II.3Рефакторинг, миграция и модернизация

Qwen3.6-35B-A3B KMP Dev — производная от Qwen3.6-35B-A3B модель, подготовленная для разработки на Kotlin Multiplatform и использования инструментов агентами. По README, разработчик применил прореживание экспертов, оставив наиболее активные эксперты для Kotlin, Swift, связанных библиотек и фреймворков, а также для английского и русского языков. Модель распространяется в формате MLX с 3-битной квантизацией; в метаданных указаны 2,9 млрд параметров и контекст до 262 144 токенов. Архитектура — MoE с чередованием слоёв внимания и SSM (Gated DeltaNet); README описывает 40 слоёв, 150 экспертов на слой и 8 активных экспертов. Модель предназначена для генерации кода и ответов по Kotlin Multiplatform, Swift, Gradle и перечисленным в карточке экосистемам, а также для диалогов, рассуждений и вызова инструментов. Поддерживает английский и русский; лицензия — Apache 2.0. Узкая специализация получена удалением экспертов, связанных с рядом других языков программирования и тематик, поэтому модель не подходит как универсальный помощник по этим областям. README предупреждает, что один из вариантов GGUF IQ1_M зацикливается при использовании инструментов; это предупреждение относится к указанному варианту, а не обязательно к MLX-сборке.

HPC-Coder-v2-1.3b — языковая модель для генерации кода в задачах высокопроизводительных вычислений (HPC), разработанная HPCGroup. Это дообученная на инструкциях версия DeepSeek Coder 1.3B с плотной архитектурой LlamaForCausalLM и 1,3 млрд параметров; веса доступны в формате safetensors. Для обучения использованы наборы hpc-instruct, Magicoder OSS-Instruct и Evol-Instruct-Code, а распределённое обучение выполнялось с помощью AxoNN. Модель предназначена для генерации и дополнения кода по инструкциям, связанным с параллельным программированием, оптимизацией и переносом вычислений на ускорители. Она рассчитана на контекст до 16 384 токенов и ориентирована на английские инструкции. Запуск возможен через Transformers, vLLM и другие совместимые средства; для лучших результатов README рекомендует использовать формат инструкционного шаблона модели. Указанные в карточке результаты бенчмарка относятся к более крупным вариантам семейства, поэтому их нельзя считать подтверждёнными характеристиками версии 1.3B. Лицензия в предоставленных данных не указана.

DevQuasar/moonshotai.Kimi-K2.7-Code-GGUF — это квантизированная GGUF-версия модели moonshotai/Kimi-K2.7-Code, опубликованная DevQuasar. В README приведён пример её применения для генерации простого HTML-игрового проекта в стиле Flappy Bird, поэтому модель предназначена прежде всего для задач программирования и создания кода по текстовому описанию. Модель распространяется в варианте квантования Q4_K_M, что может уменьшать требования к памяти и ускорять локальный запуск по сравнению с полноразмерной версией, однако потенциально снижает точность по сравнению с исходной моделью. В метаданных указана модальность image-text-to-text, но сведения о фактической поддержке изображений, архитектуре, размере, языках, длине контекста и конкретных системных требованиях отсутствуют. Лицензия в README не указана. Также нет подробной информации о результатах тестирования, ограничениях, допустимых сценариях коммерческого использования и совместимых средствах запуска.

OBLITERATUS/Ornith-1.5-9B-OBLITERATED — это модифицированная версия модели Ornith-1.5-9B, разработанной DeepReinforce. Модель создана командой OBLITERATUS с применением precision abliteration surgery: из неё удалено исходное поведение отказа от потенциально вредных запросов при сохранении возможностей кодирования, рассуждений и агентных задач. Она предназначена для генерации текста, программирования, исследовательского анализа механизмов отказа и red-teaming-сценариев, где требуется более неограниченное поведение модели. Модель имеет архитектуру Qwen3.5 hybrid, объединяющую Gated DeltaNet и полное внимание, и содержит около 9 млрд параметров. Указан английский язык, поддерживается текстовая генерация и режим рассуждений; в поставке также присутствует vision encoder, однако возможности мультимодального применения явно не описаны. Доступны веса bf16 и варианты GGUF от Q8_0 до Q2_K. Для большинства сценариев рекомендуется отключать thinking mode, а для максимального сохранения свойств abliteration — использовать Q8_0 или Q6_K. По сравнению с исходной моделью версия демонстрирует более высокую готовность отвечать на ограниченные запросы и сохраняет результаты в генерации кода, однако её показатель MMLU снизился с 78,82% до 74,82%. Частично ухудшена поддержка function calling, а на низких уровнях квантования возможны дополнительные отказы или уклончивые ответы. Как модель с 9 млрд параметров, она может галлюцинировать в сложных химических и синтетических задачах, поэтому технические сведения требуют независимой проверки. Лицензия — MIT.

Tessa-T1 — дообученная трансформерная языковая модель автора smirki на базе Qwen2.5-Coder-7B-Instruct, предназначенная для разработки интерфейсов на React. Модель с архитектурой Qwen2 содержит 7,1 млрд параметров; метаданные указывают контекст до 120 000 токенов. Репозиторий использует формат safetensors, лицензия — Apache 2.0. Модель генерирует семантически структурированные React-компоненты по текстовым запросам, помогает с рефакторингом кода и может использоваться в агентных системах разработки интерфейсов. В README заявлены точность генерации компонентов и понимание контекста пользовательского интерфейса; метаданные также указывают чат и интерфейс для вызова инструментов. Область применения модели сосредоточена на React: вне этой экосистемы её полезность ограничена. Сложная логика JavaScript и управление динамическим состоянием могут требовать ручной проверки и доработки. README рекомендует 12 ГБ видеопамяти и описывает исходную точность bf16 с вариантом квантизации q8.

Это дообученная модель Google Gemma 4 E2B IT, созданная автором sriharsha4444 методом LoRA SFT на трассах работы агента pi с репозиторием pi-mono на TypeScript. Полные веса адаптера были объединены с базовой моделью. Модель предназначена для многошаговой работы с кодом и инструментами в стиле pi coding agent, включая чтение и изменение файлов и запуск команд. В README приведены оценки на HumanEval и MBPP: результаты генерации кода на Python ниже, чем у базовой Gemma 4 E2B IT. Модель обучалась примерно на 600 сессиях из одного репозитория и отражает его соглашения и инструментарий; успех выполнения агентных задач на pi-mono отдельно не измерялся. Базовая Gemma 4 мультимодальна, но обучение этой версии исключало изображения, а её заявленное назначение и каталог указывают на генерацию текста. Лицензия — Gemma.

Huihui-Qwen3-Coder-Next-abliterated — экспериментальная версия Qwen3-Coder-Next, созданная huihui-ai методом abliteration: из модели удалены механизмы отказа. Это причинная языковая модель архитектуры Qwen3-Next с MoE, примерно 2,3 млрд параметров, предназначенная для генерации текста в диалоговом формате и сценариев разработки кода на основе возможностей базовой модели. Она принимает текст и выдаёт текст; заявленная длина контекста — 262 144 токена. Карточка описывает изменение фильтрации отказов как грубую реализацию и proof of concept, поэтому качество и поведение модели могут быть нестабильными. Ослабленные ограничения безопасности повышают вероятность чувствительных, спорных или неприемлемых ответов. Модель распространяется по лицензии Apache-2.0.

legraphista/llm-compiler-7b-ftd-IMat-GGUF — это вариант модели Meta LLM Compiler 7B FTD, подготовленный в формате GGUF. В README указана базовая модель facebook/llm-compiler-7b-ftd; автором исходной модели является Meta. Обозначение GGUF указывает на формат распространения, ориентированный на локальный запуск средствами, поддерживающими этот формат. Модель предназначена для задач, соответствующих семейству LLM Compiler, однако конкретные сценарии применения, поддерживаемые языки, модальности, размер контекста и архитектурные параметры в предоставленных данных не описаны. Также отсутствуют сведения о размере файла, типе квантования, производительности, требованиях к оборудованию и результатах оценивания, поэтому её сильные стороны и ограничения нельзя достоверно оценить по этому README. Использование регулируется Meta Large Language Model Compiler License и Acceptable Use Policy for Llama Materials. Лицензия предоставляет ограниченные неисключительные права на использование, копирование, распространение и создание производных работ при соблюдении условий, включая передачу текста лицензии, указание «Built with LLM Compiler», сохранение атрибуции и специальные требования к названию производных моделей. Запрещено использовать материалы или их результаты для улучшения другой большой языковой модели.

Code Search-Hit Ranker — компактная модель семейства Qwen2.5, разработанная Ishaan Ranjan как полноразмерное дообучение Qwen/Qwen2.5-0.5B-Instruct. Она предназначена для узкой подзадачи агента-разработчика: выбирать место определения символа среди результатов поиска по коду. Модель принимает текстовый запрос со списком совпадений и формирует ответ в заданной JSON-схеме; её обучали на примерах из репозиториев Python, а оценивали на отложенных HTTPX и Jinja2. Архитектура — плотная авторегрессионная Qwen2, около 494 млн параметров, контекст до 32 768 токенов. В описанном тесте точность успешного ответа после одной попытки обратной связи по схеме составила 94%; корректность JSON на первом проходе — 100%. Модель рассчитана на запуск внутри проверяющей обвязки с разбором JSON, детерминированными проверками и резервными правилами. Это не универсальный помощник по программированию и не модель для свободного диалога; авторы отмечают, что в этом сценарии достаточно правил. Лицензия — Apache-2.0.

Valuoty-industry-plc-4B — компактная языковая модель для программирования промышленных ПЛК, разработанная командой SPIE ICS. Модель дообучена методом QLoRA на базе Qwen/Qwen3-4B-Thinking-2507 с помощью Axolotl и содержит 3,7 млрд параметров. Она принимает текстовые инструкции и генерирует текстовый код и пояснения для пяти языков IEC 61131-3: Structured Text, ASCII-представлений Ladder Diagram и Function Block Diagram, Instruction List и GRAFCET/SFC. Контекст модели — до 262 144 токенов. Модель предназначена для генерации и рефакторинга логики ПЛК, проектирования SFC, диагностики и устранения неисправностей в задачах промышленной автоматизации. В README приведён результат 58,2% на отраслевом бенчмарке PLC MMLU-style; заявлено преимущество над рядом более крупных моделей, хотя результаты зависят от бенчмарка и сценария. Адаптер рассчитан на развёртывание на периферийных устройствах и в локальной инфраструктуре. Лицензия указана как other, без дополнительных условий в предоставленных данных.

Zeta — модель компании Zed Industries для предсказания правок в редакторе кода Zed. Она дообучена на базе Qwen2.5-Coder-7B и предназначена для генерации изменений в коде с учётом содержимого файла и контекста в запросе. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Zeta подходит для встроенных подсказок при редактировании кода. Для обслуживания в README приведены примеры запуска через vLLM, включая префиксное кэширование, обработку длинных запросов частями, FP8-квантизацию и спекулятивное декодирование на основе n-грамм. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на предсказание правок, а не на широкий круг диалоговых задач; качество зависит от контекста и сценария редактирования. README не перечисляет поддерживаемые языки программирования или результаты оценки качества.

AutoCoder-IMat-GGUF — это набор GGUF-квантизованных файлов модели AutoCoder, разработанной Bin12345 и переквантованной legraphista с помощью llama.cpp версии b3010. Исходная модель использует формат BF16, а репозиторий предоставляет варианты от BF16 и F16 до различных уровней квантования Q- и IQ-семейств, включая версии с IMatrix. Модель предназначена для генерации текста и, судя по названию AutoCoder, ориентирована на задачи, связанные с программированием, однако README не содержит подробного описания возможностей исходной модели, поддерживаемых языков, архитектуры, размера в параметрах или длины контекста. GGUF-формат рассчитан на запуск через совместимые инструменты, включая llama.cpp. Доступны файлы размером примерно от 7,16 до 66,69 ГБ; более компактные варианты снижают требования к хранению и памяти, но могут уступать высокоточным версиям по качеству. К преимуществам относятся широкий выбор уровней квантования и наличие IMatrix для ряда низко- и среднебитных вариантов, что может способствовать сохранению качества при уменьшении размера. Ограничения включают отсутствие в README результатов оценки, точных характеристик архитектуры, языковой поддержки, контекстного окна и подтверждённых сценариев применения. Распространение указано по лицензии Apache-2.0.

CodeLlama-7B-KStack — языковая модель JetBrains, дообученная на наборе Kotlin-кода KStack с фильтрацией данных. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 6,6 млрд параметров; она распространяется в формате Transformers с весами safetensors и поддерживает контекст до 16 384 токенов. Модель предназначена прежде всего для генерации и дополнения кода на Kotlin, в том числе в формате заполнения пропусков FIM. При оценке на Kotlin HumanEval модель достигла pass rate 29,19 против 26,09 у исходной CodeLlama-7B. Данные для дообучения отбирались из публичных репозиториев Kotlin и очищались: удалялись не-ASCII символы и строки пакетов, а половина строк импортов исключалась. Эти решения и специализация на Kotlin могут ограничивать качество на других языках и задачах; сгенерированный код требует проверки. Лицензия модели — Apache-2.0.

CodeLlama-7B-KStack-GGUF — это локальная GGUF-версия 7-миллиардной языковой модели для генерации и автодополнения программного кода. Модель разработана JetBrains на базе CodeLlama-7B и дообучена на очищенном и отфильтрованном датасете KStack. Квантизация выполнена bartowski с использованием llama.cpp. Модель предназначена исключительно для работы с кодом, прежде всего для генерации Kotlin-кода и использования в качестве помощника в IDE. Модель поддерживает сценарии обычного продолжения кода и FIM-дополнение по префиксу и суффиксу с использованием специальных токенов PRE, SUF и MID; готового шаблона запросов и системного промпта нет. Заявленный результат на MultiPL-HumanEval для Kotlin составляет 29,19% по метрике pass@1. Сильная сторона модели — специализация на Kotlin и возможность локального запуска в формате GGUF, однако она не предназначена для универсального диалога или задач вне программирования, а README не содержит сведений о размере контекста, поддерживаемых языках помимо Kotlin и конкретных вариантах квантизации. Модель распространяется по лицензии Apache-2.0.

MusaCoder-27B — модель на 27 млрд параметров, разработанная Moore Threads на основе Qwen/Qwen3.6-27B и дообученная для генерации низкоуровневых GPU-ядер. Она преобразует эталонную реализацию на PyTorch и ограничения по формам, типам данных и целевой платформе в реализацию ModelNew с нативными ядрами CUDA или MUSA. Модель обучалась с помощью supervised fine-tuning, отбора решений по результатам проверок и обучения с подкреплением на основе компиляции, тестов корректности, обнаружения запрещённых запасных вычислений и измерения времени исполнения. Основные сценарии — синтез, исправление и оптимизация ядер для GPU, включая рассуждения о формах тензоров, распределении потоков и блоков, индексировании памяти, граничных условиях и редукциях. Проверки MooreEval оценивают компилируемость, численную корректность и ускорение относительно PyTorch. Модель предназначена для разработки и исследований в области генерации ядер и экосистемы MUSA; лицензия Apache-2.0. Она специализирована на GPU-коде и может ошибаться на новых граничных случаях, не компилировать код, выбирать неэффективную конфигурацию или использовать запрещённые высокоуровневые вызовы. Сгенерированный код требует проверки перед применением.

SonarSource SonarSweep Team дообучила эту модель на базе openai/gpt-oss-20b для генерации Java-кода. Это модель семейства gpt-oss с архитектурой Transformer Mixture of Experts; метаданные указывают 1,6 млрд параметров, а карточка модели — 20,9 млрд параметров, из которых 3,6 млрд активны, и 740 млн обучаемых. Контекст составляет 131 072 токена. Модель рассчитана прежде всего на быстрые подсказки и генерацию кода в режиме низкого уровня рассуждений; в README заявлено, что улучшенная подготовка обучающих данных снижает число ошибок и уязвимостей по сравнению с базовой моделью. Модель подходит для генерации Java-кода по описанию, автодополнения и помощи в стандартных задачах разработки. Она также сохраняет диалоговые возможности базовой модели. Для корректной работы требуется формат сообщений Harmony; изменить низкий уровень рассуждений нельзя. Модель может выдавать ошибки и уязвимый код, а её знания ограничены обучающими данными и могут не учитывать новые версии Java и библиотек. Лицензия — Apache 2.0.

internlm-SWE-Fixer-Retriever-7B-GGUF — это набор GGUF-квантизаций модели internlm/SWE-Fixer-Retriever-7B, подготовленный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста; по названию и базовой модели может быть ориентирована на задачи, связанные с исправлением программного кода и retrieval, однако подробное описание этих сценариев в README отсутствует. Указан размер базовой модели — 7B параметров. Доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0, с размером файлов примерно от 2,9 до 7,7 ГБ. Формат GGUF рассчитан на совместимое локальное или серверное выполнение, но конкретные требования к оборудованию, архитектура, поддерживаемые языки, модальности и размер контекста не указаны. Основное преимущество набора — выбор между различными уровнями квантизации, позволяющий балансировать размер файла и потенциальное качество или требования к ресурсам. Ограничения включают отсутствие данных о результатах оценки, качестве генерации, точности исправления кода и совместимости с конкретными инструментами. Лицензия модели и условия её использования в README не указаны.

Diff-Codegen-350M-v1 — экспериментальная модель CarperAI для генерации изменений в коде. Это авторегрессионная плотная CodeGen-модель объёмом 350 млн параметров, дообученная на CodeGen-350m-mono от Salesforce. Она принимает исходный фрагмент и описание требуемого изменения и генерирует патч в формате Unified Diff, помечая добавленные, изменённые и удалённые строки. Контекст модели составляет 2048 токенов. Модель предназначена для прототипирования систем автоматического редактирования кода и исследовательских экспериментов. Она обучалась на изменениях из GitHub-репозиториев с открытым кодом, а её базовая модель предварительно обучалась на The Pile и дообучалась на многоязычных корпусах кода и Python. Карточка описывает экспериментальный предварительный выпуск без оценки качества. Модель может хуже работать с малопредставленными языками программирования и не должна считаться источником корректного или безопасного кода. Лицензия MIT разрешает коммерческое использование, однако разработчики его не рекомендуют.

granite-3.2-8b-qiskit — языковая модель IBM Quantum и IBM Research для генерации квантовых вычислительных программ и ответов на вопросы о разработке на Qiskit. Это дообученная плотная авторегрессионная модель семейства Granite с 8,2 млрд параметров, предназначенная для диалога и работы с кодом. Модель обучена на коде и инструкциях по Qiskit, чтобы помогать практикующим специалистам и новым пользователям писать качественный код с использованием актуальных API и синтаксиса Qiskit 2.0. Поддерживает контекст до 131 072 токенов. Доступна под лицензией Apache-2.0. Сгенерированный код может содержать ошибки и требует проверки перед использованием. Модель не прошла защитное выравнивание и может выдавать проблемные ответы; также отмечен риск воспроизведения фрагментов обучающих данных.

bbidpa/Qwen2.5-Coder-0.5B-Flutter-steps — языковая модель, дообученная на базе Qwen/Qwen2.5-Coder-0.5B для пошагового создания и редактирования файлов Flutter/Dart. Вместо генерации всего файла за один проход она получает цель, текущий код и историю предыдущих действий, затем выдаёт небольшой diff с поиском и заменой; цикл повторяется до сигнала завершения. Модель основана на плотной архитектуре Qwen2ForCausalLM, содержит 493,7 млн параметров и поддерживает контекст до 32 768 токенов. Она обучена на 50 млн токенов примеров последовательных шагов из bbidpa/flutter-diff-steps-v1 и предназначена для итеративного написания и изменения кода Flutter/Dart. Для загрузки используется библиотека Transformers; веса представлены в формате safetensors. Подходит для генерации кода небольшими изменениями с учётом промежуточного состояния файла и истории правок. Модель специализирована на Flutter/Dart и не предназначена для универсальной генерации файлов; качество зависит от корректного формата промпта и применения возвращаемых diff. Лицензия — MIT.

PeppX/Ornith-1.0-9B-Uncensored — модифицированная версия Ornith 1.0 9B от DeepReinforce AI, подготовленная командой Lethflow. Это плотная причинно-языковая модель семейства Qwen 3.5 с 7,2 млрд параметров; веса доступны в формате bf16 Safetensors. В README указано окно контекста 262 144 токена согласно метаданным и описан способ удаления направления отказа с помощью ортогонализации весов и оптимизации Abliterix TPE без переобучения модели. Модель предназначена для генерации текста в диалоге, написания кода и агентных сценариев. Карточка заявляет отсутствие отказов и близкое к исходной модели поведение на безвредных запросах, но приведённые результаты основаны на ограниченной внутренней оценке и не гарантируют качество или безопасность в других сценариях. Указан английский язык. Лицензия — MIT. Поскольку защитные механизмы отказа намеренно удалены, модель может выдавать опасный, незаконный или оскорбительный контент; карточка не рекомендует её для производственного использования.

Verus-0.8B — компактная мультимодальная модель для работы с кодом, представленная в формате Hugging Face Transformers. В метаданных указана дообученная база Qwen/Qwen3.5-0.8B, тогда как README описывает языковую часть как Mistral и архитектуру в целом как LLaVA-Next. Это расхождение в описании архитектуры требует осторожности при выборе модели и настройке инференса. Модель предназначена для преобразования скриншотов интерфейсов и диаграмм в код, автодополнения кода по заполнению пропусков (Fill-in-the-Middle), а также помощи при проверке кода. README заявляет поддержку изображений через CLIP ViT-L/14@336px и контекст до 125 000 токенов; метаданные указывают нативный контекст 262 144 токена и размер 581,4 млн параметров. Модель рассчитана прежде всего на английский язык и код. Заявленные ограничения: в текущей версии поддерживается одно изображение за ход; мелкий текст на изображениях может распознаваться неточно, а качество на неанглийских подписях ниже. Модель не оптимизирована для научных и инженерных схем. Лицензия — Apache-2.0.

uc-ctds/bge-large-en-v1.5-bio-mapping — англоязычная модель Sentence Transformers, дообученная на парах описаний биомедицинских переменных и соответствующих полей. Она создана для сопоставления и поиска семантически близких текстов, в частности для связывания названий и описаний переменных с полями биомедицинских наборов данных. Модель основана на BAAI/bge-large-en-v1.5 с архитектурой BERT, содержит 433,9 млн параметров и преобразует текст в нормализованные плотные векторы размерностью 1024; для сравнения подходит косинусное сходство. Модель принимает текст длиной до 512 токенов и ориентирована на английский язык. Её можно применять для семантического поиска, оценки сходства предложений, кластеризации и поиска соответствий между схемами данных. Лицензия — Apache-2.0.

bonsai-qwen3-30b-a3b-teacher-corrected — контрольная точка проекта bonsai, созданная полным дообучением Qwen/Qwen3-30B-A3B-Base на исходном коде TypeScript. Это MoE-модель архитектуры Qwen3 с 30,5 млрд параметров, из которых активно используются около 3 млрд; карточка указывает 2,6 млрд параметров. Модель принимает текст и предназначена для генерации и продолжения текста, особенно кода на TypeScript. Контекст модели — 32 768 токенов. Чекпойнт скорректирован под целевое распределение данных перед дистилляцией меньшей специализированной модели: он сам не прорежен и не дистиллирован. Дообучение выполнено на 6 000 примерах TypeScript за одну эпоху; автор сообщает о снижении проверочной потери с 0,9331 до 0,8842. Качество на прикладных задачах генерации кода пока не оценивалось, поэтому результаты не подтверждают преимущество в таких задачах. Лицензия — Apache 2.0.

granite-3.3-8b-qiskit — языковая модель IBM Quantum и IBM Research для генерации кода квантовых вычислений с помощью Qiskit и ответов на связанные с ним инструкции и вопросы. Она дообучена на базе ibm-granite/granite-3.3-8b-instruct на коде и инструкциях Qiskit, чтобы улучшить качество кода и избегать устаревших API. Модель содержит 8,2 млрд параметров, использует плотную архитектуру Granite и поддерживает контекст до 131 072 токенов. Модель предназначена как помощник для практикующих специалистов по квантовым вычислениям и новых пользователей Qiskit. Обучение проводилось с Qiskit 2.0; модель особенно ориентирована на актуальные API и синтаксис этой версии. Она принимает текстовые запросы и генерирует текст, включая код. Лицензия — Apache 2.0. Сгенерированный код может оказаться неверным и требует проверки; модель не проходила выравнивание безопасности и может выдавать проблемные ответы. Карточка также отмечает риск дословного воспроизведения фрагментов обучающих данных.

bartowski/open-r1_OlympicCoder-32B-GGUF — набор GGUF-квантизованных версий модели OlympicCoder-32B, разработанной open-r1. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix на данных из набора open-r1/codeforces-cots. Модель предназначена для генерации текста и прежде всего для решения задач программирования, включая задачи соревновательного программирования и Codeforces. Модель содержит 32 млрд параметров и поддерживает работу в экосистеме llama.cpp, LM Studio и других совместимых проектах. Доступны варианты квантизации от Q8_0 до Q2_K_L и IQ3/IQ4, с размером файлов примерно от 13,07 до 34,82 ГБ. Более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше памяти; Q6_K и Q6_K_L, а также ряд Q5- и Q4-вариантов указаны как рекомендуемые. В README заявлен английский язык. Сведения о мультимодальности, максимальном контексте и точной архитектуре не приведены, поэтому модель следует считать текстовой. Сильными сторонами являются специализация на коде и широкий выбор квантизованных вариантов для запуска на оборудовании с разным объёмом памяти. Ограничения включают неизбежную потерю качества у низкобитных вариантов, значительные требования к памяти у версий высокого качества и отсутствие подробных данных о результатах тестирования, контекстном окне и ограничениях применения. Модель и опубликованные квантизованные файлы распространяются по лицензии Apache-2.0.

panzarasa разработал Qwen3-1.7B Frontend SFT — дообученную методом QLoRA модель семейства Qwen3 с 1,7 млрд параметров для генерации и редактирования фронтенд-кода. Она создаёт HTML-документы, CSS и JavaScript по описанию страницы или запросу на изменение файла; также подходит для коротких компонентов, функций и страниц на Tailwind. Репозиторий содержит объединённую 16-битную модель для загрузки без PEFT и отдельный LoRA-адаптер. Модель построена на Qwen/Qwen3-1.7B, использует Transformers и принимает контекст до 40 960 токенов. Основной язык — английский. Лицензия — Apache-2.0. На коротких генерациях модель показала примеры корректных страниц Tailwind, JavaScript-функции и обработчика Next.js. При генерации длинных страниц примерно в одном случае из трёх на небольшой проверенной выборке она не завершала документ до лимита в 8 192 новых токена и могла зацикливаться на повторяющемся тексте или разметке. Возможны пропуски запрошенных элементов и почти дословное воспроизведение страниц из обучающих данных; результат следует проверять на завершённость, корректность и оригинальность. Обучающие данные включают наборы с разными лицензиями, поэтому их условия нужно проверять отдельно при распространении производных данных.

Code Search-Hit Ranker — плотная языковая модель Qwen2.5-1.5B, разработанная для выбора места определения символа среди результатов поиска по коду. Это полно-параметрическая модель с supervised fine-tuning на базе Qwen/Qwen2.5-1.5B-Instruct, обученная на примерах из Python-репозиториев с метками, полученными детерминированными правилами. Модель принимает текстовый запрос с результатами поиска и выдаёт структурированный ответ в формате JSON по заданной схеме. Модель предназначена для узкой подзадачи агентной навигации по коду и рассчитана на запуск внутри проверяющей обвязки, которая формирует запрос, проверяет схему и применяет резервные правила. На тестовых репозиториях HTTPX и Jinja2 заявлены 98% успешных ответов после одной попытки; оценка проводилась максимум на 250 примерах. Контекстная длина базовой модели по метаданным — 32768 токенов, обучение этой версии использовало последовательности длиной до 2048 токенов. Это не универсальный помощник по программированию: карточка предупреждает, что специализация на закрытой JSON-схеме может ослабить широкие способности следовать инструкциям. В выводе эксперимента указано, что для этой подзадачи достаточно обычных правил. Модель распространяется по лицензии Apache-2.0.

Web-chunk-refining-lm — языковая модель, разработанная на основе gair-prox/RedPJ-ProX-0.3B и дообученная для уточнения фрагментов веб-страниц посредством генерации программ. Она предназначена для сценариев, где нужно улучшать или преобразовывать веб-фрагменты, формируя для этого программный код. Модель имеет плотную архитектуру семейства Llama с причинно-следственной языковой моделью LlamaForCausalLM и содержит 313,3 млн параметров. Она принимает текст и генерирует текст, включая код; контекст — до 2048 токенов. Карточка указывает датасет gair-prox/RedPajama-pro и английский язык. Модель распространяется по лицензии Apache-2.0.

DeepSeek Coder 6.7B Kexer — языковая модель для генерации и автодополнения программного кода, разработанная JetBrains на основе DeepSeek Coder 6.7B. Модель предназначена исключительно для code completion и специально дообучена под Kotlin, поэтому подходит для использования в качестве программного ассистента и инструмента автодополнения в IDE. Модель содержит около 6,7 млрд параметров и обучена на 15 тысячах синтетически сгенерированных упражнений по Kotlin из набора JetBrains/KExercises. Она поддерживает FIM-токены для заполнения пропусков в коде, включая сценарии с заданными префиксом и суффиксом. Для модели не заявлены prompt template и system prompt; рекомендуется использовать её в режиме продолжения кода. В тесте MultiPL-HumanEval (Kotlin) указано значение pass@1 55,28%. Доступная версия — квантованный формат GGUF, подготовленный bartowski на основе llama.cpp. Сильная сторона модели — специализация на генерации Kotlin-кода и интеграции в сценарии автодополнения, однако она не предназначена для универсального диалога или широкого спектра языков, а заявленные данные не содержат сведений о размере контекста, поддерживаемых модальностях и детальных ограничениях качества. Модель распространяется по лицензии Apache-2.0.