II.3Рефакторинг, миграция и модернизация

Qwen3.5-9b-Sushi-Coder — дообученная и объединённая версия Qwen3.5-9B от автора bigatuna, созданная на базе unsloth/qwen3.5-9b с продолжением обучения через LoRA. В обучении использовались наборы open-r1/codeforces-cots и nohurry/Opus-4.6-Reasoning-3000x-filtered; модель собрана в формате safetensors и предназначена для диалоговой работы с кодом и рассуждениями. Архитектура — плотная мультимодальная Qwen3.5 с поддержкой изображений и текста; карточка указывает английский язык. Лицензия — Apache-2.0. Модель подходит для запросов по программированию, решения задач в стиле Codeforces и анализа изображений вместе с текстовым запросом. Публичная карточка не приводит оценок качества и ограничений по контексту, поэтому пригодность для конкретного кода или сложных задач нужно проверять на собственных примерах.

Qwento-Agentic — экспериментальный чекпойнт от groxaxo, созданный дообучением Qwen/Qwen-AgentWorld-35B-A3B для задач программирования. Это модель семейства Qwen3.5 MoE с 35 млрд параметров и примерно 3 млрд активных параметров; в README указаны гибридная архитектура DeltaNet и полное внимание, 256 экспертов и 40 слоёв. Модель принимает текст и, согласно метаданным базовой модели, предназначена для работы с текстовыми и интерфейсными сценариями; в карточке репозитория также заявлена задача image-text-to-text, но авторские метаданные и каталог классифицируют её как text-generation. Чекпойнт получен коротким этапом QLoRA-дообучения на публичных наборах с примерами рассуждений и затем объединён с базовыми весами в формате BF16 safetensors. Эксперты MoE оставались замороженными. Модель подходит для экспериментальной генерации кода и диалогового применения через совместимые среды Transformers или vLLM; метаданные отмечают интерфейс вызова инструментов. Объём обучения был небольшим, длина последовательности — 2K токенов, а опубликованных бенчмарков нет, поэтому качество и надёжность не подтверждены. Лицензия репозитория — Apache-2.0; README также указывает на наследование лицензии и ограничений базовой модели, поэтому перед распространением или развёртыванием следует сверить условия исходной карточки.

Yi-Coder-1.5B-Chat-GGUF — это набор GGUF-квантизованных версий чат-модели Yi-Coder-1.5B-Chat, разработанной 01.AI и подготовленной пользователем bartowski. Модель предназначена для генерации текста и преимущественно ориентирована на задачи, связанные с программированием, включая работу в локальных приложениях и запуск через llama.cpp или LM Studio. В README также указан специальный шаблон промпта с ролями system, user и assistant, а среди изменений отмечено исправление токенизатора. Модель содержит около 1,5 млрд параметров; точные сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в README не приведены. Доступны варианты от F16 размером 2,95 ГБ до компактных квантизаций Q2 и IQ3 размером менее 1 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, а низкобитные версии требуют меньше оперативной памяти; отдельные варианты оптимизированы для ARM-инференса и требуют соответствующей поддержки процессора. Качество и практическая пригодность зависят от выбранного типа квантизации. Модель распространяется по лицензии Apache-2.0. README не содержит подробных оценок качества, перечня языков программирования или ограничений исходной модели, поэтому её возможности в конкретных сценариях следует проверять отдельно.

Экспериментальный чекпойнт laion, полученный дообучением базовой модели laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink методом SkyRL GRPO. Это плотная причинно-языковая модель семейства Qwen3 примерно на 7,6 млрд параметров; она принимает текст и генерирует текст, поддерживает чат и имеет контекст до 40 960 токенов. Чекпойнт соответствует шагу обучения 30 и создан в рамках абляционного исследования, сравнивающего усреднение потерь по последовательности с токенным усреднением и оцениватель преимуществ RLOO-n. Модель предназначена для агентных задач SWE и проверки Python-методов тестами в среде разработки. В README указан обучающий набор DCAgent/exp_rpt_pymethods2test-large и связанный набор трасс запусков; обучение проводилось с SkyRL GRPO на узлах GH200. Карточка описывает исследовательский чекпойнт, поэтому его пригодность для практического применения требует отдельной оценки. Лицензия в предоставленных данных не указана.

DeepCoder-1.5B-Preview-GGUF — это GGUF-квантизированная версия языковой модели DeepCoder-1.5B-Preview, разработанной agentica-org и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации текста и прежде всего ориентирована на задачи программирования, включая решение проверяемых задач на написание кода. При обучении использовались наборы PrimeIntellect/verifiable-coding-problems, likaixin/TACO-verified и livecodebench/code_generation_lite. Модель содержит 1,5 млрд параметров, поддерживает английский язык и работает в текстовой модальности. Доступны варианты от BF16 до различных форматов квантования Q2–Q8 и IQ, размером примерно от 0,92 до 3,56 ГБ. Это позволяет запускать её локально, в том числе через LM Studio, llama.cpp и другие совместимые проекты; конкретное качество и требования к памяти зависят от выбранного варианта. Рекомендуемый шаблон запроса указан в README. Сильными сторонами модели являются небольшой размер, возможность локального запуска и специализация на генерации кода. Ограничениями выступают относительно малое число параметров, поддержка только английского языка и неизбежное снижение качества в более агрессивных вариантах квантования; точные характеристики контекста и архитектуры в README не указаны. Модель распространяется по лицензии MIT.

BlackSheep-Coder — чат-модель TroyDoesAI для помощи с Python и диалогов в заданной пользователем персоне. Модель объединяет предварительно обученные языковые модели методом TIES с помощью mergekit; базой слияния указана Qwen/Qwen2.5-14B. В состав также вошли варианты Qwen2.5-14B от v000000, rombodawg и huihui-ai. После слияния модель дополнительно дообучена на персоне BlackSheep. Модель относится к семейству Qwen2, имеет плотную архитектуру Qwen2ForCausalLM и 14 млрд параметров. Она принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. В карточке заявлена помощь с Python по шаблону Alpaca; также описан свободный, иногда грубый стиль общения. Нативная длина контекста — 131072 токена. Модель распространяется по лицензии Artistic-2.0. Автор предупреждает о резком стиле и возлагает на пользователя ответственность за формулировку запросов. Указание о дообучении на персоне не подтверждает качество кода или поведение на других задачах.

d9 — дообученная модель для генерации кода, созданная на основе deepseek-ai/deepseek-coder-1.3b-base и обученная на датасете generator. Она построена на архитектуре Llama, содержит 1,3 млрд параметров и поддерживает контекст до 16 384 токенов. Модель предназначена для генерации и продолжения кода по текстовому запросу. В репозитории указаны веса в формате safetensors. Лицензия в предоставленных сведениях не указана. README не содержит описания конкретных сценариев применения, оценок качества или известных ограничений.

Mungert/DeepCoder-14B-Preview-GGUF — предварительная GGUF-версия 14-миллиардной модели для генерации текста и кода, разработанная Mungert. В качестве базовой модели указана DeepSeek-R1-Distill-Qwen-14B; при обучении или проверке использовались наборы PrimeIntellect/verifiable-coding-problems, likaixin/TACO-verified и livecodebench/code_generation_lite. Заявленный язык — английский, основной сценарий применения — генерация и решение задач программирования. Главная особенность модели — экстремально низкобитное квантование с методом IQ-DynamicGate, который распределяет точность по слоям: для разных частей сети применяются IQ4_XS, IQ2_XXS, IQ3_S и Q5_K для критически важных embedding и output-слоёв. Такой подход предназначен для снижения требований к памяти и запуска на CPU, устройствах с небольшим объёмом VRAM и edge-оборудовании. Доступные GGUF-варианты могут быть особенно полезны для компактного локального инференса и исследований низкобитного квантования. В README приведены результаты только для Llama-3-8B-Instruct при контексте 2048 токенов, поэтому эти показатели нельзя напрямую считать характеристиками DeepCoder-14B. Для DynamicGate сообщается заметное снижение perplexity по сравнению со стандартным 1–2-битным квантованием, однако с увеличением размера файлов примерно на 0,1–0,3 ГБ; скорость инференса оставалась сопоставимой. Ограничениями являются возможная потеря точности по сравнению с полноразмерными версиями, отсутствие подтверждённых характеристик контекстного окна и неполные сведения о конкретных вариантах квантования. Лицензия — MIT.

DeepSeek-Coder-Instruct-8x1.3b — чат-модель для генерации текста, опубликованная SanjiWatsuki. Это объединение нескольких моделей с помощью mergekit; архитектура Mixtral использует разреженную смесь экспертов. В репозитории указано 1,3 млрд параметров и контекст до 16 384 токенов. Модель предназначена для диалогового использования и генерации текста; название указывает на специализацию на программировании, однако README не описывает конкретные возможности или качество в задачах кодирования. Файлы опубликованы в формате safetensors. Лицензия — Apache-2.0. README не раскрывает состав объединения, поэтому базовые модели определить нельзя.

Это объединённый чекпойнт семейства Qwen2.5 размером 14 млрд параметров, созданный в рамках эксперимента Delta-P2S с использованием Qwen-aware пакета. Модель построена на базе Qwen2.5 и предназначена для генерации текста в диалоговом режиме; имя репозитория указывает на специализацию на программировании, но README не описывает конкретные задачи или результаты для кода. Модель использует плотную архитектуру Qwen2 с классом Qwen2ForCausalLM и поддерживает контекст до 131 072 токенов. Доступный формат весов — safetensors. В метаданных нет сведений о поддерживаемых естественных языках или лицензии.

dpo5k3 — дообученная модель на базе deepseek-ai/deepseek-coder-1.3b-base, созданная с использованием набора данных generator. Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста; базовая модель ориентирована на продолжение и автодополнение кода, а также заполнение пропусков в коде. Модель опубликована в формате safetensors и поддерживает контекст до 16 384 токенов. Карточка не уточняет сценарии дообучения, оценку качества или ограничения. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензии в репозитории модели.

Gemma4-12B-Coder (GGUF) — локальная специализированная версия Gemma 4 12B, основанная на google/gemma-4-12B-it и опубликованная в репозитории developerjeremylive. Модель дообучена для генерации кода, прежде всего на проверяемых задачах Python. В обучающих примерах рассуждения и решения проходили детерминированные тесты; использовались реальные трассы рассуждений Composer 2.5 и синтетические повторные решения Fable 5 для задач, где исходный учитель ошибался. Модель предназначена для локального и офлайн-применения в качестве помощника программиста: анализа алгоритмических задач, объяснения подхода, учёта граничных случаев и генерации исполняемого Python-кода. Это текстовая модель генерации с архитектурой Gemma 4 Unified, размером 12B параметров, распространяемая в формате GGUF для llama.cpp. Заявлена поддержка контекстного окна до 256K токенов. Доступны квантизации от Q2_K размером около 4,5 ГБ до Q8_0 размером около 11,8 ГБ; рекомендуемым компромиссом названа Q4_K_M размером около 6,87 ГБ. Сильные стороны модели — ориентация на код, обучение на решениях, прошедших тесты, локальная работа без облачного API и широкий выбор квантизаций для устройств с разным объёмом памяти. Ограничения включают специализацию преимущественно на Python и алгоритмических задачах, зависимость качества и доступного контекста от выбранной квантизации и объёма памяти, а также необходимость свежей версии llama.cpp с поддержкой архитектуры gemma4_unified. Модель распространяется по лицензии Apache-2.0.

jd5 — дообученная модель генерации кода на базе deepseek-ai/deepseek-coder-1.3b-base, созданная автором репозитория stojchet. Для обучения использован набор данных generator. Модель содержит 1,3 млрд параметров, использует архитектуру Llama и формат safetensors; длина контекста — 16 384 токена. Она предназначена для генерации и продолжения кода в сценариях автодополнения и разработки. Карточка не приводит оценок качества и подробностей о составе обучающих данных. Лицензия в доступных данных не указана.

jndpo3 — дообученная модель для генерации текста, созданная на базе deepseek-ai/deepseek-coder-1.3b-base и обученная на датасете generator. Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для продолжения текста и генерации кода. Максимальная длина контекста составляет 16 384 токена. Модель подходит для автодополнения кода и генерации текста по заданному контексту. Карточка не описывает конкретные настройки обучения, результаты оценки или дополнительные возможности. Указана лицензия other; её условия следует проверить перед использованием.

Kimi-K2T-ling-coder-sft-sandboxes-1-maxeps-32k — дообученная компанией LAION модель Qwen3-8B для генерации текста в диалоговом формате. Она обучена на наборе open-athena/Kimi-K2T-ling-coder-sft-sandboxes-1-maxeps-32k; название набора указывает на специализацию, связанную с кодом и песочницами, однако README не описывает конкретные сценарии или результаты обучения. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Она принимает текст и выдаёт текст; метаданные указывают на диалоговую возможность. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это производная версия Qwen/Qwen3-8B, дообученная на указанном наборе данных. Практическое качество, точное поведение при работе с кодом и ограничения не описаны в карточке, поэтому их следует проверять на целевых задачах.

BenjaminHelle/LFM2.5-1.2B-Instruct-Code-V1.1 — дообученная и конвертированная в GGUF версия LFM2.5-1.2B-Instruct-Code, подготовленная с помощью Unsloth. Это плотная языковая модель семейства LFM2 для генерации текста в формате чата; размер по метаданным — 1,5 млрд параметров, контекст — до 128 000 токенов. В репозитории доступны варианты GGUF Q4_K_M и Q8_0 для запуска через llama.cpp. Модель предназначена для диалоговой генерации текста и сценариев, связанных с кодом. Карточка не приводит результаты бенчмарков, перечень поддерживаемых языков или подробные сведения о качестве на задачах программирования. Лицензия в предоставленных данных не указана.

m2v-bge-m3-ptbr-en — компактная модель статических текстовых эмбеддингов на базе Model2Vec, созданная Гильерме Мирандой дистилляцией BAAI/bge-m3. Она предназначена для быстрого локального семантического поиска по тексту и коду, в том числе поиска по многословным идентификаторам и кросс-языковых запросов на португальском и английском языках. Модель использует словарь из 185 417 подслов латинского письма, включает португальские диакритические знаки и формируется с помощью PCA и взвешивания SIF. При инференсе она усредняет статические векторы токенов без прямого прохода трансформера, что делает её быстрой на CPU. По данным README, в слепых тестах поиска она сопоставима с potion-multilingual-128M для португальского и английского при меньшем размере. Модель распространяется по лицензии MIT. Удаление токенов нелатинских письменностей ограничивает её применение: кириллица, арабское письмо и CJK не поддерживаются как целевые языки; модель рассчитана прежде всего на португальский (pt-BR) и английский.

PhAI-IDE-72B — специализированная языковая модель для научного программирования и работы с инструментами, разработанная командой PhAI-IDE. Она дообучена методом supervised fine-tuning на траекториях Codex из ScienceIDE; основа — Qwen/Qwen2.5-72B-Instruct. Модель построена на плотной архитектуре Qwen2 и содержит 71,5 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в виде весов BF16 в формате Safetensors с объединённым LoRA-адаптером. Модель предназначена для диалоговой помощи при работе с научным кодом, вызова инструментов и исправления кода в научных проектах. В README приведены результаты семейства PhAI-IDE на бенчмарках научного ремонта кода и отдельных задачах рассуждения, однако сопоставимых результатов именно для версии 72B не указано. Для запуска требуются значительные ресурсы: только веса занимают около 145,41 ГБ, кроме того нужна память для выполнения и KV-кэша. Лицензия указана как Qwen; условия следует проверять по лицензии базовой модели и карточке репозитория.

Python-Code-33B — дообученная Ajibawa-2023 языковая модель для генерации кода на Python с подробными пояснениями. В карточке указано, что модель обучена на более чем 23 тысячах наборов кода и диалогов в формате Vicuna/ShareGPT, созданных с помощью GPT-3.5 и GPT-4. Архитектура — плотная Llama с 32,3 млрд параметров; модель использует PyTorch и имеет контекст 2048 токенов. Модель предназначена для генерации фрагментов Python-кода и объяснения их работы в формате диалога с помощником. Автор сообщает о полном дообучении на базе Llama; в README названы и Llama-2, и Llama-1, поэтому точную базовую версию установить нельзя. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов на иных условиях.

tmickleydoyle/Python-Code-Completer — дообученная модель для генерации и дополнения кода Python. Она создана разработчиком tmickleydoyle на основе unsloth/qwen2.5-coder-1.5b-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; заявленный контекст — до 32 768 токенов. Модель подходит для продолжения фрагментов Python-кода и помощи при написании кода по текстовым запросам. В карточке указаны английский язык и лицензия Apache-2.0. README не приводит результатов оценки качества или подробностей обучающих данных, поэтому надёжность генерации и охват конкретных библиотек по доступным сведениям оценить нельзя.

TobiasLogic (Htfi) разработал эту LoRA-модель на основе базовой Qwen/Qwen2.5-Coder-1.5B. Это текстовая генеративная модель для программирования, ориентированная на прямую генерацию и анализ кода, secure coding, application security и создание инструментов для авторизованного тестирования безопасности, включая сканеры, fuzzing, proof-of-concept и reconnaissance-скрипты. Модель предназначена для разработки ПО, аудита собственных систем, CTF, лабораторных сред и обучения; использовать её следует только на системах, для которых есть разрешение на тестирование. Архитектурно это базовая Qwen2.5-Coder-1.5B без исходного instruction-tuning, дообученная методом QLoRA в 4-битном формате с rank 16 на всех линейных слоях. Обучение проводилось на примерно 1200 синтетических парах инструкций и ответов с использованием Unsloth на одной RTX 3050 Laptop с 4 ГБ памяти. Указаны поддерживаемый язык English, текстовая модальность и шаблон диалога ChatML. Доступны объединённая 16-битная версия, LoRA-адаптер и квантованная версия GGUF Q4_K_M для llama.cpp и Ollama; размер контекста в README не указан. Сильные стороны модели — генерация самостоятельных скриптов и функций на Python, JavaScript, Go и других языках, исправления для безопасного кода и стандартные инструменты разведки, сканирования и веб-тестирования. Ограничения связаны с небольшим размером: модель хуже справляется с крупными многосоставными системами, сложными цепочками эксплуатации и некоторыми низкоуровневыми сетевыми различиями; сгенерированный код необходимо проверять и тестировать. Модель описана как не склонная к отказам и этическим оговоркам, поэтому особенно важно соблюдать законность и контролировать применение. Лицензия — Apache-2.0, с наследованием лицензии базовой модели; дополнительные условия приемлемого использования указаны в USE_POLICY.md.

hreyulog/qwen3-arkts — текстовая модель эмбеддингов на архитектуре Qwen3, обученная в формате Sentence Transformers. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024, предназначенные для поиска и сравнения текстов по косинусному сходству. Модель принимает текст; README указывает максимальную длину последовательности 512 токенов, а метаданные — контекстное окно 32 768 токенов. Модель обучена на 49 864 парах текстов с использованием CachedMultipleNegativesRankingLoss. Примеры данных связывают описания функций с фрагментами кода, что указывает на применение для семантического поиска по коду и документации. В метаданных указано 507,6 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

krlvi/sentence-t5-base-nlpl-code_search_net — модель эмбеддингов на базе T5, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Модель обучена на датасете CodeSearchNet с использованием MultipleNegativesRankingLoss и косинусного сходства; подходит для поиска фрагментов кода по текстовому запросу и сопоставления семантически близких текстов. Модель содержит 123,8 млн параметров, использует архитектуру T5EncoderModel и принимает последовательности длиной до 512 токенов. Доступны веса PyTorch. Лицензия AGPL-3.0; при использовании и распространении необходимо учитывать её условия. Карточка не описывает отдельные языки программирования или конкретный список поддерживаемых естественных языков.

Ramikan-BR/tinyllama-coder-py-v23 — дообученная разговорная модель семейства Llama для генерации текста, включая помощь с кодом Python. Она основана на unsloth/tinyllama-chat-bnb-4bit и имеет около 1 млрд параметров; архитектура — плотная авторегрессионная LlamaForCausalLM. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 4096 токенов. Карточка указывает, что модель обучалась с помощью Unsloth и библиотеки TRL. Её можно использовать для генерации и продолжения кода Python, а также для диалоговых запросов по программированию. Лицензия — Apache-2.0. Подробные результаты оценки качества и конкретные ограничения в карточке не приведены.

Salesforce CodeGen-NL 350M — авторегрессионная плотная языковая модель семейства CodeGen для синтеза программ. Вариант NL с 350 млн обучаемых параметров предварительно обучен на корпусе The Pile, включающем данные с кодом; архитектура модели — CodeGenForCausalLM, формат весов — PyTorch, контекст — до 2048 токенов. Модель предназначена прежде всего для генерации исполняемого кода по подсказкам на английском языке, оформленным как комментарии, а также для продолжения частично написанного кода. Она может извлекать признаки и оценивать вероятность последовательностей естественного языка и языков программирования. Модель опубликована Salesforce в рамках исследовательской работы по синтезу программ; карточка рекомендует оценивать точность и безопасность перед применением. Лицензия — BSD 3-Clause.

CodeParrot-Multi (small) — авторегрессионная языковая модель семейства GPT-2, разработанная для генерации программного кода. Модель содержит 110 млн параметров и обучена на очищенной от близких дубликатов подвыборке GitHub-кода. Для обучения использовались контекст длиной 1024 токена и около 58 млрд токенов данных. Модель предназначена для продолжения фрагментов кода и генерации кода на Java, JavaScript, PHP, Python, C#, C++, Go, Ruby и TypeScript. Её можно использовать через библиотеку Transformers. Карточка сообщает об оценке на HumanEval, но не приводит значения pass@k, поэтому качество решения задач по этим данным оценить нельзя. Лицензия — Apache-2.0.

LnL-AI/dbrx-base-converted-v2 — конвертированная версия DBRX Base, модели семейства DBRX, разработанного Databricks. Репозиторий описывает изменение раскладки весов: матрица Wqkv разделена. Модель — декодерный трансформер для продолжения текста, построенный на архитектуре mixture-of-experts: 132 млрд параметров всего, из которых 36 млрд активны для каждого входа; используются 16 экспертов, выбираются 4. В README указаны RoPE, GLU, GQA и контекст до 32 768 токенов. Модель предназначена для генерации продолжений на английском языке и для задач с кодом; это базовая, предварительно обученная модель, не настроенная для диалога или выполнения инструкций. Она принимает и выдаёт только текст. Обучение проводилось на текстовых и кодовых данных, преимущественно на английском; компетентность в других языках разработчики не проверяли. Это конверсия исходной модели DBRX Base; репозиторий содержит веса в формате safetensors. Лицензия — Databricks Open Model License. Выводы могут быть неточными, неполными, предвзятыми или оскорбительными; для сценариев, где важна точность, разработчик рекомендует RAG и дополнительную проверку безопасности для конкретного применения.

Composer 2.5 × Fable 5 v1 — дообученная Yuxin Lu модель Google Gemma 4 12B Instruct для генерации кода на Python. Она обучена на задачах с проверяемыми решениями: примеры включают рассуждения о граничных случаях, сложности и подходе, а корректность решений проверялась запуском тестов. Модель работает через Transformers и использует архитектуру Gemma4Unified; опубликованы полноточные веса safetensors в формате bf16, а заявленная длина контекста составляет 256K токенов. Модель предназначена для решения алгоритмических и функциональных задач на Python, генерации исполняемого кода и дальнейшего дообучения или создания квантованных сборок. Она ориентирована прежде всего на англоязычные запросы и код. По README, отказы у неё встречаются реже, чем у базовой модели, а защитное выравнивание ограничено; общеобразовательные факты и числа рекомендуется перепроверять. Лицензия — Apache 2.0.

HOS-OSS-1.54B — компактная авторегрессионная языковая модель, опубликованная hydffgg и дообученная на базе Qwen/Qwen2.5-Coder-1.5B-Instruct. Она использует декодерную архитектуру в стиле LLaMA и предназначена для генерации текста и кода, следования инструкциям и диалогового общения. В метаданных указаны 596 млн параметров, контекст 1024 токена и библиотека Transformers; README заявляет размер около 1,54 млрд параметров и ориентир на быстрый запуск с ограниченными ресурсами, включая локальное использование. Модель поддерживает английский язык и формат чат-ответов. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка заявляет пригодность для небольших GPU и сред Colab или Kaggle, но результатов оценки качества не приводит.

Instinct-Python-Coder-Gemma4-12B-KimiK3 — дообученная модель для генерации кода на Python, созданная на базе unsloth/gemma-4-12b-it. Разработчик в README не назван; при обучении использовались дистиллированные данные от Kimi K3 (Moonshot AI), на использование и распространение которых, согласно README, было получено письменное разрешение. Модель предназначена для решения задач программирования на Python: генерации кода по описанию на естественном языке, краткого рассуждения и последующей выдачи решения. Она использует формат сжатого рассуждения в канале <think></think>, что должно сокращать расход контекстного окна, ускорять инференс и снижать затраты. В README указаны базовая архитектура Gemma 4 12B, дообучение на 1,87 млн токенов с двумя проходами, суммарно 3,73 млн токенов, и длина последовательности 8192. Заявленный язык — английский; основная измеренная область применения — Python. В тесте из 228 задач модель решила 81 задачу с первой попытки, достигнув точности 35,5%, против 17,5% у базовой модели; время пакетного прогона также было меньше. Эти результаты получены однократным жадным декодированием без доверительного интервала и не гарантируют аналогичную эффективность в других условиях. Модель тестировалась только на Python, поэтому её возможности в других языках и сценариях не подтверждены; она также наследует ограничения Gemma 4. Доступна в виде одного файла Q8_0 GGUF размером около 13 ГБ, рассчитана на запуск через llama.cpp и совместимые инструменты при наличии примерно 16 ГБ памяти GPU или Mac. Указанная лицензия — Apache 2.0.