II.3Рефакторинг, миграция и модернизация

Carnice-9b — текстовая генеративная модель от kai-os, созданная на базе Qwen/Qwen3.5-9B и настроенная для работы с Hermes Agent. Это самостоятельный объединённый чекпойнт, который загружается без отдельного PEFT-адаптера; модель имеет плотную архитектуру Qwen3_5ForCausalLM и содержит 7,2 млрд параметров. Заявленная длина контекста — 262 144 токена. Модель предназначена для агентных сценариев в среде Hermes: вызова инструментов, выполнения команд в терминале, работы с файлами, использования браузера и многошагового выполнения задач. Обучение включало этап коррекции рассуждений и этап настройки на формат действий и трассы Hermes. Основной упор сделан на качество выполнения задач в этой среде, а не на общие чат-бенчмарки. Модель принимает текст и генерирует текст, включая структурированные вызовы инструментов для совместимого рантайма. Данные карточки не подтверждают поддержку русского или других конкретных естественных языков, поэтому языковая специализация не заявляется. Распространяется по лицензии Apache-2.0. Оценивание в основном проводится внутри Hermes Agent; карточка отмечает, что оценка качества ещё продолжается.

DeepSeek Coder 1.3B Instruct — это набор квантованных версий модели deepseek-ai/deepseek-coder-1.3b-instruct, подготовленных в формате GGUF с использованием imatrix. Модель предназначена для генерации текста и прежде всего ориентирована на задачи программирования: написание, дополнение и объяснение кода, включая запросы на реализацию алгоритмов, например быстрой сортировки на Python. Поддерживаемый язык в карточке указан как английский. Известный размер исходной модели — 1,3 млрд параметров. Это instruction-tuned causal language model с поддержкой диалогового шаблона; конкретные варианты квантования, архитектурные детали и размер контекста в README не указаны. К сильным сторонам относятся специализация на коде и возможность использования более компактных квантованных сборок в GGUF-совместимых средствах инференса. Ограничения — небольшой по современным меркам размер, потенциальное снижение качества из-за квантования и отсутствие подтверждённых сведений о качестве, дополнительных языках и контекстном окне. Лицензия указана как other, без дополнительных условий в представленном README.

EmanuelOverride/gemma-4-26B-A4B-it-heretic-APEX-GGUF — экспериментальная коллекция GGUF-квантов модели coder3101/gemma-4-26B-A4B-it-heretic. Модель относится к семейству Gemma 4, использует архитектуру mixture-of-experts (MoE) и предназначена для генерации текста. В репозитории представлены пользовательские конфигурации APEX, оптимизированные для многоуровневого квантования экспертных блоков и внимания к контексту. Доступны варианты с размером примерно от 12,9 до 15,8 GiB и плотностью квантования от 4,29 до 5,25 BPW. Конфигурации различаются распределением уровней точности, включая Q3_K, Q4_K и Q5_K, а также способом защиты routing-блоков, shared experts и Global Attention. Заявленные преимущества включают более эффективное использование памяти, потенциально высокую скорость на устаревшем оборудовании, сохранение связности и улучшенное внимание к деталям длинного контекста. Однако варианты являются экспериментальными, а заявленные различия в качестве, скорости и стабильности основаны на тестировании автора и могут зависеть от оборудования и сценария. Указан английский язык. Модель предназначена для инференса через инструменты, поддерживающие формат GGUF и соответствующую MoE-архитектуру. Стандартные и предсказуемые конфигурации APEX рекомендуется искать в репозитории mudler; разработчик также отмечает вклад авторов исходной архитектуры, abliteration-механики и imatrix-датасета. Лицензия — Apache-2.0.

Dzluck публикует Gemma 4 E2B JANG4M CRACK — изменённую версию Google Gemma 4 E2B Instruct с удалёнными отказами. Модель предназначена для диалогов, рассуждений, ответов на вопросы и генерации кода; принимает текст и изображения, а автор также заявляет о сохранении аудиовхода. Каталог Hugging Face относит её к мультимодальной задаче image-text-to-text и указывает архитектуру Gemma4ForConditionalGeneration с плотной архитектурой. Модель использует смешанную квантизацию JANG_4M: 8-битные веса внимания и 4-битные веса MLP, в среднем около 4,3 бита. По данным автора, MMLU снизился на 1,7 процентного пункта относительно исходной модели; в тестах HarmBench автор сообщает о полном выполнении запросов вредных категорий. Для запуска нужны Mac на Apple Silicon и vMLX с поддержкой Gemma 4; стандартные mlx_lm и mlx_vlm поддерживаются не полностью. Лицензия — Gemma; карточка также обозначает модель как предназначенную для исследований.

HOS-OSS-3.08B — компактная причинная языковая модель от Hyggshi-AI для генерации текста и кода. Она основана на Qwen2.5-Coder-3B-Instruct и, согласно карточке, адаптирована или дистиллирована; метаданные классифицируют её как дообучение. Архитектура — плотный decoder-only трансформер семейства LLaMA, около 3,3 млрд параметров; модель поставляется в формате safetensors и работает с Transformers. Модель предназначена для генерации кода, выполнения инструкций, диалоговых ответов и локального ассистента. В карточке заявлены быстрая генерация, умеренные требования к ресурсам и запуск на GPU начального уровня или в Kaggle и Colab. Естественный язык, указанный в метаданных, — английский. Контекст составляет 2048 токенов. Лицензия — Apache-2.0.

INTELLECT-1-step-88000 — промежуточный чекпойнт языковой модели INTELLECT-1 от Prime Intellect и сообщества участников. Модель обучалась с нуля как плотная авторегрессионная модель семейства Llama примерно на 10 млрд параметров; в метаданных указаны 9,7 млрд параметров и контекст до 8192 токенов. Обучение проводилось на триллионе токенов английского текста и кода, включая веб-тексты, математические материалы и код. Модель предназначена для генерации продолжений текста и кода на английском языке. Этот чекпойнт соответствует шагу обучения 88000 и является промежуточным состоянием, а не финальной или инструкционной версией INTELLECT-1. Модель выпущена под лицензией Apache 2.0.

AISE-TUDelft/java-deprecation-classifier — модель на основе MPNet, опубликованная AISE-TUDelft и распространяемая в формате PyTorch через Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. В карточке указано обучение с функцией потерь CosineSimilarityLoss; модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Название указывает на классификацию устаревших Java API, однако README описывает модель как средство построения эмбеддингов, а метаданные относят её к sentence-similarity и feature-extraction. Поэтому её можно применять для поиска и группировки текстов о Java-депрекациях, но карточка не подтверждает выдачу меток классов или специальную точность такой классификации. Лицензия в предоставленных данных отсутствует.

aryyanthakrr/mergekit-linear-hvabxqs — объединённая языковая модель, созданная методом линейного слияния mergekit на основе Qwen2.5-Coder-0.5B-Instruct с добавлением Qwen2.5-0.5B-Instruct. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и распространяется в формате safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для генерации текста и диалогов, а также может применяться для задач программирования благодаря включению кодовой модели. Метаданные указывают контекст до 32 768 токенов и интерфейс вызова инструментов. В README описано равное линейное слияние двух моделей в формате float16. Качество и поведение конкретного слияния отдельно не оценены в предоставленной карточке. Лицензия в доступных данных не указана.

MiniCPM5-1B-Claude-Opus-Fable5-Thinking-GGUF — набор GGUF-квантизаций модели MiniCPM5-1B-Claude-Opus-Fable5-Thinking, разработанной на базе openbmb/MiniCPM5-1B и дообученной на данных Fable 5. Репозиторий подготовлен для локального запуска через llama.cpp, Ollama, LM Studio, jan, KoboldCpp и другие совместимые среды; разработчик производной модели — GnLOLot, базовая модель создана OpenBMB. Это компактная текстовая генеративная модель с режимом рассуждений, предназначенная для следования инструкциям, генерации и отладки кода, а также сценариев разработки программного обеспечения. Модель поддерживает английский и китайский языки, имеет размер 1B параметров и заявленный контекст до 128K токенов. В GGUF встроен собственный chat template MiniCPM5, а для локального развертывания доступны варианты Q4_K_M, Q5_K_M, Q8_0 и F16 размером примерно от 657 МБ до 2,1 ГБ; Q8_0 рекомендован как стандартный вариант. К сильным сторонам относятся небольшой размер, возможность локального запуска, поддержка длинного контекста, программирования и режима рассуждений. Ограничения связаны с масштабом 1B: модель не относится к моделям передового уровня, а фактическая длина доступного контекста зависит от используемого GGUF-рантайма и оборудования. В режиме рассуждений она может выводить блоки рассуждений перед итоговым ответом. Лицензия — Apache-2.0, унаследованная от базовой модели.

mythos-v2-8b-merged — текстовая генеративная модель, разработанная King3Djbl на основе King3Djbl/mythos-v2-8b с использованием дообучения. Модель входит в экосистему FableForge и ориентирована на агентские сценарии, включая использование инструментов, вызов функций, работу с shell-командами, программирование, ролевые диалоги и генерацию текста. Заявлена поддержка английского языка. Модель имеет размер 8B параметров и распространяется в формате GGUF, совместимом с llama.cpp, Ollama и LM Studio. Доступны варианты от F16 до низкобитных квантований, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M и imatrix-квантизации для систем с ограниченной оперативной памятью. Для диалогов используется формат ChatML. Размер контекста в README не указан. К сильным сторонам относятся широкий набор заявленных агентских возможностей, поддержка инструментального взаимодействия и наличие большого выбора квантований с разным компромиссом между качеством и требованиями к памяти. При этом README не содержит результатов бенчмарков, подробностей об архитектуре, данных обучения или проверок качества, поэтому фактические возможности и надежность модели требуют самостоятельной оценки. Также заявлен режим без отказов, что может повышать гибкость в ролевых и автоматизационных сценариях, но требует осторожности при использовании. Модель распространяется по лицензии Apache-2.0.

Ornith 1.0 35B AEON Ultimate Uncensored GGUF — это набор квантованных GGUF-версий языковой модели AEON-7/Ornith-1.0-35B-AEON-Ultimate-Uncensored-BF16. Квантизация выполнена пользователем vcruz305 из исходных весов BF16 с применением калибровки importance matrix. Модель предназначена для генерации текста, рассуждений и программирования и запускается преимущественно через llama.cpp. Модель имеет архитектуру Qwen3 MoE (mixture of experts) и заявленный размер 35B параметров. Доступны варианты с разными уровнями квантования — от Q8_0 до IQ1_M — с размером файлов примерно от 8,2 до 35 ГБ. Предлагаются стандартные версии для обычной авторегрессионной генерации и MTP-grafted версии со встроенным блоком Multi-Token Prediction для speculative decoding. В MTP-варианты добавлены 785 тензоров из Qwen/Qwen3.5-35B-A3B; заявленное ускорение генерации в отдельных тестах достигает 1,8 раза. В README приведены конфигурации с контекстом до 32768 токенов, однако поддерживаемые языки и точный общий объём параметров не уточнены. Сильные стороны модели — широкий выбор квантований для GPU с 8–48 ГБ памяти, поддержка MoE и возможность ускоренной генерации через встроенный MTP-блок. Ограничения включают зависимость от совместимой версии llama.cpp для MTP-режима, компромиссы качества при низких уровнях квантования и отсутствие подробных данных о языковом покрытии, качестве на бенчмарках и безопасности uncensored-настройки. Указана нестандартная лицензия aeon-ultimate; подробные условия следует уточнять по ссылке на лицензию или базовую модель.

Nan-Do разработал Nan-Do/python-assistant-3b — экспериментальную языковую модель для генерации и понимания кода. Это плотная causal language model семейства Llama на 3,3 млрд параметров, дообученная с помощью LoRA на базе OpenLLaMA-3B. Для запросов используется формат промпта Alpaca; модель опубликована в формате PyTorch. Модель предназначена для генерации и исправления кода на Python, объяснения библиотек и решения задач в стиле LeetCode. Она может улучшать собственный код по запросу, однако результаты нестабильны: подходящий ответ может зависеть от формулировки промпта, а некоторые запросы модель не выполняет. Контекст ограничен 2048 токенами. Лицензия в предоставленных данных не указана.

Quasar-10B — языковая модель SILX AI для генерации текста и работы с длинным контекстом. Она основана на Qwen3.5-9B-Base, но её архитектура переработана: часть механизмов внимания заменена на Gated Linear Attention (GLA), а позиционные эмбеддинги RoPE удалены. Модель имеет около 10 млрд параметров и нативное контекстное окно 2 097 152 токена. Модель предназначена прежде всего для генерации синтетических рассуждений и передачи знаний при подготовке Quasar 22B MoE. Заявленные направления применения включают задачи с длинным контекстом, математику, STEM и код; метаданные также отмечают чат-возможности и языки английский и арабский. GLA обеспечивает линейную сложность обработки последовательностей, однако заявленная возможность работы за пределами обучающего контекста не подтверждена отдельными данными об оценке качества. Для запуска указана библиотека Transformers, веса представлены в формате safetensors. Лицензия Apache-2.0.

mergekit-community/Qwen2-1.5B-RHSD — объединённая модель на архитектуре Qwen2, созданная сообществом с помощью mergekit методом Model Stock. В основе объединения лежит trollek/Qwen2-1.5B-Instruct-Abliterated; также использованы Replete-AI/Replete-Coder-Qwen2-1.5b, cognitivecomputations/dolphin-2.9.3-qwen2-1.5b, macadeliccc/Samantha-Qwen2-1.5B и M4-ai/Hercules-5.0-Qwen2-1.5B. Модель содержит 1,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие. Модель использует плотную архитектуру Qwen2 с классом Qwen2ForCausalLM, работает через библиотеку Transformers и хранится в формате safetensors. Заявленная длина контекста — 32 768 токенов. Объединённые модели ориентированы на инструкции, программирование и диалог, однако README не приводит оценок качества или подробных результатов тестирования. Язык модели отдельно не описан в карточке и метаданных. Условия лицензирования в предоставленных данных не указаны.

Это дообученная инструктивная языковая модель семейства Qwen2.5-Coder, опубликованная пользователем matildtahoo в рамках Gensyn Swarm. Модель содержит около 494 млн параметров, использует плотную архитектуру Qwen2 и предназначена для генерации текста, включая помощь с кодом: написание и продолжение программ, ответы на инструкции и исправление кода. Она принимает текст и выдаёт текст; доступный контекст составляет 32 768 токенов. Исходное семейство Qwen2.5-Coder разработано командой Qwen компании Alibaba Cloud и нацелено на сценарии кодового помощника, включая генерацию, рассуждение о коде и его исправление; семейство поддерживает 92 языка программирования. Эта конкретная версия обозначена как результат Gensyn Swarm, однако её карточка не содержит подробных результатов оценки или условий лицензии, поэтому качество и разрешённые способы использования для данного чекпойнта определить нельзя.

armand0e/Qwen3.6-35B-A3B-Fable-5-Distill — мультимодальная модель семейства Qwen3.5 MoE, дообученная armand0e на базе Qwen/Qwen3.6-35B-A3B. Она предназначена для диалогов, анализа изображений и агентных сценариев программирования; поддерживает интерфейс вызова инструментов. В метаданных указан английский язык, архитектура Qwen3_5MoeForConditionalGeneration и формат safetensors. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и изображения и генерирует текст. Репозиторий распространяется по лицензии Apache-2.0. README не сообщает размер контекстного окна или конкретные результаты оценки качества.

Qwen3.8-27B Uncensored ROCmFP4-STRIX-MTP-GGUF — это исследовательская квантованная версия модели Qwen3.8-27B, опубликованная пользователем kingjones777. Модель поставляется в формате GGUF и оптимизирована для запуска через llama.cpp на графике AMD Strix Halo (gfx1151) с ROCm. Вариант Uncensored создан методом abliteration, уменьшающим отказы от ответов на вредоносные запросы; этот метод не добавляет модели новых возможностей. Модель предназначена для генерации текста и кода, локального инференса и экспериментов со speculative decoding через отдельную MTP-модель-черновик. Доступны варианты ROCmFP4 FAST и STRIX_LEAN, а также Q6-квантизации; размер STRIX_LEAN составляет около 13,59 GiB, FAST — около 13,33 GiB. Для заявленной производительности рекомендуется AMD Ryzen AI Max+ 395 с Radeon 8060S, ROCm 7.2.4, контекстом 8192 и MTP с параметром n=4; в этих условиях приведены скорости до 24,73 токена/с для прозы и около 42,70 токена/с для кода. Для работы требуется совместимая сборка llama.cpp или ROCmFPX и отдельный draft-файл Q4_0. Преимущества модели — локальный запуск, поддержка AMD ROCmFP4 и сниженное число отказов, а ограничения — экспериментальный статус, зависимость производительности от оборудования и настроек, отсутствие гарантий сохранения выравнивания и потенциальные проблемы совместимости отдельных сборок. Лицензия — Apache-2.0.

BenevolenceMessiah выпустил объединённую языковую модель QwQ-32B-Preview-abliterated-Self-instruct-4x-TIES-MGS-v1.0. Она создана методом TIES с помощью mergekit на базе huihui-ai/QwQ-32B-Preview-abliterated и объединяет её с Rombos-Coder-V2.5-Qwen-32b, TheBeagle-v2beta-32B-MGS, Rombos-LLM-V2.5-Qwen-32b и EVA-Qwen2.5-32B-v0.2. Модель построена на архитектуре Qwen2 с плотной авторегрессионной языковой сетью Qwen2ForCausalLM, содержит 32 млрд параметров и поддерживает контекст до 32 768 токенов. Предназначена для генерации текста и диалогов; состав исходных моделей предполагает применение для кода, ролевых диалогов и написания историй. Веса опубликованы в формате safetensors для библиотеки Transformers. Карточка не сообщает лицензию и подробные результаты оценки качества, поэтому условия использования и сравнительную эффективность определить нельзя. Как результат слияния нескольких моделей, качество и поведение на конкретных задачах следует оценивать отдельно.

Skywork-13B-Base — базовая авторегрессионная языковая модель семейства Skywork, разработанная командой Skywork. Она предварительно обучена на 3,2 трлн токенов очищенных многоязычных текстов и кода; в обучающем наборе преобладают английский и китайский языки. Модель содержит 13,6 млрд параметров, использует плотную архитектуру SkyworkForCausalLM с 52 слоями и токенизатор BPE с размером словаря 65 536. Длина контекста — 4096 токенов. Модель предназначена для генерации и продолжения текста, а также для дообучения под прикладные сценарии. Карточка приводит результаты сравнительных оценок и бенчмарков, включая C-Eval, MMLU, CMMLU и GSM8K. Она ориентирована прежде всего на китайский и английский текст и также обучалась на коде. В репозитории указаны веса PyTorch и лицензия «other»; конкретные условия следует сверять с лицензионными файлами модели. Модель базовая, а не диалоговая инструкционная версия, поэтому для ассистентского общения может потребоваться дополнительное дообучение. Заявленные в карточке преимущества основаны на оценках разработчиков и не гарантируют качество на любых пользовательских данных.

TinySolar-248m-4k-code-instruct — компактная языковая модель, разработанная компанией Upstage и представленная в формате Transformers с безопасными весами SafeTensors. В метаданных она относится к семейству LLaMA, имеет около 215,2 млн параметров и предназначена для генерации текста, включая ответы на инструкции, связанные с программным кодом. Модель дообучалась на наборах CodeAlpaca-20k и CodeFeedback-Filtered-Instruction, поэтому ориентирована на генерацию фрагментов кода, объяснение программного кода, исправление ошибок и выполнение простых инструкций разработчика. Нативное контекстное окно составляет 32 768 токенов, что позволяет обрабатывать достаточно большие запросы и исходные файлы. Модель распространяется по лицензии Apache-2.0. Из-за небольшого размера она может быть удобна для локального запуска и встраивания в приложения, однако её возможности, точность и устойчивость к сложным задачам программирования могут уступать более крупным моделям. README не содержит сведений о поддерживаемых естественных языках, результатах оценки и точных требованиях к аппаратному обеспечению.

Tinytron — локальная чат-модель для генерации кода, опубликованная Francisco Angulo de Lafuente (Agnuxo) в экосистеме P2PCLAW. Она основана на архитектуре Llama и представлена в форматах GGUF F16 и F32; в названии указано семейство TinyLlama и размер 1B, однако карточка не приводит точное число параметров. Модель предназначена для генерации кода и помощи с программированием. README заявляет навыки работы с Python, JavaScript, TypeScript, Rust, Go и C++, а также с библиотеками научных вычислений и машинного обучения. В названии и тегах указаны английский и испанский языки. GGUF-версии рассчитаны на локальный запуск; доступна лицензия Apache-2.0. Заявленные возможности и языки программирования приведены автором, но карточка не содержит результатов бенчмарков или подробной оценки качества. Длина контекста и точный размер модели в метаданных отсутствуют.

Canopy-258M-R3 v2 — компактная каузальная языковая модель семейства Canopy, разработанная авторами репозитория psikosen/canopy-258m-r3-v2. В README заявлена архитектура recurrent Mixture-of-Experts с маршрутизацией Top-2 по восьми экспертам и повторным выполнением шести средних MoE-блоков; метаданные указывают класс CanopyForCausalLM и 136,8 млн параметров, тогда как README приводит около 258,6 млн общих и около 112 млн активных параметров на токен. Модель предназначена для генерации текста, математических рассуждений, синтеза Python-кода и управления браузером. Авторы заявляют 50% успешных запусков HumanEval, 100% синтаксически корректного кода и прохождение набора из семи типов веб-взаимодействий; эти результаты приведены в карточке модели и не являются независимой оценкой. Модель ориентирована на высокую скорость работы на периферийных устройствах. В метаданных указан английский язык, поддержка чата и кода, формат safetensors и лицензия Apache-2.0. Длина контекста в предоставленных источниках не приведена.

d3LLM-LLaDA — диффузионная языковая модель, разработанная авторами проекта d3LLM. Она получена дообучением GSAI-ML/LLaDA-8B-Instruct методом дистилляции псевдотраекторий, который помогает модели раньше определять токены, готовые к декодированию. Для генерации применяется многоблочное декодирование на основе энтропии с обновлением KV-кэша. Модель предназначена для быстрой генерации текста, особенно в задачах программирования и математических рассуждений. В README заявлено ускорение в 5 раз относительно Qwen-2.5-7B-it на GPU H100 и в 3,5 раза на A100; результат зависит от оборудования и режима инференса. По карточке и метаданным это диалоговая модель семейства LLaDA с 8 млрд параметров, принимающая текст и выдающая текст. Поддерживаемые языки и длина контекста в доступных данных не описаны. Репозиторий распространяется по лицензии Apache-2.0. Для запуска README рекомендует официальный код d3LLM и его зависимости; модельный репозиторий содержит веса в формате safetensors.

DualBigLittle-MoE-Qwen3-0.6b — экспериментальная модель генерации текста от автора aifeifei798, построенная на базе Qwen3-0.6B. По карточке, архитектура сочетает замороженную языковую основу, специализированную STEM-копию MLP и маршрутизируемые LoRA-микроэксперты; заявленное число параметров — 507,9 млн. Модель предназначена для диалогов и генерации текста, с упором на код, алгоритмы, математику и символическую логику при сохранении общих разговорных и литературных навыков. Карточка описывает загрузку части экспертов из оперативной памяти через PCIe с двойной буферизацией и приводит оценки на профильных наборах, однако эти результаты являются заявлениями автора и не подтверждают качество на широком круге задач. Метаданные указывают контекст 40 960 токенов, библиотеку Transformers и формат safetensors. Модель поддерживает текстовый ввод и выдаёт текст; указание на Qwen3 предполагает прежде всего китайский и английский языки, но языковые теги в метаданных отсутствуют. Лицензия — Apache-2.0.

Модель laion/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning_global-batch-size_64_Qwen3-32B — дообученная командой LAION плотная языковая модель семейства Qwen3 на базе Qwen/Qwen3-32B. Она предназначена для генерации текста в диалоговом формате; название и датасет обучения указывают на настройку для задач Stack Exchange и Stack Overflow, включая ответы на вопросы и рассуждения о коде. Модель содержит 29,7 млрд параметров, использует архитектуру Qwen3ForCausalLM, файлы весов представлены в safetensors, а нативный контекст составляет 40 960 токенов. Модель может применяться для ответов на технические вопросы, объяснения решений и помощи с программированием. Карточка не приводит результаты оценки, подробное описание поведения или условия лицензии; в метаданных указана лицензия other, поэтому перед использованием следует проверить её условия. Также README не раскрывает возможные ограничения набора данных и качество на задачах вне Stack Exchange и Stack Overflow.

Это плотная языковая модель Qwen3 с 29,7 млрд параметров, дообученная командой laion на датасете open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Она предназначена для генерации текста в диалоговом режиме, в частности для ответов на технические вопросы и задач, связанных с содержимым Stack Exchange и Stack Overflow. Модель использует архитектуру Qwen3ForCausalLM, распространяется в формате safetensors и поддерживает контекст до 40 960 токенов. Модель принимает текст и генерирует текст. Карточка не приводит оценки качества или подробностей обучения и применения. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели и её базовой модели Qwen/Qwen3-32B.

GLM-5V-Turbo — мультимодальная агентная базовая модель компании Z.ai для задач, в которых нужно анализировать визуальные данные и выполнять сложные сценарии, включая программирование с опорой на изображения. Модель принимает изображения, видео и текст; заявлены возможности долгосрочного планирования и решения комплексных задач по программированию. Модель предназначена для агентных сценариев с визуальным вводом. Данных о размере, архитектуре, длине контекста, поддерживаемых языках и лицензии в предоставленных источниках нет.

LosslessMegaCoder-llama2-7b-mini — языковая модель для генерации кода, созданная Rombodawg совместно с Andreaskopf. Это плотная авторегрессионная модель семейства Llama 2 с 6,6 млрд параметров и контекстом до 4096 токенов, распространяемая в формате PyTorch. Модель обучена на отфильтрованной версии набора LosslessMegaCodeTrainingV2_1m_Evol_Uncensored: из данных удаляли примеры короче 100 токенов. Она предназначена для генерации кода по текстовым запросам и диалогового взаимодействия с кодовым помощником; в карточке приведены результаты оценки на общих языковых бенчмарках. README характеризует её как сильную для своего размера, но не приводит подробной методики оценки качества кода. Для диалога предлагается шаблон ChatML. Лицензия — Llama 2; применяйте модель с учётом условий этой лицензии. README предупреждает, что модель не обучалась на датасете LosslessMegaCodeTrainingV3_MINI, несмотря на сходство названий.

Это языковая модель для генерации кода и диалога по инструкциям, опубликованная пользователем tonyxfinance на Hugging Face. По названию и архитектуре она основана на Qwen2.5-Coder-0.5B-Instruct, разработанной командой Qwen; репозиторий модели не содержит подробной карточки о собственном обучении Gensyn Swarm, поэтому его влияние на возможности модели установить нельзя. Модель имеет архитектуру Qwen2 и около 494 млн параметров, принимает текст и генерирует текст. Для исходной модели Qwen2.5-Coder-Instruct заявлен контекст до 32 768 токенов; семейство предназначено для генерации и понимания кода, исправления ошибок и ответов на инструкции. Репозиторий содержит веса Safetensors и использует Transformers. Лицензия для этой конкретной копии в доступных сведениях не установлена.

ApolloRaines/Qwen2.5-Coder-7B-Instruct-Jbliterated — экспериментальная доработанная версия Qwen2.5-Coder-7B-Instruct от ApolloRaines. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом и инструкционном форматах; исходная модель ориентирована на задачи с программным кодом. В карточке указано, что изменены все трансформерные слои, а базовый тип данных — bfloat16. Модель принимает текст и выдаёт текст, поддерживает английский и китайский языки, а контекстное окно составляет 32 768 токенов. В README автор описывает её как демонстрацию обработки инструкций и заявляет об изменениях, направленных на более связные ответы и равное отношение к разным формулировкам запросов. Эти заявления не сопровождаются подробными результатами оценки; также автор указывает, что опубликованная версия намеренно ограничена по возможностям и служит proof of concept. Лицензия — Apache-2.0.