II.3Рефакторинг, миграция и модернизация

Yi-Coder-1.5B-Chat — диалоговая модель для генерации кода и помощи в программировании, выпущенная 01.AI. Она основана на плотной архитектуре Llama и содержит 1,3 млрд параметров; модель доступна в формате Safetensors и рассчитана на работу через Transformers. Модель принимает текстовые запросы в формате чата и генерирует текст, включая программный код. Семейство Yi-Coder предназначено для понимания длинного контекста до 128K токенов и поддерживает 52 основных языка программирования. Это позволяет использовать модель для написания и объяснения кода, а также работы с большими фрагментами программ. Лицензия — Apache-2.0.

Aazhi-Coder-1.5B — компактная модель для генерации и анализа кода в диалоговом формате, разработанная Prannesshkva на основе Qwen2.5-Coder-1.5B-Instruct с архитектурой памяти ISOM-R2. В карточке заявлена обработка длинных контекстов до 1 048 576 токенов с потоковой подачей фрагментов и ограниченным использованием памяти; метаданные указывают нативный контекст 131 072 токена. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт текст. Модель предназначена для вопросов по большим репозиториям, поиска межфайловых зависимостей, анализа и исправления кода, а также генерации кода. README приводит бенчмарк на корпусе исходников Transformers, однако заявленные показатели скорости и использования видеопамяти относятся к описанному сценарию и не гарантируют такую же производительность на других данных и оборудовании. Модель распространяется под лицензией CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

AlchemistCoder-CL-7B — языковая модель для генерации кода из серии AlchemistCoder, разработанной авторами исследования о настройке кодовых моделей на данных из нескольких источников. Модель основана на архитектуре Llama и содержит 6,6 млрд параметров; максимальная длина контекста — 16 384 токена. Доступны веса в формате PyTorch, лицензия — Apache-2.0. Модель дообучена на 200 млн токенов разнотипных данных с помощью AlchemistPrompts, предназначенных для согласования стилей и качества источников. Помимо генерации кода, обучение включало задачи понимания кода: развитие инструкций, фильтрацию данных и ревью кода. Авторы также сообщают об улучшениях в общих задачах рассуждения и знаний, но основное назначение модели — работа с кодом.

Blitzar-Coder-4B-F.1-GGUF — модель для генерации кода, разработанная prithivMLmods. Это GGUF-версия Blitzar-Coder-4B-F.1, дообученной на базе Qwen3-4B с использованием расширенных наборов трассировок программирования. Модель предназначена для генерации и отладки кода, а также решения задач, требующих рассуждений, особенно при ограниченных вычислительных ресурсах. Модель ориентирована на работу более чем с десятью языками программирования, включая Python, Java, C#, C++, C, Go, JavaScript, TypeScript и Rust. Точные сведения об архитектуре, размере контекста и поддерживаемых естественных языках, кроме английского, в карточке не указаны. Доступны варианты от Q2_K до Q8_0, а также F16, BF16 и F32; размер файлов составляет примерно от 1,67 до 16,1 ГБ. Q4_K_M и Q5_K_M рекомендуются как сбалансированные варианты, а Q6_K, Q8_0 и версии с плавающей точностью обеспечивают более высокое качество ценой большего потребления ресурсов. Сильными сторонами модели являются специализация на программировании, поддержка нескольких языков программирования и широкий выбор вариантов квантования для запуска на оборудовании с разными ограничениями. Более компактные варианты обеспечивают более быструю инференцию, но могут уступать в качестве; для F16, BF16 и особенно F32 требуется больше видеопамяти. Модель распространяется по лицензии Apache-2.0.

Code Llama 13B Instruct — разработанная Meta инструктивно настроенная авторегрессионная языковая модель на архитектуре оптимизированного Transformer. Репозиторий содержит версию на 13 млрд параметров в форматах Transformers, PyTorch и Safetensors; модель принимает текст и генерирует текст. Модель предназначена для генерации и понимания кода, автодополнения, заполнения пропусков в коде и диалогового выполнения инструкций. Её можно применять как основу для помощников по программированию и генерации кода. README указывает английский язык и языки программирования как целевые; использование на других естественных языках выходит за заявленные рамки. Модель обучена на данных семейства Llama 2 с дополнительной настройкой для следования инструкциям. Возможны неточные или нежелательные ответы; перед внедрением в конкретное приложение рекомендуется провести его собственную проверку безопасности и настройку. Использование регулируется пользовательской лицензией Meta для Code Llama; метаданные обозначают её как llama2.

CodeLlama 13B Python — языковая модель Meta, специализированная на генерации программного кода, представленная в формате GGUF и квантованная TheBloke. В основе лежит архитектура Llama с 13 миллиардами параметров; исходная версия доступна как CodeLlama 13B Python в формате Hugging Face. Модель предназначена для решения задач программирования по текстовому описанию: генерации кода с учётом ограничений, прохождения примеров тестов и помощи в разработке. В README приведён шаблон запроса для таких задач. Модель работает с текстом и кодом, однако конкретный набор естественных языков, максимальный размер контекста и другие параметры не указаны. Формат GGUF поддерживает метаданные и специальные токены и совместим с llama.cpp, а также рядом пользовательских интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, ctransformers и llama-cpp-python. Доступны варианты квантования от 2 до 8 бит для инференса на CPU и GPU; конкретные характеристики качества, скорости и требований к памяти зависят от выбранного варианта. Квантование может сопровождаться компромиссом между эффективностью и точностью, а README не содержит подробной оценки ограничений модели. Лицензия указана как llama2.

CodeLlama 34B Instruct — языковая модель для генерации и объяснения программного кода, разработанная Meta. Представлена в репозитории TheBloke в формате GGUF как квантизированная версия исходной модели codellama/CodeLlama-34b-instruct-hf. Модель предназначена для решения задач программирования по текстовому описанию, создания кода с учетом ограничений и тестовых примеров, а также для локального использования через совместимые приложения и библиотеки. Модель построена на архитектуре Llama и содержит 34 миллиарда параметров. Она работает с текстовой модальностью и ориентирована на код; конкретный набор поддерживаемых языков программирования и размер контекста в README не указаны. Формат GGUF поддерживает метаданные и специальные токены, а доступные варианты используют квантизацию от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством генерации. Сильными сторонами являются специализация на программировании, возможность запуска на CPU и GPU, а также совместимость с llama.cpp, text-generation-webui, LM Studio, KoboldCpp, llama-cpp-python и другими инструментами. К ограничениям относятся потенциальная потеря качества из-за квантизации, высокие требования к ресурсам для 34-миллиардной модели и отсутствие в предоставленных данных подробных оценок качества, контекстного окна и перечня языков. Указана лицензия llama2; за квантизацию и публикацию GGUF-версии отвечает TheBloke.

Code-Llama-3-8B-GGUF — это набор квантизованных версий языковой модели Code-Llama-3-8B в формате GGUF, подготовленный пользователем bartowski с использованием llama.cpp и метода imatrix. Исходная модель размещена на Hugging Face организацией или автором ajibawa-2023. Модель предназначена прежде всего для генерации, дополнения и объяснения программного кода, а также для решения задач по программированию и математических задачах в диалоговом формате. Модель содержит 8 миллиардов параметров и работает в текстовой модальности. В README указан английский язык, а среди целевых языков программирования перечислены Python, C++, PHP, JavaScript, Java, Rust, Ruby, SQL, MySQL, R и Julia. Доступно множество вариантов квантизации от Q8_0 до IQ1_M, что позволяет выбирать баланс между качеством и требованиями к памяти: рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и некоторые варианты IQ4. Более компактные варианты экономят память, но снижают качество и могут быть непригодны для требовательных задач. Сильными сторонами являются специализация на коде, широкий выбор размеров файлов и возможность локального запуска через совместимый стек llama.cpp. Ограничения включают потери качества при низкой разрядности квантизации; сведения о размере контекстного окна, точной архитектуре и поддержке других естественных языков в README не указаны. Модель распространяется по лицензии llama3.

CodeLlama 70B GGUF — квантизированная версия большой языковой модели CodeLlama 70B, разработанной Code Llama. Репозиторий TheBloke содержит файлы модели в формате GGUF, подготовленные TheBloke с использованием оборудования Massed Compute. Модель предназначена прежде всего для генерации и обработки программного кода, а также для сценариев текстовой генерации на основе входного запроса. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать между сниженным потреблением памяти и сохранением качества. Модель относится к архитектуре Llama; в README указано 70B параметров, язык обозначен как code. Формат GGUF совместим с llama.cpp и рядом локальных интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Мультимодальность и размер контекста в предоставленных данных не указаны. Сильные стороны модели — большой размер, специализация исходной Code Llama на задачах программирования и возможность локального запуска на CPU и GPU с различными уровнями квантизации. Ограничениями являются высокая вычислительная и ресурсная требовательность 70B-версии, возможная потеря качества при сильной квантизации и отсутствие в README подробных результатов оценки. Модель распространяется по лицензии Llama 2.

CodeLlama 70B Python — большая языковая модель для генерации и работы с программным кодом, разработанная Code Llama. Данная версия представляет собой квантизированные файлы модели CodeLlama 70B Python в формате GGUF, подготовленные TheBloke на вычислительном оборудовании Massed Compute. Модель предназначена прежде всего для задач, связанных с программированием на Python, включая генерацию кода и локальный текстовый inference. Она основана на архитектуре Llama, имеет 70 миллиардов параметров и работает в режиме text-generation. В README указано, что язык модели — code; сведения о поддерживаемых естественных языках, модальностях и размере контекста не приведены. GGUF поддерживает различные уровни квантизации от 2 до 8 бит, что позволяет запускать модель с разным компромиссом между требованиями к памяти и качеством, используя llama.cpp и совместимые интерфейсы. Сильными сторонами являются специализация на программном коде, крупный размер модели и возможность CPU+GPU-инференса в локальных приложениях. Ограничениями выступают высокие требования к вычислительным ресурсам, зависящие от выбранного уровня квантизации, а также отсутствие в предоставленных данных подробных оценок качества и характеристик контекстного окна. Модель распространяется по лицензии Llama 2.

CodeLlama 7B GGUF — это квантизированные файлы модели CodeLlama 7B, разработанной Meta и подготовленной в формате GGUF пользователем TheBloke. Модель относится к семейству Llama и предназначена для генерации и обработки программного кода, а также для задач текстовой генерации, связанных с разработкой программного обеспечения. Модель содержит около 7 миллиардов параметров и представлена в формате GGUFv2, совместимом с llama.cpp и рядом сторонних интерфейсов и библиотек. Доступны варианты квантизации от 2 до 8 бит, рассчитанные на запуск с использованием CPU и GPU; выбор варианта позволяет находить компромисс между размером файлов, требованиями к оперативной памяти, скоростью и качеством вывода. В README не указаны точное максимальное окно контекста, поддерживаемые естественные языки и дополнительные модальности, поэтому модель следует рассматривать прежде всего как кодовую текстовую модель. К сильным сторонам относятся возможность локального запуска на широком спектре оборудования, несколько уровней квантизации и совместимость с популярными инструментами, включая llama.cpp, LM Studio, text-generation-webui и llama-cpp-python. Ограничения связаны с потерями качества, возможными при низкобитной квантизации, а также с тем, что конкретные требования к памяти и производительность зависят от выбранного файла и оборудования. Модель распространяется по лицензии Llama 2; условия использования следует учитывать согласно этой лицензии.

Codestral-22B-v0.1-IMat-GGUF — GGUF-квантизированная версия Codestral-22B-v0.1, разработанного Mistral AI и подготовленная legraphista. Модель предназначена для генерации и работы с программным кодом, включая сценарии автодополнения и Fill In the Middle (FIM); в этой сборке исправлены отсутствующие FIM-токены. Указанный pipeline относится к генерации текста, а заявленный язык — code. Модель основана на версии размером 22B параметров с исходным форматом BF16 и преобразована с использованием llama.cpp. Доступны варианты GGUF от BF16 и FP16 до Q2_K, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ-квантизации. Для ряда вариантов применена IMatrix-квантизация, призванная улучшить сохранение качества при уменьшении размера; размеры файлов варьируются примерно от 8,27 до 44,5 ГБ. Формат GGUF подходит для запуска в совместимом программном обеспечении, включая llama.cpp. Сильными сторонами являются специализация на коде, поддержка FIM и широкий выбор уровней квантизации для компромисса между качеством и требованиями к памяти. Ограничения включают отсутствие в предоставленных данных сведений о конкретной архитектуре, размере контекста, перечне естественных языков, результатах бенчмарков и характеристиках производительности; качество также зависит от выбранного варианта квантизации и оборудования. Лицензия указана как MNPL-0.1; условия следует уточнять в тексте лицензии Mistral AI.

bartowski/DeepSeek-Coder-V2-Instruct-GGUF — это набор квантованных версий модели DeepSeek-Coder-V2-Instruct, разработанной DeepSeek и преобразованной bartowski в формат GGUF для запуска через llama.cpp и совместимые инструменты. Модель предназначена прежде всего для генерации текста и работы с программным кодом в диалоговом формате: написания, дополнения и объяснения кода, а также решения связанных с программированием задач. В набор входят варианты квантования Q4_K_M, Q3_K_XL, Q3_K_M, Q2_K_L, Q2_K, IQ2_XS и IQ1_M размером примерно от 52,7 до 142,45 ГБ. Квантование выполнено с использованием imatrix и llama.cpp. Версия Q4_K_M отмечена как рекомендуемая благодаря балансу качества и размера; варианты с более сильным сжатием требуют меньше памяти, но обеспечивают более низкое качество, а IQ1_M обозначена как крайне низкокачественная и нерекомендуемая. Точные архитектурные характеристики, число параметров, поддерживаемые языки и размер контекста в README не указаны. Модель подходит для локального запуска при наличии значительных ресурсов RAM и, при необходимости, VRAM; выбор файла зависит от доступной памяти и используемого backend. Поддерживаются K- и I-кванты, при этом совместимость и производительность могут различаться для CPU, Apple Metal, NVIDIA cuBLAS, AMD rocBLAS и Vulkan. Модель распространяется по лицензии DeepSeek License; в карточке указано обозначение лицензии и ссылка на файл LICENSE.

DeepSeek-Coder-V2-Lite-Instruct — языковая модель для генерации текста и программного кода, разработанная компанией DeepSeek и представленная в GGUF-квантизации сообществом LM Studio. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для выполнения инструкций по программированию, завершения кода, решения задач в области информатики и математического рассуждения. Модель использует архитектуру Mixture of Experts (MoE): общий объём составляет 16 млрд параметров, из которых при обработке активируются 2,4 млрд. Она дообучалась на 6 трлн высококачественных токенов с кодом и поддерживает контекст длиной до 128k токенов. В README языки явно не перечислены; указано, что официальный шаблон иногда приводит к генерации текста на китайском языке. К сильным сторонам относятся специализация на программировании, следовании инструкциям, завершении кода и высокая скорость вывода благодаря разреженной активации параметров. Для работы в LM Studio требуется версия 0.2.25 или новее, а Flash Attention необходимо отключить. Модель распространяется по лицензии DeepSeek License; конкретные условия следует уточнять в файле LICENSE исходного репозитория. README не содержит подробных результатов бенчмарков и не описывает ограничения по безопасности или точности, поэтому сгенерированный код и ответы требуют проверки.

EnlistedGhost/Devstral-Small-2507-Vision-GGUF — квантизированная версия модели Devstral Small 1.1, преобразованная в формат GGUF пользователем EnlistedGhost с помощью llama.cpp. Модель создана на основе Devstral-Small-2507-Vision; исходная Devstral разработана в сотрудничестве Mistral AI и All Hands AI и предназначена для агентных задач программной инженерии. Модель ориентирована на работу с кодом, исследование кодовых баз, редактирование нескольких файлов, DevOps-сценарии и программных агентов. Формат совместим с Ollama и llama.cpp, что упрощает локальный запуск. Доступны квантизации Q5_K, Q6_K и Q8_0, а также файлы vision projector в вариантах Q8_0, F16 и F32. Указаны поддержка изображений и текста, контекст до 128 тыс. токенов, 24 млрд параметров и языки английский, русский, украинский, немецкий, испанский, польский, шведский, арабский, турецкий, белорусский и бенгальский. Сильные стороны модели — специализация на программной инженерии, большой контекст, поддержка инструментов через формат function calling Mistral и возможность локального развертывания. Исходная Devstral Small 1.1 показывает результат 53,6% на SWE-Bench Verified, однако README не уточняет, сохраняется ли этот показатель у данной GGUF-версии и каковы характеристики её vision-возможностей. К ограничениям относятся требования к памяти, зависящие от выбранной квантизации, а также неполная информация о размерах файлов и готовых командах запуска. Лицензия Apache 2.0 допускает коммерческое и некоммерческое использование и модификацию.

GPT-5.1-Codex-Max — агентная модель OpenAI для задач разработки программного обеспечения. README описывает её как модель для длительных задач программирования с большим контекстом, основанную на обновлённом стеке рассуждений GPT-5.1 и обученную для агентной работы. Модель предназначена для использования в сценариях, где агенту нужно вести работу над программным обеспечением в течение продолжительного времени. Карточка не содержит подробностей об архитектуре, числе параметров, поддерживаемых языках программирования или лицензии, поэтому эти характеристики не приводятся.

granite-20b-code-instruct-8k-GGUF — это инструкционная языковая модель для генерации и работы с программным кодом, созданная на базе ibm-granite/granite-20b-code-base-8k. Исходная модель разработана IBM Granite, а данная версия преобразована в формат GGUF пользователем Mungert с использованием llama.cpp. Модель предназначена для написания, объяснения и исправления кода, а также для задач, связанных с SQL, математикой, вызовом функций и ассистированием разработчикам. Модель содержит около 20 млрд параметров и поддерживает контекст до 8K токенов. Это текстовая модель без заявленной поддержки изображений, аудио или других модальностей. В представленных результатах оценивается генерация, объяснение и исправление кода на Python, JavaScript, Java, Go, C++ и Rust. Показатели pass@1 находятся в диапазоне от 18,3% до 60,4%, однако результаты помечены как непроверенные, поэтому их следует рассматривать как ориентировочные. К сильным сторонам относятся специализация на программировании, поддержка нескольких языков разработки и возможность локального запуска через GGUF-совместимые инструменты. Версия использует дополнительное повышение точности отдельных слоёв при квантовании, что, по заявлению автора сборки, может улучшать качество при небольшом увеличении размера файла. Ограничения включают зависимость характеристик от выбранного варианта квантования, непроверенный статус приведённых бенчмарков и отсутствие данных о фактических требованиях к памяти и производительности. Лицензия модели — Apache 2.0.

IQuest-Coder-V1-40B-Loop-Instruct — вариант семейства языковых моделей для кода IQuest-Coder-V1, разработанного IQuestLab. Это плотная авторегрессионная модель с архитектурой IQuestLoopCoder и рекуррентным механизмом Loop, в котором параметры используются в двух итерациях. Вариант Instruct предназначен для следования инструкциям и общей помощи в программировании; модель также поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Модель насчитывает 39,4 млрд параметров и поддерживает контекст до 131 072 токенов. Семейство обучалось с использованием последовательностей изменений кода и репозиториев, что ориентирует его на задачи разработки ПО, понимание кода и работу с инструментами. В карточке заявлены результаты семейства на бенчмарках программирования, но отдельные оценки именно для этого варианта не приведены. Модель принимает текст и генерирует текст, включая код. Возможны ошибки и результаты могут различаться на специализированных или закрытых технологиях; сгенерированный код необходимо проверять, поскольку модель его не исполняет. Для работы с пользовательским кодом указан английский язык. Репозиторий использует Transformers и формат safetensors; лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели.

Kwaipilot/KAT-Dev — открытая модель для задач разработки программного обеспечения, выпущенная Kwaipilot. В README модель описана как KAT-Dev-32B, оптимизированная несколькими этапами обучения: промежуточным обучением, supervised fine-tuning, reinforcement fine-tuning и масштабным агентным reinforcement learning. Метаданные этого репозитория указывают архитектуру Qwen3 с плотной причинной языковой моделью, 29,7 млрд параметров и контекстом до 131 072 токенов; файлы представлены в формате safetensors, модель рассчитана на диалоговое использование. Модель предназначена для генерации кода и помощи в инженерных задачах, в том числе для использования в агентных инструментах разработки с поддержкой вызова инструментов. В README приведён пример запуска через vLLM с парсером вызовов инструментов Qwen3 Coder. Карточка сообщает о 62,4% решённых задач SWE-Bench Verified для версии KAT-Dev-32B, но метаданные указывают 29,7 млрд параметров, поэтому сведения о размере в источниках расходятся. Поддерживается многоязычный ввод, однако конкретные языки не перечислены. Лицензия репозитория — Apache-2.0.

MLX-форматная квантизированная версия модели Kimi-K2.7-Code, разработанной Moonshot AI и преобразованной сообществом mlx-community с использованием mlx-lm 0.31.3. Модель предназначена для генерации текста и прежде всего для задач, связанных с написанием и обработкой кода. Она рассчитана на запуск на одном Apple Mac Studio с чипом M3 Ultra и 512 ГБ памяти; заявлено, что размер модели позволяет сохранить ресурсы для полезного контекстного окна. Модель текстовая и не поддерживает обработку изображений или других модальностей. Квантизация DQ3_K_M использует смешанный подход: тензоры экспертных блоков квантизуются с разрядностью 3–4 бита, а остальные тензоры сохраняются в 8-битном представлении. Такой подход призван обеспечить качество, близкое к 4-битной квантизации, при меньшем размере, хотя скорость генерации может быть немного ниже из-за 8-битной маршрутизации. Точный размер модели, архитектура, число параметров, поддерживаемые языки и размер контекстного окна в README не указаны. Для запуска требуется библиотека mlx-lm и параметр --trust-remote-code, поскольку он необходим исходной моделью. Лицензия указана как modified-MIT с типом other; дополнительные условия в README не раскрыты.

Карточка модели 404devnotfound/LongCat-2.0 на Hugging Face совпадает с карточкой bh890/LongCat-2.0, поэтому описание составлено по ней. LongCat-2.0 — большая языковая модель семейства LongCat, представленная разработчиками проекта LongCat. Это модель архитектуры MoE с классом LongcatCausalLM; в метаданных репозитория указано 42,1 млрд параметров, тогда как README описывает полную версию с 1,6 трлн параметров и примерно 48 млрд активируемых на токен. Репозиторий содержит веса в формате safetensors и использует лицензию MIT. Модель предназначена для диалоговой генерации текста, программирования, понимания кода и репозиториев, выполнения задач агентами и работы с инструментальными сценариями. README сообщает об обучении на данных с контекстом до 1 млн токенов и об архитектурном механизме LongCat Sparse Attention для длинных последовательностей; метаданные указывают нативный контекст 262 144 токена. В карточке также заявлены чат и интерфейс вызова инструментов. README особо выделяет задачи с длинным горизонтом, редактирование кода на уровне репозитория и автоматизацию действий; развёртывание описано для GPU и NPU. Модель не оценивалась всесторонне для всех возможных прикладных сценариев. Условия лицензии — MIT.

Mellum2-12B-A2.5B-Claude-4.6-4.8-Opus-Thinking-GGUF — это GGUF-квантизированная версия модели на базе JetBrains Mellum2-12B-A2.5B-Thinking, опубликованная пользователем yuxinlu1. Модель ориентирована на программную инженерию, генерацию и анализ кода, решение технических задач и рассуждения. По данным карточки, она дополнительно настроена на reasoning-трассах Claude Opus 4.6, 4.7 и 4.8 и формирует рассуждения в блоках <think> перед ответом. Модель использует архитектуру Mixture-of-Experts: всего около 12,15 млрд параметров, из которых 2,5 млрд активируются для каждого токена. В архитектуре указаны 28 слоёв, 64 эксперта и 8 активных экспертов, а максимальная длина контекста составляет 131K токенов. Это текстовая causal language model без мультимодальности. Доступны квантизации Q2_K, Q4_K_M, Q6_K и Q8_0; рекомендуемым вариантом названа Q4_K_M. Поддерживаются локальный запуск через llama.cpp, а также приложения LM Studio, Jan и Ollama при наличии актуальной поддержки архитектуры mellum2. К сильным сторонам относятся высокая скорость генерации, локальная работа без API и облачных сервисов, большой контекст и сравнительно небольшое число активных параметров на токен. Для Q4_K_M заявлена скорость около 440 токенов в секунду на RTX 5090, однако этот показатель зависит от оборудования и настроек. Ограничения включают необходимость свежей версии llama.cpp с поддержкой mellum2, зависимость качества от выбранной квантизации и отсутствие в карточке независимых benchmark-результатов. Модель распространяется по лицензии Apache-2.0.

Mistral Medium 3.5 — плотная языковая модель на 128 млрд параметров от Mistral AI, обученная следовать инструкциям. Она принимает текст и изображения и выдаёт текст. Модель предназначена для агентных сценариев, программирования и решения сложных задач. Поддержка изображений позволяет использовать модель для вопросов по визуальным материалам наряду с текстовыми запросами. В доступных сведениях нет деталей о контекстном окне, поддерживаемых языках и лицензии, поэтому эти характеристики не описываются.

North Mini Code 1.0 — открытая по весам исследовательская модель, разработанная Cohere и Cohere Labs. Она предназначена для генерации кода, агентной разработки программного обеспечения и выполнения задач через терминал, включая работу с инструментами и решение сложных задач программирования. Модель принимает только текст и генерирует текст. Это decoder-only Transformer со sparse Mixture-of-Experts: всего 30 млрд параметров, из которых 3 млрд активируются для каждого токена. Архитектура использует 128 экспертов, 8 из них выбираются на токен, активацию SwiGLU, а также чередование sliding-window attention с RoPE и глобального attention без позиционных embedding в соотношении 3:1. Перед sparse-слоями используется один dense-слой. Модель дообучалась в два этапа с помощью supervised fine-tuning и reinforcement learning with verifiable rewards, ориентированных на агентное программирование. Контекст составляет до 256K токенов, максимальная длина вывода — до 64K токенов. Сильные стороны модели — специализация на коде, агентных сценариях разработки и терминальных задачах, большой контекст и сравнительно небольшое число активных параметров на токен. Ограничения включают текстовую модальность и исследовательский статус; README не приводит конкретные результаты бенчмарков и не описывает поддерживаемые естественные языки. FP8-чекпойнт предназначен для запуска с vLLM и несовместим с Transformers из-за используемого алгоритма квантования; для Transformers рекомендуется BF16-версия. Модель распространяется по лицензии Apache 2.0.

Карточка модели HotOpenSourcing/OmniCoder-9B на Hugging Face совпадает с карточкой Tesslate/OmniCoder-9B, поэтому описание составлено по ней. OmniCoder-9B — языковая модель Tesslate на 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B для задач программирования и работы в роли кодового агента. Модель использует гибридную архитектуру с Gated Delta Networks и стандартными слоями внимания, поддерживает контекст до 262 144 токенов и режим рассуждений. Модель обучена на более чем 425 тысячах траекторий агентной разработки ПО: написании и изменении кода, работе с инструментами и терминалом, разборе ошибок и многошаговых задачах. Она рассчитана на интеграцию в среды кодовых агентов; формат вызова инструментов гибкий, но лучше работает со scaffolding-паттернами, похожими на те, что представлены в обучающих данных. В репозитории указана поддержка архитектуры VLM Qwen3.5, однако карточка описывает прежде всего применение для программирования. В карточке приведены результаты на GPQA Diamond, AIME 2025 и Terminal-Bench 2.0; они не гарантируют аналогичное качество в других задачах. Небольшой объём оценки неанглоязычных задач ограничивает выводы о работе за пределами английского. Модель распространяется по лицензии Apache 2.0.

OmniCoder-9B — языковая модель Tesslate на 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B для задач программирования и работы в роли кодового агента. Модель использует гибридную архитектуру с Gated Delta Networks и стандартными слоями внимания, поддерживает контекст до 262 144 токенов и режим рассуждений. Модель обучена на более чем 425 тысячах траекторий агентной разработки ПО: написании и изменении кода, работе с инструментами и терминалом, разборе ошибок и многошаговых задачах. Она рассчитана на интеграцию в среды кодовых агентов; формат вызова инструментов гибкий, но лучше работает со scaffolding-паттернами, похожими на те, что представлены в обучающих данных. В репозитории указана поддержка архитектуры VLM Qwen3.5, однако карточка описывает прежде всего применение для программирования. В карточке приведены результаты на GPQA Diamond, AIME 2025 и Terminal-Bench 2.0; они не гарантируют аналогичное качество в других задачах. Небольшой объём оценки неанглоязычных задач ограничивает выводы о работе за пределами английского. Модель распространяется по лицензии Apache 2.0.

Ornith-1.0-9B — плотная языковая модель примерно на 9 млрд параметров из семейства Ornith, разработанная DeepReinforce AI и опубликованная в формате safetensors. Это компактный вариант семейства для запуска на одной GPU; карточка указывает дообучение на базе deepreinforce-ai/Ornith-1.0-9B и позиционирует семейство как модели для агентного программирования с обучением методом RL. Модель принимает текстовые запросы и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для терминальных coding-агентов: анализа кодовых баз, решения задач разработки и автоматизации работы через инструменты. В карточке приведены результаты оценок на Terminal-Bench, SWE-Bench, NL2Repo и других бенчмарках. Для инференса описаны vLLM, SGLang и Transformers; для Transformers требуется версия не ниже 5.8.1. Примеры запуска используют контекст до 262144 токенов, но это параметр конфигурации запуска, а не подтверждённая метаданными нативная длина контекста. Модель распространяется по лицензии MIT. Для работы с кодом и агентными сценариями она требует подходящей инфраструктуры и корректной настройки шаблона чата, парсера рассуждений и вызова инструментов; результаты бенчмарков зависят от используемого окружения и конфигурации.

Карточка модели Deepdive404-3/Ornith-1.5-397B на Hugging Face совпадает с карточкой ornith-ai/Ornith-1.5-397B, поэтому описание составлено по ней. Ornith-1.5-397B — флагманская модель семейства Ornith-1.5 от ornith-ai, созданная как модель с открытыми весами для агентных задач и самоулучшения. Это смесь экспертов (MoE) на 397 млрд параметров, реализованная в архитектуре Qwen3.5 MoE; репозиторий содержит веса SafeTensors, а лицензия — MIT. Модель предназначена прежде всего для агентного программирования: выполнения задач в терминале, исправления ошибок и работы с репозиториями кода. Она поддерживает диалог и вызов инструментов через совместимый с OpenAI интерфейс. Заявленное окно контекста — до 262 144 токенов; README сообщает о высоких результатах на Terminal-Bench 2.1 и DeepSWE. Для запуска требуется многокарточная система: в формате bf16 веса занимают около 800 ГБ; в README приведён пример с восемью GPU H200. Для уменьшения требований авторы предлагают использовать отдельные квантизованные сборки FP8 или INT4. Модель также можно запускать с расширением контекста YaRN, но оно может немного снижать качество на обычной длине запросов.

PolyKode Enterprise-Base — опубликованная ProCogia копия базовых весов Kimi-K2.7-Code от Moonshot AI. По README, веса побайтно идентичны исходной модели: PolyKode дообучивание, адаптеры и гарантии исполнения в этот выпуск не включены. Модель предназначена для генерации кода и агентных сценариев разработки, включая длительные многоэтапные задачи; её можно использовать для оценки базовых возможностей, прототипирования интеграций и экспериментов с переводом SAS, R и Python. В метаданных указаны архитектура Kimi K2.5 и класс KimiK25ForConditionalGeneration; карточка README характеризует архитектуру как Kimi K2 с Mixture of Experts. Репозиторий содержит safetensors, а README сообщает о сжатых тензорах и 64 шардах общим объёмом около 595 ГБ. Точные параметры и длина контекста здесь не приведены. Метаданные отмечают английский и китайский языки; возможности работы с изображениями и видео указаны только в описании базовой модели каталога, поэтому для этой копии они не включены во входные модальности. Модель ориентирована на программирование и сложные рабочие процессы разработки, но сама по себе не обеспечивает заявленные для отдельного продукта PolyKode Enterprise проверку паритета исполнения, аудиторские следы, сертификацию SAS или SLA. Для производственного перевода SAS в регулируемой среде README рекомендует продукт Enterprise и проверку в лицензированной среде SAS. Лицензия — Modified MIT; README сообщает о возможности коммерческого распространения и модификации и об условии атрибуции в интерфейсе при очень большом масштабе использования.

Prakrit1.0-7B-Small — языковая модель Jagneshdeveloper, дообученная на базе Qwen/Qwen2.5-7B. Это плотная авторегрессионная модель архитектуры Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста, программирования и сценариев с агентами; нативная длина контекста — 32 768 токенов. Модель ориентирована на написание, отладку, объяснение и рефакторинг кода, планирование использования инструментов и выдачу структурированных ответов, включая JSON. В карточке также заявлены суммаризация и перевод. Основной язык — английский; поддержка разных языков программирования не означает поддержку соответствующих естественных языков. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Разработчик предупреждает, что сложную логику и математические ответы, а также сгенерированный код следует проверять перед применением; качество на узкоспециализированных региональных задачах может зависеть от формулировки запроса.