II.3Рефакторинг, миграция и модернизация

Модель Krishnasri2027/qwen25-coder-1.5b-instruct-fine-tuned-merged разработана как дообученная версия Qwen/Qwen2.5-Coder-1.5B-Instruct для модернизации Python-кода, особенно при переходе к синтаксису и практикам, совместимым с Python 3.14. Это плотная причинная языковая модель семейства Qwen2 размером 1,5 млрд параметров, работающая в диалоговом формате и принимающая текстовые инструкции и исходный код. Нативная длина контекста — 32 768 токенов. Модель предназначена для переписывания устаревшего Python-кода, рефакторинга и помощи в миграции версий; её можно встроить в IDE, инструменты разработчика и автоматизированные конвейеры модернизации кода. Обучение выполнено методом QLoRA с 4-битной NF4-квантизацией базовой модели и LoRA-адаптером, после чего адаптер был объединён с исходными весами. В репозитории находятся самостоятельные веса FP16, поэтому отдельный адаптер при использовании не нужен. Лицензия — Apache-2.0. Модель может выдавать синтаксически некорректный код, менять поведение программ, пропускать граничные случаи или выполнять ненужный рефакторинг. Токенная точность и снижение функции потерь не гарантируют семантическую эквивалентность; сгенерированный код нужно проверять, запускать тесты и просматривать перед применением, особенно в критичных системах.

C2Rust — полноразмерный дообученный чекпойнт Qwen/Qwen3.5-27B, созданный Pu Zhao, Changdi Yang и соавторами из Northeastern University, EmbodyX Inc и Aibao LLC. Модель предназначена для перевода программ на C в поведенчески эквивалентный Rust. Это плотная модель с 27 млрд параметров; в чекпойнте также сохранён визуальный энкодер базовой Qwen3.5, но при переводе кода он не используется. Обучение проводилось только на тексте в три этапа: продолженное обучение на Rust, настройка на отладку по обратной связи верификатора и специализированное дообучение на парах C–Rust. Веса представлены в Safetensors, лицензия — Apache-2.0. В описанной авторами оценке модель достигла 87,30% успешных переводов на тестовом наборе из 200 программ C: результат засчитывался, если Rust-код компилировался и проходил все заданные тесты в пределах шести попыток генерации и исправления. Модель рассчитана на эксперименты и помощь при миграции кода; сгенерированные программы требуют компиляции, тестирования и проверки человеком. Прохождение предоставленных тестов не доказывает полной семантической эквивалентности, безопасности памяти или защищённости, а код может содержать raw pointers и `unsafe` Rust. После специализации отмечено небольшое снижение результата на SWE-bench Verified относительно базовой модели.

Cassini-1.0 — дообученная модель семейства Qwen3, разработанная LatentForce-ai для извлечения структурированных сведений из исходного кода. Она принимает файлы Python, JavaScript и TypeScript и за один проход формирует JSON с импортами, определениями, ссылками, вызовами, назначениями типов и дополнительными данными об определениях. Модель предназначена для инженерных конвейеров статического анализа: построения графов зависимостей и вызовов, индексации символов и анализа влияния изменений в крупных репозиториях. В карточке заявлен результат 77,6% F1 на оценке извлечения при общей стоимости инференса $0,17; это заявление разработчика, а подробности методики оценки в предоставленном фрагменте не раскрыты. Модель основана на Qwen/Qwen3-4B, содержит около 3,7 млрд параметров, имеет контекст 40 960 токенов и рассчитана на запуск через vLLM. Лицензия — Apache-2.0.

Модель dishants0605/qwen2.5-cobol-python-translator — дообученная Dishant S. компактная языковая модель для преобразования кода COBOL в читаемый Python с сохранением исходной бизнес-логики. Она основана на Qwen2.5-Coder-1.5B и обучена методом QLoRA с использованием Unsloth; содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для первичного переноса унаследованных систем, в том числе банковских, страховых и государственных приложений. Она принимает текст с кодом COBOL и генерирует код Python. Карточка отмечает, что небольшого обучающего набора может быть недостаточно для сложных конструкций, таких как REDEFINES и OCCURS; формальных бенчмарков нет, а результат требует проверки специалистом и не предназначен для прямой замены производственной системы. Лицензия — Apache-2.0.

Bloodwingv2/Qwythos-9b-Claude-Mythos-5-1M-sas-v2 — дообученная модель для преобразования кода SAS в Python, созданная на основе empero-ai/Qwythos-9B-Claude-Mythos-5-1M. Для настройки использован датасет SAS2Py из 278 примеров. Модель построена на плотной архитектуре Qwen3.5 и имеет 7,2 млрд параметров; заявленная длина контекста — 1 048 576 токенов. Модель принимает инструкцию и фрагмент SAS-кода, а затем генерирует соответствующий код Python. Её можно использовать для миграции аналитических скриптов SAS и перевода отдельных программных фрагментов. README описывает формат промпта, но не приводит результаты оценки качества или сведения о поддерживаемых вариантах SAS и Python. Модель опубликована в формате safetensors для библиотеки Transformers; сведения о лицензии в предоставленных данных отсутствуют.

COBOLX 1.5B — компактная инструкционно дообученная модель на архитектуре Qwen2 для анализа программ на COBOL. Её назначение — помогать разбираться в унаследованных кодовых базах: находить файлы, которые программа читает или изменяет, подключаемые copybook-файлы, поля данных и вызываемые процедуры. Модель содержит 1,5 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. По карточке она предназначена для английского языка и программ на COBOL. На тесте из 90 вопросов о незнакомых COBOL-программах модель находила все файлы чтения и записи; для copybook и числовых полей доля полностью правильных ответов составила 80% и 67% соответственно. Она менее надёжна при поиске недостижимых абзацев: в тесте справилась с 53% таких случаев. В длинных перечнях может пропускать элементы, а при неуверенности — выдумывать сведения. Рекомендуемый размер исходной программы — до примерно 6 КБ; результаты следует проверять, особенно перед изменением или удалением кода. Модель распространяется по лицензии Apache-2.0.

Bloodwingv2/qwen3.5-4b-super-coder-sas-v2 — модель на архитектуре Qwen3.5, созданная дообучением jica98/qwen3.5-4B-super-coder на наборе SAS2Py из 278 примеров. Она предназначена для преобразования кода SAS в Python: на вход подаются инструкция и фрагмент SAS-кода, а модель продолжает ответ кодом Python. Модель содержит 3,4 млрд параметров, работает через Transformers и принимает контекст длиной до 262 144 токенов. Модель подходит для переноса аналитических скриптов SAS в Python и помощи при миграции кода. README описывает узкую настройку на небольшом наборе примеров; качество на других задачах программирования или сложных и нестандартных сценариях не подтверждено. Файлы опубликованы в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

XMAiNframe-instruct-7b — диалоговая языковая модель Fsoft-AIC, предназначенная для работы с унаследованными мейнфрейм-системами и кодовыми базами COBOL. Она создана на основе DeepSeek-Coder 7B; карточка описывает семейство XMAiNframe с базовой и instruct-версиями, но сведений о конкретной процедуре дообучения этой версии не приводит. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 6,5 млрд параметров и работает с контекстом до 4096 токенов. Она принимает текст и генерирует текст, поддерживая диалоговый сценарий. Заявленные задачи семейства включают ответы на вопросы о мейнфреймах, вопросы с выбором ответа и суммаризацию кода COBOL. В README сообщается о результатах сравнительных оценок, однако подробности методики и воспроизводимости здесь не приведены. Лицензия модели — MIT. Карточка не описывает поддерживаемые естественные языки, поэтому языки не перечислены; COBOL относится к языкам программирования, а не к языкам общения.

asm2asm-deepseek1.3b-xtokenizer-arm — дообученная Ahmed Heakl модель на базе deepseek-ai/deepseek-coder-1.3b-instruct для преобразования ассемблерного кода x86 в код ARM. Она предназначена для переноса инструкций между архитектурами, обучения различиям между x86 и ARM и помощи при оптимизации кода. Модель содержит 1,3 млрд параметров, построена на плотной архитектуре семейства Llama и использует библиотеку Transformers; максимальная длина контекста — 16 384 токена. Поддерживает генерацию текста и работает с кодом в текстовом виде. В карточке указано, что качество может снижаться на инструкциях, отличающихся от обучающих данных, и на сложных или нетипичных фрагментах. Ошибки в сгенерированном ARM-коде способны изменить его поведение, поэтому результат следует проверять. Для обучающих данных приведено лишь краткое уведомление, а лицензия обозначена как other без дополнительных условий в предоставленных данных.

DAFT Qwen2.5-Coder-7B-Instruct checkpoint 3500 — это чекпойнт модели Qwen, дообученной Ahmed Heakl полным supervised fine-tuning для перевода ассемблерного кода NVIDIA GPU в ассемблерный код AMD GPU. Модель основана на Qwen/Qwen2.5-Coder-7B-Instruct, имеет около 7,1 млрд параметров и использует плотную архитектуру Qwen2ForCausalLM. Репозиторий содержит веса Safetensors и токенизатор; заявленная длина контекста — 32 768 токенов. Модель предназначена для преобразования GPU-функций между диалектами ассемблера NVIDIA и AMD. Её обучали на парах функций из набора daft-sm89-rdna-functions; checkpoint 3500 сохранён после 3 500 шагов из 10 219 запланированных. Проверка включала потери на выборках CASS и Rodinia, использованных для отбора чекпойнта; независимое итоговое тестирование и функциональная корректность не подтверждены. Лицензия — Apache-2.0.

DAFT Qwen3-0.6B checkpoint 4000 — это промежуточный чекпойнт полного дообучения Qwen3-0.6B, опубликованный разработчиком DAFT для перевода функций на ассемблере NVIDIA GPU в соответствующие функции на ассемблере AMD GPU. Модель предназначена для преобразования исходных функций CUDA в соответствующий код HIP/AMD GPU и относится к генеративной модели на архитектуре Qwen3 с плотной причинно-языковой архитектурой; размер — около 507,9 млн параметров. Чекпойнт сохранён на шаге оптимизатора 4000, примерно на 0,39 эпохи запланированного обучения, поэтому обучение на момент публикации продолжалось. Модель рассчитана на текстовый ввод и генерацию текста; в обучении использовался предел последовательности 32 768 токенов. Проверка включала подмножества CASS-bench-v2 и Rodinia и измеряла teacher-forced cross-entropy loss, а не функциональную корректность или точность сгенерированного ассемблера. Для запуска нужны совместимые PyTorch и Transformers; карточка указывает проверку с Transformers 4.57.1. Базовая модель — Qwen/Qwen3-0.6B, данные обучения — ahmedheakl/daft-sm89-rdna-functions. Лицензия — Apache-2.0. Поскольку это промежуточный чекпойнт и функциональная корректность не оценивалась, его результаты для целевого переноса кода требуют самостоятельной проверки.

DAFT Qwen2.5-Coder-7B-Instruct checkpoint 2000 — промежуточный чекпойнт модели, дообученной методом полного supervised fine-tuning для перевода ассемблерного кода GPU с NVIDIA на AMD. Модель основана на Qwen/Qwen2.5-Coder-7B-Instruct, имеет плотную архитектуру Qwen2ForCausalLM и 7,1 млрд параметров. Она принимает текстовые инструкции и исходный ассемблерный код и должна выдавать соответствующий код для AMD GPU. Контекст составляет 32 768 токенов; модель работает через библиотеку Transformers. Это шаг 2 000 из 10 219 запланированных, а обучение продолжается. Проверка включала потери на валидационных наборах CASS и Rodinia, но функциональная корректность переведённых программ не установлена, поэтому результаты требуют независимой проверки. В репозитории доступны веса и токенизатор, но нет состояния оптимизатора и генератора случайных чисел. Лицензия — Apache-2.0.

COA Mapper v1 — модель GyaanByte Labs для подбора соответствия между счетами бухгалтерского плана QuickBooks Desktop или Sage 50 и счетами целевого плана QuickBooks Online. Она преобразует названия и типы счетов в эмбеддинги, чтобы найти наиболее подходящие счета среди кандидатов из целевого плана; модель не создаёт новые счета. Это дообученная на базе BAAI/bge-small-en-v1.5 компактная BERT-модель примерно на 40 млн параметров с контекстом до 512 токенов. Репозиторий содержит форматы Safetensors и ONNX, включая вариант для запуска в браузере. Модель предназначена для англоязычных бухгалтерских структур США, ориентированных на US GAAP. В описанном рабочем процессе она используется для поиска кандидатов, после чего результаты ранжирует LLM, а сомнительные соответствия направляются на проверку человеком. Внутренний тест на синтетических данных показывает полезность для сопоставления счетов, но качество на реальных бухгалтерских данных не подтверждено; названия счетов уже дают сильный сигнал для поиска. Лицензия — Apache-2.0.

caentzminger/qwen35-0.8b-region-merged — экспериментальная модель на основе Qwen/Qwen3.5-0.8B-Base, дообученная на преобразованных публичных примерах Zeta для предсказания областей редактирования. LoRA-адаптер слит с базовой моделью в отдельный каталог Hugging Face CausalLM; доступны веса Safetensors и GGUF F16. Модель рассчитана на локальные эксперименты с текстовыми запросами в формате предсказания областей редактирования, используемом в исходном проекте, и не проверялась как универсальная модель для программирования. В локальной оценке на 33 публичных примерах Zeta среднее сходство составило 0,7233 против 0,4020 у базовой модели области; точных совпадений было 1 из 33. Автор README отмечает, что эти результаты являются предварительными и не подтверждены на приватных трассах в производственной среде. Размер по метаданным — 581,4 млн параметров, контекст — 262 144 токена; архитектура — плотная Qwen3.5 CausalLM. Лицензия в предоставленных данных не указана.

GPT-5.1-Codex — специализированная версия GPT-5.1 от OpenAI, оптимизированная для разработки программного обеспечения и рабочих процессов, связанных с кодом. Она предназначена как для интерактивной помощи при разработке, так и для самостоятельного выполнения сложных инженерных задач.

GPT-5.1-Codex Mini — языковая модель OpenAI, облегчённая и более экономичная версия GPT-5.1-Codex с меньшими возможностями. Она предназначена для задач программирования и длительных агентных рабочих процессов, например написания и изменения кода с использованием инструментов. Модель поддерживает текст на входе и выходе, а также изображения на входе; контекстное окно составляет 400 000 токенов, максимальный объём ответа — 128 000 токенов. Поддерживаются рассуждения, вызов функций и структурированный вывод. Данные о конкретной архитектуре и списке поддерживаемых языков в использованных источниках не приводятся. Модель доступна через API OpenAI; условия доступа и использования определяются условиями сервиса OpenAI.

Codestral-22B-v0.1 — плотная авторегрессионная модель семейства Mistral на 22 млрд параметров, разработанная командой Mistral AI и обученная на разнообразном наборе данных, включающем более 80 языков программирования. Она предназначена для генерации и анализа кода: модель отвечает на вопросы о фрагментах программ, пишет документацию, объясняет и рефакторит код, а также создаёт программы по инструкциям. Режим Fill in the Middle позволяет дополнять код между заданными префиксом и суффиксом, в том числе в инструментах разработки. Поддерживается контекст длиной до 32 768 токенов. Модель принимает текстовые запросы и выдаёт текст, включая программный код. README приводит Python, Java, C, C++, JavaScript и Bash как примеры языков обучения; полный перечень заявлен в сопутствующей публикации. Контроль модерации в модели отсутствует, поэтому её ответы могут требовать проверки и внешних ограничений. Репозиторий использует формат safetensors; лицензия в метаданных указана как other, конкретные условия следует сверять с карточкой модели.

Codestral-22B-v0.1-hf — конвертированная версия Codestral-22B-v0.1 от Mistral AI в формате Transformers. Это плотная авторегрессионная модель семейства Mistral с 22 млрд параметров и контекстом до 32 768 токенов, предназначенная для работы с кодом на более чем 80 языках программирования. Она отвечает на вопросы по фрагментам кода, объясняет и документирует их, помогает рефакторить код, генерирует код по инструкциям и поддерживает заполнение пропусков между префиксом и суффиксом (Fill in the Middle), что подходит для интеграции в редакторы кода. В README также указан пример на Rust; среди названных языков — Python, Java, C, C++, JavaScript и Bash. Модель принимает текстовые инструкции и фрагменты кода и генерирует текст, включая исходный код. Карточка предупреждает, что у модели нет механизмов модерации. В репозитории указаны веса safetensors и лицензия «other»; конкретные условия лицензии следует сверять с карточкой модели и условиями исходного репозитория Mistral AI.

Qwen2.5-Coder-14B-Instruct-AWQ — инструкция-настроенная языковая модель для генерации текста и программного кода, разработанная командой Qwen. Она предназначена для написания, анализа, объяснения и исправления кода, решения задач программирования, а также для использования в чат-ассистентах и агентных системах разработчика. Модель основана на Qwen2.5-Coder-14B-Instruct и распространяется как 4-битная AWQ-квантизированная версия. Модель является каузальной языковой моделью с архитектурой на базе Transformers, RoPE, SwiGLU, RMSNorm и смещениями в QKV-внимании. Она содержит около 14,7 млрд параметров, 48 слоёв и использует Grouped Query Attention с 40 головами для Q и 8 для KV. Заявлена поддержка контекста до 131 072 токенов, однако исходная конфигурация рассчитана на 32 768 токенов; для более длинных входов требуется включение YaRN. Модель обучалась на данных, включающих исходный код, текстово-кодовые связи и синтетические данные, с общим объёмом обучения 5,5 трлн токенов. В метаданных README указан английский язык. К сильным сторонам относятся специализация на программировании, улучшенные генерация, рассуждение и исправление кода, а также сниженные требования к памяти благодаря 4-битной квантизации. Ограничения связаны с возможным ухудшением производительности на коротких текстах при статическом масштабировании YaRN и с тем, что для эффективной работы требуются совместимые версии Transformers и поддержка AWQ. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-32B-Instruct-GPTQ-Int8 — инструкционная GPTQ-квантизованная версия 8-битной модели Qwen2.5-Coder-32B из семейства специализированных языковых моделей Qwen для программирования, разработанного командой Qwen. Модель предназначена для генерации, анализа и исправления программного кода, создания code agents, а также решения математических и общих текстовых задач. Это авторегрессионная causal language model на архитектуре Transformers с RoPE, SwiGLU, RMSNorm и смещениями в QKV-слоях внимания. Модель содержит около 32,5 млрд параметров, 64 слоя и использует GQA с 40 головами для Q и 8 для KV. Заявлена поддержка контекста до 131 072 токенов, однако исходная конфигурация рассчитана на 32 768 токенов; для более длинных входов требуется дополнительная настройка YaRN. Основная заявленная языковая поддержка — английский язык. Модель работает в режиме текст-в-текст и не предназначена для обработки изображений или других мультимодальных данных. К сильным сторонам относятся специализация на генерации, рассуждении и исправлении кода, сохранение математических и общих способностей, а также уменьшенное потребление памяти благодаря 8-битной квантизации. Ограничениями являются высокие требования к вычислительным ресурсам, возможное снижение качества или производительности на длинных контекстах при использовании статического YaRN и необходимость совместимой версии Transformers и корректной конфигурации развёртывания. Модель распространяется по лицензии Apache-2.0.

Blitzar-Coder-4B-F.1 — языковая модель для программирования, разработанная prithivMLmods на основе дообучения Qwen3-4B-ft-bf16. Это плотная авторегрессионная архитектура Qwen3 с 3,7 млрд параметров, рассчитанная на контекст до 40 960 токенов и работу через библиотеку Transformers. Модель обучалась на трассах решения задач по программированию и ориентирована на более чем десять языков программирования, включая Python, Java, C#, C++, Go, JavaScript, TypeScript и Rust; основной естественный язык карточки — английский. Модель предназначена для генерации и объяснения кода, отладки, анализа и рефакторинга, оптимизации алгоритмов, перевода кода между языками, а также подготовки документации, спецификаций API и конфигурационных файлов. Её размер рассчитан на использование в инструментах разработчика, IDE и CI/CD-сценариях с ограниченными вычислительными ресурсами. Поддерживается диалоговый интерфейс; метаданные также отмечают интерфейс вызова инструментов. Карточка предупреждает, что модель может уступать в обычном разговоре, а большой кодовый контекст может быть сложен для анализа; творческие и общие задачи не являются её сильной стороной. Модель распространяется по лицензии Apache-2.0.

Claude Opus 5.5 — флагманская модель Anthropic для сложных задач рассуждения, программирования и длительной агентной работы. В README указано, что она приходит на смену Claude Opus 5 и особенно сильна в многоэтапных изменениях больших кодовых баз. Метаданные каталога относят модель к задаче image-text-to-text. Доступные сведения не уточняют архитектуру, размер, модальности, языки, длину контекста или лицензию, поэтому эти характеристики нельзя описать. Модель подходит для сложных сценариев разработки и агентной работы; конкретные ограничения и условия использования в источниках не приведены.

Claude Sonnet 4.6 — модель семейства Sonnet, разработанная Anthropic. По карточке модели она предназначена для программирования, работы с агентами и профессиональных задач; заявлены сильные результаты в итеративной разработке, навигации по сложным кодовым базам и управлении проектами от начала до конца.

QuantFactory/Codestral-22B-v0.1-GGUF — квантизированная версия Codestral-22B-v0.1, разработанной Mistral AI и преобразованной с использованием llama.cpp. Модель предназначена для генерации и анализа программного кода, включая ответы на вопросы по фрагментам кода, написание документации, объяснение, рефакторинг и создание кода по заданным требованиям. Также она поддерживает режим Fill-in-the-Middle (FIM), предсказывающий пропущенные токены между префиксом и суффиксом, что подходит для интеграции в редакторы кода и инструменты разработки. Модель обучена на данных, охватывающих более 80 языков программирования, включая Python, Java, C, C++, JavaScript и Bash. Она относится к классу text-generation, имеет размер 22B параметров и распространяется в формате GGUF; конкретные варианты квантования и размер контекста в README не указаны. Модель ориентирована на текстовые задачи программирования и не описана как мультимодальная. Ключевые преимущества — широкий охват языков программирования, поддержка как инструктивного режима, так и FIM, а также пригодность для локального использования через совместимый стек llama.cpp. Ограничение заключается в отсутствии встроенных механизмов модерации, поэтому при применении в продуктивных или публичных системах необходимы собственные меры контроля вывода. Указана лицензия MNPL-0.1; условия следует уточнять в тексте лицензии Mistral AI.

Devple-8B — дообученная на основе Meta Llama 3.1 8B Instruct языковая модель для задач разработки программного обеспечения. Она предназначена для генерации и проверки кода, рефакторинга и других задач, связанных с разработкой, с акцентом на качество и безопасность результатов. Модель обучена методом ORPO на синтетических данных, подготовленных с помощью GPT-4o и Llama 3. Модель построена на архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и работает с текстом в формате диалога. Поддерживает английский и русский языки; заявленная длина контекста — 131 072 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Llama 3.1 Community License.

Frank 26B-A4B — модель TendieLabs, дообученная на базе Google Gemma 4 26B-A4B-it для генерации кода, отладки, проверки и рефакторинга. Модель предназначена для локального использования как помощник программиста через OpenCode или OpenAI-совместимые клиенты, включая закрытые среды с требованиями к происхождению моделей. Это разреженная архитектура Mixture-of-Experts: 25,2 млрд параметров всего, около 3,8 млрд активных за проход и 128 экспертов. По заявлению автора, Frank быстрее базовой модели на задачах преобразования кода благодаря выборочному использованию рассуждений. Обучение охватывало примерно 33 тысячи примеров, включая C#, Python, отладку и рассуждения; отдельно отмечена конвертация VBA в Python. Поддерживается английский язык. Модель рассчитана на текстовый ввод и выдачу текста, а не на мультимодальные задачи. Автор рекомендует температуру 1.0: при низкой температуре режим рассуждений может зацикливаться и приводить к пустым ответам. В README приведены результаты собственных оценок на небольшом наборе задач, поэтому заявленные качество и ускорение не следует считать независимым сравнительным бенчмарком. Лицензия — Apache 2.0.

NextCoder-7B-GGUF — это квантизированное представление NextCoder-7B, языковой модели для генерации и редактирования программного кода, разработанной Microsoft. Модель создана на основе Qwen2.5-Coder Instruct с использованием метода дообучения Selective Knowledge Transfer (SeleKT) и предназначена прежде всего для исправления, преобразования и дополнения кода, а также для диалоговых сценариев, связанных с разработкой программного обеспечения. Модель относится к авторегрессионным causal language models и поддерживает контекст до 32K токенов. Она использует архитектуру Transformers с RoPE, SwiGLU, RMSNorm и смещениями в QKV-внимании, содержит 7,61 млрд параметров, 28 слоёв и схему GQA с 28 головами для Q и 4 для KV. В README указан английский язык. По приведённым оценкам NextCoder-7B показывает улучшения по сравнению с базовой QwenCoder-2.5-7B на бенчмарках исправления и редактирования кода, включая HumanEvalFix, CanItEdit и Aider. Сильными сторонами модели являются специализация на редактировании кода, длинный контекст и сохранение общей применимости после дообучения. Ограничения включают риск генерации небезопасного или вредоносного кода и необходимость ручной проверки и запуска результатов в изолированной среде. Модель распространяется по лицензии MIT; для работы рекомендуется актуальная версия библиотеки Transformers.

Qwen2.5-Coder-14B-Instruct-GGUF — это инструкционно дообученная языковая модель для работы с кодом из серии Qwen2.5-Coder, разработанная командой Qwen при Alibaba Cloud. Модель предназначена для генерации, анализа, рассуждений и исправления программного кода, а также для создания кодовых агентов и решения задач, связанных с математикой и общими текстовыми запросами. Модель является каузальной языковой моделью в формате GGUF с архитектурой на базе transformers, RoPE, SwiGLU, RMSNorm и смещениями в QKV-слоях внимания. Она содержит 14,7 млрд параметров, 48 слоёв и использует Grouped Query Attention с 40 головами для Q и 8 для KV. Полная длина контекста GGUF-версии составляет 32 768 токенов. Заявлена поддержка английского языка; модальность — текстовая. Доступны варианты квантования q2_K, q3_K_M, q4_0, q4_K_M, q5_0, q5_K_M, q6_K и q8_0. К сильным сторонам относятся специализация на программировании, улучшенные генерация, рассуждение и исправление кода, а также возможность локального запуска через совместимые инструменты, включая llama.cpp. Ограничения включают контекст до 32 768 токенов в GGUF-версии; для последовательностей до 131 072 токенов README рекомендует использовать не-GGUF-версии, поскольку расширение контекста через YARN в указанном сценарии поддерживается только vLLM. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-32B-Instruct-AWQ — инструкционная версия специализированной серии больших языковых моделей для программирования Qwen2.5-Coder, разработанной командой Qwen от Alibaba Cloud. Модель предназначена для генерации, анализа, рассуждений и исправления исходного кода, а также для создания приложений на основе code agents. Она сохраняет возможности в математике и общих текстовых задачах и может использоваться в диалоговых сценариях и задачах text generation. Это причинная языковая модель на архитектуре Transformers с RoPE, SwiGLU, RMSNorm, смещениями в QKV-внимании и Grouped-Query Attention: 40 голов для Q и 8 для KV. Модель содержит 32,5 млрд параметров, 64 слоя и 31 млрд параметров без учёта эмбеддингов. В данном репозитории представлена 4-битная AWQ-квантизированная версия после дообучения по инструкциям. Заявлена поддержка контекста до 131 072 токенов; для входов свыше 32 768 токенов требуется включение YaRN, при этом статическое масштабирование может ухудшать производительность на коротких текстах. В README указан английский язык. Сильные стороны модели — специализация на программировании, улучшенные генерация, рассуждение и исправление кода, большой контекст и сниженные требования к памяти благодаря 4-битной квантизации. Ограничения включают возможное снижение качества или скорости при работе с длинным контекстом через YaRN, а также неуказанные в README точные требования к оборудованию, пропускная способность и результаты отдельных тестов. Модель распространяется по лицензии Apache-2.0.

RedHatAI/Qwen2.5-Coder-32B-Instruct-FP8-dynamic — это вариант instruction-tuned языковой модели Qwen2.5-Coder-32B-Instruct, опубликованный Red Hat AI и представленный в формате FP8 dynamic quantization. Базовую модель разработала команда Qwen компании Alibaba Cloud. Это каузальная текстовая модель, ориентированная прежде всего на генерацию, понимание, исправление и рассуждение по программному коду, а также на использование в кодовых ассистентах и code-agent сценариях. Исходная модель содержит около 32,5 млрд параметров, построена на архитектуре Qwen2 с 64 слоями и Grouped-Query Attention: 40 голов для запросов и 8 для ключей и значений. Заявлена поддержка контекста до 131 072 токенов; базовая конфигурация рассчитана на 32 768 токенов, а для более длинных входов применяется YaRN. Модель работает с текстом на входе и выходе. Qwen2.5-Coder обучалась на корпусе свыше 5,5 трлн токенов и демонстрирует возможности работы более чем с 40 языками программирования, включая генерацию, завершение, рефакторинг и исправление кода. Вариант FP8 dynamic квантует веса и активации линейных операторов трансформера с 16 до 8 бит, что примерно вдвое снижает требования к памяти и размер файлов и может повысить пропускную способность матричных вычислений. Компромиссом является использование квантизированной версии вместо исходной точности; конкретные результаты потери качества для этого репозитория в найденной карточке не приведены. Для исходной Qwen2.5-Coder-32B-Instruct указана лицензия Apache 2.0, однако на странице точного репозитория RedHatAI отдельная лицензия и полноценная карточка модели не указаны.