доступны в формате safetensors, лицензия — Apache-2.0.

VeriLoop E2 — открытая модель с 27 млрд параметров, разработанная Tsinghua SIGS Robot Lab и Libo Wang на основе Qwen3.8-27B и дообученная для программирования, математики и физики. Это плотная модель семейства Qwen3.5 с поддержкой диалогов и интерфейса вызова инструментов; она принимает текст и, согласно характеристикам базовой модели и тегам, изображения. Нативное окно контекста составляет 262 144 токена. Для запуска доступны веса safetensors и библиотека Transformers; README также описывает совместимый с OpenAI способ обслуживания через vLLM. Модель предназначена для инженерных задач с кодом, математического и научного рассуждения, а также сценариев с инструментами и проверкой промежуточных результатов. Подход VeriLoop-Governed Recurrence предполагает, что модель предлагает варианты решения, а внешний Harness проверяет и принимает их; рабочая реализация производственного Harness в репозитории не опубликована. В README приведены результаты на кодовых, математических и научных бенчмарках, однако они относятся к конкретной конфигурации оценки и не гарантируют аналогичных результатов в другом окружении. Модель может выдавать ошибочный код, доказательства или научные рассуждения, поэтому результаты требуют проверки. Работа с длинным контекстом зависит от конфигурации сервера и доступной памяти. Лицензия — Apache 2.0.

Viper-Coder-HybridMini-v1.3 — дообученная модель для генерации кода и текста, созданная на основе Qwen/Qwen2.5-7B-Instruct. В карточке заявлена настройка на синтетических данных по программированию и рассуждениям; архитектура — плотная Qwen2ForCausalLM, размер — 7,1 млрд параметров. Модель предназначена для диалоговой работы, следования инструкциям, генерации и отладки кода, логических и математических задач, а также создания структурированных ответов в форматах JSON и YAML. Модель принимает текст и генерирует текст, включая программный код. В README заявлена поддержка многих языков программирования и документации на более чем 29 естественных языках; метаданные карточки указывают английский и китайский. Нативная длина контекста по метаданным — 32 768 токенов; README также заявляет обработку до 128K токенов, что не подтверждается этими метаданными. Доступны интерфейсы чата и вызова инструментов. Лицензия — Apache-2.0. README отмечает зависимость качества от формулировки запроса и возможные логические несогласованности в длинных ответах; доступ к актуальной интернет-информации не заявлен. Указанные в карточке результаты оценки представлены частично, поэтому они не позволяют полноценно сравнить модель с альтернативами.

Virtuoso-Small-v2 — языковая модель на 14 млрд параметров от Arcee AI, основанная на архитектуре Qwen2.5-14B. Модель дообучена с дистилляцией логитов DeepSeek-V3 на большом текстовом корпусе, затем дополнительно выровнена с помощью DPO. Для совместимости при переносе знаний применялась обработка токенизатора; итоговая модель использует токенизатор Qwen. Метаданные указывают контекст до 131 072 токенов и формат Safetensors. Модель предназначена для диалоговой генерации текста, ответов на технические и научные вопросы, решения математических задач и генерации кода. В карточке также заявлен интерфейс вызова инструментов. README описывает дистилляцию знаний DeepSeek-V3 и улучшение следования инструкциям, однако количественные сравнительные оценки не приведены. Модель распространяется по лицензии Apache-2.0. Среди ограничений указаны возможные пробелы в знаниях о событиях после июня 2024 года и риск генерации вредного или предвзятого текста; заявленная длина контекста в README округлена до 128k токенов.

wavecoder-ultra-6.7b-GGUF — это GGUF-квантизация модели wavecoder-ultra-6.7b, разработанной Microsoft и опубликованной в исходном виде на Hugging Face. Квантизации подготовлены пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации и обработки программного кода; в метаданных указаны задачи text-generation, набор данных HumanEval и метрика code_eval. Модель содержит 6,7 млрд параметров и поставляется в нескольких вариантах квантования от Q8_0 до IQ1_S, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS; их размер составляет примерно от 3,62 до 5,52 ГБ. Для работы используется формат GGUF и llama.cpp. Ожидаемый формат запроса близок к DeepSeek Coder или Alpaca: системная инструкция, блок «Instruction» и блок «Response». Сильной стороной модели является возможность локального запуска на широком диапазоне оборудования благодаря множеству уровней квантования, включая варианты для систем с ограниченным объёмом RAM. Более агрессивное квантование уменьшает размер и требования к памяти, но снижает качество генерации. README не содержит сведений об архитектуре, поддерживаемых языках программирования и естественных языках, размере контекстного окна, результатах сравнительных тестов или ограничениях безопасности. Указана лицензия other с license_name deepseek; точные условия лицензии следует уточнять в исходной карточке модели.

WhiteRabbitNeo-2.5-Qwen-2.5-Coder-7B — модель серии WhiteRabbitNeo, разработанной для задач наступательной и защитной кибербезопасности. Это дообученная версия Qwen/Qwen2.5-Coder-7B с архитектурой Qwen2 и 7,1 млрд параметров; модель предназначена для генерации кода и диалогового взаимодействия. Она принимает текстовые запросы и выдаёт текст, включая программный код. Поддерживаемая длина контекста — 32 768 токенов; в карточке указан английский язык. Модель выпущена как публичная предварительная версия для оценки возможностей и общественного влияния. Лицензия — Apache-2.0; README также содержит условия использования и отказ от гарантий.

QuixiAI выпустила WizardLM-1.0-Uncensored-CodeLlama-34b — дообученную на базе CodeLlama-34b языковую модель семейства Llama с 33,5 млрд параметров. Модель обучена на отфильтрованных данных WizardLM Evol Instruct V2 и использует формат запросов, совместимый со стилем Vicuna 1.1. Модель предназначена для генерации текста и кода, выполнения инструкций и диалоговых сценариев. Разработчик сообщает, что обучение было направлено на снижение отказов, уклончивых ответов и смещения; база CodeLlama, по описанию карточки, обеспечивает хорошие возможности для программирования. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 16 384 токенов. Метка «uncensored» не означает полного отсутствия ограничений: в README отмечены унаследованные этические установки LLaMA и отсутствие защитных механизмов. Модель распространяется по лицензии Llama 2; применяйте её с учётом условий этой лицензии и самостоятельно оценивайте генерируемый контент.

XiYanSQL-QwenCoder-14B-2502 — языковая модель семейства XiYanSQL-QwenCoder от XGenerationLab, предназначенная для преобразования вопросов на естественном языке в SQL. Это плотная авторегрессионная модель Qwen2 на 14 млрд параметров с контекстом 32 768 токенов, доступная в формате safetensors и рассчитанная на запуск через Transformers или vLLM. Модель принимает вопрос пользователя, схему базы данных и при необходимости справочную информацию, затем генерирует SQL-запрос. Она ориентирована на работу с SQLite, PostgreSQL и MySQL; авторы рекомендуют представлять схему в формате M-Schema, хотя поддерживается и DDL. Её можно применять для прямой генерации запросов и как основу для дальнейшей настройки моделей Text-to-SQL. Карточка приводит результаты оценки семейства на наборах BIRD и Spider, но не указывает отдельные результаты версии 14B в предоставленной таблице. В примере промпт составлен на китайском, а перечень поддерживаемых языков модели не заявлен. Модель распространяется по лицензии Apache-2.0.

XiYanSQL-QwenCoder-32B-2412 — языковая модель команды XiYanSQL/XGenerationLab для преобразования вопросов на естественном языке в SQL. Она построена на архитектуре Qwen2 и содержит 32 млрд параметров; доступна в формате safetensors и рассчитана на контекст до 32 768 токенов. Модель принимает вопрос, описание схемы базы данных и при необходимости справочную информацию, затем генерирует SQL-запрос. Модель предназначена для работы с SQLite, PostgreSQL и MySQL. Её можно применять для запросов к базам данных на естественном языке и использовать как основу для дальнейшего дообучения SQL-моделей. В README заявлен результат 69,03% по EX на тестовой выборке BIRD для версии 32B. Пример запуска использует Transformers или vLLM; для схемы рекомендуется формат M-Schema, хотя допустим и DDL. Модель распространяется по лицензии Apache-2.0. Карточка демонстрирует китайский шаблон запроса, но полный перечень поддерживаемых естественных языков не установлен. Качество зависит от корректности схемы, формата входных данных и диалекта; перед выполнением сгенерированный SQL следует проверять.

Zero Gemma 4 E4B OpenZero — компактная локальная модель для генерации текста, созданная на базе unsloth/gemma-4-E4B-it и распространяемая автором репозитория shafire в рамках семейства OpenZero. Это самостоятельная объединённая GGUF-модель: обученные веса OpenZero уже встроены, поэтому отдельные LoRA-адаптер и базовая модель не требуются. Модель предназначена для локальных агентных сценариев, включая планирование, структурированное выполнение и проверку действий, разработку и отладку кода, ревью, проектирование тестов, исследовательский анализ с проверкой свидетельств, работу с инструментами и автономные процессы. Она совместима с llama.cpp и OpenZero, может использоваться через Ollama и OpenAI-совместимый локальный API. Заявлена поддержка работы на CPU; в README приведён ориентир для Intel Core i7-2600: около 2,70 токена/с при обработке промпта и 2,37 токена/с при генерации. Модель относится к классу Gemma 4 E4B, имеет размер файла 5,46 GiB и рассчитана на контекст до 8192 токенов в рекомендованных командах запуска. Указан английский язык. Квантование сочетает тензоры базовой модели Q5_K_M с 66 обученными attention-тензорами в F16. Сильные стороны — автономность поставки, компактность, возможность локального и потенциально более приватного развёртывания, а также ориентация на агентные и инструментальные рабочие процессы. Производительность зависит от оборудования, а приведённый CPU-бенчмарк не является универсальной гарантией скорости. Лицензия указана как other, с названием openzero-community-source-v1; дополнительные условия в предоставленном README не раскрыты.

Zeta 2 — модель для предсказания правок кода, разработанная Zed Industries и дообученная на ByteDance-Seed/Seed-Coder-8B-Base. По окружающему коду, истории изменений и редактируемому фрагменту рядом с курсором она генерирует переписанное содержимое этого фрагмента, помогая предлагать следующие правки в редакторе кода. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,6 млрд параметров. Она принимает текстовый контекст в формате SPM с маркерами редактируемой области; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Zeta 2 предназначена для контекстных предложений изменений кода с учётом предыдущих правок и содержимого связанных файлов. Карточка описывает её специализацию, но не приводит оценок качества или подробностей о поддерживаемых языках программирования, поэтому пригодность для конкретного стека следует проверять отдельно.

Zirel-3 — дообученная разговорная модель Daemontatox на базе cerebras/GLM-4.5-Air-REAP-82B-A12B. Она предназначена для генерации текста и кода, следования инструкциям, рассуждений, работы с агентными сценариями и вызова функций. Модель использует разреженную архитектуру Mixture-of-Experts; в README указаны 82 млрд параметров, около 12 млрд активных на проход и контекст до 128 тыс. токенов. Метаданные каталога указывают 8,5 млрд параметров, поэтому размер модели в источниках расходится. Модель рассчитана прежде всего на английский язык. Карточка указывает совместимость с Transformers и рекомендует vLLM для более быстрой генерации. Репозиторий содержит веса Safetensors. Метаданные указывают лицензию Apache-2.0, тогда как README заявляет MIT; лицензию следует уточнить по файлу лицензии репозитория.

AceInstruct-7B — языковая модель NVIDIA из семейства AceInstruct, дообученная методом supervised fine-tuning на базе Qwen2.5-Base. Она предназначена для программирования, математики, общих знаний и широкого круга пользовательских запросов; поддерживает диалоговый режим. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает контекст до 131 072 токенов. В опубликованных оценках AceInstruct-7B показывает результаты, сопоставимые с Qwen2.5-7B-Instruct на задачах программирования, математики и общих знаний. Она генерирует текст по запросу, включая ответы, объяснения и код. В карточке указан английский язык; других поддерживаемых языков источники не подтверждают. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Оценки в карточке основаны на бенчмарках и не гарантируют качество для каждого запроса или предметной области.