II.2Создание и понимание программного кода

Kiwen1.1-27B — плотная мультимодальная модель на 27 млрд параметров, созданная beyoru дообучением Qwen3.8-27B на цепочках рассуждений Kimi K3. Она предназначена для диалогов, многошаговых рассуждений, программирования, следования инструкциям и работы с инструментами; поддерживает анализ изображений. В метаданных также отмечены возможности chat и tool calling. В README приведены результаты GSM8K и IFEval, а также внутреннего набора задач: автор сообщает о заметном улучшении на GSM8K, небольшом приросте на VMLU и выигрышах в переводе, классификации намерений и маршрутизации. Для извлечения, классификации и форматирования рекомендуется отключать режим рассуждений. README показывает запуск с контекстом 262144 токена. Модель распространяется по лицензии Apache-2.0. Автор отмечает проблемы качества ответов при использовании dflash2.

Kronumos 2 Kairos — модель Tokenectomy Labs для автоматического исправления ошибок в коде. Это дообученная на базе Qwen2.5-Coder-7B-Instruct плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров, контекстом 32 768 токенов и архитектурой Qwen2ForCausalLM. В README также описан детерминированный Rust-компонент для проверки и исправления структуры кода; заявлено использование модели для однопроходного ремонта программных ошибок и приводится оценка на SWE-bench Verified. Модель предназначена для генерации исправлений по описанию ошибки и фрагментам кода, в том числе для локального запуска и интеграции в CI/CD. Заявлены чатовый интерфейс и интерфейс вызова инструментов. Основной язык карточки — английский; модель специализируется на программном коде, а README описывает примеры ремонта Python-проектов. Лицензия — Apache-2.0. В README указаны результаты бенчмарка и характеристики вспомогательного Rust-компонента, однако это заявления авторов карточки, а не независимая проверка. Объявленный в разработке Right Brain ещё не входит в опубликованные веса.

KwaiCoder-AutoThink-preview-GGUF — квантизированная версия языковой модели для генерации текста и программного кода, разработанная Kwaipilot и подготовленная в формате GGUF пользователем bartowski. Модель предназначена для локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp, включая сценарии программирования, генерации и анализа кода, а также мультиязычной работы с текстом. В репозитории представлены варианты от BF16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K и Q3_K, а также IQ-квантизации. Размер файлов составляет примерно от 18,32 до 81,14 ГБ. Квантизация выполнена с использованием imatrix на базе llama.cpp. Для работы требуется применять указанный шаблон диалога с токенами system, user и assistant; в начале ответа предусмотрен маркер <judge>. В README указана поддержка multilingual, однако конкретный список языков, архитектура исходной модели, число параметров и размер контекста не приведены. Сильной стороной модели является широкий выбор уровней квантизации: старшие варианты обеспечивают высокое качество, а Q4 и Q3 позволяют снизить требования к памяти. Ограничения связаны с большими требованиями к объёму оперативной или видеопамяти, возможной потерей качества при использовании низкобитных вариантов и отсутствием в README подробных оценок производительности. Модель распространяется по лицензии kwaipilot-license; лицензия обозначена как other, а её текст доступен в файле LICENSE.

OsaurusAI/Laguna-M.1-JANG_1L — версия модели Poolside Laguna-M.1, подготовленная Osaurus для локального запуска на компьютерах Apple Silicon. Это MoE-модель для генерации текста и агентного программирования; в README указаны 225 млрд параметров и около 23 млрд активных параметров. Профиль JANG_1L использует аффинную квантизацию: 2 бита для gate/up/down, 4 бита для shared/dense и 8 бит для attention; размер сборки около 72 ГБ. Метаданные указывают 17,1 млрд параметров и контекст до 262 144 токенов, что расходится с числом параметров в README. Модель предназначена для написания и анализа кода, а также длительных агентных задач с инструментами. Для запуска требуется Laguna-совместимая среда, например Osaurus или vMLX: архитектура использует нестандартные механизмы внимания и маршрутизации MoE, которые не поддерживаются обычными загрузчиками. Базовая модель распространяется по лицензии Apache-2.0; README указывает эту же лицензию для сборки.

Laguna-S-2.1-JANG_6M-CRACK — текстовая MoE-модель на базе poolside/Laguna-S-2.1, подготовленная dealignai для запуска на Apple Silicon через MLX и vMLX. По README, исходная Laguna-S-2.1 имеет 118 млрд параметров, 48 слоёв, 256 маршрутизируемых экспертов с top-10 и общий эксперт; метаданные репозитория указывают 6,8 млрд параметров. Модель представлена в смешанной квантизации JANG_6M в формате MLX affine и предназначена для агентного программирования, рассуждений и вызова инструментов. README заявляет контекст 262 тыс. токенов, тогда как метаданные каталога указывают нативный контекст 1 048 576 токенов. Вариант CRACK прошёл абляцию отказов на уровне весов: согласно карточке, поведение отказа удалено, а результаты MMLU близки к базовой модели. Для запуска рекомендованы vMLX или совместимая среда MLX с поддержкой Laguna; модель принимает текст и выдаёт текст, включая вызовы инструментов. Карточка заявляет английский язык. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверить с лицензией репозитория.

Laser-Dolphin-Mixtral-4x7b-dpo — языковая модель семейства Mixtral, опубликованная macadeliccc. Это MoE-модель для генерации текста, созданная на основе cognitivecomputations/dolphin-2.6-mistral-7b-dpo-laser; карточка указывает на проект laserRMT и приводит оценки модели на тестах языковых моделей. Метаданные описывают архитектуру как MixtralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель подходит для диалогов и генерации текста, включая написание кода и ответы на запросы; в README приведён пример запроса на Python-код. Веса опубликованы в формате safetensors, а карточка сообщает об оценке в 4-битной квантизации AWQ. Репозиторий распространяется по лицензии Apache-2.0. Данные о поддерживаемых естественных языках не приведены.

lexi-coder-v4.4-i1-GGUF — это набор квантизированных GGUF-версий модели reallexi/lexi-coder-v4.4, подготовленный пользователем mradermacher. Модель относится к текстовым генеративным моделям и предназначена прежде всего для задач генерации кода и другого текста. В README указана поддержка английского языка, а также наличие fine-tuning и LoRA в исходной модели, однако подробности архитектуры, количества параметров, размера контекста и используемых языков программирования не приведены. Набор включает варианты квантизации i1 с форматами IQ и Q, размером примерно от 1,3 до 3,3 ГБ. Это позволяет выбирать между меньшим потреблением памяти, скоростью работы и качеством, причём README рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S называет оптимальным по соотношению размера, скорости и качества. Более агрессивные варианты могут заметно снижать качество, что является основным ограничением квантизации. Доступен также файл imatrix для создания собственных квантов. Лицензия обозначена как other и требует соблюдения условий базовой модели и датасета; конкретные условия в README не раскрыты. Для использования необходима совместимая среда, поддерживающая GGUF.

LFM2.5-8B-A1B-UltraCoder-L3 — экспериментальная модель для генерации и анализа кода, разработанная Susant-Achary на основе семейства LiquidAI LFM2.5-8B-A1B. Модель дообучалась в два этапа: продолженное предварительное обучение на качественном исходном коде Python из набора openbmb/UltraData-Code и supervised fine-tuning на задачах, включающих условия, рассуждения и решения. Она предназначена для программирования на Python, алгоритмического решения задач, генерации кода и использования в качестве coding assistant. Это причинная языковая модель с разреженной архитектурой Mixture-of-Experts: около 8,3 млрд параметров, из которых примерно 1,5 млрд активируются для каждого токена. Модель содержит 24 слоя и 32 эксперта, при этом для обработки токена активируются 4 эксперта. Заявленная длина контекста составляет 8 192 токена, хотя исходная модель поддерживает до 131 072 токенов. Артефакты совместимы с Hugging Face Transformers и llama.cpp; для локального запуска предоставлен вариант квантования Q4_K_M в формате GGUF. Сильная сторона модели — специализация на задачах программирования и улучшение результатов относительно базовой LFM2.5-8B-A1B в указанных тестах EvalPlus, включая HumanEval, HumanEval+, MBPP и MBPP+. Ограничения включают экспериментальный статус, фокус преимущественно на Python и заявленный контекст 8 192 токена; универсальность за пределами задач кодирования отдельно не подтверждена. В метаданных указана лицензия other, без подробного описания условий использования.

Ling-3.0-flash-heretic — производная модель на основе inclusionAI/Ling-3.0-flash, в которой применена abлитерация для снижения частоты отказов. В README приведено сравнение: 0 отказов из 100 запросов у этой версии против 87 из 100 у исходной модели; KL-дивергенция относительно оригинала составляет 0,0526. Модель предназначена для диалоговой генерации текста, рассуждений, работы с длинным контекстом и задач программирования и агентных сценариев. В метаданных указаны архитектура Bailing hybrid MoE и 3,5 млрд параметров; README описывает исходную Ling-3.0-flash как гибридную модель с MoE, 124 млрд общих и 5,1 млрд активных параметров. Заявленное окно контекста — 262 144 токена. Репозиторий содержит веса safetensors, интерфейс чата отмечен в метаданных. Лицензия — MIT. Указанное снижение отказов не гарантирует отсутствие отказов во всех ситуациях и может уменьшать встроенные ограничения исходной модели.

Ling-3.0-tiny — компактная гибридная языковая модель семейства Ling, разработанная inclusionAI. Она предназначена для диалогов, многошаговых рассуждений и агентных сценариев с умеренными затратами на инференс, включая локальное развертывание на ограниченных ресурсах. Модель принимает текст и генерирует текст; заявлены задачи программирования, математики, научных рассуждений, понимания длинного контекста и следования инструкциям. В README указаны архитектура MoE с чередованием слоёв KDA и MLA, 128 маршрутизируемых экспертов, 7,9 млрд параметров всего и 1,3 млрд активируемых на токен. Метаданные Hugging Face указывают 977,5 млн параметров и контекст 131072 токена, что расходится с README по числу параметров; число параметров здесь поэтому не следует считать однозначно установленным. Для режимов рассуждения можно включать или выключать thinking mode. Доступны веса BF16, FP8 и INT4; заявлена проверка на NVIDIA DGX Spark и компьютерах Apple Silicon. Модель подходит для локального ассистента, программирования, решения математических задач и агентных рабочих процессов. README приводит результаты внутренних оценок и скорости для конкретных конфигураций оборудования, которые не гарантируют такую же производительность в других условиях. Лицензия — MIT.

Ling-mini-2.0 — компактная разговорная языковая модель семейства Ling 2.0 от inclusionAI, предназначенная для генерации текста, следования инструкциям и решения задач на рассуждение. Это дообученная версия Ling-mini-base-2.0; по метаданным, она использует архитектуру Bailing MoE для причинного языкового моделирования и содержит 1,2 млрд параметров. README описывает семейство Ling-mini-2.0 как разреженную MoE-модель с 16,26 млрд параметров всего и примерно 1,43 млрд активных на токен, обученную на более чем 20 трлн токенов с многоэтапной настройкой и обучением с подкреплением. Модель подходит для диалоговых приложений, сложных рассуждений, математики, программирования и ответов на вопросы, а также предоставляет интерфейс вызова инструментов. Метаданные указывают контекст 32 768 токенов; README сообщает о расширении до 128K с YaRN. Разработчик заявляет о высокой скорости генерации и сильных результатах на тестах рассуждения, однако приведённые показатели зависят от оборудования и режима развёртывания. Веса доступны в формате safetensors, библиотека — Transformers; лицензия MIT.

Liorath-3B-Final — языковая модель на архитектуре Qwen2, созданная методом SLERP-слияния Qwen/Qwen2.5-3B-Instruct и Qwen/Qwen2.5-Coder-3B-Instruct. По метаданным, модель содержит 2,5 млрд параметров, работает с текстом и использует библиотеку Transformers. Модель предназначена для диалогов и генерации текста по инструкциям; слияние с кодовой моделью также делает её применимой к задачам программирования. Контекстное окно составляет 32 768 токенов. Поддержка нескольких языков унаследована от базовой Qwen2.5-3B-Instruct. В репозитории указаны веса Safetensors. Лицензия в предоставленных данных не указана.

OpenAssistant Llama2 70B SFT v10 — языковая модель OpenAssistant, дообученная на базе Meta Llama 2 70B. Это плотный авторегрессионный трансформер с декодером, примерно 68,7 млрд параметров; обучение проходило в два этапа: на смеси синтетических инструкций и задач по программированию, затем на отобранных человеческих диалогах OpenAssistant. Модель принимает диалог в формате ChatML и предназначена для генерации ответов, следования инструкциям и помощи с кодом. Контекст составляет 4096 токенов. Основной язык — английский; заявлены ограниченные возможности на немецком, испанском, французском, итальянском, португальском, польском, нидерландском, румынском, чешском и шведском. Сильные стороны — крупный размер и обучение на инструкциях, диалогах и коде. Ответы могут быть неточными, предвзятыми или нежелательными; тестирование проводилось преимущественно на английском, поэтому перед применением нужна проверка безопасности и качества. Модель распространяется по лицензии Llama 2 Community License Agreement.

QuantFactory/Llama3.2-3B-Enigma-GGUF — квантизированная версия модели Llama3.2-3B-Enigma, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана ValiantLabs на базе Meta Llama 3.2 3B Instruct и выпущена 30 сентября 2024 года. Модель предназначена для генерации текста, диалоговых сценариев и прежде всего для задач программирования: написания, объяснения и обработки кода. Она использует формат промптов Llama 3.2 Instruct, поддерживает чат-взаимодействие и обучалась на синтетических данных для code-instruct из набора Tachibana, дополненных общими диалоговыми данными из Supernova. В README указан английский язык; другие языки и размер контекстного окна не заявлены. Ключевые характеристики — архитектура Llama, около 3 млрд параметров, текстовая модальность и формат GGUF, подходящий для запуска через llama.cpp и совместимые инструменты. Сильными сторонами являются специализация на инструкциях по программированию и улучшенные общие диалоговые возможности при относительно небольшом размере. Ограничения включают отсутствие заявленных мультимодальных возможностей и недостаточно подробные сведения о конкретном варианте квантизации, контекстном окне и производительности. Модель распространяется по лицензии llama3.2.

QuantFactory/Llama3.2-3B-Esper2-GGUF — квантизированная версия модели ValiantLabs/Llama3.2-3B-Esper2, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана Valiant Labs на базе Meta Llama 3.2 3B Instruct и предназначена для генерации текста в формате диалоговых инструкций Llama 3.2 Instruct. Модель ориентирована на задачи DevOps, облачной архитектуры и программирования: AWS, Azure, GCP, Terraform, Dockerfile, CI/CD-пайплайны, shell-скрипты, а также общее написание кода и технические консультации. Она дообучалась на синтетических наборах данных Titanium, Tachibana и Supernova, охватывающих DevOps-инструкции, программирование и общий чат. В карточке указан английский язык; модель работает с текстом и поддерживает сценарии общения с инструкциями. Ключевая сильная сторона — специализация на облачной инфраструктуре, DevOps и коде при компактном размере около 3 млрд параметров, что делает модель подходящей для локального запуска в квантизированном формате GGUF. Ограничения включают меньший размер и, вероятно, более узкие возможности по сравнению с крупными универсальными моделями; конкретные параметры контекста и варианты квантизации в карточке не указаны. В качестве ориентиров приведены результаты 65,27% на Winogrande и 43,17% нормированной точности на ARC Challenge. Лицензия указана как llama3.2.

Модель llama3bsftrpcelam1 — готовый к инференсу чекпойнт для генерации кода, созданный проектом RL-Forgetting-Experiments-3 на основе Meta Llama 3.2 3B Instruct. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, дообученная методом supervised fine-tuning на данных для генерации кода; в README указаны упорядоченная подача данных и стратегия replay с коэффициентом 1,0 на шаге оптимизатора 65. Модель подходит для генерации и продолжения кода в диалоговом формате. Она принимает текстовые запросы и выдаёт текст, включая программный код; базовая модель имеет контекст до 131 072 токенов. В метаданных указаны Transformers и формат Safetensors. Карточка не приводит результатов оценки качества, перечня поддерживаемых языков программирования или подробных ограничений. Для базовой модели указана лицензия Llama 3.2 Community License; применимость тех же условий к этому чекпойнту следует сверить с его файлами лицензии и источниками происхождения.

Это готовая к инференсу модель для генерации кода, дообученная методом supervised fine-tuning на базе meta-llama/Llama-3.2-3B-Instruct. В карточке указаны обучение на наборе llama3b_code_sft_data, упорядоченная подача данных и стратегия replay hard с коэффициентом 1,0; представлена контрольная точка на шаге оптимизатора 65. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 3,2 млрд параметров и рассчитана на контекст до 131 072 токенов. Она принимает текстовые запросы и генерирует текст, в том числе код; библиотека запуска — Transformers, веса опубликованы в формате safetensors. Языковая специализация в карточке не уточнена. Карточка называет модель готовой к инференсу, но не приводит оценок качества или подробностей о поддерживаемых языках программирования. Лицензия в предоставленных данных не указана.

Llama-3-Instruct-15B-SPPO-Iter3-SH — чат-модель для генерации текста по инструкциям, описанная автором как увеличенная до 15 млрд параметров версия Llama-3-Instruct-8B-SPPO-Iter3 с заменой проекций. Модель создана с помощью mergekit: объединены Llama-3-Instruct-8B-SPPO-Iter3, L3-Aethora-15B-V2 и Llama-3-Instruct-abliteration-LoRA-8B с использованием методов Passthrough и SLERP. В метаданных указано 14,5 млрд параметров, архитектура LlamaForCausalLM и контекст 8192 токена. Модель предназначена для программирования, научных вопросов и общих инструкций. Карточка указывает формат safetensors и наличие квантованной версии GGUF Q5_K_M; для диалога используется шаблон Llama-3-Instruct. Основной язык базовой модели указан как английский. Лицензия в предоставленных данных не указана.

LLaMA-Pro-8B-Instruct — языковая модель Tencent ARC на архитектуре LLaMA, построенная расширением LLaMA2-7B с помощью расширения блоков. Она содержит около 8,2 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие. При обучении использовались данные по программированию и математике объёмом свыше 80 млрд токенов. Модель предназначена для генерации и продолжения текста, ответов в чате, помощи с программированием и решения математических задач, сохраняя возможности для общих языковых сценариев. Максимальный контекст — 4096 токенов; доступны веса в форматах PyTorch и Safetensors. Модель разработана командой Tencent ARC и распространяется по лицензии Llama 2. Она может испытывать трудности с узкоспециализированными или тонкими задачами, а также наследовать предвзятости обучающих данных.

LongCat-Flash-Lite — языковая модель Meituan для генерации текста и диалогов. Она предназначена для агентных сценариев, вызова инструментов и задач программирования. Архитектура — LongcatFlashNgramForCausalLM; в README модель описана как MoE с N-граммными эмбеддингами, примерно 68,5 млрд общих параметров и около 2,9–4,5 млрд активных в зависимости от вычисления. Метаданные Hugging Face указывают 2,5 млрд параметров, поэтому оценка общего размера расходится с описанием в README. Модель поддерживает контекст до 327 680 токенов по метаданным; README указывает 256 тыс. токенов с методом YaRN. Для запуска через Transformers в README рекомендуется минимум два GPU с 80 ГБ видеопамяти каждый; также заявлена поддержка развёртывания в SGLang. В репозитории указаны веса Safetensors и лицензия MIT. Разработчик отмечает, что модель не разрабатывалась и не оценивалась для всех возможных прикладных задач.

LosslessMegaCoder-llama2-13b-mini — языковая модель для генерации кода, созданная Rombodawg совместно с Andreaskoepf, участником Open Assistant. Это плотная авторегрессионная модель семейства Llama 2 с 12,9 млрд параметров, опубликованная в формате PyTorch; для неё указан контекст до 2048 токенов. Модель обучена на отфильтрованной версии набора LosslessMegaCodeTrainingV2_1m_Evol_Uncensored: из данных удаляли примеры короче 100 токенов. Она предназначена для генерации и продолжения кода, а также для диалогового взаимодействия по шаблону ChatML. В README приведён результат 0,29 на HumanEval+; также показаны результаты Open LLM Leaderboard, но они не гарантируют качество на конкретных задачах. В карточке указана лицензия Llama 2. Короткий контекст ограничивает работу с большими файлами и длинными запросами. Данные обучения описаны как uncensored, поэтому ответы могут требовать дополнительной проверки и фильтрации.

Luck-Qwen3-4b-Code-FineTune — модель Ahmetggg на основе Qwen3-4B-Instruct-2507, дообученная методом QLoRA для агентного программирования, многошаговых рассуждений, работы с инструментами и более точной оценки границ собственных знаний. Это плотная языковая модель архитектуры Qwen3 с 3,7 млрд параметров; в репозитории представлены веса LoRA-адаптера и объединённые веса FP16. Модель принимает текстовые запросы и генерирует текст, включая код и структурированные вызовы инструментов. В метаданных заявлен контекст до 262 144 токенов. Модель предназначена для навигации по репозиториям, генерации и исправления кода, решения задач по математике и естественным наукам, а также многошагового взаимодействия с инструментами. Обучение использовало трассы агентного программирования, примеры рассуждений и траектории вызова инструментов; README отмечает улучшение форматирования, взаимодействия с инструментами и ответов «не знаю», не заявляя о повышении предельных возможностей базовой модели. Карточка указывает английский язык. Лицензия — Apache-2.0. Это недавняя QLoRA-настройка, поэтому заявленные улучшения следует оценивать на конкретных рабочих задачах; README не приводит сравнительных бенчмарков. Для использования адаптера нужна базовая модель unsloth/Qwen3-4B-Instruct-2507.

SakaiSec/Macaron-V1-Tall-mlx-fp16 — конверсия модели mindlab-research/Macaron-V1-Tall в формат MLX с помощью mlx-lm 0.31.2. Это диалоговая генеративная модель семейства Qwen3.5 MoE, предназначенная для персональных агентов, вызова инструментов, программирования и генерации интерфейсов. В метаданных указаны поддержка английского и китайского языков, а также лицензия MIT. Модель принимает текстовые запросы и генерирует текстовые ответы. Карточка не приводит сведений о размере и длине контекста. Указание fp16 в названии относится к формату этой версии; репозиторий описывает конверсию, а не новое дообучение. Для запуска README предлагает mlx-lm.

Macaron-V1-Venti — модель MindLab Research для персонального помощника, работы с инструментами, программирования и генерации интерфейсов через код. Она построена на GLM-5.2 с архитектурой Mixture of LoRA: маршрутизатор выбирает одного из четырёх специалистов, предназначенных для диалога, задач персонального агента, программирования и Generative UI. В README указано 748 млрд параметров; метаданные Hugging Face сообщают 30,4 млрд параметров. README поясняет, что эти числа используют разные способы подсчёта: 748 млрд — заявленная характеристика выпуска, а объём сохранённых тензоров адаптеров приводит к оценке около 774,8 млрд логических параметров. Модель поддерживает контекст до 1 048 576 токенов, работает с Transformers и распространяется в формате safetensors. Модель предназначена для диалогов, агентских рабочих процессов с вызовом инструментов, задач программирования и генерации пользовательских интерфейсов. В карточке заявлены оценки на наборах для диалога, агентных задач, терминала и GenUI, однако они характеризуют систему целиком и не позволяют установить вклад отдельных специалистов или маршрутизатора. Поддерживаемые языки — английский и китайский. Лицензия — MIT. Ограничения включают слабые места при последовательных вызовах, зависящих от результатов предыдущих действий, и качественное ухудшение стабильности характера в очень длинных сессиях. Маршрутизатор выбирает одного специалиста на весь ход пользователя, поэтому смешанные намерения могут обрабатываться неудовлетворительно. Отдельная оценка безопасности отсутствует; модель не рекомендуется для самостоятельных решений в медицинских, юридических и финансовых сценариях.

Maestro-10B — языковая модель примерно с 9,9 млрд параметров, созданная suayptalha дообучением Virtuoso-Lite от arcee-ai на датасете OpenOrca. Она использует плотную архитектуру Llama и предназначена для диалогов и генерации текста; унаследованные от базовой модели сильные стороны включают рассуждения, генерацию кода, математические и технические задачи. Поддерживает контекст до 32 768 токенов и ориентирована на английский язык. Модель подходит для диалоговых ассистентов, ответов на вопросы, помощи с кодом и решения математических и технических задач. Файлы представлены в форматах PyTorch и Safetensors. В карточке указана лицензия «other», поэтому конкретные условия использования следует сверить с лицензией репозитория.

FreedomAISVR/Magistral-Small-2509-MXFP4-GGUF — квантизированная версия мультимодальной модели Magistral-Small-2509 от Mistral AI, опубликованная в формате GGUF с квантизацией MXFP4. Модель основана на Mistral-Small-3.2-24B-Instruct-2506 и содержит 24 млрд параметров; в README указана архитектура Dense Transformer с классом Mistral3ForConditionalGeneration и контекст до 131 072 токенов. Для обработки изображений используется проектор mmproj с визуальным энкодером Pixtral ViT.

Mellum2 Thinking — модель-помощник с усиленными способностями к рассуждению, разработанная JetBrains. Она создана на базе Mellum2-12B-A2.5B-Base: после дообучения на инструкциях модель прошла обучение с подкреплением по проверяемым вознаграждениям на сложных данных, включая задачи по математике с развёрнутыми решениями. Модель предназначена для сложной отладки, многошагового планирования, агентных сценариев, математики и других задач, требующих последовательного рассуждения. Это текстовая MoE-модель семейства Mellum: в архитектуре 64 эксперта, из которых для каждого токена активируются 8. Она использует сочетание слоёв со скользящим окном и полным вниманием и поддерживает контекст до 131 072 токенов. Модель выводит ход рассуждений в специальных блоках перед итоговым ответом. В репозитории указаны 1,9 млрд параметров, формат safetensors и библиотека Transformers. Лицензия — Apache 2.0. Карточка советует использовать вариант Instruct, если нужны прямые ответы с меньшей задержкой. Модель ориентирована на английский язык; других языков карточка не заявляет.

Memorisea-4b-v1 — компактная плотная языковая модель на архитектуре Qwen3, разработанная на основе Qwen/Qwen3-4B-Instruct-2507 посредством дообучения. Она предназначена для диалоговых агентных сценариев: вызова функций и инструментов, формирования структурированных JSON-ответов, генерации кода и защитного исправления уязвимостей. По карточке модели, в бенчмарках она показала 93,3% синтаксической корректности AST и 100% соблюдения заданных ограничений; результат BFCL составил 46,7%, поэтому качество вызова функций зависит от задачи и не гарантирует безошибочную работу. Модель принимает текст и генерирует текст, поддерживает контекст до 262 144 токенов и ориентирована на английский язык. Распространяется по лицензии Apache-2.0.

tepirale/merge-cord-v1 — объединённая языковая модель, созданная с помощью mergekit на основе Qwen/Qwen2.5-1.5B. В слияние вошли Qwen/Qwen2.5-1.5B-Instruct и Qwen/Qwen2.5-Coder-1.5B-Instruct; в метаданных также указана связь с Qwen/Qwen2.5-1.5B. Архитектура — плотная причинная языковая модель Qwen2 с 1,5 млрд параметров, распространяемая в формате safetensors и рассчитанная на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая задачи с кодом; метаданные отмечают интерфейс вызова инструментов. Поддерживаемый язык по карточке не определён. Для использования указана библиотека Transformers, лицензия в предоставленных данных не приведена. README сообщает о применении метода Consensus-Orthogonal Residual Decomposition и отмечает, что функция cord отсутствует в MergeKit, поэтому воспроизводимость указанной конфигурации может быть ограничена.

TroyDoesAI/Mermaid_PythonCoder — текстовая генеративная модель на архитектуре Llama, предназначенная для ответов на запросы по программированию и генерации кода. README задаёт формат запроса с инструкцией и ожидаемым блоком кода; название указывает на специализацию на Python и Mermaid, но карточка не описывает её точнее. Модель содержит 10,6 млрд параметров, принимает текст и выдаёт текст. Контекст — до 4096 токенов. Опубликована в формате safetensors и распространяется по лицензии CC BY 4.0. Данных о базовой модели или способе её обучения в карточке нет.