II.3Рефакторинг, миграция и модернизация

ApexCoder-1.5B — дообученная модель генерации кода на архитектуре Qwen2, разработанная Gianloko для задач Salesforce. Она предназначена для написания и редактирования кода Apex и связанных технологий Salesforce, включая LWC, Visualforce, Aura и SOQL. Модель содержит 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов; карточка указывает английский язык и возможность диалогового использования. В README описана версия с объединёнными 16-битными весами, полученная обучением QLoRA и последующим слиянием адаптера с базовой моделью; также упоминаются отдельный LoRA-адаптер и вариант GGUF Q4_K_M для локального запуска. Лицензия — Apache-2.0. README приводит оценку LLM-as-judge 12,6 из 15 и perplexity 1,14, но не раскрывает методику и состав оценки.

deepseek-coder-1.3b-typescript — модель генерации кода, созданная командой CodeGPT путём дообучения deepseek-ai/deepseek-coder-1.3b-base. Она предназначена для автодополнения и продолжения кода TypeScript, включая заполнение пропусков в коде по схеме fill-in-the-middle, и рассчитана на интеграцию с редакторами кода, например через расширение VS Code. Модель использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров. Контекстное окно — 16 384 токена; README также указывает на обучение на 0,5 млрд токенов и приводит значение loss 0,7681 на оценочном наборе. Модель принимает и генерирует только текст. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять в репозитории.

Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated — версия Qwen3-Coder-30B-A3B-Instruct, созданная huihui-ai методом abliteration для снижения числа отказов модели. Это инструктивная языковая модель с архитектурой Qwen3 MoE; в метаданных указано 2,4 млрд параметров и контекст до 262 144 токенов. Модель рассчитана на генерацию текста в диалоговом формате, в том числе для задач программирования и агентных сценариев, характерных для базовой модели. Модель принимает текст и выдаёт текст. В карточке указан английский язык; более подробные языковые характеристики не заявлены. README описывает abliteration как грубую реализацию для проверки концепции и предупреждает о существенно ослабленной фильтрации безопасности, из-за которой возможны чувствительные, спорные или неподходящие ответы. Репозиторий распространяется по лицензии Apache-2.0.

Mistral-Small-3.2-24B-Qiskit — разработанная IBM донастройка Mistral-Small-3.2-24B-Instruct-2506 для программирования на Qiskit. Модель содержит 24 млрд параметров, использует плотную архитектуру Mistral 3 и поддерживает диалоговую работу с текстом и изображениями. Она обучена на коде и инструкциях по Qiskit, ориентирована на актуальные API версии 2.1 и заявленный контекст до 128 тыс. токенов. Модель подходит для генерации и анализа кода квантовых вычислений, включая создание примеров на Qiskit и обновление устаревшего синтаксиса. В карточке приведены результаты сравнительных бенчмарков, в том числе для задач Qiskit, общего программирования и математики. Указанная лицензия — Apache-2.0. Сгенерированный код может содержать ошибки, модель не проходила safety alignment, а карточка отмечает риск воспроизведения фрагментов обучающих данных.

Qwable-v2 — это открытая модель весов для агентного программирования, созданная автором lordx64 на базе Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled. Это дообученная модель семейства Qwen с архитектурой MoE и 35 млрд параметров, из которых активны около 3 млрд. Она принимает текстовые запросы и генерирует текст; интерфейс вызова инструментов позволяет агентному сценарию работать с файлами и оболочкой. Для задач программирования модель может выдавать вызовы инструментов Read, Edit и Bash в XML-формате с полями, совместимыми с Claude Code. Для надёжной работы этого формата нужен агентный системный промпт и реестр инструментов; без них модель может отвечать обычным текстом или использовать другой формат вызова. Контекст обучения увеличен до 8192 токенов. Карточка указывает английский язык, формат весов Safetensors и лицензию AGPL-3.0. Модель также предназначена для рассуждений, математики, STEM-задач и общих вопросов благодаря унаследованной базе с дистилляцией рассуждений Claude Opus 4.7. Однако формальная оценка Qwable-v2 ещё не опубликована, а проверка улучшения на SWE-bench Lite и сохранения качества рассуждений ожидает завершения. Обучающие данные для агентного поведения происходят из узкого набора трассировок Claude Code, поэтому результаты на задачах вне этой области могут быть нестабильны. Для интеграции XML-вызовов инструментов в vLLM требуется парсер-обёртка.

ApolloRaines/Qwen2.5-Coder-14B-Instruct-Jbliterated — языковая модель для генерации текста и программного кода, разработанная Apollo Raines на базе Qwen/Qwen2.5-Coder-14B-Instruct. Модель предназначена для сценариев, где требуется чат-интерфейс, написание и анализ кода, а также выполнение инструкций без стандартных отказов, связанных с политиками безопасности базовой модели. Модель относится к семейству 14B и предназначена для text generation. Она работает с текстовыми входными данными; в README явно указан английский язык. Отказные поведенческие реакции были изменены непосредственно на уровне весов с помощью фреймворка jBlaze, без системных промптов и исправлений во время инференса. Размер контекста, точная архитектура и перечень поддерживаемых языков программирования не указаны. К сильным сторонам относятся формат drop-in replacement для исходной модели и удаление поверхностных и более глубоких шаблонов отказа, включая переинтерпретацию запросов, предупреждения, пропуски деталей и смягчение формулировок. Ограничения включают отсутствие подробных оценок качества, неизвестные последствия изменения весов для точности и безопасности, а также возможное снижение возможностей: автор отмечает, что выпущенные модели намеренно оставлены на частичной мощности и предназначены как демонстрационные proof-of-concept-версии. Модель распространяется по лицензии Apache-2.0. Для использования требуется базовая модель Qwen/Qwen2.5-Coder-14B-Instruct; в README приведён пример запуска через Transformers с torch.float16 и device_map="auto".

ReACC-py-retriever — модель извлечения похожего кода для фреймворка ReACC, разработанного авторами исследования ReACC. Она кодирует незавершённый фрагмент Python-кода, чтобы находить похожие фрагменты и поддерживать дополнение кода с использованием поиска. Модель также подходит для поиска соответствий между неполными фрагментами и обнаружения клонов кода. Это BERT-подобный энкодер на 12 трансформерных слоях, дообученный на GraphCodeBERT с помощью контрастивного обучения. В метаданных указаны архитектура RoBERTa, 151,9 млн параметров, контекст до 514 токенов и формат PyTorch. Для входа требуется специальное нормализованное представление Python-кода, сохраняющее сведения о переносах строк и отступах; обычный исходный код перед использованием нужно преобразовать. Лицензия — MIT.

BrainboxAI/code-il-E4B-safetensors — репозиторий с полной версией весов 16-битного помощника по программированию code-il-E4B, созданного Нетанелем Элиаси из BrainboxAI. Это дообученная Gemma 4 E4B Instruct с плотной архитектурой Gemma4ForConditionalGeneration; веса хранятся в формате safetensors и предназначены для работы через Transformers, дальнейшего обучения на частном коде и конвертации в другие форматы. Модель помогает писать и анализировать код, в том числе на Python и TypeScript; при запросе на иврите отвечает на иврите, а сам код формирует на английском. Базовая Gemma 4 также поддерживает анализ изображений, однако карточка этой версии описывает её прежде всего как текстового помощника по программированию. Этот вариант рассчитан на разработчиков, которым нужны полные веса для обучения или конвертации, а не на обычный запуск для повседневного программирования: файл весов занимает 16 ГБ. Для запуска автор рекомендует сжатую сборку BrainboxAI/code-il-E4B. Лицензия — Apache 2.0.

Huihui-OmniCoder-9B-abliterated — версия Tesslate/OmniCoder-9B от huihui-ai с ослабленным отказом от ответов с помощью метода abliteration. Это экспериментальная модель на архитектуре Qwen3.5 с 9 млрд параметров, предназначенная для генерации кода и многошаговых задач разработки ПО; также поддерживает диалог и обработку изображений вместе с текстом. В карточке указано использование через Ollama и Transformers. Ослабление фильтров безопасности может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Автор характеризует реализацию как грубую проверку концепции. Модель распространяется по лицензии Apache-2.0.

Instinct — открытая модель для предсказания следующего изменения в коде, разработанная Continue. Она дообучена на Qwen2.5-Coder-7B на наборе реальных изменений кода и предназначена для подсказок разработчику о следующем редактировании, чтобы поддерживать рабочий поток. Модель построена на плотной архитектуре Qwen2ForCausalLM, содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Для запуска доступны веса Safetensors и упомянутая в README квантизация GGUF Q4_K_M через Ollama. Модель распространяется по лицензии Apache-2.0.

siendsi/Qwen3-6-KMP-Dev-MLX-2bit — производная модель на базе Qwen3.6-35B-A3B от Alibaba Cloud, адаптированная для разработки на Kotlin Multiplatform и работы с инструментами. В README описаны удаление части экспертов и 2-битная оптимизация для MLX; метаданные указывают библиотеку MLX и 2,9 млрд параметров. Архитектура — гибридная MoE с attention и Gated DeltaNet, 40 слоями, 150 экспертами на слой и восемью активными экспертами. Заявленная длина контекста — 262 144 токена. Модель предназначена для генерации кода и ответов на вопросы по Kotlin, Swift и связанным библиотекам, а также для диалогов, рассуждений и вызова инструментов. README заявляет поддержку английского и русского языков и специализацию на Kotlin Multiplatform, включая Gradle, Coroutines, Jetpack Compose и SwiftUI. Лицензия — Apache 2.0. Качество ограничено агрессивным сокращением экспертов и 2-битной квантизацией; README предупреждает, что вариант IQ1_M может зацикливаться при вызове инструментов, но это отдельный вариант. Заявленная специализация предполагает более узкие знания: другие языки программирования и ряд научных и прикладных областей удалены при pruning.

laion/tt-x2_clip-hi0p2-60-30B — контрольная точка обучения GRPO, созданная в рамках эксперимента TaskTrove X2 с настройкой верхнего PPO clip 0,2. Модель основана на Qwen/Qwen3-Coder-30B-A3B-Instruct и дообучена на DCAgent/exp_rpt_multifile с помощью SkyRL и Terminus-2; архитектура — MoE Qwen3. Метаданные указывают 2,6 млрд параметров и контекст 262 144 токена. Модель предназначена для генерации текста в диалоговом формате, прежде всего для многофайловых задач программирования и агентных сценариев. Для выбора чекпойнта использовалась скользящая EMA награды; приведённые в карточке результаты включают pass@8 0,375 на шаге 60. Обучение было остановлено владельцем на шаге 78 из 80, а выбранный чекпойнт — на шаге 60. Репозиторий содержит веса в safetensors. Лицензия — Apache-2.0. Показатели получены в ходе конкретного эксперимента, поэтому не характеризуют качество на произвольных задачах; базовые характеристики и ограничения унаследованы от исходной модели.

diff-codegen-2b-v2 — экспериментальная модель CarperAI для генерации изменений в коде. Это авторегрессионная модель семейства CodeGen с 2 млрд параметров, дообученная на коммитах GitHub от базовой модели Salesforce codegen-2B-mono. Она принимает исходный фрагмент кода и описание требуемого изменения, например сообщение коммита, и предлагает правки в формате Unified Diff с отмеченными добавленными, изменёнными и удалёнными строками. Модель предназначена для прототипирования систем помощи при редактировании кода, особенно когда нужно внести описанное на естественном языке изменение в существующий или длинный фрагмент. Обучающий набор включает коммиты из популярных репозиториев и 22 языка программирования, а исходная модель обучалась на The Pile и корпусах кода. Контекст модели — 2048 токенов; README отмечает, что она может хуже работать с редкими языками и не предназначена для задач за пределами программирования. Это исследовательский артефакт, качество и корректность результатов не гарантируются. Сгенерированный код может содержать ошибки и уязвимости, поэтому его следует проверять и выполнять в изолированной среде; авторы не рекомендуют коммерческое и критически важное применение. Лицензия модели — MIT.

FastApply-7B-v1.0 — языковая модель Kortix для быстрого применения изменений к коду. Это плотная авторегрессионная модель семейства Qwen2, дообученная на базе unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit; она содержит 7,1 млрд параметров и принимает текстовые инструкции и фрагменты кода, чтобы выдавать обновлённое содержимое файла. Контекст модели — до 32 768 токенов. Модель предназначена для AI-редакторов кода и инструментов, которым нужно быстро объединять предложенные изменения с существующим файлом, сохраняя его структуру, комментарии и отступы. Разработчик заявляет о скорости около 150 токенов в секунду на быстрых провайдерах, но README не приводит методику измерения или результаты независимой оценки точности. Модель рассчитана на задачи редактирования кода; её не следует считать универсальным помощником для произвольных задач программирования. Модель распространяется по лицензии Apache-2.0. Для вывода предусмотрен специальный формат запроса, требующий вернуть только обновлённый код в заданных тегах.

HPC-Coder-v2-16b — языковая модель для генерации кода в задачах высокопроизводительных вычислений, разработанная HPC Group. Это дообученная на инструкциях версия DeepSeek Coder V2 Lite Base с архитектурой DeepSeek V2 и плотной структурой; в метаданных указано 2,5 млрд параметров и контекст до 163 840 токенов. Для инференса доступны веса safetensors, модель поддерживает Transformers, vLLM и другие совместимые инструменты. Модель предназначена для генерации и доработки кода по темам параллельного программирования, оптимизации и переноса вычислений на ускорители. Обучение проводилось на HPC-Instruct, OSS-Instruct и Evol-Instruct-Code с использованием AxoNN для распределённого обучения. README сообщает о высоком результате на бенчмарке ParEval, однако это заявление разработчиков и не гарантирует качество для конкретной задачи. Для лучших результатов следует оформлять запросы как инструкции в обучающем шаблоне модели. Карточка не уточняет лицензию, поэтому условия использования следует проверять в метаданных репозитория Hugging Face. Модель ориентирована на код и инструкции на английском языке; поддержки других естественных языков карточка не подтверждает.

Seed 2.1 Turbo — мультимодальная модель команды ByteDance Seed для программирования и длительных агентных сценариев. Она предназначена для сквозной разработки программного обеспечения и выполнения многошаговых задач. Каталог относит модель к задаче image-text-to-text, а карточка описывает понимание визуальной информации. Доступная часть карточки не раскрывает архитектуру, размер, контекст, языки или лицензию, поэтому эти характеристики здесь не приводятся. По описанию модель принимает текст и визуальную информацию и предназначена для агентных рабочих процессов; подробности о доступных инструментах и качестве выполнения задач не указаны.

buelfhood/SOCO-Java-codebert-mnrl-triplets-ep1-bs16-lr2e-05-split0.0 — Sentence Transformer, дообученный автором на базе microsoft/codebert-base на триплетах кода Java из набора SOCO_TRAIN_java. Модель кодирует фрагменты кода и текст в плотные векторы размерности 768; архитектура состоит из RoBERTa и усредняющего pooling по токенам. Для сравнения векторов предусмотрена косинусная близость. Модель предназначена для поиска семантически похожего Java-кода, оценки сходства фрагментов и поиска дубликатов или парафразов кода. Полученные эмбеддинги также можно использовать для кластеризации и классификации кода. Максимальная длина последовательности — 514 токенов по метаданным модели. В репозитории указана лицензия не была предоставлена, поэтому условия использования следует сверить с карточкой Hugging Face и лицензией базовой модели. Модель обучалась на триплетах Java-кода; её качество для других языков программирования и обычного текста не описано.

AST-T5 — модель семейства T5, разработанная Линьюанем Гуном, Мостафа Эльхуши и Элвином Чунгом для генерации и понимания кода. Она предварительно обучена с учётом структуры кода и рассчитана на задачи, где входом служат, например, сигнатура функции или комментарий, а результатом — продолжение или преобразование кода. Модель содержит 176,9 млн параметров, использует архитектуру FairseqT5 и доступна в формате Safetensors. Это не instruct-модель: она лучше работает с конкретными подсказками, связанными с кодом, чем с общими инструкциями на естественном языке. Репозиторий распространяется по лицензии MIT.

ticlazau/granite-8b-rpgle — экспериментальная языковая модель на архитектуре Llama с 8,1 млрд параметров, предназначенная для работы с программами на ILE RPG. Она генерирует код по текстовому описанию, преобразует фиксированный формат RPG-кода в свободный и составляет текстовые описания кода. Модель рассчитана на английский язык; размер контекста — 4096 токенов. Модель создана для прототипирования и анализа ILE RPG-программ. Данные для обучения взяты из частного набора. Модель распространяется в формате safetensors по лицензии MIT.

Kimi-K3-REAP73-zh-code-MLX-mxfp4-q8 — это сильно прореженная и преобразованная в формат MLX версия Kimi-K3, разработанного Moonshot AI. Модель предназначена для генерации текста, прежде всего для работы с китайским языком и программным кодом, на компьютерах Apple Silicon с большим объёмом unified memory. Она рассчитана на загрузку на машине с 512 ГБ памяти и занимает около 451 ГБ. В основе лежит нативная мультимодальная MoE-архитектура Kimi-K3 с Kimi Delta Attention, Attention Residuals и контекстом до 1 млн токенов. Исходная модель содержит 2,78 трлн параметров, из которых 104 млрд активны при обработке токена. В данной версии сохранены 242 из 896 экспертов в каждом из 92 MoE-слоёв, всего около 793 млрд параметров. Используется MXFP4; для сохранённых экспертных весов заявлена побитно точная копия исходного представления, тогда как основная потеря качества связана с удалением экспертов. Скорость генерации на M3 Ultra с 512 ГБ памяти составляет около 5,51 токена в секунду. Главное преимущество модели — возможность запускать Kimi-K3 на одной мощной машине Apple Silicon при сохранении хорошей структурной корректности генерации кода и относительно сильной работе с китайским языком. Это агрессивное прореживание, поэтому качество заметно ниже полной Kimi-K3: возможны уход в списки или продолжение в стиле исходного файла, повторения и циклы. Японский, корейский, русский, арабский, немецкий, французский и испанский языки деградируют сильнее; для них рекомендуется смешанная версия модели. Лицензия указана как other с именем kimi-k3.

LearningOpt/pie-all-uncon-13b — плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная на полном наборе данных PIE без дополнительных условий. Она предназначена для генерации и оптимизации программ на C++; карточка модели отсылает к отдельной веб-странице с подробностями о сборе данных и обучении. Модель принимает текстовые запросы и генерирует текст, в частности варианты кода C++. Контекст модели составляет 16 384 токена. Репозиторий содержит веса в формате safetensors и использует лицензию Llama 2. README не приводит результаты оценивания качества или сведения об ограничениях, поэтому практическую эффективность следует проверять на целевых задачах.

Gemma-4-E2B-Polyglot-Reasoner — слитая самостоятельная модель на архитектуре Gemma 4 E2B от Google, дообученная автором репозитория для математических рассуждений и системного программирования. Модель предназначена для диалогового использования и выдаёт текстовые доказательства, объяснения и код; в карточке заявлены специализированное обучение на 4 600 примерах и режим рассуждения с завершённым решением. По README, веса представлены в bfloat16 и занимают около 5,14 млрд параметров, из которых около 2,3 млрд активны для текста. Указано контекстное окно 128 тысяч токенов. Основные области специализации — математические доказательства и высокопроизводительное программирование на C++20/23, Python 3.12+ и Java 21+. Метаданные также отмечают возможности чата и интерфейс вызова инструментов. Автор README заявляет сохранение языков английского, русского, японского, китайского и испанского, а также мультимодальных токенов для изображений, речи и видео. Однако карточка не демонстрирует соответствующие сценарии обработки входных медиа, поэтому надёжно подтверждённая задача — генерация текста. Модель распространяется по лицензии Gemma; перед использованием следует учитывать её условия.

GraphCodeBERT — предварительно обученная модель на архитектуре Transformer для работы с программным кодом, опубликованная Microsoft. В отличие от моделей, учитывающих только последовательность токенов, она использует также информацию о потоке данных в коде. Модель имеет 12 слоёв, размер скрытого состояния 768 и 12 голов внимания; в метаданных указано 151,8 млн параметров и контекст до 514 токенов. Модель обучена на наборе CodeSearchNet, содержащем 2,3 млн функций с парами «код — документация» на шести языках программирования. В Hugging Face она представлена как masked language model для задачи fill-mask и доступна в форматах PyTorch, TensorFlow и Flax. Она подходит как предварительно обученная основа для задач понимания и анализа кода; карточка не описывает конкретные гарантии качества или ограничения применимости. Лицензия в предоставленных данных не указана.

HPC-Coder-v2-6.7b — языковая модель для программирования в области высокопроизводительных вычислений, разработанная HPC Group. Это дообученная на инструкциях версия DeepSeek Coder 6.7B с плотной архитектурой LlamaForCausalLM и 6,6 млрд параметров. Модель обучалась на наборах HPC-Instruct, OSS-Instruct и Evol-Instruct-Code; обучение с распределением по нескольким GPU выполнялось с AxoNN. Модель предназначена для генерации и помощи в написании кода для параллельных вычислений, оптимизации программ и переноса кода на ускорители. Она принимает текстовые инструкции и генерирует текст, включая код; для лучших результатов карточка рекомендует использовать формат инструкций модели. Родной размер контекста — 16 384 токена, основной язык в метаданных — английский. Весы доступны в формате safetensors и могут использоваться через Transformers, vLLM и другие стандартные среды инференса. README не сообщает лицензию, поэтому условия использования по карточке определить нельзя. Модель отстаёт по производительности от версии на 16 млрд параметров; результаты оценки заявлены авторами, но подробности в карточке не приведены.

Mellum-4b-sft-kotlin — языковая модель JetBrains для генерации кода, дообученная на базе JetBrains/Mellum-4b-base и настроенная специально для автодополнения Kotlin. Это плотная модель с архитектурой в стиле LLaMA и 3,7 млрд параметров; она принимает текстовый контекст и генерирует текст кода. Размер контекстного окна — 8192 токена. Модель предназначена для интеграции в IDE и другие инструменты разработчика, создания подсказок кода, а также экспериментов с генерацией и пониманием кода. Её можно запускать в облаке и локально. Веса опубликованы в формате safetensors с точностью bf16; лицензия — Apache-2.0. Предложения модели могут наследовать предвзятости открытых кодовых баз, на которых она обучалась, и содержать уязвимости. Сгенерированный код следует проверять перед использованием.

Qwen2.5-Coder-7B-Abliterated — производная инструкционная языковая модель семейства Qwen2, созданная Sci4AI на основе Qwen/Qwen2.5-Coder-7B-Instruct. Веса модели изменены методом ablation: из 28 слоёв удалено направление отказа с помощью ортогонализации матриц внимания и MLP. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации кода и диалоговых сценариев, включая запросы, от которых исходная модель могла отказаться, например разработку эксплойтов, вредоносного ПО и сетевые атаки. Карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Изменение поведения отказа снижает действие защитных ограничений исходной модели; ответы на вредоносные запросы могут быть сгенерированы. Результаты требуют проверки, особенно в задачах, где важны корректность и безопасность кода.

SonarSweep-java-gpt-oss-20b-GGUF — версия модели SonarSweep для генерации Java-кода, подготовленная командой SonarSweep и опубликованная в формате GGUF. В основе лежат openai/gpt-oss-20b и SonarSource/SonarSweep-java-gpt-oss-20b; в README указано, что исходная модель дообучена на наборе из 70 тысяч примеров Java-кода, а этот репозиторий содержит квантизованные веса MXFP4 с Q8_0 для выходного тензора и эмбеддингов. Архитектура — Transformer Mixture of Experts, 20,9 млрд параметров, из которых активно 3,6 млрд. Модель предназначена для генерации и автодополнения Java-кода, в том числе для встроенных подсказок разработчику. Она работает в профиле низкого уровня рассуждений и рассчитана на формат диалогов Harmony. README заявляет, что дообучение уменьшило число ошибок и проблем безопасности в бенчмарках при сопоставимом pass@1, однако эти результаты не гарантируют корректность конкретного кода. Для применения требуются значительные ресурсы: README рекомендует не менее 32 ГБ оперативной памяти для GGUF-варианта. Модель поддерживает Java и английский язык. Лицензия — Apache 2.0. Сгенерированный код может содержать ошибки и уязвимости, поэтому его следует проверять статическим анализом и ревью; знания модели могут не учитывать новые версии Java, библиотек и закрытые API.

Space Bunny Alpha — анонимно представленная большая модель. В карточке заявлены сильные возможности в программировании, мультимодальный ввод и настраиваемый уровень рассуждений. Также указано контекстное окно в 1 миллион токенов. Применение модели не описано подробнее; сведения о лицензии отсутствуют.

InCoder-32B — плотная авторегрессионная языковая модель на 31,6 млрд параметров для анализа и генерации кода в промышленных сценариях. В карточке модель представлена как разработка проекта Industrial-Coder; она охватывает проектирование микросхем на Verilog и RTL, оптимизацию CUDA- и Triton-ядер, встроенные системы, компиляторы и 3D-моделирование через CadQuery и OpenCascade. Модель предназначена для генерации кода, ответов на технические вопросы и помощи в оптимизации программ с учётом аппаратных ограничений. Она поддерживает контекст до 131 072 токенов и диалоговый режим. В README описан трёхэтапный процесс обучения с промышленным кодом, расширением контекста и дообучением на примерах с проверкой исполнения. Метаданные указывают библиотеку Transformers и архитектуру IQuestCoderForCausalLM. README приводит результаты общих и отраслевых бенчмарков, но они не гарантируют качество для конкретной задачи. Модель может выдавать ошибочный или небезопасный код; для RTL, прошивок и GPU-ядер необходима экспертная проверка. Для использования с Transformers требуется trust_remote_code=True. Лицензия обозначена как other, поэтому перед применением следует проверить условия в карточке модели.

OS-Software выпустила North-Mini-Code-1.0-Uncensored-Heretic — изменённую с помощью abliteration версию CohereLabs/North-Mini-Code-1.0, модели для генерации кода и агентных задач. Это текстовая модель с архитектурой decoder-only Transformer и разреженным Mixture-of-Experts. В метаданных указаны 1,2 млрд параметров и контекст до 500 000 токенов; README базовой модели описывает 30 млрд общих и 3 млрд активных параметров, контекст 256 тыс. токенов и до 64 тыс. токенов вывода. Источники расходятся в размере и длине контекста. Модель предназначена для генерации и анализа кода, агентной разработки ПО и задач в терминале; поддерживает чат и может работать с инструментами через шаблон чата Transformers. Abliteration существенно ослабила защитное выравнивание: в приведённом README тесте refusals снизились с 84/100 у исходной модели до 0/100. Это повышает вероятность вредных, неточных, предвзятых или оскорбительных ответов. README рекомендует исследовательское применение, эксперименты, исследования безопасности и red-teaming, а также независимую проверку результатов и защитные меры. Для модели указана лицензия Apache 2.0. Она принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены.