II.3Рефакторинг, миграция и модернизация

Qwen3.8-27B-Uncensored-NVFP4 — языковая модель для генерации текста, разработанная на основе Qwen3.8-27B и версии JonathanColetti/Qwen3.8-27B-Uncensored. Квантизация выполнена пользователем wyattearp с использованием NVIDIA ModelOpt. Модель ориентирована на технические и исследовательские задачи, включая программирование, анализ и декомпиляцию кода, реверс-инжиниринг, кибербезопасность и работу с инструментами. Модель построена на плотной архитектуре Qwen 3.8 Dense Transformer и содержит 27 млрд параметров. Использует формат квантизации NVFP4 с Marlin Linear GEMM kernels; размер весов составляет 26,59 GiB. README не указывает поддерживаемые языки, точную длину контекста или мультимодальные возможности. Предназначена для запуска на GPU NVIDIA Blackwell, включая GB10, с использованием vLLM, TensorRT-LLM или SGLang; заявлена совместимость со speculative decoding через DFlash 2. Сильными сторонами являются компактный для своего размера footprint, возможность высокопроизводительного инференса на совместимом оборудовании и заявленные результаты на задачах декомпиляции, анализа уязвимостей и генерации защищённого кода. При этом результаты заметно зависят от сценария: например, в приведённом тесте OSS-Fuzz-Gen корректными оказались 5% решений, а показатель Pass@1 для LLVM IR в C++ составил 95%. Ключевое ограничение — необходимость совместимого оборудования и программного стека NVFP4; характеристики и результаты основаны на тестах автора README и не гарантируют аналогичную производительность в других условиях. Лицензия — Apache-2.0.

teknium/Replit-v1-CodeInstruct-3B — языковая модель для генерации кода и выполнения инструкций, разработанная Teknium на основе Replit Code v1. Это плотная авторегрессионная модель семейства MPT с архитектурой MPTForCausalLM, дообученная на наборах CodeAlpaca и GPTeacher Code-Instruct примерно на 25 тысячах пар «инструкция — ответ» в формате Alpaca. Модель принимает текстовые инструкции и выдаёт текст, в том числе код. Карточка описывает сценарии работы с инструкциями по программированию; сведения о поддерживаемых языках программирования и длине контекста не приведены. Модель подходит для генерации фрагментов кода по запросу и ответов на вопросы о программировании. Для загрузки README указывает необходимость trust_remote_code=True и предупреждает о проблемах с device="auto". Репозиторий содержит веса PyTorch. Лицензия — CC BY-SA 4.0.

Nanthasit/sakthai-coder-1.5b — модель от разработчика Nanthasit, дообученная на базе Qwen2.5-Coder-1.5B-Instruct. Она предназначена для генерации и завершения кода, исправления ошибок, небольших рефакторингов, а также формирования JSON для вызова инструментов и функций. Модель имеет около 1,5 млрд параметров и поставляется в формате GGUF с квантизацией Q4_K_M. Она ориентирована на локальный офлайн-запуск на CPU через llama.cpp или llama-cpp-python; заявленный объём памяти составляет менее 1,2 ГБ, а пример конфигурации использует контекст 4096 токенов. В карточке указан английский язык. Рекомендуемые параметры генерации включают temperature 0,2, top_p 0,9 и до 1024 новых токенов. Сильными сторонами являются компактность, возможность работы без GPU и поддержка структурированных tool-calling-ответов: для SakThai Bench v2 заявлены 100% валидных JSON-ответов и 91,2% точности выбора инструмента при корректном формате prompt. Модель также демонстрирует пригодность для типичных задач программирования, однако результаты могут зависеть от формата запроса, а ошибки в анализе логики кода всё ещё возможны, поэтому критические изменения требуют проверки. Модель распространяется по лицензии Apache 2.0.

SFTCodePhi1 — дообученная AdnanRiaz107 модель Microsoft Phi-3-mini-128k-instruct для генерации кода и текста. Она построена на плотной архитектуре Phi-3 с 3,7 млрд параметров и принимает текстовые запросы, выдавая текст. В карточке указаны дообучение на наборе данных APPS и значение loss 0,8314 на оценочной выборке. Модель подходит для генерации кода по описанию и диалоговых сценариев, связанных с программированием. Лицензия — MIT. В метаданных указано контекстное окно 4096 токенов; оно короче заявленного в названии базовой модели контекста 128K.

SimpleSD-30B-instruct — исследовательская языковая модель Apple, созданная методом Simple Self-Distillation: модель дообучили на собственных сгенерированных примерах без учителя, функции вознаграждения, верификаторов и обучения с подкреплением. Для инициализации использована Qwen3-30B-A3B-Instruct-2507; архитектура — Qwen3 MoE, веса опубликованы в формате safetensors. В метаданных указано 2,6 млрд параметров и контекст до 262 144 токенов. Модель предназначена прежде всего для генерации кода и диалогового выполнения инструкций. Её можно применять для генерации фрагментов кода и исследования само-дистилляции языковых моделей. В README приведены параметры сэмплирования для обучения и оценки, а также пример загрузки через Transformers. Это исследовательский чекпойнт для воспроизводимости экспериментов, не оптимизированный релиз Qwen. Лицензия — Apple AMLR; перед использованием следует учитывать её условия.

SkyCode — открытая модель для генерации кода, выпущенная компанией Singularity-AI (奇点智源). Она обучена на большом объёме кода и предназначена для автодополнения, генерации программ и решения задач по программированию. Модель поддерживает более десяти языков программирования, включая Python, Java, JavaScript, C, C++, Go, PHP, Swift и shell, и, по заявлению разработчиков, лучше понимает китайские комментарии. В README указано 2,6 млрд параметров и приведено сравнение результатов на HumanEval; авторы сообщают о высоких показателях решения задач относительно некоторых открытых моделей. Метаданные классифицируют архитектуру как GPT-2 и указывают контекст длиной 2048 токенов; README описывает структуру как GPT-3. Это авторские заявления и сведения каталога, а независимая проверка приведённых результатов в карточке не представлена. Модель распространяется по лицензии MIT.

duyntnet/Starling-LM-7B-beta-imatrix-GGUF — набор imatrix-квантизаций языковой модели Starling-LM-7B-beta, разработанной Nexusflow и опубликованной в формате GGUF. Модель предназначена для генерации текста, диалоговых сценариев и задач программирования; поддерживается английский язык. Это текстовая модель без заявленной поддержки других модальностей. Размер исходной модели — 7 млрд параметров, однако точный размер и тип каждой квантизации в README не указаны; сведения о длине контекста и базовой архитектуре отсутствуют. Модель рассчитана на одно- и многоходовые диалоги с использованием шаблона, совместимого с Openchat-3.5-0106, а также на режим программирования с отдельным шаблоном Code User/Code Assistant. Точное соблюдение шаблона важно для качества работы. Модель доступна для тестирования через LMSYS Chatbot Arena и может запускаться с использованием Transformers или совместимых инструментов для GGUF. К сильным сторонам относятся поддержка диалогов и генерации кода, а также наличие оптимизированных квантизированных вариантов для локального запуска. Ограничения включают возможную избыточную многословность в отдельных случаях и снижение качества при неправильном формате промпта; для уменьшения многословности рекомендуется temperature=0. Лицензия указана как other, без дополнительных условий в README, поэтому точные права и ограничения использования следует уточнять по источнику модели.

SynapseLLM — серия языковых моделей WebraftAI; этот репозиторий содержит предварительную версию модели, дообученной на базе Mistral 7B v0.1. Это плотный авторегрессионный трансформер с 7,1 млрд параметров и контекстом до 32 768 токенов, предназначенный для генерации текста, диалоговых ответов и выполнения инструкций по программированию. Модель принимает текст и генерирует текст; в карточке заявлена поддержка английского языка. Дообучение проводилось на пользовательском наборе данных с примерами кода и вопросов-ответов общего назначения. README сообщает, что адаптеры QLoRA были объединены с базовой моделью; веса доступны в формате Safetensors для Transformers. Модель выпущена как preview, а обучение описано как ограниченное по объёму, поэтому качество на широком круге задач может быть нестабильным. Лицензия — Apache 2.0.

OliviaRossi/UltiMerge-Q5_K_M-GGUF — это квантованная версия модели OliviaRossi/UltiMerge в формате GGUF, подготовленная разработчиком OliviaRossi с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для генерации текста и может применяться в задачах программирования, рассуждений, создания агентных сценариев и локального запуска через llama.cpp или совместимые инструменты, включая vLLM. В карточке указаны поддерживаемые языки English и Chinese, а также код. Модель относится к text-generation и отмечена как MoE; также заявлены связи с семействами и методами Qwen3.5, Qwen3.6, model merge, DARE, STAR и DeltaNet. Используется квантование Q5_K_M, однако точный размер модели, архитектурные параметры и исходные характеристики UltiMerge в README не приведены. Для запуска приведён контекст 2048 токенов. К сильным сторонам относятся компактный GGUF-формат, возможность локального инференса и поддержка сценариев, ориентированных на код и рассуждения. Ограничения — отсутствие подробных результатов оценки, точных сведений о размере, производительности, мультимодальности и дополнительных языках. Лицензия указана как Apache-2.0; подробные условия и характеристики следует уточнять в карточке исходной модели OliviaRossi/UltiMerge.

XAgentLlama-7B-preview — экспериментальная генеративная модель текста, разработанная XAgentTeam на основе Code Llama 7B и дообученная для работы с XAgent. Авторы сообщают, что использовали около 300 тысяч примеров и 48 ускорителей A100; модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 16 384 токенов. Модель предназначена для генерации и дополнения кода, выполнения инструкций и вызова функций в формате XAgentGen. Для наилучшей работы её следует использовать с XAgentGen и специальным форматом вызова функций. Она принимает и выдаёт текст; заявленная языковая область — английский и языки программирования. Это предварительная версия, и авторы предупреждают, что её качество не является финальным. Как и другие языковые модели, она может генерировать неточные или нежелательные ответы, поэтому перед применением в продукте требуется проверка под конкретный сценарий. Условия использования регулируются лицензией Meta для Llama 2.

MaziyarPanahi/BASH-Coder-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp-GGUF — это GGUF-квантизованная версия объединённой модели BASH-Coder-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp, созданная и квантизованная MaziyarPanahi. В её основе лежит Mistral-7B-Instruct-v0.2; модель предназначена для генерации текста и, судя по названию и исходной модели BASH-Coder, может быть ориентирована в том числе на задачи программирования и работу с инструкциями. Модель имеет размер 7 миллиардов параметров и поставляется в формате GGUF, совместимом с llama.cpp и рядом локальных интерфейсов и библиотек, включая text-generation-webui, LM Studio, GPT4All и llama-cpp-python. Доступны варианты квантизации с разной точностью — от 2- и 3-битных до 4-, 5-, 6- и 8-битных, что позволяет выбирать компромисс между размером, скоростью и качеством. Конкретные сведения о поддерживаемых языках, длине контекста и мультимодальности в README не указаны; по представленным данным это текстовая, а не мультимодальная модель. К сильным сторонам относятся локальный запуск, широкий выбор уровней квантизации и совместимость с популярными инструментами инференса. Более агрессивная квантизация уменьшает требования к памяти, но может снижать качество генерации; README также не содержит независимых бенчмарков или подробной оценки возможностей модели. Модель распространяется по лицензии Apache-2.0.

CyberNeurova-DeepSeek-V4-Flash-abliterated-GGUF — экспериментальная исследовательская версия DeepSeek-V4-Flash, разработанная CyberNeurova. Это permanently-abliterated модель, в которой изменения, снижающие склонность к отказам, встроены непосредственно в веса во время конвертации. Модель упакована в формат GGUF для запуска через специализированную экспериментальную ветку llama.cpp, поддерживающую DeepSeek-V4-Flash. Модель предназначена для генерации текста, программирования, рассуждений, поиска ошибок, кибербезопасностных исследований и сценариев с вызовом инструментов. По заявлению автора, версия v2 показывает 99,2% соответствия формату tool calling, 85,0% эффективности в поиске ошибок, 90,0% соответствия в задачах hacking и cyber-weapons compliance, а также низкий уровень отказов на указанных тестах. Архитектура основана на 284-миллиардной FP8 MoE-модели DeepSeek-V4-Flash; поддерживаемая модальность — текст, язык README указывает английский. Размер контекста в карточке не указан. Доступны варианты Q2_K размером около 98,8 ГБ и Q8_0 размером около 282 ГБ. Для Q2_K рекомендуется не менее 128 ГБ RAM, для Q8_0 — около 320 ГБ; GPU необязателен. Q2_K практичнее для рабочих станций, а Q8_0 ориентирован на максимальное качество и исследования. Ограничения включают экспериментальный статус, зависимость от специальной ветки llama.cpp, необходимость корректной stop-последовательности и высокие требования к памяти. Модель распространяется по лицензии MIT.

Eve-4B — языковая модель для программирования и анализа безопасности кода, разработанная TitleOS. Это дообученная версия Qwen3-4b-Heretic на наборе Eve-Secure-Coder с архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Модель предназначена для локальной работы, в том числе на видеокартах с 8 ГБ VRAM, и поддерживает контекст до 262 144 токенов. Модель генерирует и проверяет код, ищет уязвимости и предлагает исправления; также она рассчитана на диалоговое взаимодействие и задачи программирования на разных языках. В карточке приведён результат LiveCodeBench Pass@1 26,22% для квантованной версии Q8_0, но набор оценок ещё формируется. По описанию разработчика, после процесса Heretic у модели нет защитных отказов, поэтому её ответы могут включать небезопасный код и другие нежелательные результаты. Репозиторий содержит safetensors и GGUF F16. Указана лицензия MPL-2.0 с дополнительным некоммерческим условием в README; перед использованием следует учитывать оба условия.

Это мультимодальная чат-модель DavidAU на архитектуре Gemma 3: исходную Gemma 3 27B IT-VL расширили до плотной модели на 40 млрд параметров, а затем дообучили с помощью Unsloth на наборе Gemini reasoning. По описанию автора, дообучение добавляет пошаговое рассуждение; модель также рассчитана на творческое письмо, ролевые сценарии, генерацию кода и работу с изображениями. Карточка заявляет контекст до 128K токенов и проверку обработки изображений и генерации кода. Модель принимает текст и изображения, отвечает текстом и ориентирована прежде всего на английский и китайский языки. Автор позиционирует её как модель с ослабленными ограничениями на генерируемый контент; ответы могут быть резкими, содержать ненормативную лексику или графические описания. В отдельных случаях модель может переключаться в режим инструкций; автор рекомендует явно просить её рассуждать, если это происходит. Распространяется по лицензии Apache-2.0.

minosu/godot_dodo_4x_60k_llama_7b — модель генерации текста, дообученная по инструкциям на основе LLaMA. Она разработана для выполнения пользовательских инструкций; в карточке отдельно упоминается оценка на запросах по программированию. Модель обучена в апреле 2023 года на наборе из 60 тысяч строк с инструкциями. Это плотная авторегрессионная архитектура LlamaForCausalLM объёмом 6,6 млрд параметров с контекстом 2048 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

GPT-OSS Coder — дообученная модель exalandru на базе openai/gpt-oss-120b для работы coding-агента над репозиториями. Она ориентирована на цикл разработки: изучать код, находить причину дефекта, вносить исправления, запускать тесты, анализировать результаты и продолжать работу, пока исправление не подтвердится. Обучение проведено методом supervised fine-tuning на примерах успешных сессий кодовых агентов; небольшое низкоранговое обновление последних слоёв затем объединено с весами модели. Модель принимает текстовые запросы и выдаёт текст, включая ответы и вызовы инструментов в формате Harmony. Версия в этом репозитории поставляется в GGUF с экспертами MXFP4 и вниманием bf16; README указывает размер около 63 ГБ и запуск через llama.cpp с контекстом 32 768 токенов. Для передачи объявлений инструментов в llama.cpp требуется шаблон чата Harmony через параметр --jinja. Модель обучена для Codex и предназначена для задач программной инженерии на уровне репозитория; карточка не сообщает языки программирования или отдельные естественные языки обучения. Среди заявленных улучшений — написание регрессионных тестов до закрытия задачи, продолжение работы после первого успешного набора тестов, соблюдение соглашений конкретной среды агента и сокращение некорректных JSON-аргументов. Это утверждения автора, проверенные на собственных небольших бенчмарках; независимые результаты в карточке не приведены. Для полноценной работы нужны совместимая среда агента и достаточно памяти для модели и контекста. Лицензия — Apache-2.0.

Huihui4-8B-A4B — разговорная модель семейства Gemma 4, созданная Huihui AI на основе google/gemma-4-26B-A4B-it. Разработчики сократили число экспертов MoE со 128 до 32 и дообучили модель методом supervised fine-tuning на более чем 500 диалоговых примерах из данных предпочтений для кода; в таблице оценки также приведён результат варианта после 750 шагов дообучения. На каждом токене активируются 8 экспертов. Модель предназначена для диалоговых задач, особенно для помощи с кодом, а также для планирования простых задач и локального запуска на потребительском оборудовании. Карточка заявляет поддержку анализа изображений, унаследованную от мультимодальной базовой модели, однако обучение описано как диалоговое и ориентированное на код. Репозиторий использует Transformers и формат safetensors; README рекомендует vLLM, llama.cpp и Hugging Face Transformers. По данным README, для FP16 требуется менее 18 ГБ видеопамяти, а для квантованных INT4/INT8 вариантов — примерно 6–9 ГБ. Оценка качества предварительная: приведены тесты perplexity и краткое описание диалоговых проверок, но нет подробных бенчмарков. Модель распространяется по лицензии Apache-2.0.

RicardoLee разработал эту модель как экспериментальное дообучение Llama2-chat-7B на китайских и англоязычных инструкциях, данных для ревью и исправления Python-кода и примерах логических вопросов и ответов. Цель проекта — изучить, как обучение на коде влияет на диалоговые способности и рассуждения модели. Использован LoRA rank 8 с настройкой embedding и LM Head; адаптер объединён с базовой моделью, поэтому репозиторий содержит готовую к использованию модель на 6,7 млрд параметров. Модель предназначена для генерации ответов в формате диалога, ревью и исправления Python-кода, комментирования и суммаризации кода, а также ответов на логические вопросы. Для вывода следует применять шаблон Stanford Alpaca с начальным приветствием. Контекст составляет 2048 токенов; архитектура — плотная Llama causal language model. В карточке не указана лицензия, поэтому условия распространения и использования следует уточнять по лицензии базовой модели и репозитория.

iitzprakhar/my-custom-code-ai — дообученная автором iitzprakhar языковая модель для генерации текста, созданная на основе unsloth/qwen2.5-coder-1.5b-instruct-bnb-4bit. Это плотная причинная архитектура Qwen2 размером 1,5 млрд параметров с контекстом до 32 768 токенов; модель сохранена в формате safetensors и поддерживает диалоговый режим и интерфейс вызова инструментов. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL; модель ориентирована на сценарии генерации кода и общения с кодовым ассистентом, унаследованные от базовой Qwen2.5-Coder-Instruct. Модель принимает текст и генерирует текст. В метаданных указан английский язык, а лицензия — Apache 2.0. Карточка не приводит результаты оценки качества и подробностей о собственных данных или специализации дообучения, поэтому качество на конкретных языках программирования и задачах следует проверять отдельно.

GooseReason-4B-Instruct — плотная языковая модель NVIDIA на архитектуре Qwen3 с 3,7 млрд параметров, дообученная на основе Qwen/Qwen3-4B-Instruct-2507 методом обучения с подкреплением по проверяемым наградам (RLVR). Для обучения использован набор GooseReason-0.7M с задачами по математике, программированию и естественным наукам; модель предназначена для исследовательских и разработческих сценариев рассуждения и следования инструкциям. Модель принимает текст и генерирует текст. Она подходит для решения математических задач, написания и анализа кода, ответов на вопросы по STEM-дисциплинам, логических головоломок и выполнения инструкций. Заявленная длина контекста — до 262 144 токенов; в метаданных указан английский язык. README сообщает о сравнительных результатах на 15 тестах, охватывающих математику, программирование, STEM, следование инструкциям и логические задачи. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Авторы позиционируют её для исследований и разработки; опубликованные результаты бенчмарков сами по себе не гарантируют качество на произвольных запросах.

NerdySamantha — экспериментальная объединённая модель на архитектуре Mistral, созданная для помощи с программированием и диалогового общения. Автор описывает её как coding assistant с дружелюбной, живой манерой общения; характер можно задавать контекстной карточкой. Модель с 7,1 млрд параметров получена линейным слиянием cognitivecomputations/samantha-1.2-mistral-7b и Nondzu/Mistral-7B-Instruct-v0.2-code-ft. Она поддерживает генерацию текста и чаты, а заявленная длина контекста составляет 32 768 токенов. Подходит для вопросов по коду, помощи в разработке и обычных бесед. Результаты таблицы оценивания в README приведены лишь частично, поэтому по ним нельзя надёжно судить о качестве модели. Лицензия в предоставленных данных не указана.

OLMo-3-7B-Think-LOPD — плотная авторегрессионная языковая модель на 6,9 млрд параметров, созданная дообучением allenai/OLMo-3-7B-Think методом Latent On-Policy Self-Distillation (LOPD). Разработчик сообщает, что дообучение проводилось для генерации кода. Модель предназначена для генерации кода и диалогового взаимодействия. Она работает с текстом, поддерживает контекст до 65 536 токенов и доступна в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка не приводит оценок качества или перечня поддерживаемых языков программирования. Результаты генерации кода могут требовать проверки и тестирования.

OpenCoder-1.5B-Instruct — диалоговая модель для работы с кодом из семейства OpenCoder, разработанного командой OpenCoder. Она основана на плотной архитектуре Llama и дообучена методом supervised fine-tuning на двух этапах на примерах OpenCoder. Модель содержит 1,7 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации кода по запросу на естественном языке, ответов на вопросы о программировании и помощи в решении задач на код. Семейство OpenCoder поддерживает английский и китайский языки; в карточке этой версии указаны те же языки. В README приведены результаты на HumanEval(+), MBPP(+) и BigCodeBench. Модель опубликована в формате safetensors для Transformers. Лицензия указана как «other», поэтому условия использования следует уточнить в файлах лицензии репозитория. README описывает открытые данные и процесс обучения семейства, но не приводит подробных ограничений конкретно этой версии.

OpenCSG-CodeLlama-34b-v0.1 — созданная сообществом OpenCSG модель генерации кода, полученная полнопараметрической донастройкой CodeLlama-34b-hf. Это плотная авторегрессионная модель семейства Llama с 33,5 млрд параметров и контекстом до 16 384 токенов; опубликованные веса представлены в формате safetensors. Модель предназначена для генерации и дополнения программного кода. Её можно применять для написания функций по описанию, продолжения фрагментов кода и решения задач программирования; в карточке указано, что обучающие данные охватывают несколько языков программирования, хотя отдельные языки не перечислены. README приводит оценку серии на HumanEval, но показанный фрагмент не содержит результатов именно версии 34B. Модель распространяется по лицензии Llama 2. Результаты генерации зависят от промпта и параметров декодирования; представленных в карточке оценок недостаточно, чтобы судить о качестве версии 34B на разных практических задачах.

Ozygram Neural 7B v2 — специализированная текстовая модель для программирования, разработанная Ozygram Research & Autonomous Engineering Team на базе Qwen2.5-7B-Instruct. Это дообученная модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она предназначена для локального анализа ошибок и подготовки исправлений кода: README описывает поиск причин ошибок, оценку изменений в AST и выдачу действий в формате JSON для интеграции с IDE и локальными агентами. Заявлены контекст до 32 768 токенов и поддержка английского и испанского языков; доступны веса Safetensors и квантованный GGUF Q4_K_M. Модель подходит для генерации кода и предложений по исправлению ошибок, однако README сообщает главным образом о собственных тестах разработчика и не приводит независимой оценки качества. Указанная в README точность токенов и результаты бенчмарков не подтверждают качество на широком наборе проектов. Лицензия — Apache-2.0.

Qwen2-57B-A14B — базовая большая языковая модель серии Qwen2, разработанной командой Qwen. Это декодерная модель на архитектуре Transformer с разреженной смесью экспертов (MoE): всего 57 млрд параметров, из которых 14 млрд активируются при одном проходе. Модель предназначена для дальнейшего обучения и оценки возможностей в генерации и понимании текста, ответах на вопросы, рассуждениях, математике, программировании и многоязычных задачах. Модель принимает текст и генерирует текст; карточка указывает контекст до 131 072 токенов и адаптивный к разным естественным языкам и кодам токенизатор. В README не советуют использовать базовую версию для прямой генерации и рекомендуют сначала провести дополнительное обучение, например SFT, RLHF или продолжение предобучения. Для загрузки архитектуры Qwen2MoE требуется Transformers версии 4.40.0 или новее. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0.

Qwen2.5-Coder-1.5B-4bit — языковая модель семейства Qwen2, преобразованная mlx-community в формат MLX из Qwen/Qwen2.5-Coder-1.5B с помощью mlx-lm 0.18.1. Каталог связывает её с Qwen/Qwen2.5-1.5B как с базовой моделью, дообученной для генерации текста. Модель содержит 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации кода и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Карточка сообщает о 4-битном варианте MLX, а репозиторий содержит веса safetensors. Поддерживаемый язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Компактный размер удобен для локального запуска на совместимом оборудовании Apple через MLX; точность и качество ответов могут быть ограничены размером модели и 4-битным представлением весов.

Qwen2.5-Coder-1.5B-Instruct-abliterated-GGUF — это набор GGUF-квантизаций инструкционной модели Qwen2.5-Coder-1.5B-Instruct-abliterated. Исходную модель разработала huihui-ai, а квантизации подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего для задач, связанных с программированием, и запуска через llama.cpp или LM Studio. Доступны варианты от F16 до низкобитных квантизаций Q3 и IQ3 с размером файлов примерно от 1 до 3,56 ГБ. Указан английский язык; сведения о других языках, архитектуре, длине контекста и поддержке мультимодальности в README отсутствуют. Более точные варианты Q6 и Q5 позиционируются как высококачественные, а Q4_K_M — как сбалансированный вариант для большинства сценариев; низкобитные версии экономят оперативную память, но могут снижать качество. Отдельные Q4-варианты оптимизированы для ARM и требуют соответствующей поддержки инструкций. Модель распространяется по лицензии Apache-2.0. В README также указано, что вариант является abliterated и uncensored, поэтому ограничения исходной модели в отношении отказов могут отличаться; конкретные характеристики безопасности и результаты оценки не приведены.

Qwen3-4B-MegaR3ASONER-v1-i1-GGUF — квантизированная версия модели RexTRO111/Qwen3-4B-MegaR3ASONER-v1, подготовленная mradermacher в формате GGUF. Модель основана на семействе Qwen3 и предназначена для генерации текста с акцентом на рассуждения. Она ориентирована на задачи математического, программного и научного рассуждения, а также на сценарии, где требуется пошаговый анализ и генерация кода. При обучении использовались наборы данных HuggingFaceH4/Bespoke-Stratos-17k, nvidia/OpenMathReasoning, nvidia/OpenCodeReasoning, nvidia/OpenScienceReasoning-2 и reasoning-distill-opus-4-7-max-sft. В карточке указано знание английского языка; сведения о поддержке других языков, контекстном окне, точной архитектуре и мультимодальности не приведены. Модель доступна в нескольких вариантах квантизации размером примерно от 1,2 до 3,4 ГБ. Варианты различаются балансом скорости, размера и качества: для практического использования рекомендован i1-Q4_K_M, а i1-Q4_K_S обозначен как оптимальный по соотношению размера, скорости и качества. Сильными сторонами являются небольшой размер, возможность локального запуска и специализация на рассуждениях, математике, программировании и научных задачах. Ограничения включают возможное снижение качества на низких уровнях квантизации и отсутствие подробных результатов оценки. Лицензия указана как other, без уточнения конкретных условий.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — модель, опубликованная bielquants и основанная на базовой модели DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU. Это многоэтапная fine-tune-модель с использованием Unsloth, методов Cold Fusion и Fable Fusion, представленная в форматах GGUF с обычными и MTP-квантами. В README заявлена поддержка английского и китайского языков; карточка также указывает сценарий image-text-to-text, однако подробности о фактических визуальных возможностях не приведены. Модель предназначена для широкого спектра задач: рассуждений и решения задач, программирования, творческого письма, создания художественных текстов и ролевых сценариев. Основной заявленный акцент — высокая детализация ответов при сокращении объёма внутренних рассуждений и расхода токенов по сравнению с обычной Qwen3.8, что должно повышать скорость генерации. Указан размер базовой модели 27B, а также поддержка трёх режимов мышления, но максимальный размер контекста в карточке не указан. Автор README заявляет превосходство над рядом базовых моделей по внутренним бенчмаркам ARC и высокую производительность на потребительском оборудовании, включая tool calling; эти результаты представлены как утверждения создателя и требуют независимой проверки. Возможные ограничения — отсутствие подробных данных о контексте, точной архитектуре модальности, системных требованиях и качестве на разных языках, а также потенциально нестандартное поведение из-за uncensored/abliterated-настройки. Модель распространяется по лицензии Apache-2.0.