II.3Рефакторинг, миграция и модернизация

Это квантованная модель Qwen3-Coder-30B-A3B-Instruct в формате GGUF, преобразованная пользователем n00b001 из исходной модели Qwen/Qwen3-Coder-30B-A3B-Instruct с помощью llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и ориентирована прежде всего на задачи программирования и взаимодействие с кодом; запуск предусмотрен через llama.cpp в консольном режиме или в формате сервера. В названии указаны конфигурация 30B-A3B и квантование Q4_K_M, однако README не содержит подробностей об архитектуре, фактическом размере файла, поддерживаемых языках и модальностях. Для серверного запуска приведён пример с контекстом 2048 токенов. Сильной стороной является возможность локального использования в совместимом окружении llama.cpp и более экономичное представление благодаря квантованию. Ограничения, включая возможные потери качества из-за квантования и требования к аппаратному обеспечению, в README не описаны. Указана лицензия Apache-2.0; ссылка на лицензию относится к исходной модели Qwen/Qwen3-Coder-30B-A3B-Instruct.

Qwen3-Coder-480B-A35B-Instruct-GGUF — это набор квантизированных вариантов инструкционной модели Qwen3-Coder-480B-A35B-Instruct, разработанной командой Qwen. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; модели распространяются в формате GGUF и предназначены для запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель ориентирована на генерацию текста и задачи программирования в диалоговом режиме. README указывает шаблон запросов с ролями system, user и assistant. Доступны варианты квантизации Q2–Q8 с размером файлов примерно от 169 до 510 ГБ; версии с более высокой точностью обеспечивают лучшее качество, но требуют значительно больше оперативной памяти, а низкоразрядные варианты экономят ресурсы за счёт снижения качества. Для большинства сценариев автор рекомендует варианты Q4_K_M, Q5_K_M и Q6_K. Сильная сторона модели — большой размер исходной модели и широкий выбор квантизаций, позволяющий выбирать компромисс между качеством и требованиями к памяти. Ограничения — крайне высокие аппаратные требования даже у компактных вариантов, а также возможное ухудшение качества при использовании низких уровней квантизации. Сведения о поддерживаемых языках, размере контекста, мультимодальности и лицензии в README не указаны.

rombodawg/rombos_Llama3-8B-Instruct-Replete-Adapted — экспериментальная чат-модель на архитектуре Llama 3, созданная Rombodawg. В README сказано, что к Meta-Llama-3-8B-Instruct применён адаптер Replete-AI/Replete-Coder-Llama3-8B; метаданные указывают 7,5 млрд параметров, формат PyTorch и контекст 8192 токена. Для модели заявлены генерация и объяснение кода, перевод между языками программирования, помощь с математикой, вопросы безопасности кода, вызов функций и общие диалоговые задачи. README описывает исходный обучающий набор как примерно на 75% состоящий из инструкций по программированию и на 25% — из общих инструкций; в метаданных перечислены соответствующие датасеты для кода, математики и диалогов. Модель предназначена для диалогового использования и генерации текста, включая код. Карточка характеризует её как эксперимент и не приводит сравнительных оценок качества. Указанный контекст — 8192 токена; автор предупреждает, что качество за его пределами не гарантируется. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Seed-Coder-8B-Reasoning — языковая модель для генерации кода, разработанная ByteDance Seed и представленная в формате GGUF сообществом Unsloth. Она предназначена для решения задач программирования, включая генерацию, анализ и доработку кода, а также для сценариев, требующих многошагового рассуждения, таких как соревновательное программирование. Модель обучалась на общедоступных данных в этапах предварительного и последующего обучения с применением reinforcement learning для усиления способностей к рассуждению. Это causal language model примерно на 8 млрд параметров с контекстом до 65 536 токенов. В README не указаны поддерживаемые языки программирования и естественные языки, а также конкретная архитектура или модальности, поэтому модель следует рассматривать как текстовую. К сильным сторонам относятся заявленная высокая эффективность среди открытых моделей сопоставимого размера и хорошие результаты в competitive programming; по данным разработчиков, она превосходит QwQ-32B и DeepSeek-R1 на IOI 2024 и сопоставима с o1-mini по рейтингу ELO на соревнованиях Codeforces. Ограничения и требования к аппаратным ресурсам в README подробно не описаны. Лицензия проекта — MIT.

Speechless CodeLlama 34B v1.9 — дообученная модель на базе CodeLlama-34B от Meta, опубликованная uukuguy. Она создана для генерации и понимания кода, а также для улучшения способностей модели к рассуждению и планированию. Дообучение выполнено на 122 828 примерах из наборов Airoboros 2.2, OpenOrca и Open-Platypus. Модель использует авторегрессионную архитектуру Transformer семейства Llama, содержит 33,5 млрд параметров и имеет контекст длиной 16 384 токена. Принимает текст и генерирует текст; карточка сообщает о поддержке английского языка и задачах работы с кодом. В README приведён результат 70,73 на HumanEval-Python, однако он не описывает методику оценки. Модель подходит для автодополнения и генерации кода, а также для задач, требующих рассуждений и планирования. README указывает, что исходный CodeLlama предназначен для работы с кодом и не позиционируется как Python-специалист или чат-модель; ответы могут быть неточными или нежелательными, поэтому модель следует проверять в целевом сценарии. Лицензия — llama2 (лицензия Meta для Code Llama).

AynCoding-Gemma2 — модель для генерации и рефакторинга кода, созданная на базе Google Gemma 2 2B Instruct и адаптированная для рассуждений в духе классической арабской логики Manṭiq и лексикографии Ishtiqāq. В README заявлен протокол Chain-of-Thought перед генерацией кода, а также внимание к типизации, структуре AST, обработке состояний, зависимостей и ошибок. Модель предназначена для синтеза кода по спецификациям, архитектурного рефакторинга и аудита кода. Карточка описывает проверку на примере ограничителя частоты запросов и приводит результаты внутреннего статического аудита; эти показатели относятся к заявленным автором оценкам. Репозиторий содержит GGUF-файл и конфигурацию для Ollama, а в примере llama-cpp-python задан контекст 8192 токена. В метаданных указаны задачи генерации текста, поддержка чата и кода, языки английский и арабский. Производная модель связана с google/gemma-2-2b-it; указан формат GGUF и лицензия Gemma. Практические результаты могут отличаться от приведённых в карточке; подробности о точности на независимых тестах не представлены.

mchochlov/codebert-base-cd-ft — модель на базе RoBERTa, представленная в формате Sentence-Transformers и дообученная с помощью контрастивного обучения на фрагментах кода из BigCloneBench. Она преобразует код в плотные векторы размерности 768 и предназначена прежде всего для обнаружения похожих или скопированных фрагментов кода. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Её можно применять для поиска клонов в репозиториях, сравнения фрагментов кода и построения поиска по сходству в пространстве эмбеддингов. Для использования доступны веса PyTorch и safetensors; README описывает запуск через Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

bartowski/codegeex4-all-9b-GGUF — это набор GGUF-квантизаций модели CodeGeeX4-ALL-9B, разработанной THUDM. Модель предназначена для генерации текста и, судя по названию и исходной модели, ориентирована прежде всего на работу с программным кодом и связанными текстовыми задачами. В README явно указана поддержка китайского и английского языков. Модель содержит около 9 млрд параметров в исходном варианте и подготовлена для запуска через llama.cpp. Доступны варианты квантизации от Q8_0 до IQ2_XS с размером файлов примерно от 3,61 до 9,99 ГБ. Более высокие разрядности обеспечивают лучшее качество, тогда как низкоразрядные варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству. Для работы используется специальный формат промпта с маркерами системного, пользовательского и ассистентского сообщений. Размер контекста, дополнительные модальности и точная архитектура в README не указаны. К сильным сторонам относятся широкий выбор квантизаций, возможность локального запуска через llama.cpp и наличие вариантов с высоким качеством, включая Q6_K и Q6_K_L. Ограничения связаны с потерями качества при низкой разрядности, а также с отсутствием в предоставленных данных подробных результатов тестирования, характеристик контекстного окна и описания ограничений исходной модели. Лицензия указана как специальная CodeGeeX4; подробные условия следует уточнять в файле LICENSE исходной модели THUDM/codegeex4-all-9b.

CodeNinja 1.0 Openchat 7B — это языковая модель для генерации текста и кода, разработанная beowulf на базе архитектуры Mistral. Представленная версия выпущена TheBloke в формате GGUF и предназначена для локального запуска через llama.cpp и совместимые приложения и библиотеки. Модель содержит около 7 миллиардов параметров и ориентирована прежде всего на англоязычные задачи программирования: генерацию кода, работу с инструкциями и сценарии ассистирования разработчикам. Для обучения указаны наборы данных glaive-code-assistant-v2 и code_instructions_122k_alpaca_style. Поддерживается текстовая модальность; максимальная длина контекста в README не указана. Для работы следует использовать шаблон OpenChat-Correct. Формат GGUF поддерживает варианты квантования от 2 до 8 бит, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством генерации, включая запуск на CPU и GPU. При этом квантование может снижать точность по сравнению с исходной моделью в формате FP16, а качество и производительность зависят от выбранного варианта и программного окружения. Модель распространяется по лицензии MIT.

ISOM-R1-Coder-16B-MoE — экспериментальная модель для генерации кода и работы с большими контекстами репозиториев, разработанная Prannessh K.V.A. на основе DeepSeek-Coder-V2-Lite-Instruct. Автор заявляет архитектуру Mixture-of-Experts с 64 маршрутизируемыми и 2 общими экспертами, активацией TopK=6 и Multi-Head Latent Attention. Метаданные указывают 2,5 млрд параметров, тогда как README приводит 15,71 млрд параметров всего и 2,36 млрд активных на токен. Модель предназначена для генерации и дополнения кода, диалоговой помощи по программированию и анализа репозиториев в контексте до 163 840 токенов. В README описан механизм ISOM с проекцией состояний внимания на изометрическое многообразие для ограничения роста памяти; приведённые характеристики расхода памяти являются теоретическими оценками, а эмпирическая проверка на последовательностях длиной 160K не заявлена. Поддерживаемые языки по метаданным — английский и китайский. Модель опубликована в формате safetensors и доступна по лицензии CC-BY-NC-ND-4.0 согласно метаданным; README также ссылается на лицензию DeepSeek Model License для исходных весов. Модель не аффилирована с DeepSeek AI. Перед использованием следует учитывать ограничения лицензий и проверять применимость условий к производной модели.

HA-Siala/Mamba-full-v0.1 — дообученная языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная для поиска ошибок в коде Mamba и подготовки его переработанных версий. Модель предназначена для анализа и рефакторинга кода; контекст составляет до 32 768 токенов. Модель принимает текстовые запросы и выдаёт текст, включая предложения по исправлению кода. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не уточняет поддерживаемые языки программирования или результаты оценки качества.

Mellum-4b-dpo-all — языковая модель для генерации программного кода, разработанная JetBrains. Это третий этап обучения модели Mellum: после предварительного обучения и SFT применена direct preference optimization, чтобы повысить читаемость и полезность генерируемого кода. Модель построена на плотной архитектуре в стиле LLaMA и содержит 3,7 млрд параметров. Она предназначена прежде всего для контекстного автодополнения, генерации кода и заполнения пропусков с учётом дополнительного контекста. Контекстное окно составляет 8192 токена. Обучение охватывало широкий набор языков программирования, включая Python, Java, JavaScript, C++, Go, Rust, SQL и другие. Модель рассчитана на интеграцию в IDE и помощники программиста, а также на локальный или облачный запуск. Предпочтения при обучении нацелены на более читаемый код, но генерации могут наследовать стили и предубеждения открытых репозиториев; предложенный код необходимо проверять на ошибки и уязвимости. Весы доступны в формате bf16, лицензия — Apache-2.0.

MiniMax-M3-Coder-Small — компактная сборка MiniMax-M3 для программирования и агентных сценариев, подготовленная OsaurusAI для устройств Apple Silicon. Модель основана на MiniMaxAI/MiniMax-M3 и использует разреженную архитектуру MiniMax M3 VL; сохранены мультимодальные возможности для работы с изображениями. Сборка занимает около 84 ГБ и применяет формат JANG: смешанную квантизацию с AWQ-масштабированием и сокращением набора маршрутизируемых экспертов методом REAP. Оставлено 70 из 128 экспертов; веса экспертов имеют разрядность 2 бита, разрядность внимания — 8 бит. Для запуска требуется собственная среда Osaurus на Apple Silicon: модель не загружается через Transformers, vLLM или обычные загрузчики MLX. В README заявлен результат HumanEval pass@1 100% на адаптивной оценке из 82 задач, однако это результат конкретного теста, а не гарантия качества в других условиях. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и у базовой модели MiniMaxAI/MiniMax-M3 перед применением.

BlossomsAI Qwen2.5-Coder-14B-Instruct-Uncensored-GGUF — набор оптимизированных квантованных моделей в формате GGUF, созданных на основе Qwen/Qwen2.5-Coder-14B-Instruct. Разработчиком указана BlossomAI. Модель предназначена для генерации текста и задач, связанных с программированием, включая базовое текстовое дополнение и создание ответов с различным соотношением качества и эффективности инференса. Доступны варианты квантования Q2_K, Q3_K_M, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K и Q8_0. Они ориентированы на разные сценарии: от экономии памяти до получения результатов максимального качества; Q4-варианты обозначены как сбалансированные, а Q8_0 — как вариант для производственных результатов. Архитектура, размер контекста, поддерживаемые языки и модальности в README не указаны. Ограничения включают возможное снижение качества у более сильной степени квантования и отсутствие подробных сведений о характеристиках и тестировании. Распространяется по лицензии MIT.

Qwen2.5-Coder-7B-Instruct-heretic — модификация Qwen2.5-Coder-7B-Instruct, опубликованная пользователем saidutta69 и созданная с помощью Heretic 1.4.0. Это генеративная текстовая модель для программирования, основанная на модели Qwen с нативным размером около 7,6 млрд параметров. Указанный язык — английский; модель предназначена для текстового взаимодействия и генерации кода. Модель ориентирована на локальные coding agents, парное программирование и помощь на уровне репозитория. В ней применена directional ablation, или abliteration: целевые изменения весов в выходных проекциях attention и down-projections MLP подавляют поведение, связанное с отказами, без дообучения. По данным README, это сохраняет знания и следование инструкциям базовой модели; доступны полноточные BF16-веса и GGUF-квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0 для запуска через llama.cpp, Ollama и другие совместимые инструменты. Главное отличие модели — существенно более редкие отказы на выбранных adversarial-запросах: 3 из 100 против 100 из 100 у базовой модели, при заявленном KL divergence 0,0196. При этом она не является улучшением базовых возможностей и наследует фактические ограничения и предубеждения Qwen2.5-Coder-7B-Instruct. В модели отсутствует дополнительная фильтрация безопасности, поэтому её не рекомендуется размещать за незащищённым публичным интерфейсом. Лицензия унаследована от базовой модели и обозначена как qwen-research; для коммерческого использования необходимо ознакомиться с условиями исходной лицензии.

Continuum AI представила производную Qwen3.5-27B, обрезанную по головам внимания на 30% и дообученную для задач программирования. Модель предназначена для генерации и дополнения кода в диалоговом режиме; в карточке также заявлены работа с агентными сценариями и вызовом функций. Архитектура — плотная причинная языковая модель Qwen3.5; в метаданных указано 22,3 млрд параметров и контекст до 262 144 токенов. Репозиторий описывает конвейер prune → train → quant и вариант MLX 4-bit, хотя карточка также упоминает GGUF-квантизацию и тесты в fp16. Заявленное улучшение perplexity на коде с 3,07 до 2,96 основано на одном самоотчётном бенчмарке, поэтому его следует считать предварительным. Лицензия — Apache-2.0.

Dzluck опубликовал GGUF-сборку Qwen3.5 Claude Coder — дообученной модели для автономной работы в Claude Code в роли агента-программиста и системного администратора. Репозиторий содержит варианты на 4 и 9 млрд параметров; карточка указывает базовую модель Qwen/Qwen3.5-9B. Модель рассчитана на контекст до 64 тыс. токенов, диалог и вызов инструментов через совместимый с Anthropic API. Она предназначена для локальных задач с кодом, файлами, диском и сетью: README подчёркивает выполнение действий через инструменты и опору на их фактический вывод. Указана лицензия Apache-2.0. Заявления о качестве и скорости основаны на тестировании автора на компьютерах Apple Silicon через Ollama; приведённые результаты не являются независимой оценкой.

ManniX-ITA/Qwen3.6-27B-A3B-Coder — производная от Qwen/Qwen3.6-35B-A3B модель для генерации программного кода. В исходной MoE-модели число экспертов сокращено с 256 до 184 на слой по карте компетенций, ориентированной на задачи программирования; число активных экспертов сохранено на уровне A3B. В конфигурации по умолчанию задана маршрутизация top-10. По карточке, дообучение и дистилляция не применялись. Модель сохраняет архитектурные компоненты базовой модели, включая vision tower, но в метаданных основная задача указана как text-generation. Модель предназначена для генерации кода и задач программирования, в том числе на Rust, Java и JavaScript. В карточке приведены результаты HumanEval, LiveCodeBench и MultiPL-E; также сообщается о снижении показателей в отдельных общих и агентных задачах. Лицензия — Apache-2.0. Результаты MultiPL-E измерены с top-8, тогда как опубликованная конфигурация использует top-10; оценка использования инструментов затронута известной ошибкой оценщика и включает safety-critical failures.

Qwen3.6-27B-Claude-Opus-Reasoning-Distilled-GGUF — набор GGUF-квантизированных версий модели, разработанный rico03 на базе Qwen3.6-27B от команды Qwen. Модель дообучена примерно на 14 тысячах трасс рассуждений Claude 4.6 Opus и предназначена для генерации текста с акцентом на структурированное рассуждение. Модель ориентирована на сложные задачи, программирование и математику. Заявлены более компактный стиль рассуждений на простых запросах и глубокая пошаговая декомпозиция на трудных задачах, при сохранении возможностей базовой модели в кодинге и математике. Поддерживаются английский и мультиязычные сценарии. Архитектура основана на Qwen3.6-27B; точный размер контекста в README не указан, а пример запуска использует контекст 8192 токена. Модель доступна в вариантах квантизации от Q2_K до Q8_0 размером примерно от 10 до 28,6 ГБ, что позволяет выбирать между требованиями к памяти и качеством. Формат совместим с llama.cpp, Ollama, LM Studio и другими GGUF-совместимыми средами. Ограничения включают возможную потерю качества при сильной квантизации, а также отсутствие в README независимой оценки именно этих GGUF-вариантов; приведённые бенчмарки относятся к базовой Qwen3.6-27B. Указана лицензия Apache 2.0, при этом релиз также обозначен как предназначенный для исследований и личного использования.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-mlx-oQ8e-1M — это версия модели Qwen3.8-27B Cold Fusion, разработанной DavidAU, с последующей квантизацией, масштабированием контекста и упаковкой от Solstice-AI. Модель предназначена для локального запуска на устройствах Apple Silicon через Apple MLX, Anvil Runtime и MLX-LM, включая задачи рассуждений, программирования, агентной разработки ПО, отладки репозиториев и длительных рабочих процессов с большим контекстом. В README также заявлена поддержка сценариев управления операционными системами и мобильными устройствами. Модель имеет размер 27 млрд параметров и поставляется в смешанной 8-битной точности Apple MLX oQ8e, оптимизированной с помощью importance matrix. Заявлена гибридная архитектура с Gated Delta Recurrent Network и Grouped-Query Attention, а также аппаратная Multi-Token Prediction. Максимальный контекст составляет 1 048 576 токенов благодаря YaRN RoPE scaling. Указаны английский и китайский языки; в метаданных модель обозначена как image-text-to-text, однако подробности поддержки изображений в README не приведены. К заявленным сильным сторонам относятся большой контекст, оптимизация для unified memory и Metal на Apple Silicon, сохранение качества при квантизации и высокая производительность с заявленным ускорением 1,72–2,20 раза благодаря MTP. README приводит результаты внутренних или заявленных разработчиками сравнений, включая 61,7% на SWE-bench Pro и 735 на ARC-C, но их независимая проверка не представлена. Ограничения включают зависимость от совместимого Apple Silicon окружения, возможные потери качества из-за квантизации и отсутствие подробных данных о требованиях к памяти и воспроизводимости оценок. Лицензия указана как Apache 2.0.

Qwen3-coder-REAP-25B-A3B-Rust-GGUF — это набор высокоточных квантованных версий языковой модели для генерации кода, созданный Em-80 на основе Qwen3-Coder-REAP-25B-A3B от Cerebras Systems и производной Qwen3-Coder-30B-A3B-Instruct от Alibaba Cloud. Модель предназначена прежде всего для генерации, анализа и решения задач программирования, с особым вниманием к Rust; также заявлена поддержка Python, математического и логического рассуждения, а также качественного английского текста. Архитектура модели относится к causal language model и основана на MoE-варианте с Router-weighted Expert Activation Pruning (REAP). В репозитории представлены веса в формате GGUF с несколькими уровнями квантования и файл importance matrix (imatrix), подготовленный на основе набора из 3000 примеров. Калибровочные данные охватывают Rust и Python, математическое рассуждение, логические доказательства и английскую прозу. Точный активный и общий размер модели, количество экспертов, размер контекста и перечень поддерживаемых языков программирования, кроме упомянутых Rust и Python, в README не указаны. Сильной стороной является специализированная imatrix, призванная сохранять качество генерации кода и сложного рассуждения при низкобитном квантовании, а также готовность к запуску через llama.cpp. Ограничения включают отсутствие опубликованных бенчмарков и гарантии качества; модель предоставляется «как есть». Веса и imatrix распространяются по лицензии Apache License 2.0, при этом модификации, квантование и создание imatrix выполнены Em-80.

Replete-Coder-V2-Llama-3.1-8b-GGUF — это набор GGUF-квантизаций модели Replete-Coder-V2-Llama-3.1-8b, разработанной Replete-AI и сконвертированной и квантованной bartowski с использованием llama.cpp и метода imatrix. Модель относится к классу text-generation и предназначена прежде всего для генерации и обработки программного кода. В README явно указан английский язык; другие языки не заявлены. Модель основана на архитектуре Llama 3.1 и имеет 8 миллиардов параметров. Доступны варианты от F16 до Q2_K, с размером файлов примерно от 3,18 до 16,07 ГБ. Квантизации позволяют запускать модель локально с различными компромиссами между качеством и требованиями к памяти; для работы рекомендуется llama.cpp, в частности через LM Studio. Наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M и некоторые другие. Более сильное сжатие уменьшает требования к оперативной памяти, но снижает качество. Модель поддерживает текстовый ввод и вывод; сведения о мультимодальности и размере контекстного окна в README отсутствуют. Для корректного взаимодействия следует использовать указанный шаблон промпта с ролями system, user и assistant. Модель распространяется под лицензией Apache-2.0. Описанные ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие данных о бенчмарках, точности, безопасности и применимости за пределами заявленного английского языка.

buelfhood/SOCO-Java-CodeBERTa-ST-1 — модель Sentence Transformers, дообученная автором на базе huggingface/CodeBERTa-small-v1 для получения эмбеддингов исходного кода. Она преобразует текст в плотные векторы размерностью 768 и предназначена для сравнения семантической близости, семантического поиска и группировки похожих фрагментов кода. В README указаны также поиск парафразов и классификация текста как возможные сценарии применения. Модель использует архитектуру RoBERTa с mean pooling и косинусную меру сходства. Максимальная длина последовательности — 512 токенов; метаданные указывают контекст в 514 токенов. Модель обучалась на наборе из 33 411 пар предложений с BatchAllTripletLoss. Базовая CodeBERTa-small-v1 предназначена для кода на шести языках программирования; естественные языки и специальные прикладные области этой модели в источниках не указаны. Формат весов — Safetensors. Лицензия в предоставленных данных не указана.

sweepai/sweep-next-edit-v2-7B — модель на 7,1 млрд параметров, разработанная Sweep и дообученная на базе Qwen/Qwen2.5-Coder-7B для предсказания следующего изменения в коде. Она получает текущий файл и положение курсора, недавние diff-фрагменты и контекст из связанных файлов, после чего генерирует изменённый блок кода. Обучение включало SFT, GRPO и DPO. Модель предназначена для предсказания и автодополнения правок в редакторе кода с учётом контекста файла, истории изменений и связанных файлов. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Tessa-T1 — языковая модель на архитектуре Transformer, разработанная smirki на основе Qwen2.5-Coder-3B-Instruct и дообученная для разработки интерфейсов на React. Она генерирует функциональные и семантически структурированные React-компоненты по текстовым запросам, учитывает контекст интерфейса и предназначена для интеграции в агентные системы разработки. Модель содержит 3,1 млрд параметров, поддерживает контекст длиной до 120 000 токенов и работает с текстовым вводом и текстовым выводом. Карточка указывает английский язык. Лицензия — Apache-2.0; среди форматов репозитория в метаданных указан safetensors.

Trinity-2-Codestral-22B-v0.2-GGUF — набор GGUF-квантизаций базовой модели migtissera/Trinity-2-Codestral-22B-v0.2, подготовленный пользователем bartowski с использованием llama.cpp и метода imatrix. Модель относится к задачам генерации текста и ориентирована прежде всего на работу с кодом; запуск возможен через llama.cpp и LM Studio. Доступны варианты от исходных весов F16 размером 44,50 ГБ до компактных квантов IQ3 и Q3 размером около 10–12 ГБ, а также форматы Q4, Q5, Q6 и Q8. Более высокие уровни квантования обеспечивают лучшее сохранение качества, а варианты Q4_0_8_8, Q4_0_4_8 и Q4_0_4_4 оптимизированы для более быстрой инференции на ARM и CPU. В README не указаны архитектура, поддерживаемые языки, модальности и размер контекстного окна. Для работы рекомендуется использовать шаблон prompt format с ролями system, user и assistant. Сильной стороной набора является широкий выбор компромиссов между качеством, размером и скоростью запуска; варианты Q5–Q6 заявлены как высококачественные, а Q4 — как практичные для систем с ограниченными ресурсами. К ограничениям относятся возможная потеря качества при низких уровнях квантования и отсутствие подробных сведений о возможностях исходной модели. Лицензия указана как other, без дополнительных условий в представленном README.

CodeT5-large — модель семейства CodeT5, разработанная Salesforce и представленная в исследованиях по пониманию и генерации кода. Это энкодер-декодер на архитектуре T5 с 385,2 млн параметров по метаданным репозитория; в README размер этого чекпойнта указан как 770 млн, поэтому сведения о размере расходятся. Модель предварительно обучена на CodeSearchNet с примерами на Ruby, JavaScript, Go, Python, Java и PHP. Модель предназначена для генерации и преобразования кода, а также для задач понимания кода. Её можно использовать как базу для экспериментов и прикладных прототипов, загружая через Transformers как T5ForConditionalGeneration. Метаданные указывают контекст длиной 512 токенов и формат PyTorch. Карточка описывает проверку на бенчмарке CodeXGLUE, но не приводит численных результатов. Точность, безопасность и пригодность для конкретных сценариев следует оценивать отдельно; авторы также отмечают, что модель не разрабатывалась и не оценивалась для всех вариантов применения. Лицензия — BSD 3-Clause; README указывает исследовательскую направленность выпуска.

deepseek-coder-6.7B-kexer-GGUF — это набор GGUF-квантизированных версий модели deepseek-coder-6.7B-kexer, основанной на deepseek-ai/deepseek-coder-6.7b-base. Модель связана с датасетом JetBrains/KExercises; квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Предназначена прежде всего для генерации и решения задач программирования, включая сценарии разработки на Kotlin. Размер базовой модели составляет 6,7 млрд параметров. Доступны варианты квантизации от Q8_0 до IQ1_M с размером файлов примерно от 7,16 до менее 2 ГБ, что позволяет выбирать между качеством и требованиями к памяти. В README не указаны архитектурные детали, размер контекстного окна, полный перечень поддерживаемых языков и мультимодальные возможности. В качестве ориентира приведён результат pass@1 55,28 на MultiPL-HumanEval (Kotlin). Сильной стороной модели является специализация на коде и наличие широкого выбора квантизаций для локального запуска, однако более компактные варианты могут заметно уступать по качеству старшим версиям. Для работы рекомендуется проверить корректность шаблона запросов: в карточке отмечено, что chat template не задан, а приведённый формат может быть неточным. Модель распространяется по лицензии Apache-2.0.

DeepSeek-Coder-V2-Lite-Instruct — языковая модель для работы с программным кодом, разработанная командой DeepSeek. Представленная версия mlx-community/DeepSeek-Coder-V2-Lite-Instruct-4bit-mlx была преобразована из исходной модели deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct в формат MLX с использованием mlx-lm 0.16.0. Модель предназначена для генерации кода и интерактивного решения задач программирования в формате инструкций. Она может использоваться через библиотеку mlx-lm, например для получения ответа на текстовый запрос. Версия имеет 4-битное представление и ориентирована на запуск в экосистеме MLX, однако сведения о точном размере, архитектуре, поддерживаемых языках программирования, модальностях и длине контекста в README не указаны. К сильным сторонам относятся адаптация к MLX и 4-битное представление, потенциально снижающее требования к памяти при локальном запуске. Ограничения связаны с отсутствием в предоставленных данных подробных характеристик качества, производительности и совместимости, а также с ориентацией на среду MLX. Модель распространяется по лицензии deepseek-license; в карточке она обозначена как other.

gemma-4-12B-coder-fable5-composer2.5-nvfp4 — это квантизированная MLX-версия дообученной модели Gemma 4-12B coder. Исходную fine-tune-модель разработал yuxinlu1, а данный вариант подготовил Sourav Singh для локального инференса на Apple Silicon. Модель ориентирована прежде всего на генерацию кода, задачи программирования и алгоритмическое рассуждение; заявлена поддержка reasoning channel. Модель использует архитектуру Gemma 4 Unified с текстовыми, визуальными и аудиокомпонентами, однако конкретные языки и размер контекстного окна в README не указаны. Основная часть весов представлена в формате NVFP4 с 4-битной плавающей точностью и group size 16; attention-модули o_proj и vision/audio projectors сохранены в 8-битном формате. Заявлены загрузка примерно за 1,7 секунды, объём около 6,8 ГБ и скорость декодирования около 28 токенов в секунду на M4 Pro. В тестах модель показала высокие результаты на HumanEval и MBPP, существенно превосходя базовую Gemma 4-12B-it в задачах программирования, но уступая ей на математическом бенчмарке GSM8K. Это специализированный MLX-чекпойнт для работы через Krill и не является совместимым с vanilla mlx_lm, mlx_vlm, llama.cpp, Ollama, transformers или vLLM. Для запуска требуется движок с поддержкой архитектуры gemma4_unified и смешанной конфигурации NVFP4. Модель распространяется по лицензии Gemma; права на исходную fine-tune-модель принадлежат её автору, а данный репозиторий изменяет квантизацию и упаковку.