II.3Рефакторинг, миграция и модернизация

CodeFuse-QWen-14B — языковая модель для генерации кода, выпущенная командой CodeFuse и дообученная методом QLoRA на базе QWen-14B на нескольких задачах, связанных с кодом. Она предназначена для генерации и продолжения кода по запросу в формате диалога. Модель построена на плотной архитектуре QWen и содержит 21,8 млрд параметров; размер 14B в названии карточки расходится с этим числом из метаданных. Контекст составляет 8192 токена. README сообщает результат 48,78% pass@1 на HumanEval при жадном декодировании. Карточка описывает многоязычные задачи с кодом, но конкретные языки программирования не перечисляет. Для запуска README указывает PyTorch, Transformers 4.32.0, SentencePiece и CUDA 11.4. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует сверить с файлами лицензии репозитория.

abacaj/codegen-16B-nl-sharded — размещённая в шардированном виде версия CodeGen-NL 16B, семейства авторегрессионных языковых моделей для синтеза программ, разработанного авторами статьи «A Conversational Paradigm for Program Synthesis». Модель содержит 16 млрд параметров, использует архитектуру CodeGenForCausalLM и распространяется в формате PyTorch с весами torch.float16. Контекст составляет 2048 токенов. Модель предназначена прежде всего для генерации исполняемого кода по подсказкам на естественном языке, заданным в виде комментария, и для продолжения частично написанного кода. Она предварительно обучена на корпусе The Pile, включающем данные с кодом; в README описана оценка на HumanEval и MTPB. Карточка не уточняет, какие языки программирования охватываются, поэтому их перечень не приводится. Лицензия — BSD 3-Clause.

code-think-o7b-20260908 — исследовательская версия языковой модели Allen Institute for AI (Ai2), полученная дообучением allenai/Olmo-3-1025-7B на трассах рассуждений Qwen3-30B-A3B-Thinking-2507 и объединением LoRA-адаптера с основными весами. Это плотная авторегрессионная модель семейства OLMo 3 с 6,9 млрд параметров; она принимает текст и генерирует текст, в том числе код. Контекст модели — до 65 536 токенов, обучение проводилось с контекстом 32 768 токенов. Модель предназначена для генерации программного кода и пошагового решения задач программирования в режиме рассуждений. На диагностическом dev-разбиении из 256 задач, производном от LiveCodeBench, она получила 56 решений pass@1 при одном seed; результат не является рейтингом или оценкой на широком наборе задач. В тесте 149 генераций достигли лимита длины около 32 тысяч токенов. Веса доступны в формате Safetensors, для инференса PEFT не требуется; репозиторий также содержит LoRA-адаптер. Лицензия — Apache-2.0. Авторы характеризуют чекпойнт как исследовательский, а не готовый продукт; опубликованная оценка основана на одном запуске и имеет диагностический характер.

CRIA v1.3 — языковая модель на базе Llama 2, созданная автором davzoku для чат-платформы и быстрого прототипирования приложений с открытыми LLM. Модель дообучена методом QLoRA на наборе mlabonne/CodeLlama-2-20k, а затем объединена с базовой моделью. В репозитории представлены веса PyTorch и Safetensors; указанный размер — 6,6 млрд параметров, контекст — до 4096 токенов. Модель предназначена для диалоговой генерации текста и задач, связанных с кодом, в составе чат-приложений. README указывает на дообучение Llama 2 Chat, но карточка не приводит результаты оценки качества или подробные сведения о поддерживаемых языках; метаданные отмечают английский. Лицензия — Llama 2 Community License.

GemCod-R-Sapphire-270M — компактная текстовая модель для генерации кода, созданная DireDreadlord на базе Gemma 3 и дообученная методом SFT на наборе Code-Reasoning-4k. Она предназначена для генерации фрагментов и более длинных программ по инструкциям на естественном языке, а также для пояснений к коду и ответов на вопросы по программированию. Модель использует плотную архитектуру Gemma3ForCausalLM, содержит около 257 млн параметров и поддерживает контекст до 32 768 токенов. Карточка заявляет поддержку основных языков программирования и описывает её как пригодную для запуска на ноутбучных GPU; основной язык карточки — английский. Модель распространяется по лицензии Gemma. Это экспериментальная модель: заявленные в карточке улучшения рассуждений и снижение галлюцинаций не подкреплены приведёнными оценками, поэтому сгенерированный код и объяснения нужно проверять. Карточка прямо рекомендует экспериментальное использование.

Карточка модели nypswift/gemma-4-12b-coder-fable5-composer2.5-mlx на Hugging Face совпадает с карточкой mlx-community/gemma-4-12b-coder-fable5-composer2.5, поэтому описание составлено по ней. Это неквантованная версия модели Gemma-4-12B-Coder, преобразованная сообществом mlx-community в формат MLX для локального запуска на компьютерах Apple Silicon с библиотекой mlx-lm. Модель основана на дообученной yuxinlu1/gemma-4-12B-coder-fable5-composer2.5-v1; архитектура — плотная Gemma 4 Unified с 12 млрд параметров. Модель предназначена для диалоговой генерации кода и решения задач программирования. Карточка базовой модели указывает на алгоритмические задачи на Python и генерацию кода, проверенного тестами. Добавленный Jinja-шаблон чата помогает форматировать диалоги для инференса через mlx-lm. Версия в этом репозитории не квантована и ориентирована на локальный инференс на Apple Silicon. Лицензия — Apache-2.0. Доступные сведения не описывают длину контекста, поддержку конкретных языков программирования помимо Python в назначении базовой модели, а также количественные результаты оценки качества.

Gemma 4 12B Reviewer — MLX 4-bit — это дообученная модель на базе google/gemma-4-12B-it, разработанная для ревью программных проектов и исходного кода. Модель распространяется в формате MLX и оптимизирована для локального запуска на устройствах Apple Silicon; веса дообучения объединены с базовыми, поэтому отдельный адаптер не требуется. Модель предназначена для поиска замечаний в коде, включая нарушения политик комментариев и именования, подготовки сфокусированных и actionable-рекомендаций, а также работы с инструментами репозитория. В карточке указаны текстовая генерация и практический стартовый контекст 16 384 токена. Размер модели — 12B параметров; сведения о поддерживаемых языках и мультимодальности не указаны. По данным в README, на специализированном наборе проверки модель набрала 97/100: выявила все 50 случаев, требовавших изменений, и корректно обработала 47 из 50 чистых примеров. В отдельной выборке она вернула NO_COMMENT для всех 10 корректных изменений. Ограничение заключается в том, что при одновременном наличии в небольшом diff нарушения комментария и непрозрачного имени модель может сообщить только об одном из них; для исчерпывающей проверки рекомендуется выполнять отдельные проходы по политикам. Лицензия в предоставленных данных не указана.

Hemlock-Jan-code-4B-i1-GGUF — это GGUF-квантизированная версия языковой модели Hemlock-Jan-code-4B, разработанной nbeerbower и дополнительно квантизированной mradermacher. Модель обучалась с применением supervised fine-tuning на наборе данных hemlang/Hemlock-SFT и предназначена для генерации текста, прежде всего для задач, связанных с программированием и обработкой англоязычных запросов. Модель имеет заявленный размер около 4 млрд параметров и поддерживает текстовую модальность. В репозитории представлены варианты квантизации i1 с разными форматами и размерами файлов — примерно от 1,3 до 3,7 ГБ, включая IQ и Q-варианты. Это позволяет выбирать между скоростью, требованиями к памяти и качеством, причём автор рекомендует i1-Q4_K_M как быстрый вариант и отмечает i1-Q4_K_S как сбалансированный по размеру, скорости и качеству. К сильным сторонам относятся компактность, возможность локального запуска на ограниченных ресурсах и наличие множества уровней квантизации. Ограничения включают потенциальное снижение качества у наиболее агрессивно сжатых вариантов, отсутствие в README сведений об архитектуре, размере контекста, точных возможностях программирования и результатах benchmark-тестов. Лицензия модели в предоставленных данных не указана.

Это экспериментальная MXFP4-квантизованная версия Jina Code Embeddings 1.5B, подготовленная RESMP.DEV для MLX на основе jinaai/jina-code-embeddings-1.5b. Модель преобразует запросы и фрагменты кода в эмбеддинги, чтобы искать код по описанию или находить релевантную техническую информацию. В основе — плотная архитектура Qwen2 с 1,5 млрд параметров; заявленный контекст — 32 768 токенов. Версия использует калибровку block-GPTQ внутри групп MXFP4 по 32 значения и загружается в слои MLX QuantizedLinear. На тестовом наборе из 949 пар для поиска по коду калиброванная версия показала MRR 0,57833 и Recall@10 0,71549: результат близок к BF16, но ниже него в целом. Артефакт занимает на 62,2% меньше места, а пиковое потребление памяти MLX на 42,4% ниже относительно BF16. Результат на подвыборке TypeScript основан всего на 22 примерах и статистически неубедителен. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

Модель barc0/Llama-3.1-ARC-Potpourri-Transduction-8B — дообученная версия Meta Llama 3.1 8B Instruct, созданная на пяти наборах данных по трансдукции, включая задачи ReARC и задачи с описаниями, сгенерированными GPT-4 и GPT-4o-mini. Это плотная авторегрессионная языковая модель на 7,5 млрд параметров, опубликованная в формате safetensors для библиотеки Transformers; заявленное окно контекста — 131 072 токена. Модель предназначена для диалоговой генерации текста и решения задач трансдукции, где требуется преобразовать входные данные в заданный выходной формат. Карточка также отмечает интерфейс вызова инструментов, однако подробные сценарии применения и результаты оценки, кроме значения loss 0,0219 на оценочном наборе, не описаны. Модель распространяется по лицензии Llama 3.1. Карточка не содержит сведений о поддерживаемых естественных языках или конкретных ограничениях качества; как и другие генеративные модели, её ответы требуют проверки, особенно при использовании кода или структурированных преобразований.

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

LYRA-CODER — компактная разговорная модель генерации текста, разработанная и поддерживаемая Мухаммадом Таки. В метаданных указаны архитектура Qwen2 с причинной языковой моделью, 1,5 млрд параметров и контекст до 32 768 токенов; README также называет LYRAMOON архитектурной основой и заявляет о быстрой генерации ответов. Модель предназначена для чата и задач генерации кода, что отражено в названии и тегах. Модель работает с текстом и может использоваться для диалоговых ответов, генерации кода и вызова инструментов через соответствующий интерфейс. В карточке указан английский язык. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. README не приводит результатов оценки качества или подробностей обучения, поэтому заявленную скорость и пригодность для рассуждений нельзя проверить по предоставленным данным.

NektusAISaracatsuna — языковая модель SakitsunaAI, дообученная на базе deepseek-ai/deepseek-coder-1.3b-instruct. Она предназначена для генерации текста в диалоговом формате и может применяться для помощи с программным кодом, включая его генерацию и дополнение. Модель построена на плотной архитектуре семейства Llama, содержит 1,3 млрд параметров и поддерживает контекст до 16 384 токенов. В репозитории представлены веса Safetensors. Карточка сообщает, что обучение выполнялось с Unsloth; лицензия — Apache-2.0. Языком модели в метаданных указан английский. Подробности обучающих данных и оценок качества не приведены, поэтому пригодность модели для конкретных языков программирования и сложных задач следует проверять на собственных примерах.

Nemotron-3-Nano-30B-A3B-Base — базовая большая языковая модель, разработанная NVIDIA и опубликованная в репозитории Unsloth. Это вариант модели NVIDIA-Nemotron-3-Nano-30B-A3B-Base-BF16; заявленная архитектура — гибрид Mamba2 и Transformer с Mixture of Experts (MoE), общий размер — 30 млрд параметров. Модель предназначена как основа для дообучения под инструкции и создания специализированных ИИ-агентов, а не как готовый чат-ассистент. Модель принимает и генерирует текст, поддерживает длинные последовательности: в README указаны вход и выход до 128 тыс. токенов, а также возможность контекста до 1 млн токенов при соответствующей настройке. Она рассчитана на английский и ряд других естественных языков, включая русский, и обучалась на данных по коду, математике, естественным наукам и общим знаниям. Репозиторий содержит веса в формате safetensors; README отмечает исправления chat template для Unsloth. Модель подходит разработчикам, которые создают и дообучают языковые модели для генерации текста и агентских сценариев. README заявляет готовность к коммерческому использованию, однако в метаданных указана лицензия other, поэтому перед применением следует свериться с её условиями. Для работы рекомендуются NVIDIA GPU; указанная в README совместимость включает H100-80GB и A100.

Это экспериментальная полноразмерная слитая модель Qwen3.5-9B от автора LSW142857, подготовленная для генерации текста и решения задач по программированию. В основе — экспертно дообученный чекпойнт из jiaxingx/privilege-code-opsd-ckpts; затем модель обучали методом OPSD на задачах, где ошибался ученик, с адаптивным режимом Medium. Артефакт содержит объединённые обновления LoRA и модуль MTP, поэтому отдельный адаптер для запуска не нужен. Модель проверяют на подмножестве из 100 задач SWE-Gym. README не приводит итоговую метрику качества: оценивание ещё продолжается, и результаты нельзя трактовать как оценку на SWE-bench Verified. Для обучения указан контекст 131072 токена; параметры текущего оценочного запуска допускают до 262144 токенов, но это не подтверждает изменение нативного контекста модели. Модель предназначена для генерации ответов и кода в диалоговом формате. Репозиторий опубликован публично с разрешения владельца, однако конкретная лицензия в предоставленных данных не названа.

Phind-CodeLlama-34B-Python-v1 — языковая модель для генерации кода, разработанная Phind на основе CodeLlama-34B-Python. Модель с плотной архитектурой Llama содержит 33,5 млрд параметров и рассчитана на контекст до 16 384 токенов. Она дообучена на внутреннем наборе примерно из 80 тысяч высококачественных задач по программированию и решений в формате «инструкция — ответ»; обучение проводилось в течение двух эпох без LoRA. Модель предназначена для ответов на задачи по программированию и генерации решений на Python. В README сообщается результат 69,5% pass@1 на HumanEval. Модель частично настроена на следование инструкциям, но не оптимизирована для диалогового чата. Доступны веса PyTorch для Transformers; лицензия указана как llama2. Разработчик предупреждает, что модель прошла ограниченное тестирование и нуждается в дополнительной проверке безопасности перед практическим развёртыванием.

mergekit-community/Qwen2-2B-RepleteCoder-Upscaled — языковая модель, полученная сообществом с помощью mergekit из слоёв Replete-AI/Replete-Coder-Qwen2-1.5b. Это плотная авторегрессионная модель архитектуры Qwen2 с 1,9 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Конфигурация passthrough собирает слои базовой модели в изменённой последовательности; веса сохранены в формате safetensors и bfloat16. Заявленная длина контекста — 131 072 токена. Модель подходит для генерации и продолжения кода, а также для диалоговых сценариев с программированием. Карточка не приводит результаты оценивания качества или перечень поддерживаемых языков, поэтому такие характеристики нельзя надёжно уточнить. Лицензия в предоставленных данных не указана.

Qwen2.5-32B — базовая языковая модель компании Qwen, обученная на этапе предварительного обучения. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров; архитектура использует RoPE, SwiGLU, RMSNorm и смещение в проекциях QKV внимания. Контекст составляет 131 072 токена. Модель предназначена для дальнейшего дообучения и построения систем генерации текста. Семейство поддерживает более 29 языков, включая английский, китайский, русский, французский, немецкий, японский и арабский. Для этой базовой версии README не рекомендует непосредственное применение в диалогах; для чат-сценариев требуется последующее обучение, например SFT или RLHF. В README также отмечены сильные возможности семейства в следовании инструкциям, коде, математике и генерации структурированных ответов, однако эти улучшения описаны для Qwen2.5 в целом. Модель распространяется под лицензией Apache-2.0. Для работы рекомендуется актуальная версия библиотеки Transformers; версии ниже 4.37.0 могут не распознавать архитектуру qwen2.

Модель q31p7bsftrpcelam1 — готовый к инференсу чекпойнт с дообучением Qwen3-1.7B-Base для генерации кода. Его разработчик описывает модель как итоговый вариант эксперимента по code SFT на шаге оптимизатора 102; обучение использовало упорядоченные данные qwen3_1p7b_s500_code_sft_data и стратегию replay с коэффициентом 1,0. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и кода; метаданные также отмечают возможность диалогового использования. Данные о конкретных языках программирования не приводятся. Лицензия в предоставленных данных не указана. Чекпойнт относится к эксперименту по дообучению, поэтому его качество и пригодность для практического применения следует оценивать на целевых задачах; README не сообщает результатов оценки.

teknium разработал Replit-v2-CodeInstruct-3B — инструкционную донастройку базовой модели replit/replit-code-v1-3b семейства MPT с плотной архитектурой для генерации кода. Модель обучена следовать инструкциям в формате Alpaca и выдавать ответы на задачи по программированию. Для дообучения использовались около 25 тысяч пар инструкций и ответов из CodeAlpaca и GPTeacher Code-Instruct; обучение проходило на двух A100 80 ГБ. По сравнению с первой версией, обучавшейся на последовательностях длиной 512 токенов, здесь использовались последовательности длиной 2000 токенов. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0. Модель подходит для генерации кода по текстовому заданию и ответов на инструкции по программированию. Автор сообщает о проблемах с параметром device="auto" и необходимости загружать модель с trust_remote_code=True; качество и корректность кода следует проверять.

SimplyAI-2B-Uncensored — диалоговая текстовая модель Miiyamoto255, созданная слиянием моделей на основе google/gemma-2-2b-it. Это плотная авторегрессионная архитектура Gemma 2 с 2,7 млрд параметров и контекстом 8192 токена; модель предназначена для генерации текста в диалоге, а автор отдельно отмечает задачи программирования и кибербезопасности. В карточке заявлена «разблокированная» версия, ориентированная на более свободные ответы. Модель принимает текст и генерирует текст. В метаданных указан английский язык; README не сообщает результатов независимых оценок качества. Для работы используется библиотека Transformers и формат safetensors. Лицензия указана как gemma; перед применением следует соблюдать её условия. Модель может выдавать небезопасные или неправомерные инструкции, поэтому ответы требуют соответствующей проверки.

SPLADE-Code-06B — разреженная модель поиска по коду, представленная в репозитории naver. Она предназначена для извлечения релевантных фрагментов кода по текстовому запросу и других задач кодового поиска. В README заявлено, что на момент публикации в феврале 2026 года модель показывала лучшие результаты на MTEB среди моделей размером менее 1 млрд параметров. Модель основана на архитектуре Qwen3ForCausalLM и содержит около 507,9 млн параметров. Она принимает текст и формирует разреженные признаки для поиска; максимальная длина контекста составляет 40 960 токенов. Доступны веса в формате safetensors. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов на тех же условиях.

Trinity-13B — модель серии Trinity от WhiteRabbitNeo, предназначенная для программирования и создания автономных агентов. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, рассчитанная на контекст до 16 384 токенов. Карточка демонстрирует ответы с примерами кода на Python и пояснениями по созданию API-сервера и работе с аутентификацией AWS S3. Модель подходит для генерации и объяснения кода, а также для текстовых сценариев, связанных с программными агентами. Заявлена лицензия Llama 2; условия карточки возлагают ответственность за результаты использования на пользователя и предоставляют модель без гарантий. По приведённым примерам нельзя установить качество на разных языках программирования и устойчивость к ошибкам или небезопасным запросам.

Trinity-2-Codestral-22B-GGUF — это набор GGUF-квантизаций базовой текстогенеративной модели Trinity-2-Codestral-22B, разработанной migtissera и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и, судя по названию Codestral, ориентирована прежде всего на задачи, связанные с программным кодом, однако подробные сведения о специализации, обучении и результатах тестирования в README отсутствуют. Доступны варианты от полного F32 размером 88,99 ГБ до низкобитных IQ2_M размером 7,62 ГБ. Наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и Q4_K; некоторые версии используют Q8_0 для embedding- и output-весов. Модель работает в формате GGUF через llama.cpp и может запускаться, в частности, в LM Studio. Указан шаблон prompt с ролями system, user и assistant. Данные о поддерживаемых языках, размере контекста, архитектуре, модальностях и конкретных сильных сторонах не приведены. Лицензия обозначена как other, без дополнительных условий в README.

VibeThinker-3B LiteRT-LM — это конвертированная версия модели WeiboAI/VibeThinker-3B, разработанная на базе Qwen2.5-Coder-3B. Репозиторий Tdamre содержит артефакты для локального инференса на устройствах с использованием LiteRT-LM. Модель представляет собой плотную reasoning-модель примерно на 3 млрд параметров, ориентированную на генерацию текста и решение задач, требующих рассуждений, включая программирование и математические запросы. Доступны варианты с кэшем контекста на 2048, 4096, 32768 и 65536 токенов, что позволяет выбирать баланс между потреблением ресурсов и поддержкой длинных запросов. Артефакты используют динамическую квантизацию dynamic_wi8_afp32 и рассчитаны на CPU или GPU; в состав входят токенизатор, метаданные LLM, квантизированные TFLite-модели для prefill/decode и внешний embedder. Указанная модальность — текстовая; сведения о поддерживаемых языках в README отсутствуют. Сильные стороны модели — компактный размер, локальная работа без обязательного обращения к облачным сервисам, варианты для короткого и длинного контекста и совместимость с LiteRT-LM, включая мобильные сценарии. Ограничения связаны с отсутствием готовых Qualcomm SM8750 NPU AOT-артефактов и MediaPipe .task-бандлов, а также с тем, что характеристики качества, скорости и потребления памяти не приведены. Модель и конвертированные артефакты распространяются по лицензии MIT.

buelfhood выпустил sentence-transformers-модель buelfhood/CodeBERTa-small-v1-ST, дообученную на базе huggingface/CodeBERTa-small-v1. Модель использует архитектуру RoBERTa и преобразует текстовые предложения и абзацы в плотные векторы размерности 768; близость между ними можно оценивать косинусным сходством. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Базовая CodeBERTa-small-v1 ориентирована на исходный код на шести языках программирования, поэтому эмбеддинги могут быть полезны для поиска и группировки фрагментов кода. Репозиторий содержит форматы Safetensors, ONNX и OpenVINO. В карточке не указана лицензия. Модель предоставляет векторы, а не готовые текстовые ответы; качество для конкретных задач зависит от данных и настройки поиска или классификатора.

code-daemon-embed-v1 — модель эмбеддингов кода от автора репозитория faxenoff, предназначенная для быстрого индексирования исходного кода и семантического поиска по нему. Это компактный четырёхслойный энкодер размером 46,8 млн параметров, который формирует 768-мерные векторы; mean pooling и L2-нормализация встроены в вычислительный граф. Модель получена слиянием нескольких базовых моделей, а ранжирование 4B cross-encoder было перенесено в bi-encoder дистилляцией при обучении. Доступны варианты ONNX, Core ML и safetensors; для INT8 применено обучение с учётом квантования. Модель кодирует одинаковым способом короткие фрагменты кода и запросы на английском языке: имена символов, сигнатуры, docstring, краткие описания и ключевые слова. Она рассчитана на гибридный поиск по коду вместе с лексическим поиском BM25, особенно когда важна скорость переиндексации. В README заявлена пропускная способность до 3 457 текстов в секунду в тесте ONNX Runtime CUDA FP32, а специализированный daemon с TensorRT INT8 показал более высокие скорости на отдельных репозиториях. Жёсткий предел входа — 128 токенов; для более длинных текстов README предлагает оконную обработку. Модель не предназначена для многоязычного поиска или общей прозы: качество поиска на русском низкое, поэтому для русскоязычных запросов рекомендуется multilingual-e5-base. Лицензия — MIT.

Модель EmTpro01 — дообученная версия CodeLlama-7b-hf для генерации кода по текстовым инструкциям. Она создана на базе архитектуры Llama и содержит 6,6 млрд параметров; при обучении использовались Unsloth и библиотека TRL. Для дообучения указан набор инструкций по Python-коду iamtarun/python_code_instructions_18k_alpaca. Модель принимает текст и генерирует текст, включая код; заявленный контекст — до 16 384 токенов. Модель подходит для генерации фрагментов кода Python по запросу и выполнения инструкций, связанных с программированием. В карточке указаны английский язык и лицензия Apache 2.0. Качество, точность и ограничения генерации в README не описаны; как и другие языковые модели, она может выдавать ошибочный или небезопасный код, который следует проверять.

code-nothink-o7b-20260908 — кодовая языковая модель на базе Olmo-3-1025-7B, созданная для оценки генерации кода без режима рассуждений NoThink. Разработчик обучил LoRA-адаптер рангу 64 на паре проинструктированных примеров для кода, затем объединил его с базовой моделью; в репозитории размещены полные веса bf16 в формате safetensors. Модель имеет 6,9 млрд параметров и контекст до 65 536 токенов по метаданным; при обучении и описанной оценке использовался контекст 8 192 токена. Основной сценарий — генерация кода и решение задач программирования. В оценке LiveCodeBench DEV256 модель прошла 46 из 256 задач (18,0%) в режиме NoThink против 20 из 256 (7,8%) у базовой Olmo-3-1025-7B при том же протоколе; результат обозначен авторами как односидовый исследовательский, а не подтверждающий вывод. Для инференса автор рекомендует использовать токенизатор и шаблон чата из репозитория, не добавляя префикс режима рассуждений. Лицензия — Apache-2.0.

E1-Code-14B — языковая модель Salesforce, дообученная на DeepSeek-R1-Distill-Qwen-14B для эластичного рассуждения. Обучение с помощью стратегии rollout при ограниченном бюджете, встроенной в GRPO, помогает модели адаптировать ход рассуждения к ограничениям на объём вычислений и обобщать на новые ограничения без дополнительного обучения. Модель с архитектурой Qwen2 содержит 14 млрд параметров, принимает текст и генерирует текст; нативный контекст — 131 072 токена. Карточка указывает датасет DeepCoder-Preview-Dataset и диалоговые возможности. Модель предназначена для экспериментов с рассуждением и генерацией кода, однако README не приводит конкретных результатов оценки качества. Лицензия CC-BY-NC-4.0 допускает использование на условиях указанных ограничений, включая некоммерческий характер. Разработчик позиционирует выпуск как исследовательский и рекомендует проверять точность, безопасность и справедливость перед применением, особенно в сценариях высокого риска.