II.3Рефакторинг, миграция и модернизация

SantaCoderPack — предварительно обученная модель для генерации и дополнения кода, разработанная в рамках проекта BigCode. Она использует архитектуру GPTBigCode с multi-query attention и обучалась на данных CommitPack в формате, связывающем код до сообщения об изменении, само сообщение и код после него. Карточка указывает 250 тысяч шагов обучения и 131 млрд токенов предобучения; модель представлена в формате PyTorch и поддерживает контекст до 8192 токенов. Модель предназначена для генерации кода по инструкциям, исправления ошибок и работы с изменениями кода. В README перечислены Python, JavaScript, Java, C++, Go и Rust. Она рассчитана на сценарии программирования, однако качество может различаться по языкам и задачам; инструкция к примеру показывает, что полезно формулировать запрос в контексте фрагмента кода. Лицензия — BigCode OpenRAIL-M.

buelfhood/SOCO-Java-CodeBERTa-MNRL-Triplets-BATL-EVAL-BCE — модель Sentence Transformers, разработанная на основе huggingface/CodeBERTa-small-v1 и дообученная на наборе soco_train_java. Она кодирует фрагменты текста и исходного кода в плотные векторы размерности 768; архитектура состоит из RoBERTa-трансформера и среднего пулинга токенов. Модель предназначена для семантического сравнения, поиска и группировки фрагментов Java-кода, а также поиска похожих примеров и обнаружения перефразированных описаний. Для сравнения векторов используется косинусное сходство. Модель принимает последовательности длиной до 512 токенов и возвращает эмбеддинги. Это специализированная модель для Java-кода, поэтому качество на других языках программирования и обычном тексте может отличаться. В карточке указана лицензия Apache-2.0.

Tinfield 1 — разработанная badtheorylabs дообученная агентная модель на базе Qwen3.8-Flash-Next для работы в терминале и длительных задач по разработке программного обеспечения. Она принимает текст и изображения и выдаёт текст; в метаданных указаны возможности диалога, работы с кодом, вызова инструментов и анализа изображений. Заявлены контекст 256 тыс. токенов и архитектура Qwen4ExpForConditionalGeneration; в README для основной версии указаны веса BF16 и 177 млрд параметров всего, из которых активно 6,6 млрд на токен. В README приведены результаты BF16-версии: 33,0 на Terminal-Bench 4.0 и 62 на DeepSWE v1.1. Также описаны компактные квантованные сборки для запуска на машине с 64 ГБ памяти, однако эти сборки не оценивались на указанных бенчмарках. Лицензия обозначена как other, поэтому конкретные условия следует сверить с карточкой модели.

pragmaticcs/Triumvirate-GGUF — это набор квантованных GGUF-файлов модели pragmaticcs/Triumvirate, созданной методом объединения нескольких моделей с использованием depth-modulated DARE-TIES. Модель предназначена прежде всего для агентного программирования, работы с терминалом и многошаговых сценариев в репозиториях: генерации точечных изменений кода, обработки сообщений об ошибках, вызова инструментов и поддержания состояния окружения без отклонения от задачи. В состав объединения входят KAT-Coder-V2.5-Dev, Ornith-1.5 и Qwen-AgentWorld. Модель имеет архитектуру Qwen 35B-A3B MoE примерно с 34,1 млрд параметров, из которых около 3,1 млрд активны на каждом токене. Она включает 40 декодерных слоёв, 256 маршрутизируемых экспертов с маршрутизацией Top-8 и одного общего эксперта. Используется гибридное внимание: 30 слоёв Gated DeltaNet с линейным вниманием и 10 слоёв полного self-attention. Размер скрытого представления — 2048, словарь содержит 248 320 токенов. Заявленные языки — английский и китайский; модель относится к задачам генерации текста и поддерживает сценарии кодинга и рассуждений. Доступны варианты квантования Q4_K_M, APEX-High-Quality, Q5_K_M, Q8_0 и BF16. Q4_K_M ориентирован на системы с ограниченной видеопамятью, Q5_K_M обозначен как рекомендуемый компромисс для качественных изменений кода, а BF16 требует около 69,4 ГБ. Сильными сторонами являются низкая частота синтаксических ошибок при вызове инструментов, строгий формат патчей, обработка терминального feedback и пригодность для автономных агентных циклов. Ограничения включают высокие требования к памяти и вычислительным ресурсам, особенно для менее сжатых вариантов; конкретные данные о контекстном окне и результаты независимых бенчмарков в представленном README не указаны. Модель распространяется по лицензии Apache 2.0.

Yi-9B-Coder-IMat-GGUF — квантизированная версия модели TechxGenus/Yi-9B-Coder, подготовленная пользователем legraphista. Модель предназначена прежде всего для генерации и обработки программного кода и распространяется в формате GGUF для запуска с совместимыми инструментами, включая llama.cpp. Архитектурная основа относится к семейству Llama; размер исходной модели составляет около 9 млрд параметров, исходный формат — BF16. Репозиторий содержит варианты от BF16 и F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантов. Для ряда вариантов применена IMatrix-квантизация, призванная лучше сохранять качество при уменьшении размера модели. Доступны файлы размером примерно от 3,1 до 17,66 ГБ, что позволяет выбирать между качеством и требованиями к памяти. Данные о поддерживаемых языках программирования, размере контекста и мультимодальности в README не указаны; модель описана как текстовая и ориентированная на код. Сильной стороной модели является широкий выбор вариантов квантования и возможность локального запуска при существенно меньших требованиях к памяти. При этом низкобитные варианты могут терять качество по сравнению с BF16 или F16, а конкретная производительность и точность зависят от выбранного файла и оборудования. Лицензия — Apache-2.0.

TheBloke публикует веса CodeLlama-34B-Python в формате Transformers/Hugging Face FP16; исходную модель разработала Meta. Это авт autoregressive трансформер семейства Llama с 33,5 млрд параметров, специализированный на генерации и понимании кода на Python. Модель принимает и выдаёт текст, а её контекст составляет 16 384 токена. Модель подходит для написания и дополнения кода на Python, объяснения фрагментов кода и помощи в решении задач программирования. Карточка указывает на обучение с последовательностью до 16 тысяч токенов и возможность инференса до 100 тысяч, однако метаданные каталога подтверждают нативный контекст 16 384 токена. Репозиторий содержит конвертированные веса в формате safetensors; для корректной загрузки README требует `trust_remote_code=True`. Модель ориентирована на английский язык и языки программирования; применение на других естественных языках выходит за рамки заявленного назначения. Генерация может быть неточной или содержать нежелательный результат, поэтому перед внедрением требуется проверка для конкретного сценария. Указана лицензия Llama 2 с отдельными условиями использования Code Llama.

CodeLlama 70B Instruct — языковая модель для генерации и обработки программного кода, разработанная Code Llama и представленная в формате GGUF компанией Second State Inc. Это квантизированная версия исходной модели codellama/CodeLlama-70b-Instruct-hf, предназначенная для сценариев программирования и диалогового следования инструкциям. Указана поддержка языка кода; другие языки и мультимодальные возможности не заявлены. Модель содержит 70 млрд параметров и использует контекст размером 8192 токена. Доступны варианты квантизации Q2_K, Q3_K, Q4 и Q5 с размером файлов примерно от 25,5 до 48,8 ГБ. Вариант Q4_K_M обозначен как рекомендуемый сбалансированный по качеству и размеру, а Q5_K_M и Q5_K_S — как варианты с минимальной потерей качества. Более сильная квантизация уменьшает требования к ресурсам, но может заметно снижать качество ответов. Модель может запускаться как сервис LlamaEdge версии 0.2.11 и выше, однако в README указано, что она работает только в режиме без потоковой передачи. Для использования требуется специальный шаблон prompt codellama-super-instruct. Модель распространяется по лицензии llama2; дополнительные условия лицензии в предоставленных данных не уточняются.

Bud Code Millenials 34B — языковая модель для генерации программного кода, разработанная Bud Ecosystem и дообученная для задач программирования. Это плотная авторегрессионная модель семейства Llama с 33,5 млрд параметров; репозиторий содержит веса в формате safetensors, а максимальная длина контекста составляет 16 384 токена. Модель предназначена для генерации кода по текстовому запросу и помощи в программировании. В README указаны результаты HumanEval 80,48 pass@1 и MBPP 74,68, полученные авторами; эти показатели зависят от методики оценки и не гарантируют такой же результат в пользовательских сценариях. Модель может ошибаться и хуже справляться с задачами, не связанными с кодированием. Использование регулируется лицензией Llama 2.

CoderO1-DeepSeekR1-Coder-14B-Preview — экспериментальная объединённая языковая модель RDson для диалоговой генерации и анализа кода. Она создана методом mergekit SCE на основе Qwen/Qwen2.5-14B с использованием Qwen/Qwen2.5-Coder-14B-Instruct и deepseek-ai/DeepSeek-R1-Distill-Qwen-14B. Модель содержит 14 млрд параметров, использует архитектуру Qwen2 и формат safetensors; нативная длина контекста — 131 072 токена. Модель предназначена для общения с пользователем при решении задач программирования, включая генерацию и анализ кода. Метаданные также отмечают интерфейс для вызова инструментов. Карточка указывает, что это предварительная версия; подробные результаты оценки качества не приведены. Лицензия в предоставленных данных не указана.

CodeT5+ 6B — модель для работы с кодом из семейства CodeT5+, представленная Salesforce Research и авторами научной статьи о CodeT5+. Это плотная encoder-decoder-модель с 6 млрд параметров, предназначенная для понимания и генерации кода. Архитектура семейства поддерживает режимы encoder-only, decoder-only и encoder-decoder; этот чекпойнт загружается как модель генерации последовательностей через AutoModelForSeq2SeqLM. Модель предварительно обучена на дедуплицированном наборе GitHub-кода с разрешительными лицензиями. В обучающих данных представлены C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. Заявленные сценарии семейства включают генерацию кода по текстовому запросу, дополнение кода, поиск соответствий между текстом и кодом и понимание кода. Карточка описывает исследовательскую оценку семейства, но конкретные результаты приведены для других вариантов CodeT5+, поэтому их нельзя напрямую приписывать этому чекпойнту. Модель выпущена по лицензии BSD-3-Clause. Разработчики предупреждают, что её точность, безопасность и справедливость не оценены для всех сценариев; перед применением следует проверять результаты, особенно в ситуациях с высокими последствиями.

CursorCore-DS-1.3B — модель из серии CursorCore, разработанной Hao Jiang, Qi Liu, Rui Li, Shengyu Ye и Shijin Wang для помощи в программировании. Она дообучена на базе deepseek-ai/deepseek-coder-1.3b-base и предназначена для генерации кода и диалоговой поддержки в сценариях AI-помощника программиста, включая редактирование кода, встроенный чат и автодополнение. Модель использует плотную архитектуру семейства LLaMA с причинно-следственной языковой моделью на 1,3 млрд параметров. Она принимает текстовые запросы и контекст с кодом и генерирует текст, включая программный код; заявленная длина контекста — 16 384 токена. README показывает сценарии обычного чата и взаимодействия с кодом, но примеры для конкретной модели частично используют другие модели CursorCore. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели.

DeepSeek-Coder-V2-Instruct-IMat-GGUF — это GGUF-квантизованная версия модели DeepSeek-Coder-V2-Instruct, подготовленная пользователем legraphista на основе исходной модели deepseek-ai. Модель предназначена для генерации текста и, судя по названию базовой модели, ориентирована прежде всего на работу с программным кодом и инструкциями, однако подробные сведения о поддерживаемых языках программирования и естественных языках в представленном README не указаны. Доступны варианты квантования от 1 до 8 бит, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, а также ряд вариантов IQ. Файлы распространяются в формате GGUF и могут использоваться с llama.cpp; крупные варианты поставляются разделёнными на несколько частей. Для вариантов Q4 и ниже применена IMatrix-квантизация с отдельным файлом imatrix.dat, а исходный тип данных базовой модели — BF16. Размеры файлов варьируются примерно от 85,95 до 250,62 ГБ, поэтому требования к оперативной или видеопамяти существенно зависят от выбранного варианта. Сильной стороной модели является широкий выбор уровней квантования, позволяющий выбирать баланс между качеством и ресурсами, а IMatrix может улучшать сохранение качества при низкой разрядности. Ограничениями являются большой объём файлов, необходимость совместимого программного обеспечения и потенциальное снижение качества по сравнению с исходной BF16-моделью, особенно у более агрессивных вариантов квантования. Модель распространяется по лицензии deepseek-license; в метаданных она указана как other, а подробные условия находятся в файле LICENSE.

Dream-Coder-v0-Instruct-7B — диффузионная языковая модель для генерации кода, разработанная Dream-org. Модель на 7,1 млрд параметров обучалась на открытых данных в несколько этапов: адаптация, обучение по инструкциям и обучение с подкреплением. Она предназначена для диалогового взаимодействия и решения задач программирования; заявленный результат на LiveCodeBench (2410–2505) составляет 21,4% pass@1. Модель использует плотную архитектуру семейства Dream и принимает текст, выдавая текст. Контекстное окно — 32 768 токенов. В README приведён пример запуска через Transformers; метаданные также указывают интерфейс для вызова инструментов. Модель доступна по лицензии Apache-2.0. Заявленный результат LiveCodeBench не гарантирует аналогичного качества на других задачах или наборах данных.

Gemini 3.1 Pro Preview — предварительная версия мультимодальной модели Google для решения сложных задач с упором на рассуждения. В карточке отмечены улучшенная работа в программной инженерии, надёжность агентных сценариев и более экономное использование токенов в сложных рабочих процессах. Метаданные каталога относят модель к задаче image-text-to-text. Подробности об архитектуре, размере, поддерживаемых языках, контексте и лицензии в предоставленных данных отсутствуют.

Карточка модели IQuestLab/IQuest-Coder-V1-14B-Base-Stage1 на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Карточка модели IQuestLab/IQuest-Coder-V1-40B-Loop-Thinking на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Карточка модели IQuestLab/IQuest-Coder-V1-40B-Thinking на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Kimi-K2.7-Code-JANGTQ_K — квантованный вариант модели moonshotai/Kimi-K2.7-Code для запуска через MLX на компьютерах Apple с Apple Silicon. В карточке указаны архитектура семейства Kimi K2.5 и поддержка диалогового режима; исходная модель описана в каталоге как агентная модель для сложных задач программирования и многоэтапной разработки ПО, с поддержкой изображений, видео и инструментов. Профиль JANGTQ_K использует JANG TurboQuant: routed experts квантованы до 2 бит для gate и up и до 4 бит для down, attention и shared experts — до 8 бит. Для загрузки нужны jang-tools или vMLX; модель не поддерживается стандартным MLX, LM Studio и Ollama. Для токенизатора Kimi README указывает зависимости tiktoken и blobfile и необходимость включить TRUST_REMOTE_CODE. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с лицензией исходной модели и репозитория.

hbfreed выпустил вариант Poolside Laguna-S-2.1, в котором методом winnow удалено 50% каналов промежуточного слоя маршрутизируемых экспертов. Это MoE-модель для генерации текста с архитектурой WinnowLagunaForCausalLM: из исходных 118 млрд параметров осталось 60,8 млрд; 80% экспертов сохранены с уменьшенной переменной шириной, а общий эксперт, внимание и эмбеддинги не изменялись. В README приведён размер 60,8 млрд параметров, тогда как метаданные указывают 6,8 млрд; это расхождение требует проверки. Модель использует формат safetensors и рассчитана на контекст до 1 048 576 токенов. Модель предназначена для генерации и продолжения кода, диалогового программирования, агентных задач разработки и взаимодействия с инструментами. В описанном тесте HumanEval она показала pass@1 89,6%, однако результат получен с определённым протоколом извлечения ответа и INT8-подачей экспертов и не сопоставим напрямую с опубликованными результатами других тестов. README сообщает, что для serving с INT8-масштабированием нужны три GPU по 24 ГБ и специальный плагин vLLM для winnow; обычный tensor parallelism не поддерживается. Производная сохраняет лицензию OpenMDW-1.1 базовой модели.

Magicoder-DS-6.7B — языковая модель для генерации кода, разработанная Юсяном Вэем, Чжэ Вангом, Цзяьвэем Лю, Ифэном Дином и Линмином Чжаном. Это плотная авторегрессионная модель семейства Llama, дообученная на базе deepseek-ai/deepseek-coder-6.7b-base с использованием набора Magicoder-OSS-Instruct-75K, созданного методом OSS-Instruct на основе фрагментов открытого исходного кода. Модель предназначена прежде всего для задач программирования: генерации кода по инструкциям и помощи в диалоговых сценариях разработки. Использует текстовый ввод и выдаёт текст, включая код; поддерживает контекст до 16 384 токенов. Размер — около 6,6 млрд параметров, формат весов — Safetensors, для работы применяется Transformers. Модель может ошибаться и создавать вводящий в заблуждение код, а также хуже справляться с задачами вне программирования. В карточке указана лицензия DeepSeek; README рекомендует учитывать условия OpenAI для синтетических данных и обучающего набора.

Magicoder S DS 6.7B GGUF — квантизированная версия языковой модели Magicoder S DS 6.7B, разработанной Intellligent Software Engineering (iSE) и подготовленной в формате GGUF пользователем TheBloke. Модель предназначена прежде всего для генерации кода и работы в роли интеллектуального ассистента программиста: она обучена следовать инструкциям и отвечать на запросы, связанные с написанием и обработкой программного кода. В качестве обучающих данных указаны наборы Magicoder-OSS-Instruct-75K и Magicoder-Evol-Instruct-110K. Модель основана на архитектуре DeepSeek, содержит 6,7 млрд параметров и работает в режиме text-generation. Поддерживаются GGUFv2-файлы с различными уровнями квантизации от 2 до 8 бит, что позволяет запускать модель с разными компромиссами между качеством, потреблением памяти и скоростью на CPU и GPU. Формат совместим с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Языки и размер контекстного окна в README не указаны. Сильными сторонами модели являются специализация на задачах программирования, возможность локального запуска и широкий выбор вариантов квантизации. Ограничения включают потенциальное снижение качества при использовании более агрессивной квантизации, а также отсутствие в предоставленных данных подробных характеристик производительности, поддерживаемых языков и контекста. Указана лицензия DeepSeek с типом «other»; точные условия лицензии следует уточнять в оригинальном репозитории модели.

Morph V3 Fast — модель компании Morph для быстрого применения правок к коду. Она предназначена для сценариев, где нужно преобразовать исходный код по инструкции и фрагменту с изменениями; карточка указывает скорость около 10 500 токенов в секунду и точность 96% для быстрых преобразований кода. Для работы промпт должен содержать инструкцию, исходный код и фрагмент правки в заданном порядке. Модель рассчитана на редактирование кода, а не на общий диалог. Данные о базовой модели, архитектуре, размере, поддерживаемых языках программирования, контексте и лицензии не приведены.

nuprl/MultiPL-T-CodeLlama_34b — набор дообученных версий CodeLlama-34b, подготовленный авторами проекта MultiPL-T на данных MultiPL-T. Репозиторий содержит контрольные точки по эпохам; конкретный язык программирования и контрольную точку можно определить по сообщению коммита. Модель представляет собой плотную авторегрессионную Llama-архитектуру объёмом 33,5 млрд параметров и принимает текстовый ввод, выдавая текст. Основное назначение — генерация кода с переносом знаний между языками программирования, включая языки с меньшим объёмом обучающих данных. Максимальный родной контекст — 16 384 токена; для запуска предусмотрена библиотека Transformers и формат PyTorch. Модель распространяется по лицензии OpenRAIL. Карточка не уточняет языковый вариант конкретной контрольной точки; перед использованием следует выбрать ревизию по коммиту и свериться с карточкой исходной CodeLlama-34b.

Openai_gpt-oss-20b-CODER-NEO-CODE-DI-MATRIX-GGUF — это специализированная GGUF-квантизация базовой модели openai/gpt-oss-20b, подготовленная DavidAU. Вариант ориентирован прежде всего на генерацию и анализ программного кода, а также поддерживает общий чат, рассуждения, решение задач и мозговой штурм. Для оптимизации заявлены отдельные NEO- и CODER-наборы данных, объединённые в Dual Imatrix (DI-Matrix), применённые к квантизированным версиям модели. Модель использует архитектуру Mixture of Experts с 20B параметров и поддерживает до 24 экспертов, при этом в README рекомендуются 4–8 активных экспертов в зависимости от сценария. Указаны языки и возможности работы преимущественно для английского языка, контекст до 128k токенов, использование инструментов и browsing. Доступны варианты IQ4_NL и MXFP4_MOE; наборы MXFP4_MOE предназначены для эффективного сжатия, но README отмечает проблемы совместимости и качества для некоторых конфигураций. Разработчик сообщает о тестировании на сложных задачах программирования, однако результаты приведены без независимых бенчмарков. Сильные стороны модели — специализация на коде, поддержка длинного контекста, MoE-архитектура и несколько вариантов квантизации. К ограничениям относятся зависимость качества от выбранного числа активных экспертов, параметров сэмплирования и конкретного кванта, а также возможные проблемы MXFP4_MOE из-за особенностей тензоров исходной модели. Модель распространяется по лицензии Apache-2.0.

Ornith-1.0-35B-A3B-MXFP4_MOE_Hybrid-Imatrix-GGUF — это квантизированная GGUF-версия языковой модели Ornith-1.0-35B, разработанной Ornith AI; данные модели опубликованы пользователем jashepp. Согласно README, базовая модель создана на основе Gemma 4 и Qwen 3.5 и ориентирована прежде всего на агентные задачи программирования. Модель предназначена для генерации текста и кода, планирования и выполнения многошаговых правок в проектах, использования инструментов и других сценариев, где важны рассуждение и автономное решение задач. Модель использует архитектуру Mixture of Experts с заявленным общим размером 35B параметров и активными 3B параметрами (A3B). Репозиторий содержит варианты с ручной настройкой точности, включая MXFP4 для MoE-слоёв, Q8_0 и F16 для отдельных компонентов, а также калибровочную importance matrix (imatrix), оптимизированную для сохранения качества рассуждений при снижении требований к памяти. Указан английский язык; поддерживаются текстовые запросы и ответы. Размер контекста в README для самой модели не указан. К сильным сторонам относятся ориентация на agentic coding, планирование перед внесением изменений, поддержка reasoning, tool-use и chained distillation, а также уменьшенный по сравнению с полноразмерным вариантом объём памяти благодаря квантизации. Ограничения связаны с тем, что это квантизированная сборка, поэтому качество и скорость зависят от выбранного файла, совместимого движка GGUF и доступной видеопамяти; точные требования к оборудованию, бенчмарки и возможности работы на других языках в README не приведены. Модель распространяется по лицензии MIT.

Ornith-1.5-35B-A3B — среднеразмерная модель семейства Ornith-1.5, разработанная командой Ornith. Это модель типа mixture-of-experts, ориентированная прежде всего на программирование и агентные сценарии. Она предназначена для решения задач в терминале, разработки и исправления программного кода, а также для автономных многошаговых рабочих процессов, где требуется выбирать стратегии, взаимодействовать с инструментами и выполнять rollouts. Модель содержит 35 млрд параметров, но активирует около 3 млрд параметров на токен, что снижает вычислительную нагрузку по сравнению с плотными моделями сопоставимого общего размера. Ornith-1.5 развивает подход Ornith-1.0: модель совместно оптимизирует генерацию задач, построение scaffold и rollouts решений с использованием reinforcement learning и самоулучшения. В README указано, что она превосходит сопоставимую Qwen3.6-35B-A3B и ряд плотных моделей на бенчмарках агентного программирования и кодинга, включая Terminal-Bench 2.1 и SWE-bench Verified. Модель опубликована для библиотеки MLX и относится к задачам генерации текста. README не указывает поддерживаемые языки, размер контекстного окна, мультимодальные возможности, точные требования к оборудованию или лицензию, поэтому эти характеристики нельзя определить по представленным данным. Также заявленные результаты зависят от конкретных бенчмарков и конфигураций, а пригодность модели для других задач требует отдельной проверки.

Ornith-1.5-397B-FP8 — крупная языковая модель от команды ornith-ai, флагман семейства Ornith-1.5. Это 397-миллиардная mixture-of-experts-модель для генерации текста, прежде всего для программирования, работы с терминалом и решения задач разработки программного обеспечения. Модель развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным дообучением, промежуточным обучением и постобучением. Ключевая особенность Ornith-1.5 — цикл самоулучшения: модель совместно оптимизирует генерацию учебных задач, построение scaffolds и rollouts решений с применением reinforcement learning. Такой подход предназначен для автоматического обнаружения эффективных стратегий решения задач и повышения качества без опоры только на фиксированный набор вручную подготовленных заданий и harness-ов. В README указана версия FP8; сведения о контекстном окне, поддерживаемых языках, мультимодальности и точной внутренней архитектуре, кроме MoE, не приведены. Сильной стороной модели являются результаты в задачах программирования: 86,1 на Terminal-Bench 2.1 (Terminus-2), 85,2 на Terminal-Bench 2.1 (Claude Code) и 86 на SWE-bench Verified. Ограничениями можно считать очень крупный размер и связанные с ним требования к вычислительным ресурсам, а также отсутствие в предоставленной карточке подробностей о производительности в других сценариях, системных требованиях и ограничениях применения. Модель распространяется по лицензии MIT.

Q-Trust CodeBERT — классификатор исходного кода, разработанный для проекта миграции Q-Trust на постквантовую криптографию. Модель дообучена на базе huggingface/CodeBERTa-small-v1 и определяет, использует ли фрагмент кода криптографию; метка LABEL_1 означает наличие криптографического использования. Архитектура — RoBERTa с классификационной головой, размер — 96,6 млн параметров, контекст — 514 токенов. Доступны веса Safetensors и формат ONNX. Модель предназначена для поиска криптографических вызовов и примитивов в исходных файлах как начального этапа инвентаризации перед миграцией на постквантовые алгоритмы. В README сообщается о F1 0,9525 на отложенной выборке из 2415 примеров; на файлах CryptoAPI-Bench указана полнота 0,877. Модель обнаруживает использование криптографии, но не выявляет неправильное или небезопасное применение. Обучающая выборка содержит 12 462 файла. Лицензия — MIT.

BenevolenceMessiah/Qwen2.5-Coder-32B-Instruct-abliterated-Q5_K_M-GGUF — это квантизированная версия в формате GGUF модели Qwen2.5-Coder-32B-Instruct-abliterated. Репозиторий содержит конвертацию исходной модели, выполненную с помощью llama.cpp через сервис GGUF-my-repo. В метаданных указана лицензия Apache-2.0, а базовой моделью названа huihui-ai/Qwen2.5-Coder-32B-Instruct-abliterated. Модель предназначена для генерации текста и диалогового использования, прежде всего для задач, связанных с программированием: написания, объяснения и обработки кода. Она рассчитана на запуск через llama.cpp в командной строке или в режиме сервера и может применяться локально при наличии совместимого оборудования. В README также отмечена поддержка английского языка. Ключевые характеристики — архитектура семейства Qwen2.5-Coder, размер 32B параметров и квантизация Q5_K_M в формате GGUF. README не содержит сведений о точном размере контекста, поддерживаемых модальностях помимо текста, результатах тестирования, требованиях к памяти и производительности. Вариант abliterated позиционируется как менее ограниченный, однако подробности метода его создания и практические ограничения не описаны. Для использования требуется совместимая сборка llama.cpp; условия лицензии указаны как Apache-2.0.

apto-as/Qwen2.5-Coder-7B-Instruct-Q5_K_M-GGUF — это квантизированная версия Qwen2.5-Coder-7B-Instruct, преобразованная в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель разработана на базе Qwen/Qwen2.5-Coder-7B-Instruct и предназначена для генерации текста и работы с программным кодом в диалоговом режиме. Модель ориентирована на задачи, связанные с написанием и обработкой кода, а также на интерактивное использование через llama.cpp в CLI или серверном режиме. Указан размер базовой модели 7B; применяется квантизация Q5_K_M. Поддерживаемый язык в карточке — английский. Формат GGUF позволяет запускать модель через llama.cpp, в том числе локально, однако конкретные архитектурные параметры и размер контекстного окна в README не указаны; в примере сервера используется контекст длиной 2048 токенов. К сильным сторонам относятся специализация на программном коде, инструктивный режим и совместимость с llama.cpp. Ограничения включают отсутствие подробных сведений о качестве, поддерживаемых языках программирования, мультимодальности и фактических требованиях к оборудованию. Модель распространяется по лицензии Apache-2.0.