II.3Рефакторинг, миграция и модернизация

Карточка модели Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7-lr4 на Hugging Face совпадает с карточкой Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7, поэтому описание составлено по ней. Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7 — дообученная Smilesjs модель семейства Qwen2 для генерации текста. Она основана на unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель содержит 3,1 млрд параметров, имеет контекст до 32 768 токенов и рассчитана на текстовые диалоги; в метаданных указана поддержка английского языка. Модель можно применять для генерации ответов и кода в интерактивных сценариях. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специальную химическую настройку, качество на задачах или результаты оценки, поэтому название репозитория само по себе не подтверждает пригодность для химических сценариев.

Gemma2-2b-it-codealpaca — дообученная модель ehristoforu для генерации текста в формате диалога и работы с запросами, связанными с кодом. Она основана на unsloth/gemma-2-2b-it-bnb-4bit, имеет плотную архитектуру Gemma 2 с 2,7 млрд параметров и контекст до 8192 токенов. В карточке указано обучение с использованием Unsloth и библиотеки TRL. Модель подходит для ответов на вопросы о программировании, генерации фрагментов кода и диалогового помощника по коду на английском языке. Репозиторий содержит веса PyTorch; лицензия — Apache 2.0. Карточка не приводит результатов оценки качества или подробностей о наборе данных и конкретных языках программирования, поэтому качество ответов для отдельных задач не подтверждено.

Lux-V2-Pro — плотная языковая модель на 31 млрд параметров, разработанная PoSTMEDIA AI Lab полным дообучением Gemma-4-31B-it. Она предназначена для диалогов и генерации текста, с особым акцентом на корейский язык, рассуждения и следование инструкциям. Модель обучали на синтетических корейских данных для общих диалогов, программирования, права, культурного наследия, туризма и математики; README сообщает о проверке данных исполнением кода, символическими вычислениями, правилами и источниками. Модель ориентирована на сложные корейскоязычные задачи, включая ответы на вопросы по предметным областям и математические рассуждения. В карточке приведены внутренние результаты тестов и заявлено улучшение относительно Lux-V1-Pro по большинству из 18 бенчмарков. Для высокорисковых решений ответы следует проверять: сведения могут быть неверными или устаревшими, особенно в правовой тематике. Модель наследует ограничения Gemma-4. Распространяется по лицензии Apache-2.0.

Abiray/Nanbeige4.2-3B-GGUF — набор квантизированных версий модели Nanbeige/Nanbeige4.2-3B, опубликованный в формате GGUF. Модель разработана Nanbeige; в репозитории представлены файлы для локального запуска через llama.cpp. Базовая архитектура — Looped Transformer с 3 миллиардами параметров без учёта embedding-параметров. Модель предназначена для генерации текста, включая задачи, связанные с кодом и агентными сценариями. Указанные языки — английский и китайский. Мультимодальные возможности и размер контекста в README не указаны. Доступны варианты квантизации от 4 до 8 бит: Q4_K_S и Q4_K_M уменьшают требования к памяти, Q5_K_M и Q6_K обеспечивают более высокую точность, а Q8_0 ориентирован на максимальное качество среди GGUF-версий. Квантизация позволяет запускать модель локально, но может снижать качество относительно исходной версии, особенно при использовании более агрессивных вариантов. Распространение указано под лицензией Apache-2.0. Для запуска рекомендуется llama.cpp с поддержкой Nanbeige4.2; конкретные требования к оборудованию и производительности зависят от выбранного файла квантизации.

fredzzp/open-dcoder-0.5B — модель генерации кода, разработанная fredzzp на архитектуре Qwen2. Это языковая модель с маскированной диффузией и двунаправленным вниманием, содержащая 494 млн параметров; для генерации требуется специальный метод diffusion_generate из пользовательского кода модели. Модель предназначена для генерации кода по текстовым запросам и поддерживает контекст до 32 768 токенов. В репозитории представлены веса в формате safetensors, а для работы используется библиотека Transformers. Карточка не уточняет поддерживаемые языки программирования или естественные языки. Лицензия — Apache-2.0.

Карточка модели Tubing/Qwen3.5-9B-abliterated на Hugging Face совпадает с карточкой lukey03/Qwen3.5-9B-abliterated, поэтому описание составлено по ней. Qwen3.5-9B-abliterated — текстовая диалоговая модель на архитектуре Qwen3.5, созданная lukey03 на основе Qwen/Qwen3.5-9B. Автор удалил часть поведения отказа ортогональной проекцией весов, затем применил QLoRA-дообучение и объединил адаптер с основными весами. В репозитории указано 7,2 млрд параметров, архитектура dense и контекст длиной 262 144 токена; модель распространяется в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации ответов в диалоге, включая запросы, на которые исходная модель отказывалась отвечать. В README также приведены примеры рассуждений, математики и программирования, но основная задача в каталоге — генерация текста. Карточка сообщает о тестировании на 18 запросах, однако это небольшой набор и результаты не гарантируют качество на других задачах. Удаление отказов означает, что модель может выдавать вредоносный, опасный или откровенный контент. Лицензия — Apache-2.0.

ByteDance-Seed/academic-ds-9B — плотная языковая модель семейства DeepSeek V3, разработанная ByteDance Seed и обученная с нуля на более чем 350 млрд токенов из полностью открытых англоязычных наборов данных. Карточка описывает её как модель для разработки и отладки в сообществе открытого исходного кода. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Она принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно 8192 токена. В репозитории указаны веса Safetensors и библиотека Transformers. Метаданные каталога оценивают число параметров в 1,6 млрд, тогда как название и README заявляют размер 9 млрд; размер модели в источниках расходится. Модель распространяется по лицензии Apache-2.0. Карточка позиционирует её для разработки и отладки, поэтому её пригодность для иных сценариев и качество ответов следует проверять на целевых задачах.

AraCode-7B — специализированная языковая модель для генерации и объяснения кода на арабском языке, представленная разработчиком как открытая модель. Она также предназначена для отладки, перевода инструкций на естественном языке в код и выполнения строгих инструкций по формату ответа. Модель построена на плотной архитектуре Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; метаданные указывают поддержку арабского и английского языков, чат-возможности и интерфейс вызова инструментов. В README приведены результаты собственных тестов генерации кода, объяснения, отладки и следования инструкциям, однако методика и независимая проверка этих оценок не описаны. Метаданные указывают формат safetensors, тогда как README озаглавлен как AraCode-7B-GGUF и описывает запуск через инструменты GGUF. Лицензия репозитория — Apache-2.0. Модель ориентирована на программирование с арабоязычным взаимодействием; заявленные результаты не гарантируют корректность или исполнимость каждого ответа.

Модель Damerajee представляет собой дообученную версию CodeLlama-7b-hf на наборе инструкций по программированию Python iamtarun/python_code_instructions_18k_alpaca. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, предназначенная для генерации текста в ответ на инструкции, в том числе для задач с кодом Python. Контекст модели составляет 16 384 токена. Модель может помогать генерировать фрагменты кода и отвечать на инструкции по Python. Карточка содержит значения training loss на ранних шагах обучения, но не даёт подробных результатов оценки качества. Использование распространяется по лицензии Llama 2.

CrossbowReviewer-9B — модель для автоматизированного анализа кода, созданная riposta дообучением Qwen/Qwen3.5-9B-Base. Она принимает код одного файла и вопросы о его свойствах, а для каждого возвращает типизированное решение, уверенность и распределение вероятностей; текст рецензии модель не генерирует. Поддерживаются ответы «да/нет», выбор из нескольких вариантов и оценка по шкале. До 120 встроенных правил охватывают принципы SOLID и проектирования, корректность, обработку ошибок, безопасность, производительность, читаемость, тестирование и идиомы языков. Модель рассчитана на Java, Python, TypeScript, JavaScript, Go, C# и Rust. Архитектура — плотная Qwen3.5 causal language model с 7,2 млрд параметров и контекстом 262 144 токена; доступны веса Safetensors и вариант GGUF Q8_0. По данным README, модель демонстрирует хорошую калибровку и результаты на синтетическом и реальном коде, но синтетические оценки могут завышать качество. Она анализирует только один файл, не сравнивает diff и слабо распознаёт некоторые безопасные случаи в задачах анализа потоков данных, например SQL-инъекций и XSS; такие решения требуют дополнительной проверки. Встроенные правила и промпты англоязычные. Лицензия — Apache-2.0.

Это асимметрично квантованная до низкой точности версия diffusiongemma-26B-A4B-it — языковой модели Gemma 4 с архитектурой MoE и диффузионной генерацией. Версию GGUF подготовил hyperspaceai на основе unsloth/diffusiongemma-26B-A4B-it-GGUF. В модели 26 млрд параметров, около 4 млрд активных; используется 128 экспертов, из которых для каждого токена активируются 8, и 30 слоёв. Файл весит 10,98 ГБ. Модель предназначена для диалоговой генерации текста: ответы на вопросы, объяснения, списки, творческий текст и код. В отличие от обычных авторегрессионных языковых моделей, она создаёт текст итеративным параллельным уточнением токенов в контексте длиной 256 токенов. Квантование распределено асимметрично: экспертные слои в основном сжаты до 2 бит с использованием матрицы важности, а чувствительные проекции сохранены в более высокой точности. Автор сообщает о проверке генерации на CUDA и приводит примеры связных ответов, но это не независимая оценка качества. Для запуска нужен совместимый с архитектурой diffusion-gemma GGUF-рантайм; стандартная авторегрессионная генерация через llama-cli и оценка perplexity для этой модели не подходят. Лицензия — Gemma; использование должно соответствовать её условиям.

DuckDB-NSQL-7B-v0.1 — авторегрессионная языковая модель семейства NSQL, разработанная MotherDuck на базе Meta Llama 2 7B. Модель дополнительно предварительно обучена на общих SQL-запросах и дообучена на парах «естественный язык — DuckDB SQL». По метаданным, она содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста — 16 384 токена. Модель предназначена для генерации SQL по описанию задачи на естественном языке и схеме таблиц. В отличие от систем, ограниченных запросами SELECT, она может генерировать допустимые операторы DuckDB, включая запросы для официальных расширений DuckDB. В обучающих данных — 200 тысяч синтетических пар DuckDB text-to-SQL, созданных с опорой на документацию DuckDB 0.9.2, а также преобразованные в DuckDB SQL примеры NSText2SQL. Оценка описана на специализированном бенчмарке из 75 пар. Для работы рекомендуется формат промпта из карточки модели. Модель унаследовала лицензию Llama 2; перед использованием необходимо соблюдать её условия и условия Meta для базовой модели.

Это плотная языковая модель Qwen3-32B, дообученная авторами репозитория на датасете open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Модель предназначена для генерации текста и диалогового взаимодействия; датасет указывает на настройку для ответов на технические вопросы и задач, связанных с программными песочницами и рассуждениями. Модель содержит 29,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors. Указанная длина контекста — 40 960 токенов. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория и у правообладателей. README не приводит результатов оценки и подробностей о качестве.

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

Это дообученная модель Llama 3.2 1B Instruct, разработанная ai-nexuz на базе unsloth/Llama-3.2-1B-Instruct. Она предназначена для диалоговых ответов и следования инструкциям с акцентом на логические рассуждения, решение математических задач, генерацию и отладку кода. Модель имеет плотную архитектуру LlamaForCausalLM, около 1,2 млрд параметров и контекст до 131 072 токенов; работает с текстом и выдаёт текст. Модель подходит для создания учебных помощников, решения задач по математике и логике, а также программирования. Дообучение выполнено на наборе kanhatakeyama/wizardlm8x22b-logical-math-coding-sft с использованием Unsloth. README отмечает, что ответы могут быть неточными при неоднозначных запросах, а качество может снижаться для узкоспециализированных языков программирования. Лицензия — Apache 2.0.

Экспериментальная модель генерации текста и кода от команды kalo-team: предварительный результат дистилляции, в которой студент 4x8b обучался приближать распределение ответов учителя Llama 3 70B с помощью KL-дивергенции. Модель основана на архитектуре Mixtral с разреженной архитектурой MoE; в метаданных указано 7,5 млрд параметров и контекст до 8192 токенов. Доступны веса в формате safetensors, лицензия — Llama 3. Модель предназначена для генерации текста в диалоге и экспериментов с генерацией кода, а также для дальнейшей настройки и оценки поведения дистилляции. В README приведены результаты на MMLU, ARC, HellaSwag, GSM8K, TruthfulQA и HumanEval; автор отмечает, что полное дообучение привело к умеренному забыванию знаний вне областей дистилляции из-за ограниченного объёма данных. Это предварительный тестовый прогон, а не запланированная полномасштабная дистилляция.

llama3-8B-DarkIdol-2.3-Uncensored-32K — слитая методом Model Stock модель на архитектуре Llama 3, опубликованная aifeifei798. Она объединяет несколько предварительно обученных моделей; автор указывает в качестве базовой модель llama3-8B-DarkIdol-2.3b. Модель принимает текст и генерирует текст или код, ориентирована на англоязычное общение и ролевые сценарии, а также на развёрнутые ответы. Карточка сообщает о тестировании контекста до 32 тысяч токенов; метаданные указывают нативный контекст 131072 токена и размер 7,5 млрд параметров. Модель рассчитана на запуск в Transformers и совместимых приложениях для генерации текста, в том числе локально через варианты и инструменты из карточки. Автор описывает её как uncensored и адаптированную для разнообразных ролевых сценариев. В README есть упоминание vision через отдельный mmproj-файл для соответствующих сборок, однако метаданные текущего репозитория классифицируют модель как текстовую, а сама карточка называет текстовый ввод. Автор предупреждает, что ответы следует считать справочными и не доверять им полностью. Лицензия указана как llama3.

opencsg/opencsg-starcoder2-7b-v0.1 — модель генерации кода, созданная исследовательской командой OpenCSG полнопараметрическим дообучением StarCoder2. В метаданных указаны архитектура StarCoder2 с плотной causal language model, 9,9 млрд параметров и контекст до 16 384 токенов. Модель предназначена для генерации и продолжения программного кода. В README приведена оценка на HumanEval для Python: Pass@1 составил 42,68% при жадном декодировании и исходных промптах без дополнительных инструкций. Указанная в README поддержка более 80 языков программирования относится к исходному семейству StarCoder; отдельных сведений о языках и данных дообучения этой версии карточка не приводит. Модель распространяется по лицензии BigCode OpenRAIL-M. Оценка приведена только для одного бенчмарка и зависит от настроек декодирования; карточка отмечает, что дополнительных результатов и практических оценок для задач разработки пока нет.

OPSD-PI Qwen3.5-9B Medium Trailing — это полностью объединённый чекпойнт Qwen3.5-9B, опубликованный LSW142857. Репозиторий содержит промежуточную версию на итерации 8 после девяти завершённых обновлений, а не финальную версию на итерации 31. В веса включены экспертная SFT-инициализация, обновления OPSD LoRA для основной модели и MTP, а также непосредственно обученные тензоры full-MTP; для загрузки дополнительных адаптеров или чекпойнтов не требуется. Модель имеет плотную архитектуру Qwen3.5 и загружается через Transformers; заявлены чат и задачи с кодом. Чекпойнт предназначен для экспериментальной оценки студенческой модели после обучения с PI-моделью в роли учителя. В README рекомендовано оценивать студента без добавления Medium PI и использовать отложенные задания, а не 1024 обучающие строки. Параметры обучения, метрики итерации 8, происхождение и хеши частей весов вынесены в файлы конфигурации и манифеста. Сведения о лицензии и контекстном окне в предоставленных данных отсутствуют.

PE-Type-1-Vera-4B — дообученная VANTA Research мультимодальная модель-ассистент на архитектуре Gemma 3 4B IT, настроенная на персону Реформатора из типологии эннеаграммы. Она ориентирована на английский язык и сочетает диалоговые возможности базовой модели с прямым, принципиальным и требовательным стилем ответов. Модель подходит для структурированного анализа решений, конструктивной обратной связи, самоанализа, технического сотрудничества и исследований устойчивости персон. В README указано, что её обучали три эпохи на примерно 3 000 примерах с помощью LoRA ранга 16. Метаданные указывают поддержку изображений; базовая Gemma 3 4B IT умеет отвечать на вопросы по изображениям. Перфекционистский стиль может приводить к чрезмерной критичности в творческих задачах и замедлять ответы при неоднозначных запросах. Модель не рекомендуется для эмоционально поддерживающего общения. Возможны ограничения базовой модели, включая галлюцинации. Лицензия — Apache-2.0.

Scarlett-Llama-3-8B-v1.0 — диалоговая модель, созданная ajibawa-2023 на основе Llama 3 8B от Meta. Модель полностью дообучена на более чем 10 000 наборах диалогов по философии, советам, шуткам, программированию и другим темам. Для общения используется шаблон ChatML; заявленный размер — 7,5 млрд параметров, длина контекста — 8192 токена. Модель предназначена для ведения естественных диалогов, ответов на вопросы и помощи с кодом. Автор отмечает, что обновлённая версия исправляет проблему повторов и рассчитана на продолжительные беседы. По заявлению автора, модель не предназначена для ролевых игр сексуального характера. Вес опубликован в формате PyTorch; лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

AmberYifan/capsd-marin-8b-base-code_random_b10000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации и продолжения текста. Обучение выполнено на наборе capsd_marin-8b-base-n80000-opc__mix_code_random_b10000_s0; название набора указывает на включение кода, но README не описывает состав данных или результаты оценки. Модель принимает текст и выдаёт текст; в метаданных заявлена поддержка чата. Базовая Marin 8B Base описана как англоязычная, а длина контекста модели составляет 4096 токенов. Лицензия указана как other, поэтому условия использования следует сверить с карточкой и файлами репозитория.

AmberYifan/capsd-opc-dedup-marin-8b-base-code_cap_b20000_s0 — дообученная модель на базе marin-community/marin-8b-base, созданная на наборе capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_cap_b20000_s0. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она предназначена для генерации и продолжения текста в сценариях диалогового взаимодействия; название обучающего набора указывает на смесь кода и подписей, однако карточка не описывает целевые задачи подробнее. Модель принимает текст и генерирует текст, её контекст составляет 4096 токенов. Базовая Marin 8B Base ориентирована на английский язык. Репозиторий содержит веса safetensors, лицензия указана как other.

CodeGen-Multi 350M — авторегрессионная языковая модель для генерации программного кода, разработанная Salesforce. Модель содержит 350 млн обучаемых параметров и построена на архитектуре CodeGenForCausalLM; доступна в формате PyTorch. Контекст модели — 2048 токенов. Модель дообучена в два этапа: сначала на CodeGen-NL 350M, затем предварительно обучена на массиве BigQuery с кодом из GitHub. Она предназначена прежде всего для генерации исполняемого кода по англоязычным подсказкам в виде комментариев и продолжения частично написанного кода. В обучающих данных представлены C, C++, Go, Java, JavaScript и Python; модель также обрабатывает текст на естественном языке. Salesforce выпустила модель для исследовательских целей в поддержку академической работы. Качество и безопасность для конкретных применений не гарантированы: ответы могут содержать ошибки, поэтому сгенерированный код следует проверять. Лицензия — BSD 3-Clause.

albertge выпустил экспериментальный чекпойнт Dream 7B, дообученный на 60 тысячах примеров OpenMathInstruct-2 и OpenCodeInstruct. Модель использует дискретный четырёхтокенный хвост Markovian Thinking для передачи состояния между окнами денойзинга в диффузионной языковой модели; обучение проводилось с размером блока 128 токенов. Это вариант проекта dLLM Registers для ограниченного переноса состояния при пошаговой генерации. Модель предназначена для генерации текста, в том числе ответов на математические и программные запросы, и диалогового взаимодействия. Она принимает текст и генерирует текст, поддерживает английский язык, а заявленный размер контекста составляет 131 072 токена. Для корректной работы канала переноса состояния автор указывает использовать специальную обёртку и параметры инференса из репозитория. Лицензия — Apache-2.0.

FalCoder — модель генерации кода на основе Falcon-7B, дообученная mrm8488 методом QLoRA с библиотекой PEFT на наборе CodeAlpaca_20K из 20 тысяч примеров инструкций по программированию. Она предназначена для генерации кода и ответов на инструкции о разработке программ. Модель относится к плотной авторегрессионной архитектуре RefinedWebModel и содержит около 10,9 млрд параметров; опубликована в формате PyTorch под лицензией Apache-2.0. FalCoder подходит для генерации фрагментов кода и помощи в решении задач программирования по текстовому запросу. Карточка не приводит результаты оценки качества и не описывает поддержку конкретных языков программирования или длину контекста; обучение на ограниченном наборе инструкций может сказываться на охвате задач и надёжности ответов.

Карточка модели MyRayy/gemma-4-12B-coder-fable5-composer2.5-v1 на Hugging Face совпадает с карточкой yuxinlu1/gemma-4-12B-coder-fable5-composer2.5-v1, поэтому описание составлено по ней. Composer 2.5 × Fable 5 v1 — дообученная Yuxin Lu модель Google Gemma 4 12B Instruct для генерации кода на Python. Она обучена на задачах с проверяемыми решениями: примеры включают рассуждения о граничных случаях, сложности и подходе, а корректность решений проверялась запуском тестов. Модель работает через Transformers и использует архитектуру Gemma4Unified; опубликованы полноточные веса safetensors в формате bf16, а заявленная длина контекста составляет 256K токенов. Модель предназначена для решения алгоритмических и функциональных задач на Python, генерации исполняемого кода и дальнейшего дообучения или создания квантованных сборок. Она ориентирована прежде всего на англоязычные запросы и код. По README, отказы у неё встречаются реже, чем у базовой модели, а защитное выравнивание ограничено; общеобразовательные факты и числа рекомендуется перепроверять. Лицензия — Apache 2.0.

Это экспериментальная производная модель на базе Gemma 4 12B Coder Fable5 Composer 2.5, опубликованная независимым автором llmfan46. Модель предназначена прежде всего для генерации кода на Python: README описывает дообучение на проверяемых примерах, где решения проходили тесты, и акцент на рассуждении перед выдачей кода. Метаданные указывают архитектуру Gemma4UnifiedForConditionalGeneration, поддержку чата и кода, формат safetensors и задачу text-generation. Репозиторий представляет uncensored/heretic-вариант исходной модели, полученный через abliteration: в приведённом тесте отказов число отказов снизилось со 100 из 100 у исходной модели до 9 из 100. MMLU в карточке показал 75,15% для этой версии против 75,72% у исходной; это результаты автора, а не независимая оценка. README также описывает запуск малых квантованных вариантов из отдельного репозитория GGUF, но текущий репозиторий содержит safetensors. Лицензия — Apache 2.0. Язык модели в метаданных не указан; карточка ориентирует её на код, а не на конкретный естественный язык.

GLM-4.5-Base — базовая языковая модель семейства GLM-4.5, разработанная Zhipu AI для создания интеллектуальных агентов. Это исходная версия модели, предназначенная для дальнейшей адаптации и генерации текста; README отдельно отмечает, что она не предназначена для чата в готовом виде. Модель построена на архитектуре GLM-4 MoE. В метаданных указаны 23,4 млрд параметров, формат safetensors и контекст до 131 072 токенов; карточка описывает серию GLM-4.5 в целом как ориентированную на рассуждения, программирование и агентные сценарии. Поддерживаются английский и китайский языки. Модель выпущена под лицензией MIT, допускающей коммерческое использование и разработку производных моделей. Для интерактивного диалога потребуется подходящая настройка или дообучение; README не приводит отдельных результатов оценки именно базовой версии.

Granite-3B-Code-Instruct-2K — языковая модель IBM Research, дообученная на Granite-3B-Code-Base-2K для выполнения инструкций по программированию. Модель с архитектурой Llama содержит 3,5 млрд параметров, принимает текст и использует контекст до 2048 токенов. Она предназначена для создания помощников по программированию: может отвечать на запросы о коде, помогать с решением задач и рассуждениями, а также работать с инструкциями для генерации кода. Для настройки использовались наборы данных с коммитами, примерами кода и инструкциями, математическими задачами и общими диалоговыми запросами. Обучающие данные о коммитах охватывают 92 языка программирования; это не означает поддержку 92 естественных языков. IBM указывает, что модель не рекомендуется для новых проектов и опубликована для исторических и научных целей; для новых приложений рекомендуются более современные модели Granite. Качество может снижаться на языках программирования вне обучающего распределения, а для критичных сценариев README рекомендует проверку безопасности и целевую настройку. Лицензия — Apache 2.0.