II.3Рефакторинг, миграция и модернизация

Это объединённый чекпойнт jakeroxs на основе KAT-Coder V2.5 Dev 35B-A3B: к варианту Philadelphia Class с изменённым поведением отказов добавлены совместимые веса слоя Multi-Token Prediction (MTP). Базовая модель разработана KwaiPilot; вариант Philadelphia Class подготовил KridgeDookie, а MTP-голову — Myric. Модель предназначена для генерации кода и локальных сценариев программирования и работы coding-агентов. Архитектура — Qwen3.5 MoE, около 35,51 млрд параметров при примерно 3 млрд активных; репозиторий содержит веса safetensors. Добавленный MTP-слой предназначен для экспериментов со спекулятивным декодированием. Карточка также указывает разговорное применение и английский и китайский языки. Abliteration направлена на снижение склонности к отказам, но не гарантирует определённого поведения. Чекпойнт предлагается для дальнейшей конвертации или квантизации, а для прямого использования с llama.cpp автор рекомендует связанный GGUF-репозиторий. Лицензия — Apache-2.0.

LLaMutation-Qwen2.5-14B-SFFT-v0.0 — экспериментальная модель генерации текста для перевода и автодополнения кода, созданная разработчиком RESMP-DEV на базе Qwen/Qwen2.5-14B. Модель имеет плотную архитектуру Qwen2 и около 14 млрд параметров; в метаданных указан контекст до 131 072 токенов. Она предназначена для преобразования кода между языками программирования и работы как табулятор кода, например в Continue.dev. Для общения используется шаблон ChatML. Модель описана автором как альфа-версия: возможны особенности и нестабильность при настройке генерации. README рекомендует задавать системную инструкцию для перевода кода и минимизировать обычный текст в ответах. Лицензия — Apache-2.0.

mrm8488/mamba-coder — языковая модель для генерации кода и ответов на инструкции, основанная на архитектуре Mamba, разработанной как альтернатива трансформерам на основе пространства состояний. Модель содержит 6 млрд параметров и распространяется в формате PyTorch; в метаданных указана библиотека Transformers. Модель дообучена на наборе CodeAlpaca_20K из 20 тысяч примеров инструкций для задач программирования. Она подходит для генерации фрагментов кода, помощи в написании и изменении программ, а также ответов на вопросы о коде. Карточка не приводит результатов оценки качества. Лицензия — WTFPL.

Это квантованная версия MiMo-V2.6-Distill-Qwen-9B от Xiaomi MiMo, подготовленная FreedomAISVR в формате GGUF MXFP4 для запуска через llama.cpp. Исходная модель — дообученная методом SFT мультимодальная модель на 9 млрд параметров на основе Qwen3.5-9B; репозиторий распространяет её веса в более компактном формате. Модель сочетает слои Mamba-2 и полного внимания, включает визуальный энкодер и поддерживает контекст до 262 144 токенов. Для обработки изображений и видео требуется отдельный файл mmproj. Модель предназначена для агентного программирования и инженерии ПО, работы с инструментами и автоматизацией, анализа интерфейсов и изображений, связанных с кодом, а также задач кибербезопасности. README приводит результаты Xiaomi на кодовых бенчмарках, но они не были независимо проверены для этой сборки. Это исследовательская SFT-модель, представленная как отправная точка для дальнейшего обучения агентному поведению, а не как готовое производственное решение. Лицензия — MIT. К известным ограничениям относятся отсутствие весов MTP, включённый по умолчанию режим рассуждения и высокая потребность в памяти KV-кэша при длинном контексте. MXFP4 снижает точность представления весов; на GPU, отличных от NVIDIA Blackwell, производительность может быть ниже. Данных о поддерживаемых естественных языках в использованных источниках нет.

OmniCoder-9B-Claude-Opus-High-Reasoning-Distill — дообученная модель разработчика armand0e на базе Tesslate/OmniCoder-9B. Это плотная мультимодальная модель семейства Qwen3.5, представленная в формате safetensors; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для диалоговой генерации текста и изображений в ответ на текстовые запросы, в том числе для сценариев разработки ПО и работы с инструментами. Базовая модель описана как модель для генерации кода и многошаговых задач разработки; карточка этой версии не приводит отдельных результатов оценки или подробного описания обучения. Модель распространяется по лицензии Apache-2.0. В метаданных заявлены английский язык, визуальный ввод, чат и интерфейс вызова инструментов; размер параметров и длина контекста в предоставленных сведениях не приведены.

Это GGUF-квантование MXFP4 модели llmfan46/Ornith-1.0-35B-uncensored-heretic, опубликованное noctrex. Базовая модель предназначена для генерации кода, агентной работы с репозиториями и вызова инструментов; эта версия сохраняет возможность диалогового взаимодействия и генерации текста. Квантование MXFP4 уменьшает точность представления весов. В карточке нет сведений о поддерживаемых языках, длине контекста и лицензии, поэтому эти характеристики нельзя уточнить. Модель помечена как uncensored и heretic; такие метки указывают на снижение отказов, но README не описывает конкретные ограничения или гарантии поведения.

Qwen3.5-9B-Coder — экспериментальная дообученная модель разработчика armand0e на основе Qwen/Qwen3.5-9B. Она предназначена для программирования и агентных сценариев: ведения диалога, работы с кодом и использования инструментов. Дообучение проводилось примерно четыре часа на смесях трасс рассуждений и действий различных моделей; автор указывает, что рассуждения базовой модели оставили без изменений. Модель имеет плотную архитектуру Qwen3.5 на 9 млрд параметров, поддерживает обработку изображений и интерфейс вызова инструментов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Это экспериментальный чекпойнт, и карточка не приводит сравнительных оценок качества или подробных ограничений.

Карточка модели rwiecekgmailcom/qwen35-claude-coder на Hugging Face совпадает с карточкой Dzluck/qwen35-claude-coder-GGUF, поэтому описание составлено по ней. 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.

AnonimousA/Qwen3.8-Flash-Next-REAP-320-GGUF — неофициальная общественная производная модели Qwen3.8-Flash-Next, не связанная с Alibaba или командой Qwen. Это текстовая генеративная MoE-модель с прореживанием: число экспертов на слой уменьшено с 512 до 320. Доступны GGUF-квантизации семейства UD-Q3_K_XL объёмом около 64,2 GiB и Q2-вариант объёмом около 57,3 GiB. Отбор экспертов выполнен по много-доменному корпусу, включавшему агентские сценарии, код, диалоги, математику и тексты. Сведения о языках, размере контекстного окна и точной общей архитектуре в карточке не указаны. Модель ориентирована на генерацию текста, программирование и использование в условиях ограниченной видеопамяти, где важны размер, скорость предварительного заполнения и возможность размещения вычислений на GPU. Для основной версии заявлены результаты HumanEval 96,3%, 9 из 10 успешных генераций в тесте редких имён и ускорение prefill примерно на 23% относительно указанного базового варианта; Q2-версия может полностью размещаться на видеокарте с 32 ГБ. Ограничение — потеря части мировых знаний из-за прореживания: в тесте из 12 вопросов доля фабрикаций составила 25%, поэтому модель менее предпочтительна для универсального ассистента, ориентированного на фактическую осведомлённость. Лицензия указана как qwen-community-license-1.0.

Relace Search — модель для агентного поиска по кодовой базе. Она использует инструменты `view_file` и `grep` параллельно, чтобы находить файлы, относящиеся к запросу пользователя; в карточке подход противопоставлен RAG. README обрывается после описания агентного характера поиска, поэтому дополнительные сведения о разработчике, архитектуре, размере, языках, контексте и лицензии установить нельзя.

Tessa-T1 — языковая модель на базе трансформера Qwen2, разработанная smirki и настроенная для задач разработки интерфейсов на React. Она дообучена на Qwen/Qwen2.5-Coder-14B-Instruct и предназначена для генерации семантических React-компонентов по текстовым запросам, интеграции в кодовые агенты и рефакторинга фронтенд-кода. Модель содержит 14 млрд параметров, работает с текстом и поддерживает контекст до 120 000 токенов. Карточка указывает на диалоговый режим и интерфейс вызова инструментов; заявленная лицензия — Apache-2.0. README также описывает варианты точности bf16 и q8. Сильная сторона Tessa-T1 — генерация React-компонентов с учётом контекста интерфейса. Модель ориентирована на React, поэтому для других фреймворков подходит хуже; сложную логику JavaScript и динамическое управление состоянием может потребоваться дорабатывать вручную.

zeta-GGUF — это квантованная в формате GGUF версия модели zeta, разработанная командой Zed Industries и подготовленная для сообщества LM Studio. Квантование выполнено bartowski на основе llama.cpp, релиз b4688. Исходная модель — zed-industries/zeta, обученная на датасете zed-industries/zeta. Модель дообучена на базе Qwen2.5 Coder и ориентирована на задачи программирования. Её ключевой сценарий — edit prediction в редакторе Zed: предсказание и генерация изменений в исходном коде во время работы разработчика. Также она может применяться для других задач текстовой генерации, связанных с написанием и редактированием кода. В README не указаны размер модели, точная архитектура, поддерживаемые языки программирования и естественные языки, длина контекста или конкретные параметры квантования, поэтому эти характеристики нельзя определить по имеющимся данным. Сильной стороной модели является специализация на коде и интеграционных сценариях Zed, а возможные ограничения включают зависимость качества от выбранного варианта GGUF и отсутствие подробных сведений о производительности. Для модели указана лицензия Apache-2.0.

AReaL-boba-2-14B-Open — открытая разговорная языковая модель на 14 млрд параметров, разработанная лабораторией RL Lab компании Ant Research в рамках проекта AReaL. Это плотная модель семейства Qwen3 для генерации текста и диалога; карточка указывает контекст до 40 960 токенов, а интерфейс модели поддерживает вызов инструментов. Модель обучена с помощью асинхронного обучения с подкреплением на базе Qwen3 и предназначена прежде всего для рассуждений при генерации кода и решения задач программирования. В README приведены результаты на LiveCodeBench v5, Codeforces и CodeContests; для 14B-версии указаны 67,3, 1990 и 46,2 соответственно. Модель может использоваться для написания и анализа кода, а также в диалоговых агентных сценариях с инструментами. README также описывает экспериментальную поддержку многошагового обучения агентных моделей, но это относится к системе обучения AReaL, а не гарантирует характеристики каждого сценария применения чекпойнта. Модель распространяется по лицензии Apache-2.0. Доступны веса PyTorch. Показатели на бенчмарках не гарантируют качество на произвольных задачах; README не сообщает о поддерживаемых естественных языках.

CodeGemma 1.1 7b Instruct — языковая модель Google, представленная в формате GGUF. Квантизацию выполнил bartowski на базе llama.cpp. Модель создана как помощник программиста для генерации кода и решения задач разработки; в качестве примера использования указано написание функций на Python. Рекомендуемый шаблон запросов — Google Gemma Instruct с маркерами начала и конца хода диалога. Модель основана на Gemma 7B и дополнительно обучена на веб-документах, математике и исходном коде: заявлено соотношение 80% кода и 20% естественного языка. Instruct-версия дообучалась на математических наборах данных, синтетически сгенерированном коде и обратной связи от другой LLM, что должно улучшать генерацию кода и математическое рассуждение. Указан размер исходной модели 7B, а для сборки в LM Studio — около 8B параметров; поддерживаемые языки, длина контекста и точные параметры GGUF в README не указаны. Сильными сторонами модели являются специализация на программировании, локальный запуск через GGUF и небольшие заявленные улучшения генерации кода по сравнению с исходной версией CodeGemma. Ограничения включают возможные неточности, а также отсутствие в README данных о производительности, языковом покрытии, конкретном варианте квантизации и мультимодальности; модель предназначена для работы с текстом и кодом. Использование регулируется лицензией Google Gemma; для доступа к оригинальной модели на Hugging Face требуется принять условия Google.

CodeLlama-7B-KStack-clean-GGUF — это квантованная версия CodeLlama-7B-KStack-clean, разработанная на базе meta-llama/CodeLlama-7b-hf и подготовленная bartowski в формате GGUF для использования с llama.cpp. Модель дообучена на наборе JetBrains/KStack-clean и предназначена для генерации и обработки программного кода, включая задачи, связанные с Kotlin. В README указано значение pass@1 37,89 на бенчмарке MultiPL-HumanEval (Kotlin). Модель содержит 7 миллиардов параметров и поддерживает текстовую генерацию. Доступны варианты квантования от Q8_0 до низкобитных IQ1_M, что позволяет выбирать между качеством ответов, размером файла и требованиями к оперативной памяти. Наиболее качественными и рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS; более сильное сжатие снижает качество, хотя некоторые низкобитные варианты сохраняют приемлемую работоспособность. Модель подходит для локальной генерации кода и экспериментов с программированием на совместимом с llama.cpp оборудовании. Ограничениями являются неизвестный размер контекста, отсутствие явно указанного chat template и снижение качества в низкобитных вариантах квантования. В README указана лицензия Apache-2.0.

CodeSage V2 — открытая модель для представления исходного кода в виде эмбеддингов, разработанная авторами семейства CodeSage. Это энкодер на 453 млн параметров с контекстом до 2048 токенов; карточка описывает извлечение 1024-мерных эмбеддингов. Модель дообучена контрастивным обучением на парах описаний и фрагментов кода из The Stack V2 с фильтрацией данных, а её предварительно обученная основа использовала masked language modeling и деобфускацию. Модель предназначена для семантического поиска по коду и поиска кода по текстовому запросу, а также для других задач понимания исходного кода. Поддерживаются C, C#, Go, Java, JavaScript, TypeScript, PHP, Python и Ruby. Код доступен как текстовый вход, результат — векторные представления; используется через Transformers или SentenceTransformer. Модель распространяется по лицензии Apache-2.0. Карточка приводит отдельный размер энкодера 356 млн параметров, тогда как метаданные репозитория указывают 453 млн параметров.

Dream-Coder-v0-Instruct-7B-SM — диффузионная языковая модель для генерации кода, разработанная командой Dream. По карточке, модель обучалась на открытых данных в несколько этапов: адаптация, supervised fine-tuning и обучение с подкреплением. Она предназначена для написания кода и диалоговой работы с запросами о программировании. В README указано значение pass@1 21,4% на LiveCodeBench (2410–2505); это результат конкретного бенчмарка, а не гарантия качества для других задач. Модель содержит 7,1 млрд параметров, использует плотную архитектуру DreamModel и рассчитана на контекст до 32 768 токенов. Репозиторий распространяет веса в формате safetensors; лицензия — Apache-2.0. Карточка не уточняет поддерживаемые языки программирования и естественные языки.

nightmedia/granite-4.1-8B-TNG-Coder-V11-3000-Heretic-BF16 — диалоговая языковая модель на архитектуре Granite, созданная nightmedia на основе Granite-4.1-8B и производных чекпойнтов. По карточке модель дообучалась на задачах серверной разработки; автор также сообщает об использовании синтетических трасс Qwen3.6-35B-A3B и Claude и о режиме рассуждений, включённом по умолчанию. Модель предназначена для генерации кода и помощи в backend-разработке, а также для диалоговых запросов. Она содержит 8,4 млрд параметров, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors. В метаданных указаны текстовая генерация и чат-возможности; базовая Granite-4.1-8B описана как многоязычная модель для текста, кода и вызова инструментов. Лицензия — Apache-2.0. Карточка приводит результаты нескольких бенчмарков, но не описывает подробно методику обучения или пределы качества; специализация модели на backend-разработке не гарантирует корректность сгенерированного кода.

aysinghal/ide-code-retrieval-qwen3-0.6b-cochange-mask-hard — модель SentenceTransformer на архитектуре Qwen3, дообученная на Qwen/Qwen3-Embedding-0.6B для поиска связанных исходных файлов по коду. Она преобразует файл-запрос и файлы-кандидаты в нормализованные векторы размерности 1024; близость между ними оценивается косинусным сходством. Модель содержит около 507,6 млн параметров, а заявленный нативный контекст составляет 32 768 токенов. В README указано ограничение длины последовательности 1024 токена; для длинных файлов описана обработка скользящими окнами при обучении, а в сценарии применения длинные файлы могут усекаться. Основной сценарий — по редактируемому разработчиком файлу находить файлы того же проекта, которые могут изменяться вместе с ним. Для поиска предлагается заранее вычислить эмбеддинги корпуса и сравнивать их с эмбеддингом запроса. Модель обучалась на датасете кода и совместных изменений файлов; заявлена англоязычная карточка, но поддержка конкретных языков программирования и качество на других стилях запросов не установлены. Это промежуточный чекпойнт после 10 эпох: README сообщает, что обучающая функция потерь продолжала снижаться, и предупреждает о возможном ограничении обобщения. Лицензия — Apache-2.0.

J.A.R.V.I.S. Titan V15 MoE — инструкция-настроенная модель для генерации текста, разработанная Dhanesh в рамках программы автономных рассуждений J.A.R.V.I.S. Titan. README указывает базовую модель dhanesh-hf/Jarvis-Titan-M4-Merged и обучение на 121,5 млн токенов с примерами математики, программирования, пошаговых рассуждений и выполнения действий агентами. Метаданные указывают 7,1 млрд параметров, контекст до 32 768 токенов, поддержку диалогов и кода; карточка описывает MoE-архитектуру в стиле DeepSeekMoE с восемью маршрутизируемыми экспертами и общим экспертом, хотя заявленное число параметров в README отличается от метаданных. Модель предназначена для математических рассуждений, синтеза и исправления кода, диалогов и агентных сценариев. В README описаны 28 слоёв, выбор двух маршрутизируемых экспертов и общего эксперта на токен, а также механизм памяти M4 Tri-Brid. Указанный в README режим окна SWA составляет 2048 токенов; метаданные заявляют нативный контекст в 32 768 токенов. Основной язык карточки — английский. Лицензия обозначена как other, поэтому конкретные условия следует сверить с лицензией репозитория.

Saikrishna2511/java2py-qwen — дообученная модель генерации кода на базе Qwen2.5-Coder-0.5B-Instruct, разработанная для перевода Java-кода в Python. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров и контекстом 32 768 токенов; в README указано, что исходный LoRA-адаптер объединён с базовой моделью для инференса. Модель принимает текст с Java-кодом и инструкцией и генерирует Python-код. Модель подходит для преобразования небольших фрагментов и программ с Java на Python. Качество перевода может снижаться при сложном входном коде; автор рекомендует оценивать её перед применением в производственной среде. Для работы с естественно-языковыми запросами и генерацией документации README рекомендует отдельный многозадачный чекпойнт. Лицензия — Apache-2.0.

Qwen3.5-0.8B astcss — специализированная текстовая модель teaguesterling для преобразования запросов разработчика на английском языке в один селектор astcss, то есть CSS-подобный запрос к абстрактному синтаксическому дереву кода, который выполняется инструментом ast_select. Модель дообучена методом LoRA на базе Qwen/Qwen3.5-0.8B; адаптер объединён с базовыми весами. Архитектура — плотная причинная языковая модель Qwen3_5ForCausalLM объёмом 581,4 млн параметров. Модель принимает текст, а выдаёт текстовый селектор; контекстное окно — 262 144 токена. Модель рассчитана на поиск конструкций и вызовов в исходном коде на Python, C, C++, Rust, Go, Java, JavaScript, SQL и Bash. В README указана точность совпадения множества найденных узлов 82,4% на 108 тестовых примерах; для запросов повышенной сложности, связанных с графом вызовов, областями видимости и получателями, результат составляет около 31%. Для работы обязателен системный промпт с карточкой словаря astcss для нужного языка: без него модель отвечает как обычный чат-бот и не выдаёт селектор. Она не обучалась на селекторах уровня сложности tier 5. Модель не включает визуальную башню и голову предсказания нескольких токенов базовой модели. Лицензия и условия использования унаследованы от Qwen/Qwen3.5-0.8B.

Qwen3-Coder-480B-A35B-Instruct-MLX-6bit — это 6-битно квантованная версия Qwen3-Coder-480B-A35B-Instruct, разработанная сообществом и предоставленная в формате MLX командой LM Studio. Базовую модель создала Qwen, а квантование выполнено с использованием mlx-lm для работы на устройствах Apple Silicon. Модель предназначена для генерации текста и, прежде всего, задач, связанных с программированием, однако подробные сценарии применения в README не указаны. Модель имеет архитектуру и характеристики исходной Qwen3-Coder-480B-A35B-Instruct, но README не содержит сведений о конкретной архитектуре, числе активных параметров, поддерживаемых языках, модальностях и размере контекста. Ключевое преимущество версии — 6-битное квантование и оптимизация под Apple Silicon, что может снизить требования к памяти по сравнению с полноразмерной версией. Ограничения производительности, требования к оборудованию и фактическое качество квантованной версии не приведены; для запуска требуется LM Studio версии 0.3.20 или новее. Модель распространяется по лицензии Apache-2.0. Указанные в README отказ от гарантий и предупреждения относятся к программе Community Model Program LM Studio; ответственность за использование модели лежит на пользователе.

QwQ-32B-Preview — экспериментальная диалоговая языковая модель команды Qwen, размещённая в репозитории Unsloth как дообученная версия Qwen/QwQ-32B-Preview. Это причинная трансформерная модель семейства Qwen2 с 32 млрд параметров, обученная на этапах предварительного обучения и последующего обучения. Она принимает текст и генерирует текст; контекст составляет 32 768 токенов. Модель предназначена прежде всего для математических рассуждений, программирования и диалоговых ответов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Сильные стороны модели — аналитические способности и результаты в математике и программировании. Среди ограничений карточка отмечает неожиданное смешение языков, циклические рассуждения с длинными ответами без вывода, а также более слабые обыденные рассуждения и понимание языковых нюансов. При внедрении следует учитывать необходимость дополнительных мер безопасности.

RuvLTRA Claude Code — языковая модель для генерации текста и программного кода, разработанная проектом ruv. Она предназначена для интеграции с Claude Code и сценариев ассистированной разработки: генерации, дополнения, объяснения и рефакторинга кода. Модель также ориентирована на многоагентные рабочие процессы через claude-flow, где несколько экземпляров могут совместно выполнять задачи и использовать общую память. Модель построена на архитектуре Transformer и содержит около 0,5 млрд параметров. Она поставляется в формате GGUF с 4-битной квантизацией Q4_K_M, имеет контекст длиной 4096 токенов и размер файла около 398 МБ. Заявлены механизмы SONA для адаптации к стилю и предпочтениям пользователя, включая MicroLoRA, EWC++ и обучение на траекториях взаимодействия. Поддерживается англоязычный текст; другие языки в README не указаны. К сильным сторонам относятся небольшой размер, возможность локального и edge-развертывания, совместимость с llama.cpp, поддержка CPU, CUDA, ROCm и WebGPU, а также заявленная адаптация в реальном времени и ориентация на координацию нескольких агентов. Ограничения включают относительно небольшой объём контекста и размер модели, что может снижать качество сложного программирования по сравнению с крупными моделями; приведённые показатели производительности и возможности самообучения заявлены авторами README и не сопровождаются результатами бенчмарков. Лицензия — Apache 2.0.

henrik3/sweep-next-edit-v2-7B-AWQ — это квантизированная версия модели sweepai/sweep-next-edit-v2-7B, преобразованная с помощью llm compressor и откалиброванная на 200 примерах из набора henrik3/sweep-calibration. Модель разработана для задач генерации кода, автодополнения и next-edit prediction — предсказания вероятных следующих изменений в исходном коде. В README она обозначена как text-generation модель для английского языка и содержит следы обучения с использованием DPO. Модель имеет размер 7B параметров и поставляется в формате AWQ, что снижает требования к памяти по сравнению с полноразмерной версией и делает её пригодной для локального инференса на совместимом оборудовании. В качестве примера приведён запуск через SGLang с контекстом до 16 384 токенов; при входе примерно в 6900 токенов и генерации около 250 токенов указано время ответа около 600 мс на RTX 2000 Ada. Эти показатели зависят от конфигурации и не являются универсальным бенчмарком. Сильными сторонами модели являются специализация на редактировании и автодополнении кода, компактный размер и оптимизация AWQ. Ограничения включают отсутствие подробных сведений об архитектуре, поддерживаемых языках программирования, качестве на стандартных тестах и особенностях модальностей; заявлен только английский язык. Модель распространяется по лицензии Apache-2.0.

Tessa-T1 — языковая модель на базе Transformer, созданная smirki для разработки интерфейсов на React. Она дообучена на Qwen/Qwen2.5-Coder-32B-Instruct и предназначена для генерации семантических React-компонентов по текстовым запросам, рефакторинга кода и интеграции в кодовые агенты. Архитектура — плотная Qwen2, размер — 32 млрд параметров, контекст — до 120 000 токенов. Модель принимает текст и генерирует текст с кодом; в карточке заявлена поддержка английского языка. Сильные стороны модели — генерация React-компонентов с учётом контекста интерфейса и работа в агентных системах. Она специализирована на React, поэтому может быть менее полезна для других фреймворков; сложную логику JavaScript и управление динамическим состоянием может потребоваться доработать вручную. В репозитории указаны веса safetensors и лицензия Apache-2.0; README также упоминает bf16 и квантование q8.

Zeta 2 — модель для предсказания правок кода, разработанная Zed Industries и дообученная на ByteDance-Seed/Seed-Coder-8B-Base. По окружающему коду, истории изменений и редактируемому фрагменту рядом с курсором она генерирует переписанное содержимое этого фрагмента, помогая предлагать следующие правки в редакторе кода. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,6 млрд параметров. Она принимает текстовый контекст в формате SPM с маркерами редактируемой области; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Zeta 2 предназначена для контекстных предложений изменений кода с учётом предыдущих правок и содержимого связанных файлов. Карточка описывает её специализацию, но не приводит оценок качества или подробностей о поддерживаемых языках программирования, поэтому пригодность для конкретного стека следует проверять отдельно.

A2-Coder-i1-GGUF — это набор GGUF-квантизаций модели A2-Coder, разработанной nbeerbower и дополнительно квантизированной mradermacher. Модель основана на nbeerbower/A2-Coder и дообучалась методом supervised fine-tuning на датасете schneewolflabs/DenkerCode-SFT. Модель предназначена прежде всего для генерации текста, связанного с программированием: написания, дополнения и преобразования кода, а также работы с англоязычными запросами. Доступно множество вариантов квантизации i1 с различным размером от примерно 3,1 до 10,2 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Для некоторых вариантов README отмечает предпочтительность IQ-квантизаций или рекомендует A2-Coder.i1-Q4_K_M как быстрый вариант. Архитектура, количество параметров, размер контекстного окна, поддерживаемые модальности и условия лицензирования в README не указаны. Качество зависит от выбранного типа квантизации: наиболее компактные варианты могут заметно уступать по качеству, тогда как более крупные обычно требуют больше памяти. Модель представлена только для текстовой генерации; сведения о мультиязычности ограничены указанием английского языка.

aiXapply-4B-SFT — специализированная причинная языковая модель aiXcoder для применения локальных изменений кода к целым файлам. Она принимает исходный файл и фрагмент обновления, затем генерирует полную версию файла, стараясь сохранить неизменённым код за пределами запрошенной правки и раскрыть обозначенные в фрагменте пропуски исходным содержимым. Модель представляет собой плотную архитектуру Qwen3ForCausalLM с 3,7 млрд параметров, дообученную на базе Qwen/Qwen3-4B. Она принимает текст и выдаёт текст; заявленная длина контекста — до 262 144 токенов. Модель предназначена для этапа Apply в IDE и конвейерах программирования: она преобразует предложенную помощником правку в полный обновлённый файл. В README сообщается о точности эквивалентности 94,4% на основном наборе из 1 637 примеров и о повышенной скорости применения изменений при использовании спекулятивного декодирования; эти результаты зависят от описанной конфигурации запуска. Поддерживаются файлы на разных языках программирования и форматы, однако конкретный перечень языков в карточке не приведён. При неоднозначных якорях модель должна действовать консервативно, но результат всё равно следует проверять: точность не абсолютна. Лицензия — Apache-2.0.