II.3Рефакторинг, миграция и модернизация

deepseek-coder-1.3B-kexer-GGUF — GGUF-квантизированная версия модели deepseek-coder-1.3B-kexer, разработанной JetBrains и основанной на deepseek-ai/deepseek-coder-1.3b-base. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации программного кода и задач, связанных с программированием. В README приведён результат на MultiPL-HumanEval (Kotlin): pass@1 составляет 36,65. Доступны варианты квантизации от Q8_0 до IQ1_M, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти; рекомендуемыми названы, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S. Ключевые характеристики — размер базовой модели 1,3 млрд параметров и формат GGUF для использования с llama.cpp. Указаний о поддерживаемых языках, длине контекста, архитектуре, мультимодальности и точном составе обучающих данных в карточке нет. Ограничением является отсутствие указанного chat template: в README отмечено, что используемый формат приглашения может быть некорректным, поэтому следует сверяться с оригинальной карточкой модели. Модель распространяется по лицензии Apache-2.0.

Это GGUF-версия модели llmfan46/gemma-4-12B-coder-fable5-composer2.5-v1-uncensored-heretic, разработанная независимым автором llmfan46 на базе gemma-4-12B-coder-fable5-composer2.5-v1-GGUF. Модель предназначена прежде всего для генерации и анализа кода, рассуждений и текстовых ответов в сценариях, где требуется сниженное количество отказов. Точная архитектура, поддерживаемые языки, размер контекста и набор модальностей в README не указаны; из идентификатора следует размер порядка 12B параметров и специализация на задачах программирования. Модель создана с использованием Heretic v1.4.0 и варианта метода Magnitude-Preserving Orthogonal Ablation (MPOA), применённого к компонентам attn.o_proj и mlp.down_proj. По заявленным данным, она демонстрирует 9 отказов из 100 против 100 из 100 у исходной модели при KL divergence 0.0467, что указывает на существенное снижение склонности к отказам при относительно небольшом отклонении поведения. Для исходной модели также приведён результат MMLU: точность 75,72%, однако отдельный результат именно этой модификации не указан. К ограничениям относятся отсутствие подробной информации о языках, контекстном окне, формате квантования, системных требованиях и результатах независимого тестирования. Снижение ограничений безопасности может привести к генерации нежелательного или рискованного содержания, поэтому модель требует осторожного применения. Указанная лицензия — Apache-2.0.

light-coder — компактная инструктивная модель для программирования, созданная Миладом Асгари дообучением Qwen/Qwen2.5-0.5B-Instruct на примерно 122 тысячах пар «инструкция — ответ» по программированию. Это плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров; веса LoRA объединены с базовой моделью. Репозиторий содержит веса safetensors, размер модели по карточке — около 988 МБ, длина контекста — 32 768 токенов. Модель предназначена для генерации и рефакторинга кода, а также выполнения инструкций по программированию на английском языке. Компактный размер позволяет запускать её на потребительских GPU и CPU; заявлена совместимость с Transformers, vLLM и Ollama. Лицензия — Apache-2.0. Карточка не приводит результатов сравнительной оценки качества; как модель на 494 млн параметров, она может уступать более крупным кодовым моделям в сложных задачах и работе с длинным контекстом. Указанная языковая поддержка — английский и несколько языков программирования.

MathCoder2-CodeLlama-7B-GGUF — это набор GGUF-квантизованных версий модели MathGenie/MathCoder2-CodeLlama-7B, разработанной MathGenie и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, решения математических задач и работы с программным кодом. Указан английский язык и обучающий набор MathGenie/MathCode-Pile. Модель основана на CodeLlama и содержит около 7 миллиардов параметров. Доступны варианты от F16 до низкобитных форматов Q8, Q6, Q5, Q4, Q3 и IQ; размер файлов составляет примерно от 2,8 до 13,48 ГБ. Это текстовая модель без заявленной поддержки мультимодальности. Формат GGUF ориентирован на локальный запуск, в частности через llama.cpp и LM Studio. Формат промпта в README не указан, а размер контекстного окна не приведён. Основное преимущество модели — специализация на математике и коде при возможности локального запуска с выбором компромисса между качеством и требованиями к памяти. Более высококачественные варианты Q6 и Q5 отмечены как рекомендуемые, тогда как варианты Q3 и некоторые устаревшие форматы обеспечивают экономию памяти за счёт снижения качества. Для ARM доступны отдельные варианты, требующие поддержки SVE или i8mm; их не рекомендуется использовать на Mac и Windows. Модель распространяется по лицензии Apache-2.0.

Ornith-1.5 Cyclos 1M Uncensored GGUF — это квантованная Q4_K_M-версия LoRA-файнтюна модели Ornith-1.5-35B-A3B. Репозиторий abhaymin содержит изменения файнтюна, расширение контекста и квантование; базовая архитектура, постобучение, визуальный модуль и основные возможности разработаны командой Ornith. Модель основана на семействе Qwen3.5 и использует архитектуру Mixture-of-Experts с заявленным размером 35B-A3B. Для работы с изображениями и видео требуется отдельный vision projector в формате F16. Модель предназначена для программирования, агентских сценариев, анализа рынков и трейдинга, классификации контента, вызова инструментов и работы с изображениями и видео. Файнтюн ориентирован на coding, market/trading analysis, content classification и tool/function calling. Контекст расширен с 262 144 до 1 048 576 токенов с помощью YaRN, однако длина в 1M токенов является экстраполяцией и не прошла валидацию: качество может снижаться за пределами исходного окна. Поддержка аудио отсутствует; для аудиодиалогов требуется внешний ASR, например Whisper. Модель распространяется под лицензией Apache-2.0. GGUF-файлы протестированы с llama.cpp, Ollama и LM Studio; для изображений и видео необходимы оба GGUF-файла — модели и vision projector. vLLM с GGUF в указанной конфигурации не работает из-за отсутствия адаптера для гибридной архитектуры, хотя BF16-версия поддерживается с выгрузкой части весов в оперативную память. Ограничения также включают потери качества из-за квантования Q4_K_M, отсутствие заявленных бенчмарков для этой сборки и унаследованное от базовой модели снижение отказов, которое не гарантирует выполнение любого запроса.

Qwen3.8-27B-NVFP4-Q8-Hybrid-Analytical-GGUF — производная GGUF-конверсия модели unsloth/Qwen3.8-27B-NVFP4, опубликованная Costanzo Padovano. Это неофициальный релиз Qwen, Unsloth, ggml-org или Z-Lab, подготовленный для локальных биоинформатических, программных, длинноконтекстных и vision-сценариев, включая задачи с инструментами и аналитическим выводом. Модель содержит 1 202 тензора: 168 матриц NVFP4, 338 аналитически чувствительных матриц Q8_0 и 696 тензоров F32. Заявленный нативный контекст составляет 262 144 токена. Для обработки изображений используется отдельный F16-проектор mmproj-F16.gguf. Валидация включала биоинформатические агентские задачи, vision-проектор и длинный контекст до 131 тысячи токенов; заявлена совместимость с llama.cpp и экспериментальной схемой спекулятивного декодирования DFlash2. Сильными сторонами являются гибридное квантование с сохранением точности чувствительных компонентов, поддержка длинного контекста, кода, биоинформатики и изображений, а также проверенные сценарии вызова инструментов. Экспериментальная конфигурация рассчитана на две NVIDIA RTX 5060 Ti по 16 ГБ, но это аппаратно-зависимая точка настройки, а универсальное ускорение DFlash2 не гарантируется. Стандартные сборки llama.cpp могут не поддерживать все использованные параметры. Производная модель распространяется по лицензии Apache-2.0; для работы требуются основной GGUF-файл и, при использовании vision, проектор.

andyman5002/Qwen3.8-27B-OBLITERATED — текстовая генеративная модель на базе Qwen/Qwen3.8-27B с архитектурой Qwen3 и размером 27B параметров. Модель создана как модифицированная версия базовой Qwen3.8-27B с применением abliteration — удаления направлений, связанных с отказами и защитными ответами, посредством операций в пространстве весов. Доступны форматы GGUF, safetensors и MLX; лицензия Apache-2.0. Модель предназначена для генерации текста, программного кода и работы в агентных сценариях, включая задачи кибербезопасности и red-team-исследований. Заявлена совместимость с режимом рассуждений, однако рекомендуется отключать thinking для получения более прямых ответов. В документации указаны результаты MMLU 82,3% в режиме 0-shot, а также 20 из 20 успешных тестов на задачах генерации кода; эти показатели приведены разработчиком и могут зависеть от методики оценки. К сильным сторонам относятся снижение числа жёстких отказов и защитных лекций, сохранение значительной части возможностей базовой модели и пригодность для локального использования. Ограничения включают снижение результата MMLU примерно на 2,1 процентного пункта относительно базовой модели, склонность к зацикливанию без repetition_penalty и потенциальные риски применения в задачах, связанных с вредоносным или опасным содержанием. Для рекомендуемой генерации используются temperature 0, repetition_penalty 1,15 и не менее 2048 новых токенов; системный промпт разработчик советует не задавать.

Qwopus3.5-9B-Coder-MTP — это набор квантованных вариантов модели Jackrong/Qwopus3.5-9B-Coder, опубликованный пользователем noctrex. В модель добавлен слой MTP (Multi-Token Prediction), предназначенный для ускорения генерации. По тегам модель относится к семейству Qwen и архитектуре Qwen3.5 MoE; базовая модель имеет размер 9B параметров. README также указывает специализацию imatrix на задачах программирования. Модель предназначена прежде всего для генерации и обработки кода, включая локальный запуск через llama.cpp. По заявлению автора, на видеокарте AMD 7900 XTX с Vulkan backend скорость выросла примерно с 80 до 120 токенов в секунду, однако это результат конкретного теста и может отличаться в других условиях. Данные о поддерживаемых языках, размере контекста, точных модальностях, качестве, ограничениях и лицензии в README не указаны. Для использования требуется актуальная версия llama.cpp и загрузка выбранного варианта квантования.

Relace Apply 3 — специализированная языковая модель Relace для внесения предложенных ИИ изменений непосредственно в исходные файлы. Она предназначена для применения патчей и редактирования кода по результатам работы GPT-4o, Claude и других моделей. Доступная карточка описывает назначение, но не сообщает архитектуру, размер, контекст или лицензию. Модель подходит для автоматизации внесения изменений в кодовую базу по готовым предложениям. Сведений о поддерживаемых языках программирования и ограничениях качества в доступных данных нет.

SOCO-Java-CodeBERTa-MNRL-Triplets — модель Sentence Transformers, дообученная buelfhood на huggingface/CodeBERTa-small-v1 на наборе soco_train_java. Она использует архитектуру RoBERTa с усреднением токенных представлений и преобразует текст в плотные векторы размерности 768; сходство обычно оценивают косинусной мерой. Модель рассчитана на последовательности длиной до 512 токенов, а метаданные указывают контекст в 514 токенов. Модель предназначена для семантического сравнения и поиска по исходному коду Java, поиска похожих фрагментов, обнаружения перефразирований, кластеризации и извлечения признаков для классификации. Она принимает текст и возвращает векторные представления, поэтому её можно использовать как компонент поиска или ранжирования, но она сама не генерирует ответы и не выполняет классификацию без дополнительной модели или процедуры. Веса опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

Это экспериментальный чекпойнт модели Qwen3-Coder-30B-A3B-Instruct, дообученный командой TaskTrove методом GRPO в эксперименте X10b. Обучение проводилось на датасете DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; конфигурация включала FSDP2 и FlashAttention 2. Из заявленных характеристик базовой модели следует поддержка контекста до 262 144 токенов. Чекпойнт предназначен для генерации текста в диалоговом формате, прежде всего для задач программирования и агентных сценариев, унаследованных от базовой модели. Обучение остановили на шаге 131 из 400 после выхода награды на плато; авторы отмечают исчерпание исследования и отсутствие дальнейшего роста метрик. Репозиторий распространяется под лицензией Apache 2.0.

DeepCoder-14B-Preview-GGUF — это набор GGUF-квантизаций языковой модели DeepCoder-14B-Preview, разработанной agentica-org и подготовленной quantized_by bartowski с использованием llama.cpp. Модель предназначена для генерации текста и, прежде всего, для задач программирования, включая решение проверяемых задач, генерацию кода и сценарии локального запуска через LM Studio, llama.cpp и совместимые проекты. В состав входят варианты от bf16 до Q3 и IQ3/IQ4-квантизаций размером примерно от 6,9 до 29,6 ГБ. Доступен ряд уровней качества и требований к памяти: версии Q6_K_L и Q6_K заявлены как близкие к исходному качеству, Q4_K_M — как вариант по умолчанию для большинства сценариев, а младшие квантизации подходят для систем с ограниченным объёмом RAM, но снижают качество. Указан английский язык; архитектура и размер контекста в README не раскрыты. Рекомендуемый формат промпта приведён в документации модели. Модель удобна для локального инференса благодаря формату GGUF и большому выбору квантизаций, однако качество и требования к ресурсам зависят от выбранного файла. README не содержит подробностей о сильных и слабых сторонах исходной модели, результатах оценки, поддерживаемых модальностях или ограничениях применения. Распространение указано по лицензии MIT.

AynCoding — дообученная модель на базе Qwen2.5-Coder-1.5B для генерации кода и архитектурного рефакторинга с опорой на классическую арабскую логику (мантик) и морфологический анализ корней слов (иштикак). В README она описана как быстрая черновая модель для иерархической архитектуры H-MoE с детерминированной логической проверкой; метаданные указывают поддержку чата и работы с кодом. Репозиторий содержит веса в формате GGUF. Карточка приводит результаты HumanEval Pass@1 78,4%, сохранения эпистемических инвариантов 94,2% и синтаксической корректности AST 98,0%. Модель основана на Qwen/Qwen2.5-Coder-1.5B и предназначена для текстового ввода и генерации текста, включая код. Указана лицензия other; её конкретные условия в предоставленных данных не раскрыты, поэтому перед использованием следует проверить лицензионные условия репозитория.

ClaudioItaly/Coder — языковая модель для генерации кода, созданная слиянием весов через SLERP с помощью mergekit на основе Qwen/Qwen2.5-Coder-7B-Instruct. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и формат safetensors; для работы с диалогами предусмотрен интерфейс чата. Метаданные указывают контекст длиной 32 768 токенов. Модель предназначена для генерации кода и диалоговых сценариев, связанных с программированием. Базовая Qwen2.5-Coder-7B-Instruct ориентирована на генерацию, анализ и исправление кода; карточка этой модели подтверждает слияние с ней, но не приводит отдельных результатов оценки или подробностей поведения получившейся модели. Лицензия в предоставленных данных не указана.

CodeSearch-ModernBERT-Crow-Plus — модель Sentence Transformers от Shuu12121 для семантического поиска по коду и оценки сходства между запросами на естественном языке и фрагментами кода. Это дообученная на задачах сходства модель с архитектурой ModernBERT; в README указаны 12 слоёв, 768 скрытых размерностей и максимальная длина входа 1024 токена. Метаданные каталога указывают 151,6 млн параметров и контекст до 8192 токенов. Модель предназначена для поиска кода по описанию и поиска похожих фрагментов на Python, Java, JavaScript, PHP, Ruby, Go и Rust, преимущественно на уровне функций. Её также можно применять для извлечения признаков, классификации и кластеризации кода и рекомендаций. README приводит результаты MTEB для CodeSearchNet Retrieval: nDCG@10 0,89296, а для COIR CodeSearchNet Retrieval — 0,79884. Модель выдаёт эмбеддинги для последующего сравнения и поиска; она не предназначена для генерации кода. Качество может снижаться на очень длинных файлах и синтаксически неполных фрагментах, а для специализированных библиотек может понадобиться дополнительное дообучение. Лицензия — Apache-2.0.

FerrisMind — дообученная Daemontatox в 2025 году языковая модель на архитектуре Qwen3 MoE, предназначенная для генерации кода на Rust. Она основана на Qwen/Qwen3-Coder-30B-A3B-Instruct и обучалась с помощью instruction tuning и GRPO, чтобы применять гибридный режим рассуждений при решении задач программирования. Репозиторий содержит веса Safetensors; размер модели в метаданных указан как 2,4 млрд параметров, нативная длина контекста — 262 144 токена. Модель помогает писать идиоматичный Rust-код, создавать каркасы проектов, ускорять прототипирование и предлагать оптимизации. Она рассчитана на практические задачи разработки и обучение Rust. По карточке, модель может выдавать код, который не компилируется в сложных случаях; она не предназначена для общей беседы и вредоносной генерации кода. Лицензия — Apache-2.0.

Momix-44/Huihui-Qwen3-Coder-Next-Opus-4.6-Reasoning-Distilled-abliterated — языковая модель для генерации текста и программного кода. В README указано, что она создана на основе samuelcardillo/Qwen3-Coder-Next-Opus-4.6-Reasoning-Distilled и модифицирована с помощью abliteration — экспериментальной процедуры удаления отказов модели. Разработчик производной версии обозначен как huihui-ai, а в карточке идентификатор модели относится к Momix-44. Модель предназначена для использования в приложениях через библиотеку Hugging Face Transformers и поддерживает стандартный сценарий text-generation с диалоговым шаблоном. Она ориентирована на задачи рассуждения и генерации кода; заявлен английский язык. Архитектура, количество параметров, размер контекста и дополнительные модальности в README не указаны. Доступна квантизированная версия с калибровкой Bartowski-Data imatrix, а пример загрузки также показывает возможность 4-битной квантизации через BitsAndBytesConfig. К сильным сторонам относятся специализация исходной модели на коде и reasoning, а также возможность локального запуска с использованием Transformers и квантизации. Ограничения включают экспериментальный proof-of-concept характер abliteration и отсутствие подробных результатов оценки качества. Изменение поведения отказов может снизить встроенные защитные механизмы, поэтому модель следует применять с учетом требований безопасности. Лицензия — Apache-2.0.

ISOM-R1-Coder-16B-MoE-Beta — экспериментальная модель для генерации кода и диалоговой помощи в программировании, разработанная Prannessh K.V.A. на основе DeepSeek-Coder-V2-Lite-Instruct. В README заявлена архитектура MoE с 64 маршрутизируемыми и 2 общими экспертами, из которых активируются 6 на токен, а также Multi-Head Latent Attention. Метаданные указывают 2,5 млрд параметров и контекст 163 840 токенов; README приводит иные оценки размера — 15,71 млрд параметров всего и 2,36 млрд активных на токен. Модель предназначена для генерации и дополнения кода, работы с контекстом репозитория и ответов на вопросы по программированию. README описывает механизм ограниченного кэша для длинных контекстов и заявляет поддержку до 1 048 576 токенов, однако теоретические характеристики не подтверждены аудитом: автор прямо указывает, что эмпирическая проверка на последовательностях длиной 160 тыс. токенов не заявлена. В метаданных отмечены английский и китайский языки. Модель распространяется в формате safetensors по лицензии CC-BY-NC-ND-4.0; README также упоминает лицензию DeepSeek для базовых весов. Условия использования производной модели следует оценивать с учётом обеих лицензий.

Spicyneuron/Kimi-K2.7-Code-MLX-3.6bit — квантованная версия модели Kimi-K2.7-Code, разработанной MoonshotAI. Модель предназначена для генерации текста и, судя по названию базовой модели, прежде всего для задач, связанных с программированием. Она оптимизирована для локального запуска на Mac Studio с чипом M3 Ultra через MLX и MLX-LM, в том числе в формате сервера, совместимого с API chat completions. Это разреженная MoE-модель с 3-битным базовым квантованием и повышенной точностью для чувствительных компонентов, включая маршрутизацию MoE, механизмы внимания и выходные эмбеддинги. Используется смешанная точность с показателем 3,578 бит на вес. Для работы требуется примерно 428 ГБ базовой памяти и до 460 ГБ в пиковом режиме, поэтому модель рассчитана на мощные устройства с большим объёмом объединённой памяти. В README не указаны точный размер модели, длина контекста, поддерживаемые языки и мультимодальные возможности. К сильным сторонам относятся баланс скорости, потребления памяти и качества, а также возможность оставить память для небольшой вспомогательной модели. Заявленная скорость составляет около 219 токенов в секунду при обработке prompt размером 1024 токена и около 21 токена в секунду при генерации последовательности длиной 512 токенов. Ограничения связаны с высокими требованиями к памяти, потерями качества, неизбежными для агрессивного квантования, и узкой оптимизацией под экосистему Apple MLX. Квантование выполнено с использованием форка MLX-LM от spicyneuron. Лицензия в README не указана.

DevQuasar/Qwen.Qwen3-Coder-30B-A3B-Instruct-GGUF — это квантизированная версия модели Qwen/Qwen3-Coder-30B-A3B-Instruct, подготовленная DevQuasar. Модель предназначена для генерации текста, включая сценарии, связанные с обработкой и созданием программного кода, однако подробные сведения о поддерживаемых языках программирования и конкретных режимах применения в README не приведены. Известно, что модель распространяется в формате GGUF и относится к классу text-generation. Название указывает на базовую модель с конфигурацией 30B-A3B, но README не содержит описания архитектуры, фактического числа активируемых параметров, доступных модальностей, языков, размера контекста или характеристик используемой квантизации. Лицензия и условия использования также не указаны. К преимуществам относятся компактное квантизированное представление и ориентация базовой модели на задачи программирования. Ограничение описания заключается в отсутствии данных о качестве, производительности, совместимости, точных требованиях к оборудованию и влиянии квантизации на результаты.

RavenX-OpenFable-Coderagent-Gemma-4-12B-Coder-Fable5-Composer-Soulinfused-Remastered — плотная языковая модель на архитектуре Gemma 4 Unified с 12 млрд параметров, выпущенная Gabriel Garcia и RavenX LLC. Она объединяет базу Gemma-4-12B-Coder-Fable5-Composer2.5-v1 с настройками на код, поведение агента, идентичность OpenFable и отказы по безопасности; в метаданных происхождение указано как слияние моделей. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель предназначена для генерации и исправления кода, выполнения одношаговых агентных задач и ответов в диалоге. Карточка заявляет сохранение заданной идентичности без системного промпта и приводит внутренние результаты бенчмарков; эти заявления не являются независимой оценкой. В метаданных указан английский язык. Базовая Gemma 4 Unified мультимодальна, однако карточка этой модели описывает прежде всего кодовые и текстовые сценарии, поэтому дополнительные модальности здесь не заявлены. Автор называет модель экспериментальным исследовательским proof of concept и предоставляет её «как есть» для образовательного и исследовательского использования. Упоминаются версии GGUF Q4_K_M и Q8_0 и запуск на системах с 8 ГБ RAM, но в метаданных репозитория формат указан как safetensors; доступность квантованных файлов в этом репозитории из предоставленных сведений не следует. Заявленные результаты могут зависеть от промпта, среды и выбранной версии весов.

CodeSage Small — открытая модель для получения векторных представлений исходного кода, представленная авторами работы Code Representation Learning At Scale. Это энкодерная модель на 151 млн параметров, обученная на наборе The Stack Dedup; README указывает размер энкодера 130 млн параметров и эмбеддинги размерности 1024. Модель рассчитана на задачи понимания кода, включая поиск и сопоставление фрагментов кода по смыслу. Поддерживаются C, C#, Go, Java, JavaScript, TypeScript, PHP, Python и Ruby. Контекст модели составляет 2048 токенов. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Лицензия — Apache-2.0. Модель выдаёт эмбеддинги кода, которые можно применять для семантического поиска и сравнения фрагментов. Карточка не описывает конкретные метрики качества или ограничения по использованию; размер контекста ограничивает длину обрабатываемого фрагмента.

diff-codegen-6b-v2 — авторегрессионная модель генерации кода от CarperAI, дообученная на изменениях в репозиториях GitHub. Она принимает существующий фрагмент кода и описание требуемого изменения, например текст сообщения коммита, и предлагает правку в формате Unified Diff с добавленными, изменёнными и удалёнными строками. Модель основана на codegen-6B-mono от Salesforce и предназначена для прототипирования систем генерации изменений в коде. Модель работает с кодом на нескольких языках программирования и имеет контекст длиной 2048 токенов. Обучающий набор включал 19 миллионов коммитов из популярных открытых репозиториев; редкие языки представлены хуже. Модель является экспериментальным исследовательским артефактом: её вывод может содержать ошибки, уязвимости и нежелательный код, поэтому его нужно проверять и запускать в изолированной среде. Лицензия — MIT; авторы не рекомендуют коммерческое и критически важное применение.

JANGQ-AI выпустила NVFP4-квантизированную версию dots-studio/dots3-note-prev для видеокарт NVIDIA Blackwell, включая RTX 50 и DGX Spark. Модель семейства dots3-note использует архитектуру MoE: в README указаны 280 млрд общих и 16 млрд активных параметров, 256 маршрутизируемых экспертов и один общий эксперт. Метаданные Hugging Face указывают 15,4 млрд параметров; размер модели поэтому приводится по README, а значение из метаданных не совпадает с ним. Модель предназначена для диалогов, программирования, рассуждений и агентных сценариев с вызовом инструментов. Она принимает текст, изображения, видео и аудио; видео обрабатывается вместе с аудиодорожкой. Контекст по метаданным — до 524 288 токенов. Квантизация затрагивает экспертные слои, тогда как компоненты внимания, общие эксперты, мультимодальные энкодеры и ряд других слоёв оставлены в BF16. README сообщает о проверенном vLLM-рантайме для двух узлов DGX Spark с tensor parallelism 2. Модель распространяется с открытыми весами по лицензии Apache-2.0. Её применение рассчитано на совместимое оборудование NVIDIA Blackwell и требует ресурсоёмкой конфигурации: README указывает около 174 ГБ на диске и запуск на двух узлах DGX Spark. Характеристики и ограничения качества независимыми оценками в предоставленных материалах не подтверждены.

Kimi-K2.7-Code-MLX-4bit-hiprec — конверсия модели moonshotai/Kimi-K2.7-Code для MLX на Apple Silicon, опубликованная pipenetwork. Это текстовая модель генерации кода без визуального модуля, основанная на архитектуре DeepSeek-V3-style MoE. Исходная модель содержит около 1 трлн параметров, из которых примерно 32 млрд активируются при обработке запроса. Модель предназначена для генерации и обработки программного кода, например написания Python-кода. Эксперты MoE сохранены в исходном формате int4 с размером группы 32, а attention, shared/dense MLP и lm_head квантизированы до 6 бит с размером группы 64. Средний размер составляет около 5 бит на вес, объём файлов — примерно 600 ГБ. Для запуска требуется около 768 ГБ или более unified memory; на компьютерах с 512 ГБ памяти модель не помещается. Используется через mlx-lm с поддержкой remote code. Преимущество сборки — более высокая точность attention, router, dense-слоёв и lm_head по сравнению с равномерной 4-битной квантизацией при умеренной прибавке к размеру. Ограничения включают отсутствие vision-возможностей, чрезвычайно высокие требования к памяти и отсутствие полноценного тестового запуска издателем: выполнена только проверка целостности файлов, индекса весов, шардов, конфигурации и tokenizer. Модель распространяется по лицензии Kimi K2; подробные условия приведены в файле LICENSE.

lexi-coder-v4.4 — языковая модель Reallexi LLC, созданная на платформе Reallexi AI Model Builder для генерации кода и диалогового взаимодействия. Это плотная авторегрессионная модель семейства Phi-3 с 3,85 млрд параметров; README описывает дообучение LoRA с последующим объединением адаптера с базовыми весами, поэтому отдельный PEFT-адаптер при запуске не требуется. Базовая модель — reallexi/lexi-coder-v4.3. Модель принимает текст и генерирует текст. В README указана обученная длина контекста 2 048 токенов, тогда как метаданные каталога указывают нативный контекст 4 096 токенов. Репозиторий содержит веса Safetensors и GGUF Q4_K_M. Примеры сравнивают ответы на программные запросы до и после обучения, но прямо обозначены как иллюстрации, а не бенчмарк. Лицензия обозначена как other; README указывает авторские права Reallexi LLC, но не приводит подробных условий лицензии. Оценка качества на независимых тестах и гарантии пригодности для конкретных сценариев не представлены.

LocoOperator-4B — плотная языковая модель LocoreMind примерно на 4 млрд параметров, дообученная методом дистилляции на трассах работы Qwen3-Coder-Next. Она основана на Qwen/Qwen3-4B-Instruct-2507 и предназначена для многошагового исследования кодовых баз в цикле агента, похожем на Claude Code: чтения файлов, поиска по коду и навигации по структуре проекта. Модель генерирует текст и структурированные JSON-вызовы инструментов Read, Grep, Glob, Bash, Write, Edit и Task. В README сообщается о 100% корректности JSON-вызовов и согласованности по наличию вызова инструмента на тестовой выборке из 65 диалогов; контекстная длина по метаданным — до 262 144 токенов. Указаны поддержка чата и кода, а также лицензия MIT. Для локального запуска автор описывает квантованный формат GGUF с llama.cpp, но в метаданных репозитория указан формат safetensors. Согласно README, модель иногда выбирает другой инструмент, чем эталон, реже инициирует параллельные вызовы и может предпочитать Bash чтению файлов. Оценка проведена на небольшой выборке, поэтому заявленные показатели не гарантируют аналогичное качество на других проектах и сценариях.

LearningOpt/pie-hq-selfplay-13b — дообученная модель семейства CodeLlama на высококачественных и дополненных методом self-play данных. Она предназначена для генерации и оптимизации программ на C++; подробности сбора данных и обучения автор приводит на связанной веб-странице. Модель построена на архитектуре Llama, содержит 12,9 млрд параметров и рассчитана на контекст до 16 384 токенов. Репозиторий содержит веса в формате safetensors. Модель подходит для генерации вариантов C++ кода и помощи в его оптимизации. Лицензия — llama2. README не приводит сравнительных оценок качества или подробных ограничений, поэтому фактическую эффективность для конкретных задач следует проверять отдельно.

LearningOpt/pie-hq-selfplay-7b — языковая модель на архитектуре Llama, дообученная на данных HQ и данных, дополненных методом self-play, для оптимизации программ на C++. Разработчик — LearningOpt. Модель предназначена для генерации и улучшения C++ кода; README отсылает за подробностями сбора данных и обучения к веб-странице. Модель содержит 6,6 млрд параметров, принимает текст и имеет контекст длиной до 16 384 токенов. Репозиторий содержит веса в формате safetensors; лицензия указана как llama2. Карточка не сообщает результатов оценки качества или конкретных ограничений применения.

roleplaiapp/Qwen2.5-Coder-14B-Instruct-Uncensored-Q4_K_M-GGUF — это квантованная версия модели Qwen2.5-Coder-14B-Instruct-Uncensored, опубликованная Andrew Webby от RolePlai. Модель предназначена для генерации текста и использования в сценариях, где требуется запуск через llama.cpp или другое программное обеспечение, поддерживающее формат GGUF; исходное семейство позиционируется как instruct-модель для задач, связанных с программированием. Модель содержит 14 миллиардов параметров и представлена в формате GGUF с методом квантования Q4_K_M, что уменьшает требования к памяти по сравнению с полноразмерной версией. README не содержит сведений об архитектуре, поддерживаемых языках, размере контекста и мультимодальности. Указание Uncensored означает заявленную особенность исходной модели, однако подробности ограничений и поведения не приведены. Лицензия и точные условия использования в README не указаны. Сильной стороной является сочетание кодировочной instruct-модели с 4-битным квантованием, потенциально удобным для локального запуска, но качество и совместимость зависят от используемого движка и конкретного сценария применения.