II.3Рефакторинг, миграция и модернизация

chhao/Weak-Driven-Learning — языковая модель, дообученная по методу Weak-Driven Learning на базе Qwen3-4B-Base. Это причинная Transformer-модель семейства Qwen3 примерно с 3,7 млрд параметров и контекстом 32 768 токенов; для обучения использовалась последовательность длиной до 8 192 токенов. Репозиторий содержит веса PyTorch, а карточка указывает библиотеку Transformers и лицензию MIT. Модель предназначена прежде всего для генерации текста с упором на математические рассуждения и написание кода; также поддерживает диалоговый сценарий. Метод обучения использует слабые исторические контрольные точки как сигналы ошибок и совместную оптимизацию логитов. В README заявлены улучшения относительно стандартного SFT на сложных математических и программных задачах без дополнительных вычислительных затрат при инференсе. Качество на других типах задач может отличаться; результат зависит от обучающего набора AM-1.4M и ограничений базовой Qwen3.

CodePhi-3-mini-4k-instruct-python — дообученная модель на архитектуре Phi-3, основанная на microsoft/Phi-3-mini-4k-instruct. Она содержит 3,7 млрд параметров, принимает текст и генерирует текст в контексте до 4096 токенов; модель опубликована в формате safetensors под лицензией MIT. Модель предназначена для диалоговой генерации текста и задач программирования на Python. Базовая Phi-3 mini поддерживает также рассуждения и другие задачи программирования, однако карточка этой версии не описывает обучающий набор, оценки качества или конкретные ограничения дообучения, поэтому её специализацию и надёжность в этих сценариях следует оценивать отдельно.

DASD-30B-A3B-Thinking-Preview — предварительная языковая модель Alibaba Apsara на архитектуре Qwen3 MoE, предназначенная для рассуждений с длинной цепочкой вывода, решения математических и научных задач и генерации кода. Модель дообучена на основе Qwen3-30B-A3B-Instruct-2507 и дистиллирована из gpt-oss-120b методом распределённо-согласованной последовательной дистилляции. В README указано обозначение 30B-A3B, тогда как метаданные каталога сообщают 2,6 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 262 144 токенов. Карточка описывает её как специализированную на математике, программировании и научных рассуждениях, но не приводит список поддерживаемых естественных языков. Для работы авторы рекомендуют включать системный промпт, использованный при обучении, и задавать Temperature=1.0 и TopP=1.0. Это предварительный исследовательский артефакт, обученный только на первой стадии рецепта с примерно 105 тысячами примеров и без дополнительного RL. README указывает, что модель не интегрирована с инструментами и не может взаимодействовать с исполнителями кода или API; при этом метаданные каталога отмечают интерфейс вызова инструментов. Использовать следует с учётом этого расхождения. Лицензия — Apache-2.0.

Gemini3.5-Code.Reasoner-2b-Distilled — компактная причинно-языковая модель для кода, разработанная WithinUsAI на базе google/codegemma-1.1-2b. Модель дообучена с помощью LoRA и дистиллированных синтетических примеров; её плотная архитектура GemmaForCausalLM содержит 2,5 млрд параметров. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache 2.0. Модель предназначена для генерации кода, решения алгоритмических задач и пошаговой логики, а также для локальных помощников в IDE и отладки. Заявленная длина контекста — 8192 токена, основной язык карточки — английский. Компактный размер рассчитан на локальный запуск, однако заявленные сценарии и качество не подкреплены в карточке результатами оценивания. README упоминает LoRA, но метаданные классифицируют модель как дообучение; отдельный адаптерный формат в доступных данных не указан.

Huihui-Qwythos-9B-Claude-Mythos-5-1M-abliterated-GGUF — это GGUF-версия модели, разработанная huihui-ai на основе empero-ai/Qwythos-9B-Claude-Mythos-5-1M. Модель предназначена для генерации текста на английском языке и поддерживает сценарии рассуждений, работы с длинным контекстом, function calling, tool use и агентных приложений. В README также указана специализация исходной модели на задачах кибербезопасности и биомедицине, однако подробные результаты оценки не приведены. Модель имеет размер 9B параметров, относится к семейству Qwen3.5 и поддерживает контекст до 1M токенов. Доступна в формате GGUF для запуска через llama.cpp; заявлены поддержка MTP и возможность ускорения генерации с помощью draft-модели. В non-thinking mode она должна следовать инструкциям первого запроса и выдавать результат в требуемом формате без вводных и заключительных фраз. Это uncensored-версия, созданная методом abliteration, поэтому её защитные фильтры значительно снижены. Сильной стороной является ориентация на длинный контекст, инструментальное использование и контролируемый формат вывода, но модель может генерировать чувствительный, спорный или небезопасный контент и не имеет гарантий стандартной safety-оптимизации. Рекомендуются исследовательское и экспериментальное применение, мониторинг и ручная проверка результатов; для публичных и производственных сценариев требуется особая осторожность. Модель распространяется по лицензии Apache-2.0.

Instruct-codegen-16B — модель генерации кода, разработанная на основе Salesforce CodeGen-16B-multi и дообученная на 250 тысячах примеров с инструкциями в формате Alpaca. Она предназначена для генерации кода по текстовым запросам и выполнения инструкций, связанных с программированием. Модель использует архитектуру CodeGenForCausalLM; размер — 16 млрд параметров, контекст — до 2048 токенов. В README указан результат 37,1% pass@1 на бенчмарке HumanEval. Модель принимает текстовые инструкции и выдаёт текст, в том числе код. Данные для дообучения, согласно карточке, не генерировались коммерческими LLM API. Репозиторий содержит веса PyTorch и распространяется по лицензии BSD-3-Clause. Языки программирования и показатели качества на других задачах в карточке не перечислены.

Olmo2-7B-Breadcrumbs-v1 — объединённая текстовая языковая модель, созданная Alelcv27 методом mergekit Breadcrumbs на основе OLMo-2-1124-7B-Instruct и моделей Olmo2-7B-Code и Olmo2-7B-Math-CoT. Она предназначена для генерации текста в диалогах и сочетает возможности следования инструкциям с решением задач по программированию и математике. Модель имеет плотную архитектуру OLMo 2 с причинным декодированием, содержит 6,9 млрд параметров и рассчитана на контекст до 4096 токенов. Репозиторий использует формат safetensors, для работы применяется Transformers. Основной язык базовой модели — английский; сведения о поддержке других языков не приведены. Модель подходит для диалоговых ответов, генерации и объяснения кода, а также пошагового решения математических задач. Качество на этих задачах отдельно не подтверждено в карточке, а объединение нескольких моделей может приводить к непредсказуемым результатам. Условия лицензии в предоставленных данных не указаны.

Ronnied1588 публикует GGUF-сборку Qwen2.5-7B-Instruct-heretic — версии Qwen2.5-7B-Instruct, обработанной методом abliteration для снижения склонности к отказам. Исходную обработку выполнил LeadFootThrottleCock с помощью Heretic v1.2.0; каталог указывает базовую модель Qwen/Qwen2.5-7B-Instruct и 7,1 млрд параметров. Архитектура — плотная причинная языковая модель Qwen2 с поддержкой диалогов и контекстом до 32 768 токенов. Модель предназначена для диалоговой генерации текста, творческого письма, ответов на вопросы, обсуждения спорных тем и программирования. В README описаны варианты GGUF от BF16 до нескольких уровней квантования, запуск через llama.cpp, LM Studio и Ollama, а также интерактивные проверки творческих, научных и кодовых задач. Карточка сообщает о низком значении KL-дивергенции относительно исходной модели и результатах проверки отказов, но это не является независимой оценкой качества. Модель ориентирована на английский язык; возможности других языков в карточке не подтверждены. Abliteration снижает поведение отказа, поэтому ответы на потенциально опасные запросы могут быть менее ограничены. Лицензия — Apache-2.0.

xactobear/qwen38-xactobear-gguf — это набор GGUF-квантизаций мульт этапной дообученной модели на базе Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU, разработанной DavidAU. Репозиторий содержит обычные и MTP-варианты квантов Neo-CODER MAX DI-MATRIX, включая версии с точностью 4 и 8 бит. В README также указано использование Unsloth, методов COLD FUSION и Fable Fusion 711, направленных на повышение качества рассуждений, сокращение объёма thinking-токенов и ускорение генерации. Заявлены поддерживаемые языки English и Chinese; размер контекстного окна и точные параметры архитектуры не указаны. Модель предназначена для широкого круга сценариев: решения задач и рассуждений, программирования, творческого письма, создания художественных текстов и ролевого взаимодействия. По заявлению автора, она ориентирована на генерацию подробных ответов при меньшем количестве токенов рассуждений по сравнению с базовой моделью и рассчитана на запуск на потребительском оборудовании. README приводит высокие результаты на ARC-C и ARC-E, однако эти показатели представлены самим автором и не сопровождаются полной методикой независимой проверки. К ограничениям относятся отсутствие подробной информации о размере контекстного окна, поддерживаемых модальностях, системных требованиях, формате MTP-режима и результатах независимого тестирования. В описании также используется характеристика uncensored, поэтому поведение модели в отношении нежелательного или чувствительного контента может отличаться от стандартных моделей. Репозиторий распространяется по лицензии Apache-2.0.

cyankiwi/Qwen-AgentWorld-35B-A3B-AWQ-INT4 — квантизированная сборка модели Qwen-AgentWorld-35B-A3B, разработанной командой Qwen. Это языковая мировая модель для симуляции агентных сред: она прогнозирует следующее состояние окружения на основе действия агента и истории взаимодействий. Модель предназначена для сценариев с вызовом инструментов MCP, поиском, работой в терминале, программной инженерией, Android, веб-интерфейсами и операционными системами, включая текстовые и графические среды. Архитектура — каузальная языковая модель с Mixture of Experts: 35 млрд параметров всего, около 3 млрд активируются при обработке токена. Она содержит 40 слоёв, использует комбинацию Gated DeltaNet и Gated Attention, а также контекст длиной до 262 144 токенов. Модель поддерживает английский, китайский, хинди, арабский, русский, японский, корейский, нидерландский, французский и испанский языки. Версия AWQ-INT4 рассчитана на эффективное инференс-развёртывание; размер представленных файлов составляет 23,54 ГБ. Сильные стороны модели — единая симуляция семи типов агентных окружений, обучение как нативной мировой модели с этапами CPT, SFT и RL, возможность обобщения на неизвестные среды и управляемого моделирования. Ограничения включают необходимость специализированной инфраструктуры для запуска крупной модели, а также то, что приведённые в README сведения не описывают точные требования к памяти, лицензирование именно квантизированной сборки и возможные потери качества из-за INT4-квантизации. Базовая модель распространяется по лицензии Apache-2.0.

Карточка модели Sakalti/Saba1.5-Abkhaz на Hugging Face совпадает с карточкой Sakalti/saba1.5-coder, поэтому описание составлено по ней. Saba1.5-Coder — языковая модель Sakalti на архитектуре Qwen2, дообученная на основе Sakalti/Saba1.5-Pro. Модель содержит 1,5 млрд параметров и поддерживает контекст длиной до 256 000 токенов. Модель предназначена для генерации текста и диалогов; название и обучающий набор HachiML/alpaca_jp_python указывают на применение в задачах программирования на Python. В метаданных также отмечен интерфейс для вызова инструментов. Модель обучалась с использованием Unsloth и TRL и распространяется в формате Safetensors. Модель лицензирована по Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о языках программирования и точном наборе навыков, поэтому пригодность для конкретных задач разработки следует проверять на собственных примерах.

StableLM-Base-Alpha-7B-v2 — базовая авторегрессионная языковая модель Stability AI на основе декодерного трансформера. Модель содержит около 7,7 млрд параметров и предназначена для генерации текста и последующего дообучения под конкретные приложения. Она обучена преимущественно на англоязычных данных, включая веб-тексты и код, и использует архитектурные компоненты SwiGLU и Rotary Position Embeddings. Контекст модели составляет 4096 токенов. Обучение включало этап с контекстом 2048 токена на 1 трлн токенов и дальнейшее обучение с контекстом 4096 на 100 млрд токенов. Модель работает с текстом на входе и выдаёт текст; её можно использовать как основу для прикладной настройки. Генерации могут содержать оскорбительный или неподходящий контент, присутствовавший в обучающих данных. README рекомендует осторожность при применении в производственных системах и не использовать модель для сценариев, способных причинить вред людям или группам. Лицензия CC BY-SA 4.0 требует указания авторства, ссылки на лицензию и отметки об изменениях.

Fireball-MathCoder-Llama-3.1-8B-v1dpo — текстовая авторегрессионная модель семейства Llama, разработанная EpistemeAI и дообученная на EpistemeAI/MathCoder-Llama3.1-8B-cot. Модель предназначена для генерации ответов на математические задачи и запросы, связанные с программированием. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке указано дообучение с использованием Unsloth и TRL; доступен формат PyTorch. Основной указанный язык — английский. Лицензия — Apache-2.0.

Карточка модели GodsDevProject/gemma-4-E4B-it-The-DECKARD-HERETIC-UNCENSORED-Thinking на Hugging Face совпадает с карточкой DavidAU/gemma-4-E4B-it-The-DECKARD-HERETIC-UNCENSORED-Thinking, поэтому описание составлено по ней. DavidAU разработал The-DECKARD-HERETIC-UNCENSORED-Thinking — дообученную модель Google Gemma 4 E4B Instruct с настройкой на внутренних датасетах и изменённым шаблоном чата, который по умолчанию включает режим рассуждения. Модель предназначена для диалога, творческого письма, ролевых сценариев, генерации историй и кода. Автор сообщает о поддержке текста, изображений, видео и аудио, а также контекста до 128 тысяч токенов. Gemma 4 E4B описана как модель примерно с 8 млрд параметров, из которых около 4,5 млрд активны; веса этой версии представлены в формате bfloat16 и safetensors. Карточка приводит внутренние результаты сравнения с базовой моделью, но отмечает, что статистика ещё собирается и instruct-режим иногда показывает лучшие результаты, чем thinking. Использование чата в режиме instruct требует отдельного шаблона. Лицензия — Apache 2.0.

unsloth/JanusCoder-14B-GGUF — это GGUF-версия JanusCoder-14B, разработанная командой InternLM и подготовленная Unsloth. Модель представляет собой 14-миллиардную текстовую модель на базе Qwen3-14B, ориентированную на создание программного кода и визуально-программный интерфейс для задач code intelligence. Обучение проводилось на мультимодальном корпусе JANUSCODE-800K, включающем примеры графиков, интерактивных веб-интерфейсов и анимаций, однако сама JanusCoder-14B классифицируется как текстовая модель, в отличие от мультимодальных вариантов JanusCoderV. Модель предназначена для генерации кода по текстовым инструкциям, создания визуализаций данных, интерактивных front-end-приложений, программно управляемого редактирования визуальных эффектов и построения сложных анимаций, включая сценарии с Pandas, Manim и Wolfram. В опубликованных тестах она показывает сильные результаты на PandasPlotBench и ArtifactsBench, а также превосходит Qwen3-14B и LLaMA3-8B-Instruct в ряде задач, хотя уступает специализированным или более крупным моделям в отдельных тестах. README не указывает поддерживаемые языки естественного языка, размер контекстного окна и точную схему квантования GGUF. Для работы с исходной моделью рекомендуется Transformers версии 4.55.0 или новее; в README также отмечены исправления chat template от Unsloth и необходимость параметра --jinja при использовании llama.cpp. Модель распространяется по лицензии Apache-2.0.

jd3 — дообученная модель для генерации текста на основе deepseek-ai/deepseek-coder-1.3b-base, созданная автором репозитория stojchet и обученная на наборе данных generator. Она использует плотную архитектуру LlamaForCausalLM и содержит 1,3 млрд параметров. Модель предназначена для генерации продолжения текста и кода; базовая модель поддерживает автодополнение и заполнение пропусков в коде. Контекст — до 16 384 токенов. Веса представлены в формате Safetensors. Лицензия указана как other, поэтому конкретные условия использования по этим данным определить нельзя.

Модель skshmjn предназначена для генерации запросов MongoDB по запросу на естественном языке. Она дообучена на базе unsloth/Llama-3.2-1B-Instruct и поддерживает создание CRUD-запросов, aggregation pipeline, запросов для индексации и запросов с вложенными структурами и операцией $lookup. Можно передать схему MongoDB, чтобы учитывать структуру данных; без схемы модель генерирует общие запросы. Это плотная языковая модель семейства Llama, доступная для Transformers и в форматах GGUF, включая варианты квантизации. Карточка указывает английский язык. Лицензия — Apache-2.0. Компактный размер базовой модели позволяет запускать её на CPU или GPU, однако карточка не приводит отдельной оценки качества или гарантии корректности сгенерированных запросов.

EpistemeAI/MathCoder-Llama3.1-8B-cot — дообученная EpistemeAI модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Она создана для генерации текста с цепочкой рассуждений и ориентирована на решение математических задач и помощь с кодом. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В основе модели — плотный авторегрессионный трансформер Llama, дообученный методом supervised fine-tuning с использованием chain of thought. Карточка описывает Llama 3.1 как многоязычное семейство, однако именно для этой модели подтверждён английский язык. Лицензия в метаданных — Apache 2.0. Качество ответов и корректность рассуждений могут варьироваться, поэтому результаты вычислений и сгенерированный код требуют проверки.

benjamintli/modernbert-code — модель Sentence Transformers, созданная дообучением answerdotai/ModernBERT-base на наборе code-retrieval-combined. Она преобразует текстовые запросы и фрагменты кода в плотные векторы размерностью 768 и подходит для семантического поиска и сопоставления запросов с релевантным кодом. В README указана максимальная длина последовательности 1024 токена; метаданные каталога указывают контекст до 8192 токенов, поэтому фактическую длину входа следует сверять с конфигурацией используемого чекпойнта и библиотеки. Для сравнения векторов рекомендуется косинусное сходство. Модель основана на encoder-only архитектуре ModernBERT, содержит 149 млн параметров и распространяется в формате safetensors. Основные сценарии — поиск кода по текстовому описанию, семантический поиск и ранжирование кандидатов по близости к запросу, а также поиск похожих текстов и кластеризация. В README приведены результаты оценки поиска информации, однако они относятся к указанному в карточке набору оценки. Модель не генерирует код или ответы: она выдаёт векторы для последующего сравнения. Лицензия в предоставленных данных не указана.

NTQAI разработала Nxcode-CQ-7B-orpo — разговорную модель генерации кода, полученную дообучением CodeQwen1.5-7B с помощью Monolithic Preference Optimization без референсной модели на 100 тысячах высококачественных пар ранжирования. Модель построена на плотной архитектуре Qwen2 с 6,9 млрд параметров и контекстом до 65 536 токенов; веса опубликованы в формате Safetensors. Модель предназначена для генерации и дополнения кода по текстовым инструкциям. В README приведены результаты EvalPlus: pass@1 86,6 на HumanEval, 83,5 на HumanEval+ и 82,3 на MBPP. Карточка показывает поддержку чата и задач с кодом; пример оценки использует запрос на завершение функции Python. Лицензия указана как other, поэтому условия использования следует уточнить по материалам репозитория. В опубликованном README нет сведений о тестировании на иных языках программирования или сценариях, а результаты на бенчмарках сами по себе не гарантируют качество для конкретного проекта.

OpenCoder-1.5B-Base — базовая языковая модель для кода из семейства OpenCoder, разработанного как открытый и воспроизводимый проект. Модель с архитектурой Llama содержит 1,7 млрд параметров и принимает последовательности длиной до 4096 токенов. Она обучена с нуля на 2,5 трлн токенов, преимущественно на исходном коде, и предназначена для генерации кода и дальнейшей адаптации под задачи программирования. Модель поддерживает английский и китайский языки. В карточке OpenCoder приведены результаты на HumanEval(+), MBPP(+) и BigCodeBench; проект также публикует обучающие данные, конвейер их обработки и материалы об экспериментах. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому перед использованием следует проверить её условия в карточке модели.

OpenCodeReasoning-Nemotron-14B — языковая модель NVIDIA на архитектуре Qwen2.5-14B-Instruct, дообученная на наборе OpenCodeReasoning для рассуждений и генерации кода. Обучающий набор включает задачи соревновательного программирования и ответы, сгенерированные DeepSeek-R1. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Она предназначена для решения задач по программированию, написания кода и построения рассуждений при работе с алгоритмическими задачами. Архитектура — плотный декодерный Transformer с 14 млрд параметров; модель доступна в формате Safetensors и рассчитана на запуск с Transformers, NeMo или vLLM, с оптимизацией для NVIDIA GPU. Модель выпущена NVIDIA в 2025 году и распространяется по лицензии Apache-2.0 для коммерческого и некоммерческого использования. Карточка приводит результаты на бенчмарках программирования, но качество может различаться в зависимости от задачи и среды выполнения. Указанная специализация на коде не гарантирует корректность сгенерированных программ.

Param-1-5B — базовая двуязычная языковая модель семейства Param-1, разработанная BharatGen. Это предварительно обученная с нуля плотная decoder-only Transformer-модель примерно с 4,5 млрд параметров по метаданным (в карточке указано около 5 млрд). Она предназначена для дальнейшей адаптации и задач генерации текста, с акцентом на математические рассуждения и понимание и генерацию кода. Модель обучена преимущественно на английском и хинди, включая отдельные математические и программные данные. Архитектура использует RoPE и grouped-query attention; максимальная длина контекста — 4096 токенов. В карточке приведены результаты на ARC Challenge, ARC Easy и HellaSwag. Это базовая модель, поэтому для следования инструкциям и диалогового применения может потребоваться дообучение. Возможны смещения из обучающих веб- и программных данных, а качество на сложных задачах в малоресурсных областях хинди может различаться. Лицензия указана как other; конкретные условия следует проверять в репозитории модели.

Это текстовая инструкционная модель на 494 млн параметров из семейства Qwen2.5-Coder, размещённая пользователем aliorbz и связанная с Gensyn Swarm. По названию репозитория и официальной карточке базовой модели можно заключить, что она предназначена для генерации и исправления кода, рассуждений о коде и диалогового выполнения инструкций; подтверждённых сведений о специфическом эффекте дообучения Gensyn Swarm в доступных источниках нет. Архитектура — плотная причинная языковая модель Qwen2 с контекстом до 32 768 токенов; базовая модель Qwen2.5-Coder-0.5B-Instruct имеет около 0,49 млрд параметров и поддерживает генерацию текста. Семейство Qwen2.5-Coder обучено для работы с кодом и сохраняет общие языковые и математические возможности. Карточка базовой модели указывает лицензию Apache-2.0; наличие этой лицензии для производного репозитория отдельно не подтверждено. Модель небольшая, поэтому качество и надёжность генерации могут уступать более крупным моделям.

Это дообученная версия Qwen2.5-Coder-0.5B-Instruct, опубликованная пользователем matildtahoo в рамках Gensyn Swarm. Модель относится к семейству Qwen2 и использует плотную авторегрессионную архитектуру для генерации текста; исходная модель разработана командой Qwen. В репозитории указаны 494 млн параметров, формат safetensors и контекст до 32 768 токенов. Модель предназначена для генерации кода и диалоговых ответов по инструкциям, включая написание и дополнение фрагментов кода. Карточка производной версии автоматически сгенерирована и не описывает обучение Swarm, оценку качества или отдельные ограничения. Исходная модель распространяется по лицензии Apache-2.0; применимость этой лицензии к дообученной версии следует проверять по её репозиторию.

alphaduriendur/Qwen2.5-Coder-1.5B-Instruct-Q4_K_M-GGUF — это квантизированная версия Qwen2.5-Coder-1.5B-Instruct, преобразованная в формат GGUF с использованием llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и работы с программным кодом в инструкционном и чат-сценариях, включая локальный запуск через llama.cpp. Модель имеет размер 1,5 млрд параметров и использует квантизацию Q4_K_M, что снижает требования к памяти и делает её подходящей для запуска на локальных устройствах. В карточке указана поддержка английского языка и текстовая модальность. Для запуска доступны llama-cli и llama-server; в примере конфигурации сервера используется контекст размером 2048 токенов, однако максимальный размер контекста в карточке отдельно не указан. К сильным сторонам относятся компактность, совместимость с экосистемой llama.cpp и удобство локального инференса. Ограничениями являются небольшой размер модели по современным меркам и возможная потеря качества из-за квантизации; подробные результаты оценки, перечень поддерживаемых языков и характеристики исходной модели в этой карточке не приведены. Модель распространяется по лицензии Apache-2.0.

QwOpus-4.6-Coder-3B — компактная языковая модель для генерации текста и программного кода, разработанная пользователем ryzdfm на базе Qwen2.5-Coder-3B-Instruct от команды Qwen. Модель дообучена методом supervised fine-tuning с LoRA на 3 209 примерах рассуждений, дистиллированных из наборов данных с траекториями Claude Opus и другими образцами пошагового reasoning. Она ориентирована на локальный запуск на потребительском оборудовании и поддерживает формирование структурированных рассуждений в тегах <think> перед итоговым ответом. Модель предназначена прежде всего для генерации и объяснения кода, решения алгоритмических, математических и логических задач, а также сценариев, где важны пошаговый анализ и проверка решения. Заявлены Python и JavaScript, однако полный перечень поддерживаемых языков не указан. Это текстовая autoregressive-модель с параметрами масштаба 3B и максимальной длиной последовательности 4096 токенов. Для запуска доступны варианты квантования Q4_K_M, Q3_K_M и Q8_0; версия Q4_K_M требует около 2,1 ГБ видеопамяти и, по данным README, обеспечивает примерно 88 токенов в секунду на RTX 3050 4GB. Сильные стороны модели — небольшой размер, высокая скорость, возможность приватного локального использования и выраженный стиль структурированного reasoning. Ограничения связаны с масштабом 3B: модель может испытывать трудности при генерации длинного многoфайлового кода и проектировании сложных систем; глубина рассуждений уступает более крупным моделям, а ответы могут содержать ошибки и требуют проверки. В метаданных указаны английский язык и лицензия Apache-2.0.

Qwen3-0.6B-Code-Expert — языковая модель на базе Qwen3-0.6B, дообученная разработчиком карточки полным fine-tuning на датасете nvidia/OpenCodeReasoning. Модель предназначена для генерации кода и рассуждений о коде; её можно использовать в диалоговых сценариях и для получения решений программных задач с промежуточными шагами рассуждения. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 507,9 млн параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. В карточке указан английский язык. Весы опубликованы в формате safetensors и оптимизированы при обучении в bf16. Лицензия — Apache-2.0. Специализация на одном датасете может ограничивать обобщение на другие типы кода и задачи; качество и корректность сгенерированных решений требуют проверки. Модель сохраняет ограничения компактной базовой модели, а промежуточные рассуждения не гарантируют правильность ответа.

q31p7bsftshuffled — готовая к инференсу модель для генерации кода, созданная дообучением Qwen/Qwen3-1.7B-Base. Это плотная причинная языковая модель семейства Qwen3 с 1,7 млрд параметров; обучение с supervised fine-tuning на кодовых данных завершено на шаге оптимизатора 102. Данные обучения перемешаны, стратегия replay не использовалась. Модель предназначена для генерации кода и диалогового взаимодействия с кодовыми запросами. Она принимает текст и выдаёт текст; контекстное окно — до 32 768 токенов. В карточке указана библиотека Transformers и формат весов safetensors. Базовая модель поддерживает генерацию текста; отдельные языки программирования в карточке не перечислены. Это ранний чекпойнт обучения, поэтому качество и устойчивость модели могут быть ограничены, особенно за пределами кодовых запросов. Условия лицензирования в предоставленных данных не указаны.

V-YangXu/StarCoder-Alpaca — модель генерации кода на основе StarCoder, дообученная на 20 тысячах примеров набора AlpacaCode. Она предназначена для генерации и продолжения кода по текстовым инструкциям. Базовый StarCoder — плотная авторегрессионная модель GPTBigCode размером 15,5 млрд параметров; она обучалась на коде более чем на 80 языках программирования и поддерживает контекст до 8192 токенов, включая заполнение пропусков в коде (Fill-in-the-Middle). Модель принимает текстовые инструкции и выдаёт текст, в том числе код. Веса опубликованы в формате PyTorch, лицензия — Apache-2.0. Карточка не приводит отдельной оценки качества именно этой дообученной версии, поэтому результаты генерации кода могут требовать проверки.