II.2Создание и понимание программного кода

Карточка модели thetechoddbug/Hy4-preview на Hugging Face совпадает с карточкой tencent/Hy4-preview, поэтому описание составлено по ней. Hy4 preview — языковая модель поколения Hy4, разработанная командой Tencent Hy. README описывает её как модель Mixture-of-Experts с 770 млрд параметров в основной части и 49 млрд активируемых параметров на токен; встроенный слой MTP предназначен для ускорения спекулятивного декодирования. Метаданные Hugging Face указывают архитектуру HYV4ForCausalLM, библиотеку Transformers, 33,9 млрд параметров и контекст до 1 048 576 токенов; эти значения расходятся с характеристиками в README. Модель предназначена для диалоговой генерации текста и сложных задач: разработки и отладки программ, работы с документами и таблицами, анализа данных, создания прототипов игр и решения научных задач. В README также заявлены сценарии подготовки презентаций и финансовых моделей. Указанная в карточке лицензия — Apache-2.0. Это ранняя preview-версия. Известные ограничения — избыточно долгие рассуждения на сложных задачах и склонность чрезмерно перепроверять результат.

AMAImedia/Hy4-preview-BF16-GGUF — размещённая AMAImedia сборка модели Hy4 preview, разработанной Tencent Hy Team. Это диалоговая модель семейства hy_v4 с архитектурой Mixture-of-Experts; исходная модель содержит 770 млрд параметров, из которых активируются 49 млрд на токен. В архитектуре используются 78 слоёв, разреженное внимание Gated DeepSeek Sparse Attention и слой MTP для ускорения спекулятивного декодирования. Карточка указывает контекст длиной до 1 048 576 токенов. Модель предназначена для генерации текста и диалога, включая разработку и отладку программ, анализ документов и данных, подготовку офисных материалов, создание игровых прототипов и научные задачи. Hy4 preview также поддерживает сценарии с изображениями согласно тегу image-text-to-text. В метаданных заявлены языки, включая английский, русский, китайский, вьетнамский и японский; карточка перечисляет дополнительные языки. Репозиторий обозначен как GGUF BF16, однако метаданные также содержат форматы GGUF Q4_K_M и safetensors. Это ранняя версия: README отмечает склонность тратить лишнее время на сложные рассуждения и чрезмерно перепроверять результаты. Модель опубликована под лицензией Apache-2.0. Связь с tencent/Hy4-preview и AngelSlim/Hy4-preview-GGUF указана в метаданных как merge.

Locutusque разработала Hyperion-3.0-Mistral-7B-DPO — языковую модель на базе Mistral-7B-v0.1, дообученную методом Direct Preference Optimization на предпочтениях для диалогов и решения задач. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста на английском языке: она может отвечать на вопросы, вести диалоги, помогать с кодом, математическими и логическими задачами, а также работать с медицинскими текстами. Среди возможных сценариев — техническая поддержка, обучающие приложения и помощь в разработке программного обеспечения. Карточка приводит результаты оценки на наборе MMLU и предупреждает о возможных несогласованностях и смещениях в данных. Модель склонна отвечать на большинство запросов, поэтому её результаты, особенно в медицинских сценариях, следует проверять. Распространяется по лицензии Apache-2.0.

Hyperion Medium Preview — языковая модель M4-ai, дообученная на базе mistralai/Mistral-7B-v0.1 на наборе Hyperion. Это плотная модель Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и контекст до 32 768 токенов. Она предназначена для диалогов и ответов на сложные вопросы, в том числе по научным темам, а также для генерации кода, математических и логических рассуждений и понимания медицинских текстов. В карточке заявлена поддержка английского языка. Модель может применяться в обучающих помощниках по науке, медицине, математике и информатике, в технических диалоговых системах и для помощи с программированием. Карточка отмечает, что разнообразие данных, форматирование и качество разметки могут приводить к непоследовательным ответам. Модель распространяется по лицензии Apache-2.0.

aysinghal/ide-code-retrieval-qwen3-0.6b — модель SentenceTransformers, созданная дообучением Qwen/Qwen3-Embedding-0.6B для поиска исходного кода в IDE. Она кодирует короткие запросы на естественном языке, например сообщения коммитов и описания ошибок, и документы с кодом в общее пространство эмбеддингов. Поиск выполняется сравнением векторов по косинусному сходству. Модель содержит около 507,6 млн параметров и выдаёт нормализованные эмбеддинги размерности 1024. В README указана максимальная длина последовательности 1024 токена; метаданные базовой модели указывают нативный контекст 32768 токенов. Обучение проводилось на наборе данных для поиска кода, а карточка обозначает английский язык. Модель распространяется по лицензии Apache-2.0. Это промежуточный чекпойнт на шаге 9000 из 9150, поэтому более поздний чекпойнт может показывать лучшие результаты. Модель обучалась на конкретном наборе для поиска кода и может хуже работать с другими языками программирования или стилями запросов; длинные документы обрезаются.

Imagine v8 — компактная модель для генерации кода, разработанная и дообученная Interchained на основе deepseek-ai/deepseek-coder-1.3b-instruct. Она предназначена прежде всего для генерации SQL-запросов к PostgreSQL с опорой на схему базы данных, а также для рассуждений о структуре данных и локальной помощи в программировании. Модель содержит 1,3 млрд параметров, использует плотную архитектуру семейства Llama и поддерживает контекст до 16 384 токенов. Для запуска применяется Transformers; веса доступны в формате safetensors. Imagine обучена выполнять задачи с доступной схемой: не придумывать таблицы и столбцы, учитывать неоднозначность запросов и придерживаться контракта только для чтения. Модель рассчитана на локальное или самостоятельное развёртывание. В README приведены результаты отдельной оценки чекпойнта линии v6, а не v8, поэтому их нельзя считать показателем качества этой версии. v8 обозначена как исследовательский чекпойнт; возможны ошибки в SQL, фильтрах и бизнес-смысле, а также отклонения от протокола. Сгенерированные запросы следует проверять, а безопасность обеспечивать правами доступа и проверками на стороне приложения. Лицензия в предоставленных данных не указана.

INTELLECT-3.1 — языковая модель Prime Intellect для генерации текста и рассуждений, продолженное обучение INTELLECT-3 с подкреплением на задачах математики, программирования, разработки программного обеспечения и работы с агентами. README описывает её как Mixture-of-Experts с 106 млрд параметров, из которых 12 млрд активируются; метаданные указывают 8,5 млрд параметров и архитектуру GLM-4 MoE на базе zai-org/GLM-4.5-Air-Base. Эти сведения о размере расходятся между источниками. Модель рассчитана на диалоговые сценарии, решение задач и агентные рабочие процессы. Указанная длина контекста — 131 072 токена. В карточке заявлена поддержка английского языка; метаданные отмечают возможность чата. README описывает запуск через vLLM на двух H200 и настройку интерфейса вызова инструментов, но это не подтверждает отдельный pipeline для вызова инструментов. Лицензия модели в метаданных — MIT.

INTELLECT-3-REAP-50-heretic — текстовая чат-модель jtl11, созданная на основе PrimeIntellect/INTELLECT-3. Это версия INTELLECT-3 с удалением 50% экспертов методом REAP (Router-weighted Expert Activation Pruning) и изменением поведения отказов с помощью abliteration. Модель сохраняет архитектуру GLM-4 MoE; в репозитории указано 8,5 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации текста в диалоге, включая ответы на запросы, код и сложные многошаговые задачи. Калибровка REAP использовала примеры генерации кода, вызова функций и многоходовых сценариев для агентов. В сравнении с исходной моделью в README указано 3 отказа из 100 запросов против 60 из 100; измеренная KL-дивергенция составляет 0,0413. Модель доступна в формате safetensors по лицензии Apache-2.0.

Jack-3.8-27B-Coder-16GB-VRAM — локальная модель для программирования, разработанная независимым исследователем Джонатаном Майклом Лэнгфордом в рамках The Jack Project. Она основана на Qwen3.8-27B и предназначена для многоэтапной разработки ПО: планирования, реализации, отладки, ревью кода, проектирования тестов, работы с репозиториями и использования инструментов в длительных агентных сценариях. Модель поставляется в формате GGUF для запуска через llama.cpp и рассчитана на работу на GPU с 16 ГБ видеопамяти. Архитектура Jack использует структурирование актуального рабочего состояния и повторную привязку доказательств, чтобы отделять действующие требования и проверенные результаты от устаревших планов, предположений и неудачных экспериментов. В README заявлена поддержка длинных контекстов и многоходовых задач, но конкретная длина контекста не приведена. Лицензия — Apache-2.0. Заявленные преимущества относятся к управлению состоянием в длительных инженерных задачах; README не приводит независимых количественных сравнений, поэтому практическое качество этих улучшений не установлено. Модель предназначена для генерации текста и кода, а не для обработки изображений или видео, несмотря на мультимодальность базовой модели, указанную в каталожном описании.

JackOD-9B-Coder — текстовая модель для многошагового агентного программирования, созданная объединением нескольких моделей на основе Qwen/Qwen3.5-9B. В README описана схема слияния omnimerge_v2 с весами 0,55 для DeltaCoder-9B, 0,30 для Qwopus3.5-9B-Coder и 0,15 для Ornith-1.5-9B; метаданные классифицируют результат как дообучение Qwen/Qwen3.5-9B. Архитектура — плотная Qwen 3.5, около 9 млрд параметров по базовой модели; формат репозитория — safetensors, библиотека — Transformers. Модель принимает и выдаёт текст. Заявленная область применения — продолжительная работа над задачей программирования в диалоге с вызовами инструментов. В README приведены результаты нескольких кодовых бенчмарков, но автор отдельно предупреждает, что раннее тестирование агентного сценария ограничено и проверка harness ещё продолжается. Модель предназначена для генерации и исправления кода, решения сложных задач программирования и работы агента, который продолжает задачу между ходами и вызовами инструментов. README сообщает, что у модели нет vision tower и весов visual.*, поэтому, несмотря на унаследованную конфигурацию мультимодальной архитектуры и связанные теги, изображениями она не обрабатывает. В качестве ограничений указаны ограниченные для её размера общие знания и предварительный характер оценки агентной надёжности. Лицензия — Apache-2.0.

jd3 — дообученная модель для генерации текста на основе deepseek-ai/deepseek-coder-1.3b-base, созданная автором репозитория stojchet и обученная на наборе данных generator. Она использует плотную архитектуру LlamaForCausalLM и содержит 1,3 млрд параметров. Модель предназначена для генерации продолжения текста и кода; базовая модель поддерживает автодополнение и заполнение пропусков в коде. Контекст — до 16 384 токенов. Веса представлены в формате Safetensors. Лицензия указана как other, поэтому конкретные условия использования по этим данным определить нельзя.

jina-code-embeddings-0.5b — модель эмбеддингов для поиска по коду, разработанная Jina AI и дообученная на базе Qwen/Qwen2.5-Coder-0.5B. Она предназначена для поиска по запросу на естественном языке в коде, поиска похожих фрагментов кода, поиска описания по коду и подбора продолжения кода. Модель также поддерживает ответы на технические вопросы, связанные с программированием. Архитектура — плотная Qwen2, около 494 млн параметров; модель использует библиотеку Transformers и принимает контекст до 32 768 токенов. Для пяти типов задач предусмотрены отдельные префиксы инструкций, выбираемые при инференсе. Эмбеддинги имеют размерность 896 по умолчанию; её можно уменьшить до 64 с небольшим снижением качества. Заявлена поддержка более 15 языков программирования и сценариев разработки, машинного обучения, анализа данных и обучения программированию. Модель подходит для построения поиска и извлечения релевантного кода, однако README не приводит численных результатов оценки качества. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

JiRack Ultra 14B — плотная языковая модель на 14 млрд параметров от CMSManhattan, предназначенная для локального и облачного инференса на CPU. По карточке, модель построена на архитектуре DeepSeek R1-14B, переработана с поддержкой ternary/BitNet-подхода и использует обновлённый токенизатор с тегами для маршрутизации, мультимедиа, вызова инструментов и робототехники. Метаданные указывают архитектуру Qwen2 и контекст до 131 072 токенов; заявлены GGUF-квантизации от Q2_K до Q8_0 и веса safetensors. Модель подходит для диалоговой генерации текста, использования в RAG как экспертная модель, программирования и агентных сценариев с вызовом инструментов. В карточке описаны варианты запуска через llama.cpp и Ollama, а также варианты для CPU с разными требованиями к памяти. Теги модели указывают поддержку многих языков, включая русский, английский, китайский, японский, корейский, европейские и ряд других языков. Веса распространяются по лицензии MIT, разрешающей в том числе коммерческое использование. Docker-образ, готовые квантизованные сборки Ollama и интерфейсные клиенты могут иметь отдельные коммерческие условия. Заявления карточки о производительности, поддержке робототехники и инструментах следует считать описанием разработчика; практическое качество и совместимость зависят от сборки и оборудования.

JiRack Ultra 32B — плотная причинная языковая модель на 32 млрд параметров, разработанная CMSManhattan на основе архитектуры DeepSeek R1-32B и переработанная с поддержкой BitNet-подобных троичных весов. Модель предназначена для генерации текста и диалогов, запуска на CPU, использования в RAG-системах, программировании и агентных сценариях с вызовом инструментов. В README также заявлены токены для маршрутизации, мультимедиа, зрения, звука и робототехники, однако метаданные подтверждают только текстовую генерацию и чат. Контекстное окно составляет 131 072 токена. В репозитории представлены веса safetensors и варианты GGUF, включая Q2_K, Q3_K_M, Q4_K_M, Q5_K_M, Q6_K и Q8_0; доступное качество и требования к памяти зависят от квантования. В карточке указана поддержка английского, китайского, японского, корейского, французского, испанского, португальского, немецкого, итальянского, русского, арабского, вьетнамского и тайского языков. Заявлена лицензия MIT на веса; Docker-образ, интерфейс и готовые Ollama-квантизации могут распространяться на отдельных коммерческих условиях. Модель рассчитана на локальное или облачное развертывание, в том числе на CPU; для Q4_K_M рекомендуется не менее 24 ГБ оперативной памяти, а для полной точности — от 64 ГБ. README содержит заявления о высокой эффективности и расширенных возможностях инструментального взаимодействия, но не приводит сравнительных оценок качества; наличие специальных токенов само по себе не подтверждает полноценную обработку изображений, аудио или робототехнических действий.

jndpo2 — дообученная модель для генерации кода, созданная на основе deepseek-ai/deepseek-coder-1.3b-base с использованием набора данных generator. Она предназначена для продолжения и автодополнения кода, а также заполнения пропусков в коде — задач, для которых создана базовая модель. Модель использует плотную архитектуру семейства Llama с причинным языковым моделированием, содержит 1,3 млрд параметров и поддерживает контекст до 16 384 токенов. В README приведены результаты оценки на тестовом наборе, но описание методики, состав данных и сценарии применения не раскрыты. Указана лицензия other; конкретные условия использования следует проверять в репозитории модели.

JSBAI-Coder-4B, также переименованная авторами в Aztec-Coder-4B, — модель для агентного программирования, разработанная James Silberrad Brown Center for Artificial Intelligence при Университете штата Сан-Диего. Это плотная авторегрессионная модель семейства Qwen3.5 с 3,4 млрд параметров, дообученная на основе Qwen/Qwen3.5-4B с помощью демонстраций и обучения с подкреплением на задачах исправления ошибок. Модель предназначена для работы с программными репозиториями: она исследует код, редактирует файлы, вызывает инструменты и запускает тесты для проверки исправлений. Карточка сообщает о контекстном окне до 262 144 токенов и использовании шаблона чата Qwen3.5 с форматом вызова инструментов qwen3_coder. Авторы сообщают о решении 82,9% из 121 отложенной задачи на исправление ошибок; эти результаты относятся к описанной ими тестовой среде. Модель рассчитана на запуск на потребительском оборудовании и сценарии разработки в контейнере. В репозитории представлены веса Safetensors; лицензия — Apache-2.0. Авторы отмечают, что знания и сложные рассуждения ограничены размером модели, а поведение вне контейнерной среды не проверялось. Специального обучения безопасности не проводилось.

K2-Horizon-32B MLX 4-bit — 4-битная квантованная версия плотной авторегрессионной языковой модели IFM/K2-Horizon-32B, разработанной Institute of Foundation Models. Репозиторий преобразует исходную модель в формат MLX для запуска на компьютерах Apple Silicon; заявленный размер после квантования — около 18 ГБ. Модель содержит около 31,2 млрд параметров и поддерживает контекст до 524 288 токенов. Модель предназначена для генерации текста и диалогов с длинным контекстом, рассуждений, программирования и агентных задач. README описывает её как reasoning-модель и приводит результаты на tau3 Banking Agentic, Terminal-Bench 2.1 и SciCode. Для запуска указана библиотека mlx-lm; для поддержки специфичных форматов размышлений и вызовов инструментов README требует oMLX версии 0.6.4 или новее с патчем K2-Horizon. Это квантованная производная исходной модели, а не отдельное дообучение: README называет её равномерной 4-битной квантовкой IFM/K2-Horizon-32B, хотя метаданные помечают связь как finetune. В карточке указано, что опубликован Stage 1 checkpoint и ожидается финальная версия с улучшенными результатами, поэтому приведённые показатели следует считать предварительными. Лицензия — Apache-2.0.

MLX-версия модели K2-Horizon-3.7B от IFM, подготовленная сообществом mlx-community для компьютеров Apple с Apple Silicon. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров и контекстом 524 288 токенов, предназначенная для генерации текста и диалогов. Сборка использует веса bf16 без квантизации и формат safetensors; размер на диске — около 10,1 ГБ. Модель подходит для ответов на вопросы, рассуждений, программирования и агентных сценариев в приложениях на базе MLX. Реализация архитектуры K2-Horizon поставляется вместе с репозиторием, поскольку поддержка этой архитектуры в mlx-lm может зависеть от версии библиотеки. Для запуска требуется mlx-lm; в некоторых версиях необходимо разрешить загрузку удалённого кода. Длинный контекст требует значительной дополнительной памяти для KV-кэша. Конвертация сверялась с реализацией IFM на PyTorch. Лицензия — Apache-2.0.

KAT-Coder-Pro V2.5 — модель для агентного программирования, представленная как флагманская версия семейства KAT-Coder. Она предназначена для автономного выполнения задач разработки: модель может получать описание целой проблемы или рабочего процесса и самостоятельно находить нужный контекст и вносить изменения. Доступный фрагмент карточки не сообщает архитектуру, размер, поддерживаемые языки программирования, длину контекста или лицензию, поэтому эти характеристики нельзя уточнить. Метаданные каталога указывают задачу text-generation. Модель ориентирована на применение в разработке ПО; сведений о её качестве и ограничениях в предоставленных данных нет.

Это объединённый чекпойнт jakeroxs на основе KAT-Coder V2.5 Dev 35B-A3B: к варианту Philadelphia Class с изменённым поведением отказов добавлены совместимые веса слоя Multi-Token Prediction (MTP). Базовая модель разработана KwaiPilot; вариант Philadelphia Class подготовил KridgeDookie, а MTP-голову — Myric. Модель предназначена для генерации кода и локальных сценариев программирования и работы coding-агентов. Архитектура — Qwen3.5 MoE, около 35,51 млрд параметров при примерно 3 млрд активных; репозиторий содержит веса safetensors. Добавленный MTP-слой предназначен для экспериментов со спекулятивным декодированием. Карточка также указывает разговорное применение и английский и китайский языки. Abliteration направлена на снижение склонности к отказам, но не гарантирует определённого поведения. Чекпойнт предлагается для дальнейшей конвертации или квантизации, а для прямого использования с llama.cpp автор рекомендует связанный GGUF-репозиторий. Лицензия — Apache-2.0.

KAT-Dev-72B-Exp — экспериментальная модель для задач программной инженерии, выпущенная командой Kwaipilot. Это плотная авторегрессионная языковая модель семейства Qwen2 с 71,5 млрд параметров и контекстом до 131 072 токенов; она предназначена для диалогового взаимодействия и имеет интерфейс вызова инструментов. Модель обучалась с подкреплением как экспериментальная версия KAT-Coder. В описанной авторами оценке на SWE-Bench Verified она показала точность 74,6% при использовании каркаса SWE-agent. Модель подходит для агентного решения задач разработки ПО, включая анализ репозиториев и исправление ошибок в коде. Авторы сообщают о переработанном механизме внимания и обучающем движке для траекторий с общим префиксом, а также о корректировке распределения преимуществ, призванной снизить коллапс исследования при обучении с подкреплением. Эти результаты оценки относятся к конкретной конфигурации SWE-agent и сами по себе не гарантируют аналогичного качества в других условиях. Модель распространяется по лицензии Apache-2.0.

NVIDIA Kimi-K2.5-Thinking-Eagle3 — текстовая авторегрессионная модель, основанная на Moonshot AI Kimi-K2.5 и включающая Eagle3 для спекулятивного декодирования с Model Optimizer. В метаданных указаны архитектура Eagle3DeepseekV2ForCausalLM семейства Kimi-K2, 1,8 млрд параметров и контекст до 262 144 токенов. Модель предназначена для разработчиков чат-ботов, RAG-систем, AI-агентов и других приложений, а также для выполнения инструкций, диалога, генерации кода и рассуждений. Принимает текст и выдаёт текст. NVIDIA ориентирует её на системы с GPU NVIDIA; в README указаны TensorRT-LLM, Linux и совместимость с NVIDIA Blackwell. README заявляет возможность коммерческого и некоммерческого использования. Следует соблюдать NVIDIA Open Model License и условия Modified MIT License Kimi-K2.5. Для применения в конкретном сценарии нужна проверка на профильных данных; README также отмечает, что меры по снижению нежелательной предвзятости не указаны.

Карточка модели ahmed-amedo-1/Kimi-K3 на Hugging Face совпадает с карточкой moonshotai/Kimi-K3, поэтому описание составлено по ней. Kimi K3 — модель с открытыми весами от Moonshot AI для диалогов, рассуждений и агентных задач. В README указаны 2,8 трлн параметров, архитектура Kimi Delta Attention (KDA) и Attention Residuals (AttnRes), а также разреженная смесь экспертов Stable LatentMoE: активируются 16 из 896 экспертов. Метаданные Hugging Face определяют архитектуру как плотную; поэтому тип архитектуры в доступных источниках описан неоднозначно. Модель принимает текст, изображения и видео и рассчитана на контекст до 1 млн токенов. Среди сценариев применения — длительные сессии программирования и работы с большими репозиториями, исследовательская работа с материалами и мультимодальные задачи. В README заявлена поддержка инструментов для агентных сценариев; метаданные подтверждают возможность диалогового взаимодействия. Веса опубликованы по лицензии Kimi K3 License, обозначенной в метаданных как other. README не приводит текст лицензии, поэтому конкретные условия распространения и коммерческого использования по имеющимся данным уточнить нельзя. Заявления о возможностях и эффективности приведены разработчиком; независимые результаты оценки здесь не доступны.

Карточка модели babyfacez/Kimi-K3 на Hugging Face совпадает с карточкой moonshotai/Kimi-K3, поэтому описание составлено по ней. Kimi K3 — модель с открытыми весами от Moonshot AI для диалогов, рассуждений и агентных задач. В README указаны 2,8 трлн параметров, архитектура Kimi Delta Attention (KDA) и Attention Residuals (AttnRes), а также разреженная смесь экспертов Stable LatentMoE: активируются 16 из 896 экспертов. Метаданные Hugging Face определяют архитектуру как плотную; поэтому тип архитектуры в доступных источниках описан неоднозначно. Модель принимает текст, изображения и видео и рассчитана на контекст до 1 млн токенов. Среди сценариев применения — длительные сессии программирования и работы с большими репозиториями, исследовательская работа с материалами и мультимодальные задачи. В README заявлена поддержка инструментов для агентных сценариев; метаданные подтверждают возможность диалогового взаимодействия. Веса опубликованы по лицензии Kimi K3 License, обозначенной в метаданных как other. README не приводит текст лицензии, поэтому конкретные условия распространения и коммерческого использования по имеющимся данным уточнить нельзя. Заявления о возможностях и эффективности приведены разработчиком; независимые результаты оценки здесь не доступны.

Карточка модели FAISALFAZALHUSSAIN/Kimi-K3 на Hugging Face совпадает с карточкой moonshotai/Kimi-K3, поэтому описание составлено по ней. Kimi K3 — модель с открытыми весами от Moonshot AI для диалогов, рассуждений и агентных задач. В README указаны 2,8 трлн параметров, архитектура Kimi Delta Attention (KDA) и Attention Residuals (AttnRes), а также разреженная смесь экспертов Stable LatentMoE: активируются 16 из 896 экспертов. Метаданные Hugging Face определяют архитектуру как плотную; поэтому тип архитектуры в доступных источниках описан неоднозначно. Модель принимает текст, изображения и видео и рассчитана на контекст до 1 млн токенов. Среди сценариев применения — длительные сессии программирования и работы с большими репозиториями, исследовательская работа с материалами и мультимодальные задачи. В README заявлена поддержка инструментов для агентных сценариев; метаданные подтверждают возможность диалогового взаимодействия. Веса опубликованы по лицензии Kimi K3 License, обозначенной в метаданных как other. README не приводит текст лицензии, поэтому конкретные условия распространения и коммерческого использования по имеющимся данным уточнить нельзя. Заявления о возможностях и эффективности приведены разработчиком; независимые результаты оценки здесь не доступны.

Карточка модели foranyone2026/Kimi-K3 на Hugging Face совпадает с карточкой moonshotai/Kimi-K3, поэтому описание составлено по ней. Kimi K3 — модель с открытыми весами от Moonshot AI для диалогов, рассуждений и агентных задач. В README указаны 2,8 трлн параметров, архитектура Kimi Delta Attention (KDA) и Attention Residuals (AttnRes), а также разреженная смесь экспертов Stable LatentMoE: активируются 16 из 896 экспертов. Метаданные Hugging Face определяют архитектуру как плотную; поэтому тип архитектуры в доступных источниках описан неоднозначно. Модель принимает текст, изображения и видео и рассчитана на контекст до 1 млн токенов. Среди сценариев применения — длительные сессии программирования и работы с большими репозиториями, исследовательская работа с материалами и мультимодальные задачи. В README заявлена поддержка инструментов для агентных сценариев; метаданные подтверждают возможность диалогового взаимодействия. Веса опубликованы по лицензии Kimi K3 License, обозначенной в метаданных как other. README не приводит текст лицензии, поэтому конкретные условия распространения и коммерческого использования по имеющимся данным уточнить нельзя. Заявления о возможностях и эффективности приведены разработчиком; независимые результаты оценки здесь не доступны.

Карточка модели macintushar/Kimi-K3 на Hugging Face совпадает с карточкой moonshotai/Kimi-K3, поэтому описание составлено по ней. Kimi K3 — модель с открытыми весами от Moonshot AI для диалогов, рассуждений и агентных задач. В README указаны 2,8 трлн параметров, архитектура Kimi Delta Attention (KDA) и Attention Residuals (AttnRes), а также разреженная смесь экспертов Stable LatentMoE: активируются 16 из 896 экспертов. Метаданные Hugging Face определяют архитектуру как плотную; поэтому тип архитектуры в доступных источниках описан неоднозначно. Модель принимает текст, изображения и видео и рассчитана на контекст до 1 млн токенов. Среди сценариев применения — длительные сессии программирования и работы с большими репозиториями, исследовательская работа с материалами и мультимодальные задачи. В README заявлена поддержка инструментов для агентных сценариев; метаданные подтверждают возможность диалогового взаимодействия. Веса опубликованы по лицензии Kimi K3 License, обозначенной в метаданных как other. README не приводит текст лицензии, поэтому конкретные условия распространения и коммерческого использования по имеющимся данным уточнить нельзя. Заявления о возможностях и эффективности приведены разработчиком; независимые результаты оценки здесь не доступны.

Карточка модели rayrickypp/Kimi-K3 на Hugging Face совпадает с карточкой moonshotai/Kimi-K3, поэтому описание составлено по ней. Kimi K3 — модель с открытыми весами от Moonshot AI для диалогов, рассуждений и агентных задач. В README указаны 2,8 трлн параметров, архитектура Kimi Delta Attention (KDA) и Attention Residuals (AttnRes), а также разреженная смесь экспертов Stable LatentMoE: активируются 16 из 896 экспертов. Метаданные Hugging Face определяют архитектуру как плотную; поэтому тип архитектуры в доступных источниках описан неоднозначно. Модель принимает текст, изображения и видео и рассчитана на контекст до 1 млн токенов. Среди сценариев применения — длительные сессии программирования и работы с большими репозиториями, исследовательская работа с материалами и мультимодальные задачи. В README заявлена поддержка инструментов для агентных сценариев; метаданные подтверждают возможность диалогового взаимодействия. Веса опубликованы по лицензии Kimi K3 License, обозначенной в метаданных как other. README не приводит текст лицензии, поэтому конкретные условия распространения и коммерческого использования по имеющимся данным уточнить нельзя. Заявления о возможностях и эффективности приведены разработчиком; независимые результаты оценки здесь не доступны.

Карточка модели SmartManoj/Kimi-K3 на Hugging Face совпадает с карточкой moonshotai/Kimi-K3, поэтому описание составлено по ней. Kimi K3 — модель с открытыми весами от Moonshot AI для диалогов, рассуждений и агентных задач. В README указаны 2,8 трлн параметров, архитектура Kimi Delta Attention (KDA) и Attention Residuals (AttnRes), а также разреженная смесь экспертов Stable LatentMoE: активируются 16 из 896 экспертов. Метаданные Hugging Face определяют архитектуру как плотную; поэтому тип архитектуры в доступных источниках описан неоднозначно. Модель принимает текст, изображения и видео и рассчитана на контекст до 1 млн токенов. Среди сценариев применения — длительные сессии программирования и работы с большими репозиториями, исследовательская работа с материалами и мультимодальные задачи. В README заявлена поддержка инструментов для агентных сценариев; метаданные подтверждают возможность диалогового взаимодействия. Веса опубликованы по лицензии Kimi K3 License, обозначенной в метаданных как other. README не приводит текст лицензии, поэтому конкретные условия распространения и коммерческого использования по имеющимся данным уточнить нельзя. Заявления о возможностях и эффективности приведены разработчиком; независимые результаты оценки здесь не доступны.

Kimi-Linear-REAP-35B-A3B-Instruct — разговорная причинно-языковая MoE-модель, созданная Cerebras на основе moonshotai/Kimi-Linear-48B-A3B-Instruct методом REAP: из исходной модели удалены избыточные эксперты. По README, в модели 35 млрд параметров, из которых около 3 млрд активируются на токен; заявлены 27 слоёв, 180 экспертов и выбор 8 экспертов на токен. В метаданных размер указан как 2,7 млрд параметров. Модель предназначена для диалога и генерации текста, включая код, математические рассуждения, вызов функций и ответы на вопросы по длинному контексту. Заявлена длина контекста до 1 048 576 токенов; README отмечает, что отдельные оценки на LongBench v2 и FRAMES проводились с ограничением входа до 128 тысяч токенов. Карточка сообщает о близком к исходной модели качестве при снижении размера примерно на 30%, а также о совместимости с актуальной версией vLLM, поддерживающей Kimi-Linear. Модель распространяется по лицензии MIT. README указывает, что после однократного прореживания дополнительное дообучение не выполнялось; при этом метаданные обозначают связь с базовой моделью как finetune. Заявления о качестве основаны на оценках карточки и могут не переноситься на все задачи; для отдельных тестов отмечено снижение точности после удаления экспертов.