II.2Создание и понимание программного кода

Shark-Coder-9b — слитая модель на архитектуре Mistral, созданная powermove72 с помощью LazyMergekit из powermove72/Shark-1 и S-miguel/The-Trinity-Coder-7B. Она предназначена для генерации и дополнения кода, а также ответов на запросы по программированию в формате текстового диалога. Модель содержит 8,9 млрд параметров и поддерживает контекст длиной до 32 768 токенов; веса опубликованы в формате safetensors. Слияние выполнено методом passthrough с объединённым токенизатором; в конфигурации указана точность float16. В доступных материалах не описаны результаты оценки качества, конкретные языки программирования или поддержка вызова инструментов. Лицензия не указана в предоставленных данных.

Shirdel Coder 9B Claude Fable 5 — языковая и мультимодальная модель для генерации текста и кода, разработанная Tesleum. Она создана на основе Qwen/Qwen3.5-9B и связана с базовой моделью nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-NVFP4. Модель дообучалась в стиле инструкций Claude Fable 5 с использованием датасетов Evol-Instruct-Code-80k-v1 и Qwen/DeepPlanning. Модель предназначена прежде всего для программирования, генерации и преобразования кода, решения задач по разработке и текстовой генерации. В README также заявлена поддержка мультимодальных сценариев, включая работу с изображениями через отдельный файл mmproj, однако конкретные поддерживаемые форматы изображений и возможности обработки мультимодального контекста не указаны. Доступны варианты для text-generation, llama.cpp, vLLM и Ollama. Основной файл модели имеет размерный класс 9B и распространяется в формате GGUF с квантованием Q6_K; отдельно предоставляется BF16-mmproj для мультимодальной работы. Сильными сторонами являются специализация на коде, инструкционное дообучение и наличие готовых вариантов для локального запуска. Сведения о поддерживаемых языках, размере контекста, точных архитектурных характеристиках, результатах оценки и ограничениях качества в README отсутствуют. Лицензия модели — ECL-2.0.

AgentionAI Signal 3.8 Flash Next — это дообученная версия Qwen3.8-Flash-Next в формате GGUF, настроенная на более короткие ответы и эффективное рассуждение. В основе — мультимодальная разреженная MoE-модель на 177 млрд параметров с поддержкой изображений и диалога; сохранены vision encoder и голова multi-token prediction базовой модели. Репозиторий содержит варианты F16, IQ4, Q4_K и Q8. Модель предназначена для диалога, анализа изображений, решения математических задач и агентного программирования. По данным разработчика, на MATH-500 она использовала меньше токенов рассуждения и показала более высокий результат, а на Terminal-Bench 2.0 быстрее выполняла задачи программного агента. Самостоятельное тестирование разработчика ограничено небольшими выборками и единичными запусками на Terminal-Bench; на задачах, требующих длительного перебора вариантов, модель может исчерпать бюджет рассуждений раньше базовой. Модель обучена методом самодистилляции на ответах самой Qwen3.8-Flash-Next, настроенных на прямой стиль. Для запуска автор рекомендует llama.cpp и приводит контекст 65 536 токенов. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

Sky-T1-32B-Flash — языковая модель рассуждений на 32 млрд параметров, разработанная командой NovaSky из Sky Computing Lab при UC Berkeley. Это плотная архитектура Qwen2, доступная в формате Safetensors и рассчитанная на генерацию текста и диалог. Модель оптимизирована для задач математики и программирования: обучение на 10 тыс. предпочтительных пар должно сокращать длину ответов, сохраняя точность относительно Sky-T1-32B-Preview. В оценках авторов точность на Math500 совпала с Preview, а средняя длина генерации снизилась на 33%; заявленное сокращение длины достигает 57%. Поддерживается контекст до 32 768 токенов. Модель создана на основе слияния NovaSky-AI/Sky-T1-32B-Preview и Qwen/Qwen2.5-32B-Instruct и обучена с оптимизацией предпочтений SimPO. Лицензия — Apache-2.0. Результаты сравнительных оценок приведены авторами; фактическое качество зависит от запроса и сценария, а специализация на математике и коде не означает гарантии корректности ответов.

Sky-T1-32B-Preview — 32-миллиардная плотная языковая модель NovaSky Team из Sky Computing Lab Калифорнийского университета в Беркли. Её дообучили на базе Qwen/Qwen2.5-32B-Instruct на 17 тысячах примеров с проверенными ответами по математике и программированию, а также на научных данных из работы Still-2. Модель предназначена для диалоговой генерации текста и решения задач по математике, программированию и науке. В карточке приведены результаты оценивания на Math500, AIME2024 и LiveCodeBench-Easy; авторы сообщают о результатах на уровне o1-preview по математике и программированию. Архитектура — Qwen2ForCausalLM, поддерживаемый контекст — 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Результаты из карточки относятся к указанным тестам и не гарантируют сопоставимого качества на других задачах. Сведения о поддерживаемых языках ограничены меткой английского языка в метаданных.

Skywork-OR1-7B — текстовая модель общего назначения для рассуждений в математике и программировании, разработанная командой Skywork. Она основана на DeepSeek-R1-Distill-Qwen-7B и обучена с использованием крупномасштабного обучения с подкреплением по правилам и модифицированного алгоритма GRPO. В обучении использовались около 110 тысяч математических задач и 14 тысяч вопросов по программированию, а также фильтрация данных, rejection sampling, многоэтапное обучение и адаптивное управление энтропией. Данная версия представляет собой набор GGUF-квантизаций для локального запуска через llama.cpp, llama-cpp-python, LM Studio или Ollama. Доступны варианты от F16 до 2-битных, примерно от 15,2 до 3,0 ГБ; выбор квантизации позволяет найти компромисс между качеством, требованиями к VRAM и размером модели. Модель предназначена прежде всего для англоязычной генерации текста, решения математических задач и написания кода. Она не заявлена как мультимодальная, а снижение разрядности может ухудшать качество рассуждений и ответов. В README приведён пример запуска с контекстом 32768 токенов, но максимальный контекст модели явно не указан. Распространяется по лицензии Apache 2.0.

SlactusAIAstris — компактная языковая модель SakitsunaAI на архитектуре Qwen2, дообученная на unsloth/Qwen2.5-Coder-0.5B-Instruct. Она предназначена для генерации текста в диалоговом формате и унаследовала от базовой модели сценарии работы с кодом, включая его создание, объяснение и исправление. Модель содержит 494 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель поставляется в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с использованием Unsloth; сведения о конкретных обучающих данных и результатах оценки качества не приведены.

SmolLM3-3B — открытая инструктивная языковая модель компании Hugging Face, рассчитанная на сильные результаты при небольшом размере. Это плотный декодерный Transformer с GQA и NoPE, содержащий 3,1 млрд параметров; модель дообучена на базе HuggingFaceTB/SmolLM3-3B-Base. Она поддерживает диалог, вызов инструментов и режимы с расширенными рассуждениями, а также генерацию и продолжение текста, включая задачи по математике, программированию и работе с длинными документами. Модель обучалась с контекстом 64 тыс. токенов; конфигурация задаёт 65 536 токенов, а README описывает расширение до 128 тыс. и 256 тыс. с YaRN. В README указаны английский, французский, испанский, немецкий, итальянский и португальский как нативно поддерживаемые языки; метаданные также отмечают китайский, арабский и русский. Доступны открытые веса и подробности обучения. Лицензия Apache-2.0. Модель подходит для чат-ботов, помощи в рассуждениях, генерации кода и математических ответов, а также сценариев с вызовом инструментов. Она может выдавать фактически неверные или логически непоследовательные ответы и воспроизводить смещения из обучающих данных; важные сведения следует проверять.

Unsloth SmolLM3-3B — инструктивная языковая модель, производная от HuggingFaceTB/SmolLM3-3B. Это плотный decoder-only Transformer с GQA и NoPE, рассчитанный на генерацию текста, диалоги, рассуждения и вызов инструментов. Модель содержит 3,1 млрд параметров и доступна в формате safetensors; карточка указывает лицензию Apache-2.0. Модель поддерживает многоязычные диалоги и задачи рассуждения, в том числе математику и программирование. В README заявлены обучение на контексте 64 тыс. токенов и расширение до 128 тыс. с YaRN; метаданные каталога указывают нативный контекст 65 536 токенов. Доступен режим расширенного рассуждения, включённый по умолчанию, и интерфейс вызова инструментов. README описывает SmolLM3 как открытую модель с опубликованными сведениями об обучении; версия Unsloth представлена как вариант с динамической квантизацией 2.0, хотя метаданные этого репозитория указывают формат safetensors. Сгенерированный текст может содержать фактические ошибки, противоречия и смещения, поэтому важные ответы следует проверять.

darioooooo0o/spark-4b-engram — экспериментальная специализированная на программировании модель, созданная автором репозитория на базе Spark-X2.5-4B. Она добавляет к замороженной базовой модели модуль условной памяти Engram для поиска шаблонов кода и предназначена для генерации кода на нескольких языках программирования и алгоритмических рассуждений. Архитектура — плотная причинная языковая модель Spark2_5ForCausalLM; в репозитории указаны 3,8 млрд параметров модели, а модуль Engram содержит около 826 млн параметров. Контекст — до 1 048 576 токенов. Модель принимает текстовые запросы и выдаёт текст, включая код; в карточке перечислены Python, C++, Java, JavaScript, C#, SQL, Bash, PHP и Rust. Engram обучался на 25 млн токенов кода и инструкций. README приводит предварительный результат HumanEval: 72% на варианте Spark-4B с Engram против 30% у исходной модели, однако автор предупреждает, что модуль обучен лишь на 20% и результаты предварительные. Для запуска предназначен стек Transformers и PyTorch; стандартный llama.cpp/GGUF не поддерживается. Лицензия репозитория — Apache-2.0.

TheBloke/sqlcoder2-GGUF — это квантованные модели в формате GGUF для Sqlcoder2, разработанной Defog.ai. Модель предназначена для генерации SQL-запросов по текстовому вопросу и описанию схемы базы данных, включая выборки, фильтрацию и объединение таблиц. В метаданных указаны архитектура StarCoder, англоязычная специализация и задача text generation. Репозиторий содержит варианты квантования от 2 до 8 бит для инференса на CPU и GPU. Формат GGUF поддерживается llama.cpp и рядом совместимых приложений и библиотек, что позволяет запускать модель локально. Размер модели и длина контекстного окна в README не указаны. Основное преимущество модели — специализация на преобразовании запросов на естественном языке в SQL с учетом переданной схемы базы данных. Ограничения включают зависимость качества результата от полноты и корректности описания схемы, а также отсутствие сведений о точности, поддерживаемых диалектах SQL и дополнительных языках. Лицензия указана как other; конкретные условия использования в README не приведены.

StarChat-β — диалоговая языковая модель и помощник по программированию, разработанный HuggingFaceH4. Это вторая модель серии StarChat, дообученная на базе bigcode/starcoderplus на варианте набора openassistant-guanaco без встроенного выравнивания. Модель построена на архитектуре GPTBigCode, содержит 16 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и помощи с задачами программирования, включая генерацию кода. Основной естественный язык — английский; обучение StarCoderPlus охватывало более 80 языков программирования, а диалоговый набор включал более 35 естественных языков, что не означает одинакового качества на всех из них. Отсутствие выравнивания и фильтрации может приводить к проблемным ответам. Сгенерированный код может быть ошибочным, небезопасным или не компилироваться, а URL могут быть вымышленными. Лицензия BigCode Open RAIL-M v1; авторы рекомендуют использовать модель в образовательных и исследовательских целях.

Starcoder2-15B-Instruct-v0.1 — языковая модель для генерации и обработки программного кода, разработанная командой BigCode. Представленная версия распространяется в формате GGUF для запуска через llama.cpp и LM Studio; квантизацию выполнил bartowski. Модель создана на базе StarCoder2-15B и дообучена методом самообучения на наборе self-oss-instruct-sc2-exec-filter-50k, без человеческой разметки и дистиллированных данных. Основное назначение модели — выполнение одношаговых инструкций, связанных с программированием, прежде всего генерация кода на Python, написание кода с требованиями и создание модульных тестов. Модель имеет около 15 миллиардов параметров и относится к текстовым моделям генерации; сведения о поддерживаемых языках программирования, естественных языках и размере контекста в карточке не указаны. Для корректной работы рекомендуется использовать шаблон запроса Starcoder2 Instruct в LM Studio. К сильным сторонам относятся специализация на задачах программирования и заметные результаты на тестах генерации и исправления кода: pass@1 составляет 72,6% на HumanEval, 75,2% на MBPP и 20,4% на LiveCodeBench для генерации кода. Ограничения включают ориентацию преимущественно на Python и одношаговый формат взаимодействия; другие стили запросов могут давать менее точные ответы. Модель может генерировать неточный или небезопасный код, поэтому результаты требуют проверки и тестирования. Лицензия указана как BigCode OpenRAIL-M.

Карточка модели snombi/store1 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.

Fortytwo-Network/Strand-Rust-Coder-14B-v1-GGUF — квантизированная версия специализированной языковой модели для программирования на Rust, разработанная Fortytwo Network. Модель создана на основе Qwen2.5-Coder-14B-Instruct и дообучена методом LoRA на датасете Strandset-Rust-v1 из 191 008 синтетических, прошедших peer-валидацию примеров. Модель предназначена для генерации и дополнения кода, выявления ошибок, рефакторинга, оптимизации, генерации тестов и документации, code review, именования и прогнозирования использования API Rust. Она поддерживает контекст до 32 768 токенов, содержит около 14 млрд параметров, использует архитектуру Qwen2.5-Coder с GQA attention и extended RoPE, а также токенизатор размером 151 тыс. единиц, оптимизированный для синтаксиса Rust. Заявлена совместимость с локальным развертыванием и Fortytwo Capsule runtime для распределённого swarm inference. Сильная сторона модели — специализация на семантике Rust, включая правила владения и времени жизни. В указанных тестах она получила 48% на hold-out наборе и 43% на RustEvo² при оценке по доле кода, прошедшего модульные тесты в изолированной среде Rust 1.86.0. Эти результаты не гарантируют корректность для всех проектов; модель ориентирована прежде всего на Rust и может быть менее универсальной, чем общие модели программирования. Лицензия — Apache-2.0.

Карточка модели Jiunsong/SuperGemma-4-12b-abliterated на Hugging Face совпадает с карточкой enkato64bit/SuperGemma-4-12b-abliterated, поэтому описание составлено по ней. 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.

SuperGemma4 E4B Abliterated — производная от Google Gemma 4 E4B Instruct модель Jiunsong для генерации текста в диалоге. По данным карточки, модель прошла абляцию и дополнительную настройку для улучшения форматирования, качества кода и исправления ошибок, структурированных JSON-ответов и скорости первого токена. Метаданные указывают архитектуру Gemma4ForConditionalGeneration и поддержку чата, следования инструкциям и интерфейса вызова инструментов; исходная Gemma 4 E4B также описана как мультимодальная модель для анализа изображений и обработки аудио, однако в метаданных этой модели подтверждена только задача text-generation. Разработчик позиционирует её для помощников по программированию и отладке, выдачи JSON по схеме и серверных агентных сценариев. В README приведены высокие результаты внутренних оценок, но методика и независимая проверка не описаны, поэтому их нельзя считать гарантией качества. Карточка называет релиз приватным; лицензия указана как Gemma. Ослабление отказов от ответов может влиять на поведение модели в чувствительных сценариях.

SWE-agent-LM-32B GGUF — языковая модель для задач программной инженерии, разработанная в рамках проекта SWE-smith командой SWE-bench. Модель создана на базе Qwen/Qwen2.5-Coder-32B-Instruct и дообучена на 5 тысячах траекторий, сгенерированных SWE-agent и Claude 3.7 Sonnet. Представленная версия подготовлена в формате GGUF с использованием llama.cpp и совместима с фреймворком SWE-agent. Модель предназначена для работы программных агентов, решающих задачи разработки и исправления программного кода, включая сценарии, связанные с SWE-bench. Она ориентирована на генерацию текста и кода на английском языке. Известно, что модель содержит 32 миллиарда параметров; сведения о поддерживаемых модальностях, размере контекста и конкретном варианте квантования в README не указаны. Сильными сторонами являются специализация на программной инженерии, обучение на агентных траекториях и возможность локального запуска через совместимые инструменты. Ограничения включают отсутствие в предоставленных данных подробных результатов бенчмарков, характеристик производительности, требований к аппаратному обеспечению и описания поведения за пределами задач разработки ПО. Указана лицензия Apache-2.0.

d0xin выпустил Swift-Qwen3.8-27B-Uncensored-BF16 — BF16-производную модели ukisai/Swift-Qwen3.8-27b на архитектуре Qwen3.5 dense с генерацией текста по текстовому и визуальному вводу. Модель рассчитана на диалоги, рассуждения, программирование, агентные сценарии и вызов инструментов; заявленная конфигурация контекста — 262 144 токена. Чекпойнт занимает около 52 ГБ, работает через Transformers и может обслуживаться через OpenAI-совместимый API SGLang. Модель получена ранговой абляцией направления в residual stream: изменены 131 из 1199 тензоров, а веса зрения оставлены без изменений. Автор сообщает, что на фиксированной проверке из 100 запросов модель не отказала ни разу, хотя в 10 случаях ответ сопровождался оговоркой; на отдельной проверке из 298 примеров измеримого снижения качества по сравнению с исходной моделью не обнаружено. Эти результаты относятся к описанным наборам и настройкам и не гарантируют поведение на других запросах. Из-за снижения склонности к отказам модель может выдавать небезопасный, незаконный или недостоверный контент. Лицензия указана как other; карточка рекомендует lawful use и предупреждает, что модель не предназначена для регулируемых профессиональных консультаций.

Synthia-S1-27b — диалоговая мультимодальная модель Tesslate AI, дообученная на базе Gemma 3 27B IT. Она предназначена для рассуждений, программирования, творческого письма и ролевых сценариев; принимает текст и изображения и формирует текстовые ответы. В карточке заявлен контекст до 128 тысяч токенов и максимальная длина ответа 8192 токена. Архитектура — плотный decoder-only Transformer с 27 млрд параметров; указаны bf16 и int8-квантизация, а в репозитории доступен формат safetensors. Модель обучали на веб-документах, примерах отладки и решения задач по программированию, а также на математических решениях. Автор приводит результаты ограниченных проверок GPQA Diamond и части MMLU Pro и отмечает, что оценки требуют более полного бенчмаркинга. Лицензия — Gemma. Модель может требовать подробных инструкций для узких задач и иногда галлюцинирует в малоизученных областях.

thealper2/t5-base-code-summarization — модель на базе T5-Base, дообученная для создания кратких текстовых описаний функций на Python. Она принимает исходный код с обязательным префиксом «summarize code: » и генерирует одно предложение на английском языке о назначении функции. Модель рассчитана на автоматическое создание черновиков docstring и кратких пояснений к коду; обучающие примеры взяты из пар кода и комментариев CodeSearchNet, при этом Python-функции отбирались разбором кода. Архитектура — T5ForConditionalGeneration, около 123,8 млн параметров по метаданным, максимальный контекст — 512 токенов. В README приведены метрики BLEU и ROUGE на тестовой выборке из 5 000 функций; они отражают лексическое совпадение с одним эталонным описанием и могут занижать оценку корректных перефразировок. Модель наследует шум и ошибки обучающих комментариев, а её описания часто короче и обобщённее человеческих docstring. Репозиторий распространяется по лицензии Apache-2.0. Модель обучена только на Python, поэтому другие языки программирования находятся вне обучающего распределения; входы длиннее 512 токенов обрезаются.

Tals-coder-flash-02 — мультимодальная модель для генерации кода и рассуждений, созданная talxcc на основе prism-ml/Ternary-Bonsai-2-27B-gguf. Это вариант с пользовательской ternary-квантизацией в формате GGUF и встроенной головой Multi-Token Prediction для спекулятивного декодирования; для анализа изображений в репозитории также есть отдельный проектор CLIP. В карточке заявлены 27 млрд параметров и контекст до 262 тыс. токенов. Модель предназначена для генерации и исправления кода, работы с крупными кодовыми базами, а также анализа скриншотов интерфейсов, диаграмм и графиков. README сообщает о скорости 53–65,5 токена/с с MTP n_max=2 на RTX 4060 Ti 16 ГБ, однако результат зависит от конфигурации и специальной сборки llama.cpp с поддержкой Hadamard-ядер. Указанные скорости и возможность полностью разместить модель с контекстом на GPU являются заявлениями авторов карточки. Модель распространяется по лицензии Apache-2.0. Авторы рекомендуют проверять и тестировать сгенерированный код перед запуском; качество и надёжность вывода отдельно не подтверждены в предоставленных данных.

Jebadiah/Tess-Qwen-ruby-p3 — слитая авторами модель на архитектуре Llama для генерации текста в формате диалога. Она создана методом DARE linear с помощью mergekit на основе Jebadiah/Tess-gradient-ruby-p2 с добавлением ajibawa-2023/Code-Llama-3-8B; размер составляет 7,5 млрд параметров, нативный контекст — 8192 токена. Каталог связывает базовые модели со сценариями генерации программ, объяснения кода и решения математических задач. Модель предназначена для диалоговых текстовых запросов и генерации ответов, в том числе по задачам программирования и математике. Использует библиотеку Transformers и распространяется в формате safetensors. В карточке указана лицензия не была, поэтому условия использования по доступным сведениям определить нельзя. Модель поддерживает только текстовый ввод и текстовый вывод.

Tiel-Coder-35B-A3B-GGUF-MTP — локальная модель для агентного программирования, разработанная peculiar-ragdoll на основе Ornith-1.5-35B-A3B. Это динамически переквантованная версия с собственной imatrix и шаблоном диалогов Sharp, встроенными в формат GGUF. Модель предназначена для запуска через llama.cpp и поддерживает MTP для speculative decoding. Основной сценарий применения — исправление реальных проблем в кодовых базах и поддержание длительных многошаговых диалогов. По данным README, модель особенно сильна в SWE-задачах и многоходовом взаимодействии, но заметно слабее подходит для викторин, экзаменационных вопросов и задач, требующих широких знаний или сложного рассуждения. В SWE-bench-Live она решила 12 из 25 задач, а в Claw-Eval получила результат 67,2; на MMLU-Pro показала 73,7. Модель имеет архитектуру MoE и обозначение 35B-A3B; доступны GGUF-квантизации от 2 до 8 бит размером примерно от 12,7 до 38,8 ГБ. Заявлена поддержка английского и китайского языков, а также контекста до 262 тысяч токенов. Благодаря MoE она рассчитана на высокую скорость, включая запуск с частичным offload на небольших GPU. Для агентного программирования рекомендуется использовать контекст 131–262 тысячи токенов и KV-кэш не ниже q8_0, если хватает совокупной RAM и VRAM. README также указывает теги vision и image-text-to-text, однако подробности мультимодальных возможностей не приведены. Модель распространяется по лицензии MIT. Ограничения включают существенное падение качества на самых низких уровнях квантизации, а также более слабые результаты в знаниях и рассуждении по сравнению с рядом альтернатив. Для запуска требуется подобрать вариант GGUF с учётом доступной совокупной памяти и желаемого размера контекста.

Tiel-Coder-35B-A3B-MLX-oQ4e — мультимодальная vision-language модель для программирования, разработанная peculiar-ragdoll на базе Ornith-1.5-35B-A3B. Модель предназначена прежде всего для агентного программирования: исправления проблем в существующих кодовых базах, объяснения кода, многошаговых диалогов и анализа изображений, включая скриншоты. Заявлены поддерживаемые языки English и Chinese. Модель использует архитектуру Mixture-of-Experts с конфигурацией 35B-A3B и поставляется в формате MLX для Apple Silicon. Это динамически смешанное 4-битное квантование oQ4e с применением imatrix; размер сборки заявлен примерно 21 ГБ. Vision-компоненты включены в тот же каталог, отдельный projector-файл не требуется. В чекпойнт встроен Sharp chat template. Контекстное окно и точное число активных параметров не указаны. Сильными сторонами модели считаются агентное программирование, скорость работы и поддержание качества в длинных многоходовых диалогах. По приведённым результатам она показала 12 успешных решений из 25 задач SWE-bench-Live и высокий результат в Claw-Eval, однако эти числа измерены на сборке GGUF с другим квантованием и не являются прямыми измерениями данного MLX-файла. Ограничением является заметно более слабое качество в задачах на общие знания и экзаменационное рассуждение; авторы также отмечают, что модель хуже задаёт уточняющие вопросы, чем базовая Ornith-1.5. Модель распространяется по лицензии MIT. Для запуска рекомендуется использовать mlx-vlm или oMLX; загрузка через mlx-lm не подходит для этого vision-language чекпойнта. Модель не содержит обученной multi-token-prediction head.

Ramikan-BR/tinyllama-coder-py-v23 — дообученная разговорная модель семейства Llama для генерации текста, включая помощь с кодом Python. Она основана на unsloth/tinyllama-chat-bnb-4bit и имеет около 1 млрд параметров; архитектура — плотная авторегрессионная LlamaForCausalLM. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 4096 токенов. Карточка указывает, что модель обучалась с помощью Unsloth и библиотеки TRL. Её можно использовать для генерации и продолжения кода Python, а также для диалоговых запросов по программированию. Лицензия — Apache-2.0. Подробные результаты оценки качества и конкретные ограничения в карточке не приведены.

Tiny-OR1-Rust — компактная языковая модель Daemontatox для помощи с программированием на Rust. Это плотная трансформерная модель семейства Qwen3 с 1,7 млрд параметров, дообученная на Tesslate/Rust_Dataset на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Модель принимает текстовые запросы и выдаёт текст, включая код, пояснения и ответы в диалоговом формате; для генерации текста заявлено контекстное окно до 40 960 токенов. Модель предназначена для генерации и дополнения кода Rust, объяснения фрагментов кода и помощи в изучении языка. Она ориентирована на разработчиков, учащихся и интеграцию в редакторы кода. В карточке заявлены сильные стороны в работе с конструкциями Rust, включая владение, заимствование и времена жизни, однако независимые результаты оценки не приведены. Модель специализируется на Rust и может хуже справляться с другими языками программирования, сложными задачами и редкими библиотеками; также возможно отсутствие знаний о новых возможностях Rust. Сгенерированный код следует проверять и тестировать. Лицензия — Apache-2.0.

nisten/tqwendo-36b — экспериментальная объединённая модель семейства Qwen2, созданная автором репозитория методом passthrough с помощью mergekit. В объединение вошли Qwen/Qwen2.5-Coder-32B-Instruct, Qwen/Qwen2.5-Coder-32B и huihui-ai/Qwen2.5-32B-Instruct-abliterated. По метаданным, модель имеет плотную архитектуру Qwen2ForCausalLM, около 34,9 млрд параметров и контекст до 32 768 токенов; веса опубликованы в формате safetensors, библиотека — Transformers. Модель предназначена для генерации текста и кода в диалоговом формате, включая создание, анализ и исправление кода. Автор сообщает, что слияние было задумано для уменьшения повторов, характерных для abliterated-варианта, и приводит пример генерации интерфейса чата с кодом Python, HTML, стилями и вызовами API. Метаданные также отмечают интерфейс для вызова инструментов. Автор описывает модель как экспериментальную и предлагает сочетать её с отдельной 4-битной 7B-моделью для спекулятивного декодирования и рассуждений, однако это назначение не следует трактовать как гарантированное качество или встроенную возможность. Поддерживаемый язык естественного языка отдельно не заявлен; карточка указывает код как язык. Лицензия — MIT.

Tri-21B — авторская причинная языковая модель компании Trillion Labs для диалогов и генерации текста. Она предназначена для повседневного общения, ответов на вопросы, рассуждений, математических задач и генерации кода. По данным карточки, модель использует декодерный Transformer с RoPE, SwiGLU, RMSNorm и GQA, содержит 20,73 млрд параметров и имеет контекстное окно 8 192 токена. Модель обучалась на 2,3 трлн токенов; разработчики сообщают об улучшениях в обучении с подкреплением и настройке данных для рассуждений. Tri-21B оптимизирована для английского, корейского и японского языков. В README приведены результаты тестов на знания, рассуждения, программирование, математику и следование инструкциям. Эти результаты заявлены разработчиком и зависят от условий оценки. Для других языков качество может снижаться; знания ограничены данными примерно до февраля 2025 года. Модель распространяется под лицензией с обозначением «other»; конкретные условия следует проверять на странице репозитория Hugging Face.

Trinity-2-Codestral-22B-v0.2-GGUF — набор GGUF-квантизаций базовой модели migtissera/Trinity-2-Codestral-22B-v0.2, подготовленный пользователем bartowski с использованием llama.cpp и метода imatrix. Модель относится к задачам генерации текста и ориентирована прежде всего на работу с кодом; запуск возможен через llama.cpp и LM Studio. Доступны варианты от исходных весов F16 размером 44,50 ГБ до компактных квантов IQ3 и Q3 размером около 10–12 ГБ, а также форматы Q4, Q5, Q6 и Q8. Более высокие уровни квантования обеспечивают лучшее сохранение качества, а варианты Q4_0_8_8, Q4_0_4_8 и Q4_0_4_4 оптимизированы для более быстрой инференции на ARM и CPU. В README не указаны архитектура, поддерживаемые языки, модальности и размер контекстного окна. Для работы рекомендуется использовать шаблон prompt format с ролями system, user и assistant. Сильной стороной набора является широкий выбор компромиссов между качеством, размером и скоростью запуска; варианты Q5–Q6 заявлены как высококачественные, а Q4 — как практичные для систем с ограниченными ресурсами. К ограничениям относятся возможная потеря качества при низких уровнях квантования и отсутствие подробных сведений о возможностях исходной модели. Лицензия указана как other, без дополнительных условий в представленном README.