II.3Рефакторинг, миграция и модернизация

gwen2-coder — языковая модель, разработанная пользователем harryng4869. Она создана посредством дообучения модели unsloth/qwen2.5-7b-bnb-4bit с использованием библиотек Unsloth и Hugging Face TRL. В карточке указана поддержка английского языка. Модель предназначена для задач генерации текста и может использоваться в сценариях, поддерживаемых инфраструктурой Transformers и Text Generation Inference. Архитектура, точное число параметров, размер контекстного окна, набор модальностей и данные обучения не указаны. Также отсутствуют сведения о специализированных возможностях, качестве, ограничениях и результатах тестирования. Модель распространяется по лицензии Apache-2.0.

Pluto-Genesis-0.6B — компактная языковая модель для следования инструкциям, разработанная в рамках исследовательского проекта Pluto AI Сиддхартом Н. Р. и дообученная на базе Qwen3-0.6B методом QLoRA. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 507,9 млн параметров; метаданные указывают контекст до 40 960 токенов и формат safetensors. Модель предназначена для диалогов и генерации ответов на инструкции, включая рассуждения, решение математических задач и генерацию или отладку кода. При обучении использовано 80 тысяч примеров из OpenHermes-2.5, Orca-Math-200K и CodeFeedback-Filtered. Карточка описывает проект как исследование эффективного дообучения небольших моделей; результаты бенчмарков на момент её публикации ещё оценивались. Модель распространяется по лицензии Apache-2.0. Указанная в карточке рекомендация загружать 4-битные веса относится к настройке инференса, а не к основному формату репозитория. Размер модели ограничивает её возможности в сложных задачах; опубликованных результатов бенчмарков в карточке пока нет.

Qwen2.5-Coder-0.5B-GGUF — это набор GGUF-квантизованных версий языковой модели Qwen2.5-Coder-0.5B. Исходную модель разработала команда Qwen, а квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена прежде всего для генерации и обработки программного кода, включая локальный запуск через llama.cpp и LM Studio. Модель содержит около 0,5 млрд параметров, работает в текстовом режиме и заявлена для английского языка. README не указывает архитектуру и размер контекстного окна. Доступны варианты от F16 размером около 0,99 ГБ до компактных квантизаций Q3–Q8 размером примерно 0,34–0,53 ГБ. Более точные варианты обычно сохраняют лучшее качество, тогда как низкобитные версии экономят память, но могут заметнее терять в качестве. Отдельные варианты оптимизированы для ARM и требуют поддержки SVE или i8mm. Модель удобна для локального запуска на устройствах с ограниченными ресурсами и поддерживает специальный шаблон prompt в формате ChatML. Ограничения включают небольшой размер модели, возможное снижение качества при сильной квантизации и отсутствие в README подробных данных о результатах тестирования, архитектуре и контекстном окне. Модель распространяется по лицензии Apache-2.0.

canoplos/Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-soft_gilded_alligator — опубликованный сообществом чекпойнт семейства Qwen2.5-Coder с инструкционной настройкой; карточка репозитория автоматически сгенерирована и не описывает отдельный процесс обучения или оценку качества. По названию и архитектуре это компактная плотная языковая модель Qwen2 для генерации текста, ориентированная прежде всего на помощь с кодом и диалоговое выполнение инструкций. Метаданные указывают около 494 млн параметров, архитектуру Qwen2ForCausalLM, библиотеку Transformers, формат Safetensors, задачу text-generation и контекст до 32 768 токенов. Карточка официального Qwen2.5-Coder-0.5B-Instruct описывает 0,49 млрд параметров, 24 слоя и поддержку контекста 32 768 токенов; семейство предназначено для генерации, рассуждения и исправления кода, а также для сценариев кодовых ассистентов. Эти сведения относятся к официальной модели-основе и не подтверждают идентичность весов или качество данного Gensyn-чекпойнта. Официальная карточка модели-основы указывает лицензию Apache-2.0; лицензию конкретного репозитория canoplos установить по доступным данным нельзя. Малый размер делает модель компактной, но не гарантирует надёжности сложных ответов; отдельные оценки и ограничения производного чекпойнта не опубликованы.

Stable Code Instruct 3B — языковая модель для генерации текста и программного кода, разработанная Stability AI. Представленная версия распространяется в формате GGUF и была квантована bartowski на основе llama.cpp. Модель создана для диалоговой помощи в программировании, автодополнения кода, генерации SQL-запросов и объяснения решений. Она подходит для лёгких сценариев разработки, где важны небольшие требования к ресурсам и высокая скорость работы. Модель содержит около 3 миллиардов параметров и основана на Stable Code 3B, дополнительно обученной с использованием Direct Preference Optimization (DPO). Это causal language model с поддержкой текстового ввода и вывода; заявлен английский язык. Для взаимодействия в LM Studio рекомендуется шаблон ChatML и указанный системный промпт. В README не приведены сведения о размере контекста и полном перечне поддерживаемых языков программирования, однако приведены результаты MultiPL-E для Python, C++, Java, JavaScript, PHP и Rust: pass@1 составляет от 23,0 до 32,4, причём эти показатели не были верифицированы. Сильными сторонами модели являются специализация на коде и SQL, компактный размер, высокая потенциальная скорость и наличие инструкционного и conversational-тюнинга. Ограничения включают сравнительно небольшой размер, что может снижать качество на сложных задачах, а также непроверенные опубликованные метрики. Модель предназначена прежде всего для локального использования и лёгких задач программирования. В карточке указана лицензия other; конкретные условия лицензии не раскрыты.

XiYanSQL-QwenCoder-3B-2504 — модель генерации SQL от команды XGenerationLab, дообученная на базе XiYanSQL-QwenCoder-3B-2502 с последующей оптимизацией методом GRPO. Она преобразует вопросы на естественном языке, описание схемы базы данных и дополнительные справочные сведения в SQL-запросы. Модель рассчитана на работу с диалектами SQLite, PostgreSQL и MySQL; в README описаны оценки на бенчмарках SQLite, PostgreSQL и MySQL, включая данные вне обучающего домена. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом 32 768 токенов. Карточка приводит пример использования с Transformers и vLLM и рекомендует представлять схему базы данных в формате M-Schema, хотя допускает DDL. Модель распространяется по лицензии Apache-2.0.

APEX-2 — англоязычная языковая модель YOON1v для генерации текста и диалогов, включая помощь с программированием. Это дообученный методом SFT чекпойнт базовой модели YOON1v/Apex-2-Base; в README описана архитектура декодерного Transformer с mixture-of-experts, а метаданные указывают семейство Qwen3 MoE и класс Qwen3MoeForCausalLM. README сообщает о 3,87 млрд параметров всего и 1,45 млрд активных на токен; модель использует формат чата ChatML и контекст до 4096 токенов. Модель подходит для написания и объяснения кода, ответов на инструкции и несложных математических задач. В опубликованных авторами тестах показаны результаты на HumanEval, MBPP, GSM8K и IFEval, однако сравнения с другими моделями приблизительны из-за различий в протоколах. Лицензия — Apache-2.0. Модель ориентирована на английский язык: README отмечает слабую работу с другими языками. Авторы также указывают на ограниченные общие знания, ошибки в фактах, слабые результаты в соревновательном программировании и предсказании выполнения кода. Поддержка инструментов и режим рассуждений не заявлены.

AmberYifan/capsd-opc-dedup-marin-8b-base-code_random_b40000_s0 — дообученная модель генерации текста на архитектуре Llama, созданная на основе marin-community/marin-8b-base. Для обучения использовался набор capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_random_b40000_s0; название набора указывает на примеры кода, однако README не описывает конкретные навыки модели или результаты оценки. Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 4096 токенов. Метаданные отмечают возможность чата, но сведений о поддерживаемых естественных языках нет. Репозиторий использует safetensors и библиотеку Transformers. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у правообладателя.

Карточка модели faceNony/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

Карточка модели Iarp/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

Карточка модели mercury063/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

Falcon3-3B-Base — базовая предварительно обученная языковая модель семейства Falcon3, разработанная Technology Innovation Institute. Это плотный decoder-only Transformer с 22 блоками, механизмом Grouped Query Attention, SwiGLU и RMSNorm; число параметров — 2,8 млрд. Модель принимает текст и предназначена для генерации продолжений, а также как основа для последующего дообучения под конкретные сценарии. Модель обучена на многоязычных данных, коде и материалах по STEM; заявлены английский, французский, испанский и португальский языки. README указывает контекст до 8 тыс. токенов, тогда как метаданные каталога указывают нативный контекст 32 768 токенов. В описании модели также заявлены способности к рассуждению, пониманию языка, следованию инструкциям, программированию и математике, но это базовый чекпойнт без диалоговой настройки и для большинства прикладных сценариев требует дообучения. Модель получена обрезкой по глубине и ширине Falcon3-7B-Base и обучением с дистилляцией знаний. Распространяется по лицензии TII Falcon-LLM License 2.0; перед применением следует учитывать её условия.

Fox-1-1.6B — базовая авторегрессионная языковая модель на архитектуре decoder-only Transformer семейства Llama, разработанная TensorOpera AI. Она содержит около 1,7 млрд параметров и обучена на 3 трлн токенов текста и кода с трёхэтапной учебной программой; контекст составляет 8192 токена. В модели применены Grouped Query Attention с 4 группами ключей и значений и 16 головами внимания для ускорения вывода. Модель предназначена для генерации текста и кода, а также как отправная точка для дальнейшего дообучения под прикладные сценарии. В карточке приведены результаты оценок на тестах рассуждения, знаний и следования инструкциям. Это базовая, а не инструкционно настроенная модель, поэтому для большинства пользовательских задач потребуется дополнительное дообучение или другая настройка. Репозиторий содержит веса Safetensors; лицензия — Apache 2.0.

Hrida-T2SQL-3B-V0.1 — компактная языковая модель для преобразования запросов на естественном языке в SQL, разработанная HridaAI и дообученная на Microsoft/Phi-3-mini-4k-instruct. Она принимает инструкцию, схему базы данных с таблицами, столбцами и типами данных, запрос пользователя и, при необходимости, указание диалекта SQL; на их основе генерирует SQL-запрос. Модель построена на архитектуре Phi-3, содержит 3,7 млрд параметров и имеет контекст 4096 токенов. Карточка описывает шаблон общения и примеры интеграции с Transformers и MLX. Модель предназначена для создания SQL по описанию нужных данных и схеме базы, в том числе с указанием диалекта, например MySQL, PostgreSQL или SQL Server. В метаданных указан английский язык. Лицензия — Apache-2.0. Качество результата зависит от полноты и точности переданной схемы; карточка не сообщает результаты оценки качества или ограничения по поддерживаемым диалектам.

Mistral-7B-Instruct-SQL-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель MaziyarPanahi, полученная слиянием Mistral-7B-Instruct-v0.2 и Mistral-7B-Instruct-SQL методом SLERP. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоги. Модель подходит для генерации SQL по текстовым запросам и для диалоговых сценариев общего назначения. Она принимает текст и выдаёт текст; контекст составляет до 32 768 токенов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Результат слияния объединяет возможности базовой диалоговой модели и SQL-модели, однако README не приводит оценок качества или конкретных ограничений. Перед использованием для важных запросов к базам данных следует проверять корректность и безопасность сгенерированного SQL.

NVIDIA Nemotron-H-47B-Base-8K — базовая языковая модель для продолжения заданного текста, предназначенная для разработчиков и исследователей, создающих и настраивающих LLM. Она использует гибридную архитектуру Mamba-2 и Transformer с преимущественно слоями Mamba-2 и MLP и пятью слоями Attention. Модель содержит 47 млрд параметров, обучена с использованием 63 млрд токенов и поддерживает контекст до 8 тысяч токенов. Модель принимает и генерирует текст. В README заявлена поддержка английского, немецкого, испанского, французского, итальянского, корейского, португальского, русского, японского и китайского языков. Обучающие данные включают текст и код; оценки представлены для задач здравого смысла, программирования и математики. Для адаптации к конкретным задачам NVIDIA рекомендует инструменты NeMo для дообучения и выравнивания. Модель оптимизирована для GPU NVIDIA, а в README указана совместимость с H100-80GB и A100. Это базовая модель без рекомендуемого формата промпта, поэтому она рассчитана прежде всего на продолжение текста и может требовать адаптации для целевых сценариев. Она унаследовала от обучающих данных токсичный контент и социальные предубеждения, может выдавать неточные или нежелательные ответы и уязвима к некоторым вариантам косвенных prompt injection. Лицензия обозначена в метаданных как other; README ограничивает применение исследованиями и разработкой.

Epistates/OpenCodeReasoning-Nemotron-1.1-32B-AWQ — 4-битная квантизированная версия модели NVIDIA OpenCodeReasoning-Nemotron-1.1-32B в формате MLX AWQ. Базовая модель — плотный авторегрессионный трансформер Qwen2, дообученный на рассуждениях и генерации кода. В карточке указано 32 млрд параметров и контекст до 65 536 токенов; модель принимает текст и генерирует текст. Модель предназначена для решения задач программирования: она может разбирать условие, рассуждать о подходе и генерировать код, в том числе для задач соревновательного программирования. Обучение проводилось на наборе OpenCodeReasoning, включающем задачи по программированию и синтетические ответы. В карточке заявлена готовность к коммерческому и некоммерческому использованию, однако конкретный идентификатор лицензии в предоставленных данных не приведён. Репозиторий представляет собой квантизированную сборку и указывает на использование MLX; совместимость и производительность зависят от соответствующего программного окружения и оборудования.

OpenCodeReasoning-Nemotron-7B — языковая модель NVIDIA для рассуждений при решении задач программирования. Это дообученная версия Qwen2.5-7B-Instruct на наборе OpenCodeReasoning, включающем соревновательные задачи по программированию и ответы, сгенерированные DeepSeek-R1. Модель представляет собой плотный decoder-only Transformer семейства Qwen2 с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Она предназначена прежде всего для генерации кода и пошагового решения задач, в том числе соревновательного программирования; также может применяться в диалогах о коде и при построении систем для разработчиков. В метаданных указан английский язык. Модель распространяется по лицензии Apache 2.0 и заявлена как пригодная для коммерческого и некоммерческого использования. NVIDIA оптимизирует её работу для систем с GPU NVIDIA; README рекомендует Linux и указывает поддержку архитектур Ampere и Hopper.

sagard21 разработал эту модель на базе Salesforce/codet5-large для упрощения понимания кода: она создаёт построчные объяснения фрагментов исходного кода. Модель дообучена на небольшой выборке фрагментов Python и опубликована в форматах PyTorch и safetensors. Это модель семейства T5 с архитектурой T5ForConditionalGeneration и 385,2 млн параметров. Она предназначена для суммаризации кода; заявленная длина контекста составляет 512 токенов. Карточка приводит метрики проверки: Loss 2,156, ROUGE-1 29,375, ROUGE-2 18,128 и ROUGE-L 25,445. Лицензия — MIT. Обучение на небольшой выборке Python ограничивает обобщение на другие языки программирования и типы кода; приведённые метрики сами по себе не гарантируют качество объяснений на произвольных входных данных.

Qwen2.5-72B-Instruct-GPTQ-Int4 — инструкционно дообученная большая языковая модель семейства Qwen2.5, разработанная командой Qwen при Alibaba Cloud. Это каузальная текстовая модель для диалогов, генерации текста, следования инструкциям, работы с кодом и математическими задачами, понимания таблиц и других структурированных данных, а также формирования структурированных ответов, включая JSON. Модель поддерживает более 29 языков, среди которых английский, китайский, русский, французский, испанский, немецкий, итальянский, японский, корейский, арабский и другие. Модель содержит 72,7 млрд параметров, из которых 70,0 млрд приходятся на неэмбеддинговую часть, и включает 80 слоёв. Архитектура использует RoPE, SwiGLU, RMSNorm и смещения в QKV attention; применяется GQA с 64 головами для Q и 8 для KV. Это GPTQ-квантизированная версия с точностью 4 бита, предназначенная для более экономичного развёртывания по сравнению с полноразмерной моделью. Заявлена длина контекста до 131 072 токенов и генерация до 8192 токенов, однако текущая конфигурация репозитория рассчитана на 32 768 токенов; для более длинных входов требуется настройка YaRN. Сильные стороны модели — развитые возможности в кодировании и математике, улучшенное следование инструкциям, генерация длинных текстов, устойчивость к разнообразным системным промптам и работа со структурированными данными. Ограничения включают высокие требования к вычислительным ресурсам из-за размера модели, возможное снижение качества из-за 4-битного квантования и потенциальное ухудшение производительности на коротких текстах при статическом масштабировании YaRN. Модель распространяется по лицензии Qwen; точные условия определяются файлом лицензии в репозитории.

Карточка модели aaarrbbee/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Карточка модели lucernequants/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Карточка модели luganoquants/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Карточка модели Nocodedev0/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Карточка модели Voilabois/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Карточка модели testaccount-ai/Qwen3.8-Max на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Mistral-Large-Instruct-2407 — плотная инструктивная большая языковая модель Mistral AI с 122,2 млрд параметров, опубликованная 24 июля 2024 года. Она предназначена для генерации текста, диалогов, математических рассуждений, программирования и работы в агентных сценариях с вызовом функций и формированием JSON. Архитектура — MistralForCausalLM; модель распространяется в формате safetensors. В карточке заявлена поддержка многих языков, включая английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, русский и корейский. Для этой версии метаданные указывают контекстное окно 32 768 токенов. По карточке, для запуска требуется несколько GPU с суммарной видеопамятью свыше 300 ГБ. Карточка приводит высокие результаты на тестах инструктивного следования, кода и математики. Модель не имеет встроенных механизмов модерации, поэтому её ответы могут требовать внешних ограничителей. Лицензия Mistral Research License разрешает исследовательское и некоммерческое использование, а также модификацию.

RedHatAI/Qwen2.5-72B-Instruct-FP8-dynamic — это размещённая Red Hat AI версия Qwen2.5-72B-Instruct, исходно разработанной командой Qwen Alibaba Cloud. Модель представляет собой instruction-tuned causal language model для диалогов, генерации и анализа текста, следования инструкциям, работы со структурированными данными, программным кодом, математическими и рассуждательными задачами. Это текстовая модель без заявленной поддержки изображений или других модальностей. Базовая модель имеет 72,7 млрд параметров, 80 слоёв и архитектуру Transformer с RoPE, SwiGLU, RMSNorm, attention QKV bias и Grouped-Query Attention: 64 головы для Q и 8 для KV. Заявлены контекст до 131 072 токенов и генерация до 8192 токенов; для длинного контекста применяется YaRN. Модель поддерживает более 29 языков, включая китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. В данном репозитории веса представлены в формате Safetensors с FP8 dynamic-квантизацией и использованием compressed-tensors, что предназначено для более эффективного хранения и инференса по сравнению с полноточной версией. Сильные стороны исходной Qwen2.5-72B-Instruct — улучшенные instruction following, кодирование, математика, обработка длинных текстов, таблиц и структурированных, включая JSON, ответов. Ограничения включают значительные требования к вычислительным ресурсам из-за размера модели, возможное влияние квантизации на качество и стандартные риски генеративных моделей: ошибки, галлюцинации и необходимость проверки результатов. Для базовой модели указана Qwen License Alibaba Cloud; она разрешает использование, модификацию и распространение при соблюдении условий лицензии, включая специальные требования для коммерческих продуктов с более чем 100 млн ежемесячных активных пользователей и указание использования Qwen при создании или улучшении других AI-моделей.

Карточка модели Van7887/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Карточка модели vll1addd/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.