II.3Рефакторинг, миграция и модернизация

Huihui4-8B-A4B-v2 — разговорная модель Huihui AI на архитектуре Gemma 4, полученная прореживанием экспертов и дообучением SFT базовой модели google/gemma-4-26B-A4B-it. В модели оставлено 32 эксперта из исходных 128, при обработке каждого токена активируются 8. Модель поддерживает диалог и анализ изображений с выдачей текста; в метаданных для неё указан формат safetensors и библиотека Transformers. Модель предназначена для диалоговой помощи с кодом, планирования простых задач и локального запуска на потребительском оборудовании. Дообучение использует данные huihui-ai/GLM-5.1-Multilingual-STEM, а режим рассуждений оформлен в формате GLM-5.1. Автор сообщает о предварительных тестах диалога и оценке perplexity, но не приводит подробных сравнительных результатов. Лицензия — Apache-2.0.

INTELLECT-1-step-69200 — промежуточный чекпойнт языковой модели INTELLECT-1 от Prime Intellect и сообщества участников, включая Arcee AI и Hugging Face. Это плотная авторегрессионная модель семейства Llama примерно на 9,7 млрд параметров, обученная с нуля на триллионе токенов английских текстов и кода; данный вариант соответствует шагу обучения 69 200. В архитектуре указаны 42 слоя и 32 головы внимания, максимальный контекст — 8192 токена. Модель предназначена для генерации продолжений текста и кода на английском языке. Она создавалась с распределённым обучением на нескольких континентах; для обмена градиентами применялись пользовательские int8 all-reduce-ядра. В README этот файл обозначен как промежуточный чекпойнт, поэтому его качество и стабильность могут уступать финальной версии INTELLECT-1. Модель распространяется по лицензии Apache 2.0.

L3.1-70b-Inori — разговорная модель на архитектуре Llama 3.1, созданная автором KaraKaraWarehouse как экспериментальный merge методом Model Stock с помощью LazyMergekit. В объединение вошли Glitz, Dracarys, Euryale, Cathallama, New Dawn, Celeste и Japanese-Instruct; конфигурация указывает bfloat16. Модель содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста, ролевых бесед, ответов на вопросы и помощи с кодом; среди компонентов есть модель, ориентированная на японский язык. README использует формат чата L3 Instruct. Автор отмечает непоследовательную цензуру: модель иногда отказывается генерировать откровенный текст, а иногда отвечает на такие запросы, и не рекомендует её к использованию. Лицензия в предоставленных данных не указана.

Модель dbands/llama-3-8b-instruct_code_instructions_122k_alpaca_style_16bit — дообученная автором dbands языковая модель семейства Llama 3 с архитектурой LlamaForCausalLM. Она предназначена для генерации текста по инструкциям; название репозитория указывает на формат инструкций Alpaca и тематику кода, но README не описывает конкретные возможности или результаты обучения. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель дообучена на базе unsloth/llama-3-8b-bnb-4bit с использованием Unsloth и Hugging Face TRL. В карточке указана лицензия Apache 2.0. Метаданные отмечают английский язык; сведений о гарантированном качестве ответов или ограничениях для отдельных сценариев в карточке нет.

Macaron-V1-Preview-749B — предварительная агентная модель MindLab Research, дообученная на GLM-5.1 с помощью MinT. В README она описана как модель класса 749B: база на 744B параметров и пять специализированных LoRA-адаптеров. В метаданных указаны 30,4B параметров и контекст 202 752 токена; архитектура обозначена как GLM MoE DSA, формат весов — SafeTensors. Модель предназначена для многоходовой персональной помощи: планирования, работы с поиском и календарём, вызовов инструментов, задач с кодом и терминалом, а также генерации интерфейсов по протоколу A2UI. README указывает английский и китайский языки. Работа с адаптерами организована через маршрутизатор: базовый адаптер отвечает за общий диалог, а специализированные — за агентные, программные и другие сценарии. Для полного поведения требуется совместимая среда обслуживания с маршрутизацией LoRA, инструментами, состоянием и поддержкой A2UI; простая загрузка одного адаптера не запускает всю агентную систему. Модель выпущена по лицензии MIT. README называет её исследовательским предварительным выпуском и предупреждает, что результаты зависят от инструментов, маршрутизации и рендерера, а длинные задачи ограничены вычислительными ресурсами.

NVIDIA-Nemotron-3-Nano-4B-BF16 — компактная языковая модель NVIDIA для генерации текста, диалога и агентных сценариев. Она принимает текст и выдаёт текст, поддерживает управляемый режим рассуждений и интерфейс вызова инструментов. Модель использует гибридную архитектуру Nemotron-H с Mamba-2, MLP и четырьмя слоями Attention; в README указано 3,97 млрд параметров, а метаданные каталога указывают 6,4 млрд. Максимальная длина контекста — 262 144 токена. Модель предназначена для локальных голосовых помощников, игровых NPC-компаньонов и автоматизации IoT на ускорителях NVIDIA, а также для задач программирования, математики и следования инструкциям. README указывает английский как поддерживаемый язык и описывает обучение с нуля с последующим сжатием родительской модели NVIDIA-Nemotron-Nano-9B-v2 средствами Nemotron Elastic; метаданные также классифицируют её как дообучение этой модели. Коммерческое использование разрешено, лицензия обозначена как other. Качество зависит от режима рассуждений: включённые рассуждения обычно помогают на сложных задачах, а режим без них может немного снизить точность. Модель оптимизирована для систем с GPU NVIDIA; перед внедрением требуется проверка на данных и сценариях конкретного приложения.

Qwen3-1.7B-Base — плотная авторегрессионная языковая модель семейства Qwen3, представленная командой Qwen и опубликованная в репозитории Unsloth как производная от Qwen/Qwen3-1.7B-Base. Это базовая модель на стадии предобучения, рассчитанная на генерацию текста и создание специализированных языковых решений. Модель содержит 1,7 млрд параметров, 28 слоёв и поддерживает контекст до 32 768 токенов. Предобучение семейства Qwen3 охватывает 119 языков и включает материалы по программированию, STEM, логике и общим знаниям. Модель работает с текстом и использует архитектуру Qwen3ForCausalLM; для работы рекомендуется актуальная версия библиотеки Transformers, поскольку версии ниже 4.51.0 не распознают архитектуру Qwen3. Репозиторий содержит веса в формате Safetensors. Модель подходит как основа для продолжения обучения, адаптации и генерации текста. Это базовый чекпойнт, а не готовый диалоговый ассистент, поэтому качество следования инструкциям и диалоговые возможности зависят от последующей настройки. Лицензия Apache-2.0.

Карточка модели willhx/Qwen3-8B-Base-Math-SeaSFT на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

Saba1.5-Coder — языковая модель Sakalti на архитектуре Qwen2, дообученная на основе Sakalti/Saba1.5-Pro. Модель содержит 1,5 млрд параметров и поддерживает контекст длиной до 256 000 токенов. Модель предназначена для генерации текста и диалогов; название и обучающий набор HachiML/alpaca_jp_python указывают на применение в задачах программирования на Python. В метаданных также отмечен интерфейс для вызова инструментов. Модель обучалась с использованием Unsloth и TRL и распространяется в формате Safetensors. Модель лицензирована по Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о языках программирования и точном наборе навыков, поэтому пригодность для конкретных задач разработки следует проверять на собственных примерах.

StarChat Alpha — языковая модель для диалогового взаимодействия и помощи с программированием, разработанная Hugging Face H4. Это первая альфа-версия семейства StarChat, дообученная на базе bigcode/starcoderbase на сме́си наборов OpenAssistant/oasst1 и databricks/databricks-dolly-15k. Модель имеет архитектуру GPTBigCodeForCausalLM, содержит 16 млрд параметров и принимает текст, генерируя текст; длина контекста — 8192 токена. В карточке заявлена поддержка английского языка. Модель подходит для ответов на вопросы о программировании, генерации и обсуждения кода, а также для изучения возможностей открытых языковых моделей в программировании. Это ранний выпуск без выравнивания с предпочтениями людей посредством RLHF. Модель может выдавать токсичный или иной проблемный контент, ошибочный либо небезопасный код и вымышленные URL, поэтому результаты требуют проверки. Лицензия — BigCode Open RAIL-M v1.

Tess-Coder-7B-Mistral-v1.0 — модель генерации кода на архитектуре Mistral, опубликованная migtissera. Она предназначена для создания программного кода по текстовым запросам. В README указана оценка 41,64% на HumanEval pass@1. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Доступны веса в формате PyTorch. Репозиторий распространяется по лицензии Apache-2.0. README и метаданные не позволяют установить языки программирования, на которых модель показывает наилучшие результаты, или подробные ограничения её применения.

Tinytron-ORCA-3B-TinyLlama-Instruct_CODE_Python-extra_small_quantization_GGUF_3bit — локальная разговорная модель для генерации кода, опубликованная Francisco Angulo de Lafuente под именем Agnuxo. В README указана специализация на Python и научных вычислениях, а также заявлена работа с JavaScript, TypeScript, Rust, Go, C++, NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Метаданные указывают на плотную архитектуру семейства Llama с классом LlamaForCausalLM, 1 млрд параметров и контекст 2048 токенов; README заявляет 3 млрд параметров, поэтому размер модели описан противоречиво. Модель предназначена для диалоговой генерации кода и помощи при решении задач программирования. Карточка рекомендует запускать её локально через Ollama и упоминает интеграции с MCP и A2A. Метаданные указывают языки en и es, но README не уточняет языковую поддержку. Идентификатор и README описывают вариант TinyLlama Instruct с 3-битной квантизацией GGUF, то есть производную модель. В метаданных базовая модель не указана, поэтому её идентификатор нельзя надёжно установить. Лицензия — Apache-2.0. Практические ограничения: контекст 2048 токенов, а заявленный размер расходится с метаданными; качество генерации не подтверждено приведёнными сведениями.

Карточка модели Xwin-LM/XwinCoder-7B на Hugging Face совпадает с карточкой Xwin-LM/XwinCoder-13B, поэтому описание составлено по ней. XwinCoder-13B — инструкция-настроенная модель генерации кода от Xwin-LM, дообученная на базе CodeLLaMA. Она предназначена для создания кода по текстовым инструкциям и запросам; авторы публикуют веса и код оценки. В карточке приведены результаты XwinCoder-13B на HumanEval, MBPP и APPS-intro: pass@1/5 соответственно 68,8, 60,1 и 35,4. Модель имеет плотную архитектуру LlamaForCausalLM с 12,9 млрд параметров, принимает текст и генерирует текст, а заявленная длина контекста составляет 16 384 токена. В метаданных указан формат PyTorch и лицензия Llama 2. README описывает её как instruction fine-tune CodeLLaMA, поэтому для использования следует соблюдать условия лицензии Llama 2.

Ziya-Coding-34B-v1.0 — языковая модель для генерации кода, разработанная командой Fengshenbang исследовательского института IDEA. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров и контекстом 16 384 токена; она работает через Transformers и принимает текстовые инструкции на китайском и английском языках, выдавая текст, в том числе программный код. Модель дообучена в два этапа на примерно 450 тысячах инструкций по программированию, затем дополнительно настроена на 46 тысячах сложных инструкций с фильтрацией по компиляции и проверкой unit-тестами. Модель предназначена для генерации кода по естественно-языковому описанию и решения разнообразных задач программирования. В README приведён результат 75,5% pass@1 на HumanEval при жадной генерации; это оценка на конкретном бенчмарке и не гарантирует корректность кода в реальном проекте. Репозиторий содержит веса PyTorch, а лицензия — GPL-3.0.

AmberYifan/capsd-marin-8b-base-code_random_b12000_s0 — дообученная модель семейства Llama на базе marin-community/marin-8b-base. По названию и карточке она обучалась на смеси данных с кодом; метаданные указывают архитектуру LlamaForCausalLM, плотную модель с 7,5 млрд параметров и контекст до 4096 токенов. Модель предназначена для генерации и продолжения текста, включая сценарии работы с кодом. В README не приведены результаты оценки, подробности обучающей смеси или конкретные языки программирования. Базовая модель описана как англоязычная, поэтому нельзя уверенно считать, что эта версия хорошо работает на других естественных языках. Лицензия указана как other, без дополнительных условий в доступных сведениях.

CodeMate-Qwen-1.5B-8k — диалоговая модель для программирования, разработанная micymike на основе micymike/codemate-qwen-1.5B. Она предназначена для многошаговой помощи с кодом: поиска и исправления ошибок, объяснения причин неисправностей и подготовки решений, особенно для Python и React. Модель использует плотную архитектуру Qwen2 и содержит 1,5 млрд параметров; веса доступны в формате Safetensors, для работы предусмотрена библиотека Transformers. В README указано контекстное окно 8 192 токена с динамическим масштабированием RoPE и обучение с маскированием потерь только на ответах, направленное на устранение повторения пользовательских запросов. В метаданных native_context_tokens указано 32 768 токенов, поэтому фактическую поддерживаемую длину контекста следует проверять в используемой конфигурации. Карточка указывает английский язык; модель ориентирована на задачи с Python и React. Лицензия — Apache-2.0.

evol-codealpaca-v1-sft-4e-5 — дообученная Aleksey Korshuk модель генерации текста на архитектуре Phi-2 от Microsoft. Модель содержит 3,5 млрд параметров, использует PyTorch и формат safetensors, а её контекст ограничен 2048 токенами. Модель предназначена для генерации текста в диалоговом формате и может применяться для запросов, связанных с кодом. Карточка называет её дообученной на наборе данных, название которого не приведено; отдельные сведения о качестве, методике оценки и ограничениях отсутствуют. Лицензия — MIT.

DavidAU разработал эту экспериментальную версию Gemma 4 31B IT, дообученную с помощью Unsloth на закрытых авторских наборах данных. Модель рассчитана на диалоговую генерацию текста, включая творческое письмо, рассказывание историй, ролевые сценарии, программирование и ответы в режиме рассуждения; карточка также содержит пример генерации художественной сцены. По данным README, шаблон чата включает режим thinking по умолчанию, а для обычного instruct-режима предлагается отдельный шаблон. Базовая Gemma 4 31B IT поддерживает текст и изображения, а каталог относит эту модель к мультимодальному семейству Gemma 4 с возможностью анализа изображений. Для базовой модели README сообщает контекст до 256 тысяч токенов; метаданные указывают формат safetensors и библиотеку Transformers. Автор описывает результаты внутренних бенчмарков как сильные, но оценивание продолжается и возможны дальнейшие перенастройка и обновления. README отмечает возможные сбои форматирования тегов в блоке рассуждений и зависимость отображения этого режима от приложения. Модель выпущена по лицензии Apache-2.0.

glm46-code-feedback-maxeps-131k — дообученная модель на базе Qwen/Qwen3-8B, созданная с использованием набора данных open-athena/glm46-code-feedback-maxeps-131k. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров, предназначенная для генерации текста в диалоговом режиме. Контекст модели составляет до 40 960 токенов. Модель может применяться для диалога и генерации кода; по названию набора данных можно предположить настройку на обратную связь по коду, но README не описывает конкретные возможности или результаты обучения. Доступна в формате Safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Это GGUF-квантизации языковой модели Qwen3.5-4B-Neo, разработанной Jackrong и подготовленной quantized_by bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на генерацию текста и задач с рассуждениями, включая competitive programming; в метаданных также указаны LoRA, chain-of-thought и unsloth. Для запуска подходят llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые приложения. Модель имеет около 4 миллиардов параметров и распространяется в вариантах от BF16 до 3-битных и 4-битных квантизаций. Размер файлов составляет примерно от 2,33 до 8,42 ГБ; варианты различаются балансом между качеством и потреблением памяти. Для отдельных конфигураций заявлены высокое или близкое к исходному качество, а низкобитные варианты предназначены для систем с ограниченным объёмом RAM. В метаданных указаны языки English, Chinese и Korean; контекстное окно и точные архитектурные характеристики не приведены. README описывает текстовую модель, хотя pipeline_tag обозначен как image-text-to-text, поэтому возможности обработки изображений по представленным данным подтвердить нельзя. Модель может использоваться локально для генерации текста, решения задач программирования и экспериментов с reasoning-моделями. Ограничениями являются зависимость качества от выбранного уровня квантизации, отсутствие сведений о контекстном окне и подробных результатах оценки, а также возможная необходимость обновления программ для поддержки новой архитектуры. Указанная лицензия — Apache-2.0.

KALYPSO v1.1L — открытая модель для генерации кода из семейства KALYPSO, разработанная GENOMA Labs. Она основана на Qwen2.5-Coder-14B-Instruct и дообучена с использованием LoRA на наборе Kraken-Public, содержащем 18 049 очищенных от пересечений с тестами записей, производных от кодинговых данных NVIDIA Nemotron. После обучения LoRA-адаптер объединён с полноразмерными весами в формате fp16. Модель предназначена для агентного программирования: многошаговых задач разработки, сценариев вызова инструментов, а также рабочих процессов с предварительным планированием и последующей реализацией. Основные языки — Python, C++ и SQL; заявлена поддержка английского языка. Это плотная модель на 14 млрд параметров с текстовой модальностью, стандартным шаблоном чата Qwen2.5 и контекстом до 32 000 токенов. Для развёртывания рекомендуется vLLM, также поддерживается Transformers. По данным EvalPlus, модель показывает результаты, близкие к базовой Qwen2.5-Coder-14B-Instruct: 87,8 на HumanEval, 82,9 на HumanEval+, 84,7 на MBPP и 70,4 на MBPP+. Её основное преимущество — ориентация на агентные сценарии и планирование, а не превосходство в однократном завершении кода. Ограничения включают отсутствие заметного выигрыша над базовой моделью в задачах чистого кодогенерирования и неизвестную эффективность за пределами заявленных сценариев. Модель распространяется по лицензии Apache-2.0; в описании также отмечено, что происхождение части обучающих данных может быть связано с условиями лицензий Qwen и DeepSeek.

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

sasa2000/MobileLLM-R1.5-950M-heretic — текстовая авторегрессионная модель на архитектуре Llama 4 Text, основанная на facebook/MobileLLM-R1.5-950M и изменённая методом abliteration. Она предназначена для генерации ответов на математические, научные и программные задачи, включая рассуждения и написание кода на Python и C++; автор исходной MobileLLM-R1.5 — Meta, а этот вариант опубликован пользователем sasa2000. Модель содержит около 1,2 млрд параметров по метаданным каталога (в README для исходной версии указано 949 млн), принимает и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. Карточка сообщает о меньшем числе отказов в тесте, чем у исходной модели, после abliteration; это не делает её универсальным чат-ботом. Для работы нужны Transformers и совместимый tokenizer. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория; конкретные права и ограничения в предоставленных данных не раскрыты.

OpenHands/openhands-lm-1.5b-v0.1 — компактная языковая модель для программирования, разработанная OpenHands. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров, дообученная на основе Qwen/Qwen2.5-Coder-1.5B-Instruct на данных SWE-Gym/SWE-Gym по рецепту OpenHands LM. Модель рассчитана на диалоговое взаимодействие и интерфейс вызова инструментов; её заявленное назначение — speculative decoding. Модель подходит для генерации и анализа кода, а также для работы агента разработки над задачами из GitHub, включая исправление ошибок и решение проблем в репозиториях. Метаданные указывают контекст до 32 768 токенов и английский язык. Модель распространяется в формате safetensors по лицензии MIT. README описывает исходную 32B-модель и её результаты, поэтому приведённые там показатели производительности и контекст 128K не следует переносить на эту версию 1.5B. Карточка предупреждает, что компактная версия предназначена для speculative decoding; её качество может быть ниже на разнообразных задачах разработки, она может повторять шаги и чувствительна к квантизации.

OpenLLaMA Code Instruct — языковая модель mwitiderrick, дообученная на один проход по датасету AlpacaCode из 122 тысяч примеров. Она построена на архитектуре LLaMA и предназначена для генерации текста в формате инструкций, в частности для ответов на запросы, связанные с кодом. Для взаимодействия используется шаблон с секциями Instruction и Response. Модель содержит 3,3 млрд параметров, принимает и генерирует текст и имеет контекст длиной 2048 токенов. В метаданных указан английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0; оценки в README приведены для нескольких бенчмарков, но не описывают качество решения конкретных задач программирования.

Mungert/Phi-4-mini-reasoning-GGUF — набор GGUF-квантованных вариантов модели Phi-4-mini-instruct-reasoning, опубликованный пользователем или организацией Mungert; базовая модель разработана Microsoft. Модель предназначена для генерации текста с акцентом на рассуждения, решение математических задач и программирование. В карточке указаны английский язык, библиотека Transformers и задача text generation. Файлы созданы с использованием llama.cpp, commit 19e899c. Основное преимущество набора — возможность запускать модель в условиях ограниченной GPU-памяти, на CPU и edge-устройствах за счёт квантования, включая сверхнизкобитные варианты IQ1 и IQ2. Описанный подход IQ-DynamicGate распределяет точность по слоям и защищает эмбеддинги и выходные слои; приведённые результаты относятся к отдельному тестированию на Llama-3-8B и не подтверждают показатели именно этой модели. К ограничениям относятся потенциальная потеря точности у низкобитных вариантов и зависимость производительности от поддержки форматов и аппаратного ускорения. Размер модели, архитектура, фактическое контекстное окно, полный набор языков и точные характеристики вариантов Phi-4-mini в README не указаны. Лицензия указана как MIT.

mlx-community/Qwen2.5-Coder-1.5B-Instruct-8bit — конвертированная в формат MLX 8-битная версия Qwen2.5-Coder-1.5B-Instruct от сообщества mlx-community. Это плотная авторегрессионная модель семейства Qwen2, предназначенная для генерации кода в диалоговом формате и доступная для запуска через mlx-lm. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка указывает английский язык; метаданные также отмечают возможности работы с кодом и интерфейс вызова инструментов. Репозиторий создан 18 сентября 2024 года. Модель подходит для генерации и продолжения кода, помощи в программировании и диалоговых сценариев с кодом. Её компактный размер удобен для локального запуска на оборудовании Apple Silicon через MLX, однако карточка не приводит результатов бенчмарков или более подробных гарантий качества. Лицензия — Apache-2.0.

Это экспериментальная квантизированная версия Qwen2.5-Coder-32B-Instruct, подготовленная автором репозитория tzervas. Модель сохраняет архитектуру Qwen2 плотностью 32 млрд параметров и предназначена для генерации кода в диалоговом и инструктивном режиме, а также для анализа и исправления кода. Указанный размер контекста — 32 768 токенов; в карточке заявлена поддержка английского и китайского языков. Веса квантизированы до троичных значений {-1, 0, +1} с групповым масштабированием и упаковкой четырёх значений в байт. Репозиторий содержит SafeTensors и экспериментальный GGUF TQ2_0; основной заявленный формат — SafeTensors. Для троичных весов требуется специальная среда выполнения, обычный Transformers их не поддерживает. Качество не проходило формальную оценку и может заметно уступать исходной модели; автор не рекомендует использовать её в production без предварительной проверки. Лицензия — Apache-2.0.

RavenX × Gemma 4 12B MTP OBLITERATED — экспериментальная модель сообщества RavenX на архитектуре Gemma4 Unified с MTP-головами. Это дообученная версия OBLITERATUS/Gemma-4-12B-OBLITERATED, рассчитанная на запуск через MLX на компьютерах Apple Silicon; репозиторий содержит веса SafeTensors. В карточке заявлены структурированное многоэтапное рассуждение в задачах программирования, математики и анализа, а также чат-взаимодействие. Модель представлена как proof of concept с экспериментальной методикой обучения, подробности которой не раскрыты. Базовая модель описана как abliterated, то есть с удалёнными фильтрами отказа; ответы поэтому могут требовать дополнительной проверки и осторожной настройки применения. Лицензия указана как other, конкретные условия в доступных сведениях не приведены.

Карточка модели Gen-Verse/ReasonFlux-Coder-4B на Hugging Face совпадает с карточкой Gen-Verse/ReasonFlux-Coder-7B, поэтому описание составлено по ней. ReasonFlux-Coder-7B — языковая модель для генерации кода, представленная разработчиками семейства ReasonFlux-Coders. В README указано, что модели семейства обучены с помощью алгоритма CURE, который совместно развивает способности к написанию кода и генерации модульных тестов; отдельные численные результаты для версии 7B не приведены. Модель предназначена для генерации кода и тестов, а также для использования в агентных сценариях программирования и подходах с масштабированием вычислений на этапе вывода. Это плотная причинная модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают на поддержку чата и интерфейса вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия MIT. README не сообщает об ограничениях качества или поддерживаемых естественных языках; заявленное сравнение с другими моделями относится к семейству в целом и не позволяет установить результаты именно версии 7B.