II.3Рефакторинг, миграция и модернизация

Это квантизированная GPTQ-версия ELYZA-japanese-CodeLlama-7b-instruct, подготовленная mmnga с калибровочным набором на японском языке. Для калибровки использованы случайная выборка примерно из 1 000 фрагментов японской Википедии и около 200 пар входных и выходных данных ELYZA-tasks-100. Модель относится к семейству Llama и предназначена для генерации текста в инструкционном формате, включая ответы на японском языке и задачи с кодом. Она содержит 6,6 млрд параметров и поддерживает контекст до 16 384 токенов. В метаданных указан формат safetensors и лицензия Llama 2. Калибровочный набор описывает процедуру подготовки GPTQ-версии; отдельных оценок качества в карточке нет.

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.

Huihui-gemma-4-12B-coder-fable5-composer2.5-v1-abliterated — версия Gemma 4 12B coder-fable5-composer2.5-v1 от huihui-ai, у которой методом abliteration снижено число отказов на запросы. Это экспериментальная, грубая реализация с открытым описанием метода; модель предназначена для генерации кода и диалоговых ответов на основе текста. Модель использует плотную архитектуру Gemma4Unified и распространяется в формате safetensors для Transformers. Базовая модель дообучена для алгоритмических задач и генерации кода на Python, проверенного тестами. Карточка не описывает отдельное обучение этой версии для новых задач и не сообщает длину контекста или список естественных языков. Уменьшение защитных отказов может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Модель доступна по лицензии Apache 2.0.

Agnuxo/Mamba-Codestral-7B-v0.1-instruct-python_coding_assistant-GGUF_4bit — текстовая генеративная модель для локального программирования, разработанная Francisco Angulo de Lafuente (Agnuxo1) в экосистеме P2PCLAW. Модель ориентирована на роль инструкционной помощницы по написанию и объяснению кода, прежде всего на Python, а также заявляет поддержку JavaScript, TypeScript, Rust, Go и C++, научных вычислений и библиотек NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Модель содержит 7 млрд параметров и распространяется в 4-битном формате GGUF. В README указана текстовая модальность, поддержка английского и испанского языков, а также возможность запуска на CPU, GPU с CUDA или ROCm и мобильных устройствах. Предусмотрены локальное использование через Ollama и серверный сценарий через vLLM. Заявлена интеграция с MCP, A2A и автономной декомпозицией задач, однако подробности реализации и размер контекстного окна не указаны. Сильными сторонами модели являются компактный размер, 4-битная квантизация и ориентация на локальный запуск и задачи генерации кода. README не содержит воспроизводимых результатов бенчмарков, поэтому качество программирования, рассуждений и агентских функций невозможно надежно оценить по представленным данным. Также не описаны ограничения по безопасности, точности и совместимости форматов. Модель распространяется по лицензии Apache 2.0.

NV-EmbedCode-7b-v1 — модель эмбеддингов NVIDIA на 7,1 млрд параметров, основанная на Mistral и оптимизированная для поиска по коду. Она преобразует текстовые запросы, код и смешанные запросы в плотные векторы размерности 4096 с усреднением представлений токенов; модель рассчитана на контекст до 32 768 токенов и использует библиотеку Sentence Transformers. Модель предназначена для построения систем поиска по крупным корпусам кода и текстов. Она поддерживает поиск кода по текстовому описанию, поиск похожих фрагментов кода, поиск текстов по коду и гибридный поиск; такие результаты могут использоваться в помощниках программиста, поиске документации и локализации файлов для решения задач разработки. В README приведены результаты оценки на CoIR и адаптированном SWE-bench Lite. Репозиторий содержит веса в формате safetensors, а в README указана базовая модель NVIDIA Retrieval QA Mistral 7B Embedding. Лицензия обозначена как other; конкретные условия следует сверить с лицензией репозитория перед использованием. Модель создаёт эмбеддинги для поиска, а не готовые ответы или объяснения кода.

PolyCoder-160M — языковая модель для генерации программного кода, представленная авторами в работе «A Systematic Evaluation of Large Language Models of Code». Модель содержит около 151,9 млн параметров, использует архитектуру GPT-NeoX и принимает текстовый контекст длиной до 2 048 токенов. Модель обучена на 249 ГБ кода на 12 языках программирования и предназначена для продолжения и генерации кода по текстовому запросу или фрагменту программы. Это исследовательский чекпойнт, опубликованный в 2022 году; для запуска авторы указывают Transformers версии 4.23.0 или новее. Сведения о лицензии и языках программирования в карточке не приведены.

TeichAI/Qwen3-4B-Thinking-2507-Gemini-3-Flash-VIBE — дообученная плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, созданная на базе unsloth/Qwen3-4B-Thinking-2507. Модель обучена на 200 примерах агентного программирования, сгенерированных Gemini 3 Flash Preview, и предназначена для генерации текста в диалоге и решения задач, связанных с программированием и агентными сценариями. Модель принимает текст и выдаёт текст, поддерживает контекст до 262 144 токенов и имеет интерфейс для вызова инструментов. Для обучения использовались Unsloth и библиотека Hugging Face TRL; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Набор из 200 обучающих примеров ограничен по объёму, поэтому качество на широком спектре задач не следует считать подтверждённым.

StephYang выпустил текстовый чекпойнт Qwen3.5-4B, дообученный методом on-policy distillation (OPD) на наборе tmax15k Harbor SWE. Это плотная авторегрессионная модель семейства Qwen3.5 с 3,4 млрд параметров и контекстом до 262 144 токенов; репозиторий содержит объединённый экспорт весов в safetensors, сохранённых в bfloat16. Модель предназначена для генерации текста в диалоговом формате и задач, связанных с разработкой программного обеспечения. Чекпойнт получен после одной эпохи и 35 шагов обучения. Для загрузки README указывает Transformers версии 5.6.0 или новее. Лицензия — Apache 2.0. Это текстовая версия Qwen3.5; возможности понимания изображений базовой мультимодальной модели к этому чекпойнту не следует автоматически приписывать. Карточка не приводит результатов оценки качества, поэтому пригодность для конкретных SWE-сценариев требует проверки.

Youssofal/Qwen3.6-27B-MTPLX-Optimized-Speed — модель для генерации текста, созданная на основе Qwen/Qwen3.6-27B и адаптированная Youssofal для runtime MTPLX. Она предназначена для локального запуска и ускоренной генерации, прежде всего на компьютерах Apple Silicon, включая сценарии программирования, интерактивной работы с текстом и развертывания сервиса через MTPLX. Модель использует архитектуру qwen3-next-mtp и встроенные Multi-Token-Prediction heads для speculative decoding без внешней draft-модели. Основная часть представляет собой flat 4-bit affine-конверсию, а MTP-компонент — предварительно квантованный INT4 sidecar. Максимальная глубина MTP равна 3; верифицированный runtime рассчитан на Apple M5 Max с 128 ГБ unified memory. Для указанного профиля заявлена скорость до 63,056 токена в секунду на тестовом кодовом запросе, однако фактическая производительность зависит от оборудования, настроек и нагрузки. В README не указаны поддерживаемые языки, размер контекста и мультимодальные возможности. Сильная сторона модели — ускоренная декодировка за счёт встроенного speculative decoding и точной проверки предложенных токенов; заявленное ускорение достигает 2,24 раза по сравнению с обычной генерацией в соответствующих условиях. Ограничения включают зависимость от MTPLX и Apple Silicon, статус runtime как preview, поддержку только backend qwen3-next-mtp в MTPLX v0.1.0-preview и необходимость учитывать результаты бенчмарка как зависящие от конкретного теста. Базовая модель и конверсия MTPLX распространяются по лицензии Apache-2.0.

RavenX × Gemma 4 12B MTP OBLITERATED — экспериментальная модель генерации текста и диалогов, представленная как проект сообщества RavenX и дообученная на базе OBLITERATUS/Gemma-4-12B-OBLITERATED. Она использует архитектуру gemma4_unified с MTP-головами и распространяется в формате GGUF F16; заявлена также версия MLX для Apple Silicon. В карточке указаны структурированные многоэтапные рассуждения в задачах программирования, математики и анализа, а также самооценка возможностей и ограничений. Модель предназначена для исследовательских и образовательных экспериментов с диалогами, кодом, математическими задачами и аналитическими запросами. Для работы требуется применять chat template Gemma 4; без него, по карточке, вывод может быть искажён. Базовая модель лишена фильтров отказа, поэтому возможны нежелательные ответы. Карточка называет метод обучения проприетарным, а лицензию в метаданных указывает как other; подробные условия использования не приведены.

duyntnet/Starling-LM-7B-alpha-imatrix-GGUF — это набор квантованных версий текстовой генеративной модели Starling-LM-7B-alpha, разработанной Berkeley Nest и опубликованной пользователем duyntnet. Модель предназначена для генерации текста, диалоговых сценариев и помощи в программировании на английском языке, включая односторонние и многоходовые беседы. Модель имеет размер около 7 млрд параметров и распространяется в формате GGUF с использованием imatrix-квантования. Она относится к текстовым, а не мультимодальным моделям; поддержка других языков и размер контекстного окна в карточке не указаны. Для диалогов требуется использовать шаблон, совместимый с OpenChat 3.5, а для программирования предусмотрен отдельный формат запроса Code User и Code Assistant. К сильным сторонам относятся поддержка диалогового и кодового режимов, а также доступность квантованных вариантов для запуска в средах, поддерживающих GGUF. При отклонении от рекомендованного шаблона качество может снижаться; в редких случаях ответы бывают избыточно подробными, что можно частично уменьшить настройкой temperature=0. Лицензия указана как other, без дополнительных условий в представленном README.

AmberYifan/capsd-marin-8b-base-code_cap_b12000_s0 — дообученная модель семейства Llama на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров и предназначена для генерации и продолжения текста; в метаданных также отмечена поддержка диалогового режима. Обучение проводилось на наборе capsd_marin-8b-base-n80000-opc__mix_code_cap_b12000_s0, название которого указывает на смесь данных, связанных с кодом и подписями, однако подробности датасета и результаты оценки в карточке не приведены. Модель использует плотную архитектуру LlamaForCausalLM, формат весов safetensors и контекст до 4096 токенов. Базовая marin-8b-base описана как англоязычная; отдельные языки или специализация этой производной в карточке не уточняются. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и правообладателем перед применением.

Salesforce CodeGen-Mono 350M — авторегрессионная языковая модель для генерации программного кода. Это версия семейства CodeGen, содержащая 350 млн параметров и использующая плотную архитектуру CodeGenForCausalLM; модель работает в формате PyTorch и принимает контекст длиной до 2048 токенов. Модель дообучена на Python: она инициализирована весами CodeGen-Multi 350M и затем предварительно обучена на наборе BigPython, содержащем 71,7 млрд токенов Python. Основной сценарий — генерация исполняемого кода по подсказкам на английском языке, оформленным как комментарии, а также продолжение частично написанного кода. Модель оценивалась на HumanEval и MTPB. Модель выпущена Salesforce по лицензии BSD 3-Clause. Авторы позиционируют её как исследовательскую разработку и рекомендуют отдельно оценивать точность, безопасность и справедливость перед применением. Она специализирована на Python и не оценивалась для всех возможных прикладных сценариев.

Gravity-30B-A5B-Base — базовая предобученная разреженная языковая модель Trillion Labs и Lunit Consortium. Она предназначена для генерации продолжений текста и как основа для последующего дообучения; модель не проходила настройку для следования инструкциям или выравнивание безопасности. Модель использует архитектуру GravityMoE, совместимую с DeepSeek-V3: 29,56 млрд параметров всего, из которых 5,34 млрд активны на токен, 52 слоя и механизм Multi-head Latent Attention. Контекстное окно — 131 072 токена. Обучающие данные включают STEM-темы, код, математику, медицинскую литературу, корейские и англоязычные тексты; карточка указывает английский и корейский языки. Модель доступна в формате safetensors для Transformers. Модель может служить основой для приложений генерации текста, продолжения кода и специализированного дообучения, особенно для длинных документов и материалов на английском и корейском языках. Без настройки на инструкции она не является готовым чат-ассистентом и может выдавать фактически неверный, предвзятый или вредный контент; качество может быть ниже для языков, недостаточно представленных в обучении. Лицензия — Apache-2.0.

Hemlock-Coder-7B-i1-GGUF — квантованная версия модели Hemlock-Coder-7B, разработанной hemlang и подготовленной в формате GGUF пользователем mradermacher. Модель дообучалась на наборе данных Hemlock-SFT и предназначена прежде всего для генерации текста, включая задачи, связанные с программированием. В README указана поддержка английского языка. Модель основана на архитектуре с 7B параметров, однако подробности об архитектуре, размере контекста и поддерживаемых модальностях не приведены. Репозиторий содержит набор imatrix-квантов различных типов и размеров — примерно от 2,0 до 6,4 ГБ. Варианты отличаются компромиссом между требованиями к памяти, скоростью и качеством; для баланса размера, скорости и качества рекомендуются i1-Q4_K_S и i1-Q4_K_M, причём последний обозначен как быстрый и рекомендуемый. Более низкие уровни квантования могут заметно снижать качество. Сильной стороной модели является возможность локального запуска в компактных квантованных вариантах через совместимый с GGUF инструментарий. Ограничения включают отсутствие в README результатов тестирования, точного описания задач и качества, данных о контекстном окне, мультимодальности и лицензии. Условия лицензирования в предоставленных материалах не указаны.

jina-code-embeddings-1.5b — модель эмбеддингов для поиска по коду, разработанная Jina AI на основе Qwen/Qwen2.5-Coder-1.5B. Она предназначена для извлечения плотных векторов, которые помогают находить код по текстовому запросу, похожие фрагменты кода, естественно-языковые описания кода и подходящие продолжения кода, а также поддерживают технический поиск ответов по программным проектам. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 и принимает контекст до 32 768 токенов. По README, она рассчитана на более чем 15 языков программирования и разные области разработки, включая веб-разработку, машинное обучение и анализ данных. Для пяти сценариев предусмотрены отдельные инструкционные префиксы; размер эмбеддинга по умолчанию — 1536 измерений, его можно сократить до 128 с минимальной потерей качества. Модель возвращает векторы, а не готовые ответы или исполняемый код, поэтому её используют как компонент поиска или retrieval-системы. Метаданные указывают лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

jnkto1 — дообученная модель для генерации текста, созданная на базе deepseek-ai/deepseek-coder-1.3b-base. Модель построена на плотной архитектуре семейства Llama и содержит 1,3 млрд параметров; заявленное окно контекста — 16 384 токена. В репозитории представлены веса Safetensors. README сообщает о дообучении методом KTO и приводит метрики оценки, но не описывает обучающие данные и целевые сценарии подробнее. Модель подходит для генерации и продолжения текста, в том числе кода, в рамках возможностей базовой DeepSeek Coder. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и файлами репозитория перед применением.

Koda-v1 — диалоговая модель для генерации кода, созданная Addy. Это плотная модель семейства Qwen2 с 1,5 млрд параметров, дообученная методом QLoRA за 100 шагов на датасете HuggingFaceH4/Bespoke-Stratos-17k от Qwen/Qwen2.5-Coder-1.5B-Instruct. Представлена как объединённый чекпойнт в формате bfloat16, сохранённый в safetensors и предназначенный для загрузки через Transformers и совместимые сервисы инференса. Модель рассчитана на диалоговые сценарии программирования: генерацию и обсуждение кода. Контекст составляет 32 768 токенов. README характеризует чекпойнт как экспериментальный и не доведённый до сходимости; сгенерированный код следует проверять перед выполнением. Лицензия — Apache-2.0; необходимо соблюдать лицензию, уведомления и условия использования базовой модели Qwen.

LayerSkip Code Llama 7B — модель Meta, представленная Facebook Research, полученная дальнейшим предобучением Code Llama 7B с применением LayerSkip. Она предназначена для генерации и автодополнения программного кода, а также для ускоренного вывода с помощью self-speculative decoding: ранние слои предлагают токены, а оставшиеся слои проверяют их. Модель работает с текстовым вводом и выдаёт текст, в том числе код; карточка указывает английский язык. В README приведён пример измерения на одной GPU NVIDIA A100: self-speculative decoding показал 50,38 токена в секунду против 38,67 при авторегрессионной генерации в указанной конфигурации. Эти результаты зависят от реализации и оборудования. Оптимизированные реализации повторно используют веса и KV-кэш ранних слоёв; вариант через стандартный Transformers описан как менее оптимальный по памяти. Обучающая реализация помечена как находящаяся в разработке. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

RESMP.DEV LFM2.5-Encoder-350M-Code-MXFP8-GPTQ — исследовательская производная модель на основе двунаправленного энкодера LiquidAI/LFM2.5-Encoder-350M. Разработчик удалил голову masked language modeling и дообучил весь энкодер контрастивным методом для многоязычного поиска по коду. В метаданных указаны архитектура LFM2, 444,6 млн параметров, контекст до 128 000 токенов и формат safetensors; модель предназначена для получения эмбеддингов через MLX и может использоваться в сервисе API совместимых эмбеддингов. Модель подходит для поиска фрагментов кода по запросу на естественном языке или по другому коду, в том числе в сценариях локального поиска на Apple Silicon. В README приведены результаты на многоязычном тестовом наборе; сравнение показывает, что качество зависит от квантизации, а оценка MXFP8 не подтверждает заметного выигрыша относительно BF16. Для прямого вызова автор рекомендует префиксы `query: ` для запросов и `passage: ` для кандидатов. README называет выпуск исследовательским и неофициальным релизом RESMP.DEV; лицензия в метаданных обозначена как `other`, поэтому перед использованием следует проверить приложенные условия лицензии.

llama-3-sqlcoder-8b-GGUF — это набор GGUF-квантизованных версий языковой модели llama-3-sqlcoder-8b, разработанной Defog и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и, судя по названию и исходной модели, ориентирована прежде всего на задачи, связанные с SQL и программным кодом. README не содержит подробного описания архитектуры, языков, поддерживаемых модальностей или размера контекста. Квантизация выполнена с помощью llama.cpp версии b2940 и метода imatrix. Доступны варианты от Q8_0 до крайне компактных IQ1, поэтому можно выбирать между качеством вывода и требованиями к памяти; наиболее качественными и рекомендуемыми названы Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S. Более агрессивные варианты занимают меньше места, но дают заметно более низкое качество и могут быть непригодны для некоторых задач. Для работы следует использовать указанный формат prompt с системным сообщением, пользовательским запросом и ответом ассистента. Лицензия модели — CC BY-SA 4.0. README не описывает результаты бенчмарков, ограничения по коммерческому применению или требования к аппаратному обеспечению, поэтому качество генерации SQL и практическую производительность необходимо оценивать отдельно для конкретного сценария.

Это модель Sentence Transformers, дообученная на answerdotai/ModernBERT-base на наборе code_search_net. Она кодирует текстовые запросы и фрагменты кода в плотные векторы размерности 768 и предназначена прежде всего для семантического поиска по коду и сопоставления запросов с подходящими фрагментами. Также её можно применять для оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Модель использует encoder-архитектуру ModernBERT с CLS-пулингом и косинусной мерой сходства. README указывает максимальную длину последовательности 4096 токенов, а метаданные — нативный контекст 8192 токена; фактическую длину при использовании следует соотносить с конфигурацией Sentence Transformers. Размер модели — 149 млн параметров. Карточка описывает пары запросов и кода из CodeSearchNet; отдельные языки программирования или естественные языки в метаданных не перечислены. Модель выдаёт эмбеддинги, а не готовые текстовые ответы, поэтому для поиска обычно требуется сравнение векторов и, при необходимости, отдельный индекс. Лицензия в предоставленных данных не указана.

Gensyn open-1b-sft — англоязычная авторегрессионная языковая модель с архитектурой decoder-only Transformer семейства open1b. Модель содержит 1,3 млрд параметров по метаданным (в README указано 1,61 млрд, из них 1,08 млрд без эмбеддингов), использует контекст до 4096 токенов и предназначена для диалоговой генерации текста, включая код и STEM-тематику. Для общения следует применять встроенный шаблон чата. Это supervised fine-tuning модели Gensyn/open-1b-midtrained-93B на наборе allenai/tulu-3-sft-olmo-2-mixture-0225. По описанию разработчика, предпочтительная оптимизация через RLHF или DPO не проводилась. Семейство open-1b сопровождается данными и артефактами для проверки воспроизводимости обучения; эта версия демонстрирует дообучение проверяемого базового чекпойнта. Модель подойдёт для прототипирования англоязычного чат-ассистента, генерации кода и STEM-текста, а также экспериментов с воспроизводимым обучением. Разработчик характеризует её как легко настроенного ассистента, не предназначенного для производственного чата. Лицензия — Apache 2.0.

phixtral-4x2_8 — языковая модель на архитектуре Mixture of Experts, созданная Mlabonne путём объединения четырёх моделей Microsoft Phi-2 по мотивам Mixtral-8x7B. В конфигурацию вошли cognitivecomputations/dolphin-2_6-phi-2, lxuechen/phi-2-dpo, Yhyu13/phi-2-sft-dpo-gpt4_en-ep1 и mrm8488/phi-2-coder; маршрутизация экспертов использует режим cheap_embed. Модель предназначена для генерации текста, диалогов и кода на английском языке. В README приведено сравнение с отдельными моделями Phi-2 на наборе Nous suite: средний результат phixtral-4x2_8 составил 47,7; условия тестирования описаны кратко, поэтому эти цифры не гарантируют аналогичное качество в других задачах. Контекст — 2048 токенов. Репозиторий содержит веса Safetensors, а лицензия — MIT. В README также упомянута возможность запуска в 4-битной точности на GPU T4.

QaptaanLM-0.75B-Instruct-ONNX — это экспорт весов модели QaptaanLM-0.75B-Instruct в формате ONNX Runtime. Модель связана с разработчиком kaptaan45; репозиторий также содержит ссылку на GitHub-проект QaptaanLM-0.75B. Версия предназначена для локального запуска через ONNX Runtime, в том числе в браузере на стороне клиента с использованием WebGPU, а также в Node.js и кроссплатформенных настольных приложениях. Модель относится к каузальным языковым моделям с instruction-tuning и ориентирована прежде всего на генерацию текста и программного кода. В README заявлена поддержка английского языка и кода, а среди характеристик указаны совместимость с ONNX, ONNX Runtime и WebGPU, а также hybrid attention и связь с семейством Qwen/Qwen3.5. Размер модели составляет около 0,75 млрд параметров. Для работы используются токенизатор Transformers и ONNX-граф model.onnx с тензорными сегментами; запуск возможен на CPU и CUDA через соответствующие execution provider. Сильными сторонами являются небольшой размер, возможность локального и браузерного выполнения, кроссплатформенность и специализация на инструкциях и задачах программирования. README не содержит подробных результатов бенчмарков, ограничений по длине контекста, описания точной архитектуры или сведений о поддержке других модальностей, поэтому эти характеристики нельзя подтвердить. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-deft_stocky_termite — языковая модель для работы с программным кодом, судя по идентификатору основанная на Qwen2.5-Coder с инструкционной настройкой. Модель размещена пользователем sabitbro; в README также указаны связи с проектами и методами rl-swarm, genrl-swarm, GRPO и Gensyn. Суффикс deft_stocky_termite, вероятно, обозначает конкретный вариант или участника распределённого обучения, однако подробности этого процесса не приведены. Заявленное назначение — выполнение инструкций и решение задач, связанных с программированием, например генерация, объяснение или изменение кода. Из доступных данных известен размер около 0,5 млрд параметров. Сведения о поддерживаемых языках, длине контекста, точной архитектуре, обучающих данных, результатах оценки, ограничениях и рекомендуемых сценариях использования отсутствуют. Лицензия в README не указана. Также отсутствуют данные о разработчике, происхождении базовой модели, условиях коммерческого использования и безопасности, поэтому перед применением в продуктивных системах необходимо самостоятельно проверить метаданные репозитория и качество модели на целевых задачах.

netcat420/Qwen2.5-Coder-Scholar-7B-Abliterated-MFANN — дообученная разговорная модель семейства Qwen2.5-Coder, созданная автором репозитория netcat420 на основе instruct-варианта. По README, модель обучали на датасете MFANN в течение 18 000 шагов и 52 эпох; архитектура — плотная причинная языковая модель Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и ориентирована на задачи, связанные с кодом и материалами MFANN. В метаданных также отмечен интерфейс вызова инструментов. Карточка не уточняет качество на отдельных задачах или конкретные сценарии применения MFANN. Модель принимает текст и генерирует текст. В метаданных указан английский язык. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. README характеризует модель как abliterated, но не описывает методику и последствия этого изменения; качество и поведение следует оценивать на целевых задачах.

Qwen3-4B Code RL Specialist — это специализированная на программировании языковая модель от pb09204048, дообученная на базе Qwen/Qwen3-4B методом группового RL и сохранённая как самостоятельные веса BF16 после объединения адаптера LoRA. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для генерации кода и решения текстовых задач программирования; её также можно использовать как доменного учителя в экспериментах с многомодельной дистилляцией MOPD. В оценке на 279 задачах из тестового поднабора DeepCoder LiveCodeBench она достигла 24,10% pass@1 против 17,56% у базовой модели. Это результат конкретного протокола оценки, а не гарантия качества на других задачах. Обучение выполнено на подмножествах PrimeIntellect, TACO и LCB v5 из DeepCoder-Preview-Dataset. Чекпойнт остановлен до завершения эпохи, а MOPD-ученик в этом выпуске не обучался и не оценивался. Лицензия — Apache-2.0; для запуска README рекомендует совместимые версии Transformers, PyTorch и Accelerate.

Qwen3.5-40B-RoughHouse-Claude-4.6-Opus-Polar-Deckard-Uncensored-Heretic-Thinking — экспериментальная модель DavidAU на архитектуре Qwen3.5. Это плотная модель на 40 млрд параметров, собранная расширением двух дообученных моделей Qwen3.5-27B; автор описывает её как сырую версию, выпущенную до заключительного этапа обучения. В карточке указаны библиотека Transformers, формат safetensors и лицензия Apache-2.0. Модель рассчитана на диалог, рассуждения, генерацию кода и творческих текстов, включая рассказы и ролевые сценарии; поддерживает изображения и текст. Автор указывает контекст до 256 тыс. токенов и переменную длину рассуждений. Заявлены английский и китайский языки. По описанию, модель намеренно лишена защитных ограничений и может создавать откровенный или резкий контент. Автор предупреждает о нестабильности генерации: возможны циклы, повторения и сбои токенов, особенно при коротких запросах и низких уровнях квантизации. Рекомендуются содержательные запросы, системная инструкция и повторная генерация при неудовлетворительном ответе. Модель выпускается по лицензии Apache-2.0.

Andycurrent/Qwen3.5-4B-Uncensored-HauhauCS-Aggressive — модифицированная версия языковой модели Qwen3.5-4B, созданная HauhauCS на базе модели Alibaba Qwen Team. Это авторегрессионная Transformer-модель примерно на 4 млрд параметров, предназначенная для локального запуска, диалоговых приложений, генерации текста, программирования, рассуждений, prompt engineering и исследований механизмов выравнивания и отказов моделей. Указана поддержка английского языка. Модель ориентирована на работу без внешних API и может применяться в автономных и приватных средах. Главная особенность варианта Aggressive — снижение или устранение safety-ориентированных отказов и минимизация отказов в ответах, благодаря чему модель более охотно обрабатывает широкий спектр запросов. При этом заявлено сохранение основных возможностей базовой Qwen3.5-4B в области диалогов, рассуждений, кодинга и общих знаний. Для общения рекомендуется ChatML-подобный шаблон; заявлена совместимость с Transformers, llama.cpp, KoboldCpp, Ollama и vLLM, а GGUF-квантизации подходят для эффективного запуска, включая CPU-инференс. Ограничением является отсутствие или ослабление защитных механизмов: модель может генерировать небезопасный, нежелательный или потенциально вредный контент, поэтому ответственность за фильтрацию и сценарии применения лежит на пользователе. В README также не указаны размер контекстного окна, точный набор поддерживаемых языков, результаты бенчмарков и конкретный метод модификации. Для модели указана лицензия Apache-2.0.