II.3Рефакторинг, миграция и модернизация

OBSIDIAN-9B-Coder — языковая модель для генерации программного кода, разработанная guell00 на основе Jackrong/Qwopus3.5-9B-Coder. Модель дообучена методом LoRA SFT с использованием датасета Coder Max Multilingual и распространяется в формате GGUF. Модель ориентирована на создание полноценных реализаций, а не отдельных фрагментов кода. Она предназначена для генерации одностраничных веб-приложений, интерфейсов на HTML и CSS, JavaScript ES6+, интерактивных браузерных приложений, игр, графических экспериментов, программ с HTML5 Canvas и проектов на Three.js. Также поддерживаются Python, алгоритмы, работа с DOM, обработка событий, управление состоянием, анимационные циклы и игровая логика. OBSIDIAN-9B-Coder относится к классу моделей примерно на 9 млрд параметров и обучалась с контекстом 32K. В заявленных языках инструкций указаны португальский, английский, испанский, французский, немецкий, итальянский, японский, китайский, русский и турецкий. К сильным сторонам относятся специализация на frontend-разработке и Three.js, генерация длинного связного кода и сохранение целостной структуры приложений. Ограничения, результаты независимых оценок и требования к аппаратному обеспечению в README не указаны. Лицензия также не указана, поэтому условия коммерческого и иного использования следует уточнять отдельно.

Rainbow-Pony-100M-Flutter-steps — модель генерации кода на основе трансформера TinyGPT с 100 млн параметров, разработанная bbidpa. Она предварительно обучена с нуля на 2 млрд токенов, преимущественно на коде Flutter/Dart и частично на английском тексте, а затем дообучена на примерах последовательных правок из набора bbidpa/flutter-diff-steps-v1. Модель принимает цель, текущий код и историю предыдущих действий, после чего предлагает небольшую правку в формате поиска и замены; цикл повторяется, пока модель не подаст сигнал завершения. Модель предназначена для пошагового создания и редактирования файлов Flutter/Dart. Разбиение задачи на небольшие изменения позволяет проверять каждый шаг и учитывать результат предыдущих правок. Это экспериментальная модель небольшого размера, созданная для сравнения итеративного редактирования с генерацией целого файла за один проход; README ссылается на сопутствующую исследовательскую работу. Доступна по лицензии MIT.

laion/tt-x2_clip-hi0p01-15-30B — это экспериментальный чекпойнт на базе инструктивной модели Qwen/Qwen3-Coder-30B-A3B-Instruct, дообученный методом GRPO в рамках подбора гиперпараметров TaskTrove X2. Модель предназначена для генерации кода и решения задач с несколькими файлами; обучение проводилось на DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2. Архитектура — Qwen3 MoE для причинной генерации текста; репозиторий содержит веса Safetensors, а размер модели в метаданных указан как 2,6 млрд параметров. Метаданные указывают контекст до 262 144 токенов и поддержку английского языка. В карточке выбран шаг 15 по сглаженной EMA награды: pass@8 составил 0,359. Однако этот экспериментальный запуск был остановлен на шаге 62 из 80 из-за роста энтропии; после шага 54 награда и pass@8 резко ухудшились, поэтому чекпойнт не следует считать успешным результатом серии TaskTrove X2. Лицензия — Apache-2.0.

mAInframer-34b — языковая модель для генерации кода COBOL из семейства mAInframer, представленная bloopai. Модель основана на CodeLlama и дообучена на коде COBOL; README описывает её как вариант серии с 34 млрд параметров. По метаданным это плотная архитектура LlamaForCausalLM с контекстом 16 384 токена, предназначенная для генерации текста. Модель рассчитана на автодополнение и заполнение пропусков в COBOL-коде. В README приведён результат 10,27 pass@1 на COBOLEval. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0.

QuantFactory/CodeLlama-7B-KStack-clean-GGUF — квантизированная версия CodeLlama-7B-KStack-clean, созданная с использованием llama.cpp. Базовая модель CodeLlama-7B была дообучена JetBrains на 25 тысячах примеров из набора KStack-clean, содержащего преимущественно Kotlin-код, отобранный по образовательной ценности. Модель предназначена для генерации и дополнения программного кода, прежде всего на Kotlin, включая сценарии text generation и Fill-in-the-Middle с использованием специального формата PRE/SUF/MID. Размер модели составляет 7 млрд параметров; формат GGUF предназначен для использования с совместимыми инструментами, включая llama.cpp. В README не указаны точные параметры контекстного окна, поддерживаемые языки помимо Kotlin и конкретные варианты квантизации. На Kotlin HumanEval модель показала Pass@1 37,89%, превысив результат исходной CodeLlama-7B в 26,89%. При этом её ответы могут быть неточными или нежелательными, особенно при отклонении от Kotlin-ориентированного формата и задач, поэтому перед применением требуется тестирование под конкретный сценарий. Лицензия — Apache-2.0.

Godoter — дообученная 27-миллиардная языковая модель на базе unsloth/Qwen3.6-27B, созданная независимым автором для генерации кода на GDScript и разработки игр в Godot 4. Это неофициальный любительский проект, не связанный с Godot Foundation или командой Godot Engine. Модель помогает писать идиоматичный GDScript, разбираться в API Godot 4 и создавать игровые системы, в том числе многомодульные: инвентари, ИИ на конечных автоматах, сохранения, диалоги, сетевые функции, шейдеры и боевые механики. Обучение выполнено методом QLoRA на примерах, основанных на официальной документации Godot 4; адаптер слит с базовыми весами. Архитектура — Qwen3.6, формат файлов — safetensors, загрузка рассчитана на Transformers 5.x. Модель принимает текстовые запросы и генерирует текст с кодом. Поддерживаемый карточкой язык — английский. Лицензия репозитория — Apache-2.0; проект описан как некоммерческий. Автор приводит сравнительный тест на корректность использования API Godot 4: 100% на простых и 96% на сложных заданиях против 80% и 68% у базовой модели. Эти результаты относятся к собственному набору тестов и не измеряют общее качество архитектуры сгенерированного кода.

Etherll/Mellum-4b-sft-rust — языковая модель, дообученная автором Etherll на базе JetBrains/Mellum-4b-base для заполнения пропусков в коде Rust по схеме Fill-in-the-Middle (FIM). Модель использует плотную архитектуру LLaMA и содержит 3,7 млрд параметров; заявленный контекст — 8200 токенов. Для FIM README указывает формат ввода с именем файла, суффиксом и префиксом кода. Модель предназначена для дополнения фрагментов Rust, в том числе в IDE и инструментах вроде Continue.dev. Обучение проводилось на датасете Etherll/CodeFIM-Rust-Mellum, содержащем около 57 тысяч примеров. Модель принимает текст с кодом и генерирует текстовое продолжение; указанный в метаданных язык карточки — английский, а специализация модели — Rust. Весы опубликованы в формате Safetensors, библиотека — Transformers. Лицензия — Apache-2.0. README сообщает о доступной отдельной версии в GGUF для локального инференса, но это не формат данного репозитория. Результаты могут зависеть от соблюдения формата FIM и от контекста конкретного проекта; модель специализирована на Rust и её качество для других языков не заявлено.

dyingc/gguf-scanner-test-samples — модель типа Llama, созданная Meta и представленная в формате для генерации текста. По доступным метаданным она ориентирована на обработку кода и относится к семейству Llama 2. Указание inference: true означает, что модель предназначена для использования в задачах вывода. Архитектура, размер, точная поддерживаемая длина контекста, набор языков и дополнительные модальности в предоставленных данных не указаны. Поэтому невозможно достоверно оценить производительность, сильные стороны и ограничения модели; также неизвестно, является ли идентификатор тестовым образцом или полноценной моделью. Лицензия обозначена как llama2, однако подробные условия её применения в README не приведены.

Карточка модели Janstnkel/Godoter-27B на Hugging Face совпадает с карточкой Ruler97/Godoter-27B, поэтому описание составлено по ней. Godoter — дообученная 27-миллиардная языковая модель на базе unsloth/Qwen3.6-27B, созданная независимым автором для генерации кода на GDScript и разработки игр в Godot 4. Это неофициальный любительский проект, не связанный с Godot Foundation или командой Godot Engine. Модель помогает писать идиоматичный GDScript, разбираться в API Godot 4 и создавать игровые системы, в том числе многомодульные: инвентари, ИИ на конечных автоматах, сохранения, диалоги, сетевые функции, шейдеры и боевые механики. Обучение выполнено методом QLoRA на примерах, основанных на официальной документации Godot 4; адаптер слит с базовыми весами. Архитектура — Qwen3.6, формат файлов — safetensors, загрузка рассчитана на Transformers 5.x. Модель принимает текстовые запросы и генерирует текст с кодом. Поддерживаемый карточкой язык — английский. Лицензия репозитория — Apache-2.0; проект описан как некоммерческий. Автор приводит сравнительный тест на корректность использования API Godot 4: 100% на простых и 96% на сложных заданиях против 80% и 68% у базовой модели. Эти результаты относятся к собственному набору тестов и не измеряют общее качество архитектуры сгенерированного кода.

Neotoi Coder v3.2 8B — модель rockypod, дообученная методом RAFT с LoRA на базе Qwen/Qwen3-8B. Она предназначена для генерации кода на Rust с использованием Dioxus 0.7, включая компоненты RSX, Tailwind CSS v4 и доступные интерфейсы с поддержкой WCAG 2.2 AAA. В обучающую выборку вошли 5 287 примеров по 57 темам; модель охватывает версии Dioxus 0.7.0–0.7.9 и поддерживает диалоговый режим и генерацию кода. Опубликованные веса представлены в формате GGUF с квантизацией Q4_K_M; README указывает размер файла около 4,68 ГБ и возможность включить режим рассуждений Qwen3 на совместимых средах. Модель рассчитана на написание и исправление компонентов Dioxus, работу с синтаксисом RSX, состоянием приложения, серверными функциями и доступностью. Результат внутреннего экзамена по 114 вопросам Dioxus составляет 111 из 114 ответов, но это оценка разработчика, а не независимый бенчмарк. Модель унаследовала возможности и ограничения Qwen3-8B и специализируется на узком наборе версий и технологий, поэтому её ответы по другим фреймворкам или более новым версиям Dioxus требуют проверки. В метаданных указана лицензия other; конкретные условия следует сверить с карточкой репозитория и лицензией базовой модели.

Это дообученная версия SantaCoder, созданная на основе bigcode/santacoder и дополнительно обученная на подмножестве COBOL из The Stack. Базовая модель — плотная GPT-2-архитектура на 1,1 млрд параметров с Multi Query Attention и обучением по Fill-in-the-Middle; модель работает через Transformers и распространяется в формате PyTorch. Контекст составляет 2048 токенов. Модель предназначена для генерации и автодополнения фрагментов кода COBOL по заданному контексту. Её можно применять при написании и продолжении COBOL-программ, но результат может содержать ошибки, быть неэффективным или уязвимым и требует проверки. В карточке указана лицензия OpenRAIL.

InCoder-32B (Industrial-Coder-32B) — плотная языковая модель на 31,6 млрд параметров для генерации и анализа кода в промышленных инженерных задачах. В карточке указаны области применения: проектирование микросхем на Verilog и RTL, оптимизация GPU-ядер на CUDA и Triton, встроенные системы для ARM Cortex-M и STM32, оптимизация компиляторов и ассемблера x86-64/LLVM, а также 3D-моделирование через CadQuery и OpenCascade. Модель поддерживает контекст до 131 072 токенов и диалоговый режим. Разработчики описывают трёхэтапное обучение: предварительное обучение с адаптацией на промышленном коде, расширение контекста и дообучение на примерах с выполнением кода и обратной связью. README приводит результаты на отдельных промышленных бенчмарках, но не даёт независимой оценки этих сравнений. Модель может генерировать ошибочный или небезопасный код; результаты требуют проверки специалистом, особенно перед использованием в прошивках, RTL и GPU-ядрах. В метаданных лицензия обозначена как «other»; конкретные условия использования следует сверять с лицензией репозитория.

Code Read-Span Selector — компактная языковая модель для узкой подзадачи в агенте-разработчике, созданная дообучением Qwen/Qwen2.5-1.5B-Instruct. Она определяет точный диапазон строк, где объявлен символ, в переданном фрагменте кода, и возвращает результат по фиксированной JSON-схеме. Модель рассчитана на запуск внутри проверяющей оболочки, которая формирует запрос, проверяет JSON, при необходимости выполняет одну попытку исправления и применяет детерминированные проверки и резервные правила. Модель использует плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров; контекст — до 32 768 токенов. Обучена полным дообучением с учителем на 1 772 примерах, размеченных детерминированными правилами по репозиториям Python. На тестах по HTTPX и Jinja2 точность успешного результата после одной проверки схемы составила 83,2%, а валидность JSON с первой попытки — 99,6%. Лицензия — Apache-2.0. Модель специализирована на одной схеме и не предназначена для общего программирования или диалога; качество на других репозиториях и задачах не подтверждено. В эксперименте задача признана нерешённой на данном размере модели, поэтому для некоторых случаев предпочтительны детерминированные правила.

mrm8488/bloom-560m-finetuned-the-stack-rust — авторская донастройка языковой модели BLOOM с 560 млн параметров на Rust-коде из набора The Stack. Это плотная авторегрессионная модель архитектуры BLOOM, распространяемая в формате PyTorch. Она продолжает текст по заданному фрагменту и предназначена прежде всего для генерации и продолжения кода на Rust, например по описанию или началу программы. Базовая модель BLOOM поддерживает генерацию текста на 46 естественных и 13 программных языках, однако эта версия специально дообучена на Rust, поэтому её специализация уже. Модель может помогать с черновиками кода и продолжением существующих фрагментов. Карточка не приводит оценок качества, длины контекста или подробных ограничений; результаты следует проверять, особенно на корректность, безопасность и соответствие требованиям проекта. Лицензия в предоставленных данных не указана.

jgalego/ada-coder-qwen2.5-7b — языковая модель для генерации кода на Ada 2022 и SPARK по описанию задачи, спецификации или сигнатуре. Она создана дообучением Qwen/Qwen2.5-Coder-7B-Instruct с помощью LoRA; адаптер объединён с базовой моделью. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для написания и дополнения исходного кода Ada, в том числе завершения фрагментов без чат-шаблона. В тесте HumanEval-Ada на 157 задачах pass@1 составил 0,414, а доля компиляции — 0,771. Обучение проводилось на 6 110 парах «инструкция/код», которые компилируются с GNAT. Результаты относятся к небольшим функциям в стиле HumanEval и не подтверждают качество на полноценных программах или пакетах. Вывод необходимо проверять и тестировать; для SPARK следует выполнять формальное доказательство. Модель не квалифицирована для сертификационных процессов, включая DO-178C, EN 50128 и ISO 26262. Лицензия — Apache-2.0.

CodeLlama-7B-KStack-clean-GGUF — это квантизированная GGUF-версия модели CodeLlama-7B, разработанная JetBrains и подготовленная для распространения сообществом LM Studio. Квантизацию выполнил bartowski на базе llama.cpp. Модель дообучена на 25 тысячах примеров из набора данных JetBrains/KStack-clean. Модель предназначена исключительно для автодополнения и генерации исходного кода, прежде всего на языке Kotlin. Её можно использовать как помощника программиста и для дополнения кода в IDE. Поддерживаются FIM-токены для генерации фрагмента между префиксом и суффиксом кода; готовый шаблон промпта и системный промпт отсутствуют. Модель относится к классу текстогенерационных, имеет размер 7 миллиардов параметров и не предназначена для мультимодальных задач. Сильной стороной является специализация на Kotlin и сценариях code completion; на наборе MultiPL-HumanEval (Kotlin) указано значение pass@1 37,89. Ограничение модели — узкая ориентация на завершение кода, поэтому её возможности для общего диалога и других языков программирования могут быть ограничены. Длина контекста в предоставленных данных не указана. Модель распространяется по лицензии Apache-2.0.

DevStudio-Coder-1.5B — компактная плотная языковая модель, разработанная DevStudio-AI для локального использования в IDE DevStudio. Это QLoRA SFT дообучение Qwen2.5-Coder-1.5B-Instruct с 1,5 млрд параметров; модель принимает текстовые запросы и генерирует код. Она ориентирована на создание и рефакторинг адаптивных одностраничных шаблонов HTML с Tailwind CSS, в том числе по командам в боковой панели и inline-командам редактора. Модель поддерживает диалоговый формат, имеет контекст до 32 768 токенов и опубликована в форматах Safetensors и GGUF. Карточка описывает исправление ошибок Unicode и поддержку RTL-разметки с современными CSS logical properties. README приводит результаты обучения и качественное сравнение, но не даёт достаточно деталей для независимой оценки качества на широком наборе задач. Репозиторий распространяется по лицензии Apache-2.0. Модель узкоспециализирована на HTML и Tailwind CSS; её заявленная цель не охватывает универсальную генерацию кода.

Johnblick187/Qwen3-Omni-Coder — модель, опубликованная пользователем Johnblick187 на Hugging Face. По метаданным это слияние моделей Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated и Huihui-Qwen3-Omni-30B-A3B-Instruct-abliterated, построенных на архитектуре семейства Qwen3 Omni MoE. В репозитории представлены веса Safetensors и варианты GGUF в форматах F16, Q4_K_M и Q8_0; указана лицензия Apache-2.0. Модель предназначена для задач «любая модальность на любую» (any-to-any), а в составе слияния присутствует кодовая instruct-модель. Поиск Hugging Face подтверждает обозначение any-to-any и размер около 35B параметров, однако доступная карточка не дала надёжных сведений о поддерживаемых языках, контекстном окне и конкретных входных и выходных модальностях. Поэтому эти характеристики здесь не уточняются.

Code Read-Span Selector — компактная модель Ishaan Ranjan для узкой подзадачи агента-разработчика: определения точного диапазона строк, в котором объявлен символ, в переданном фрагменте кода. Это полнопараметрическая модель Qwen2.5-0.5B-Instruct, дообученная с учителем на 1 772 примерах, созданных детерминированными правилами по репозиториям Python. Она построена на архитектуре Qwen2, содержит 494 млн параметров и имеет контекстное окно 32 768 токенов; в обучении использовалась максимальная длина последовательности 2 048 токенов. Модель рассчитана на работу в проверяющей оболочке, которая формирует запрос, разбирает JSON, применяет проверки и при необходимости использует правила. Модель предназначена для поиска строк определения символов в коде, а не для общего программирования или диалога. В оценке на отложенных репозиториях HTTPX и Jinja2 точность успешного выполнения после одной попытки с повтором при ошибке схемы составила 21,6%, поэтому эксперимент признан нерешённым; при самостоятельном использовании качество может быть недостаточным. Карточка указывает лицензию Apache-2.0.

camlcoder — авторская донастройка причинной языковой модели ReplitLM размером 2,7 млрд параметров для автодополнения кода на OCaml. Она дообучена на подмножестве The Stack Dedup v1.2 и актуальных версиях пакетов Opam, совместимых с OCaml 5.0, поэтому подходит для продолжения и дополнения исходного кода с учётом экосистемы языка. Репозиторий содержит веса в формате safetensors; для запуска в README перечислены PyTorch и Transformers. Модель распространяется по лицензии CC BY-SA 4.0. Карточка не сообщает длину контекста и не приводит оценки качества; модель специализирована на коде OCaml и не предназначена для общего диалога.

ada-coder-qwen2.5-1.5b — компактная языковая модель на 1,5 млрд параметров, разработанная jgalego на основе Qwen/Qwen2.5-Coder-1.5B-Instruct. Модель дообучена с помощью LoRA на парах инструкций и кода, затем дополнительно обучена методом GRPO на задачах MultiPL-E; адаптеры объединены с базовой моделью. Она использует архитектуру Qwen2 с плотной причинной языковой моделью и работает через Transformers. Модель предназначена для генерации и дополнения кода на Ada 2022 и SPARK по описанию задачи, спецификации или сигнатуре. Также она может продолжать исходный текст Ada без шаблона чата. В README приведены результаты на небольших задачах HumanEval-Ada, но не на полноценных программах или пакетах. Контекст модели составляет 32 768 токенов. Основной язык карточки — английский; специализация — код Ada и SPARK. Репозиторий распространяется по лицензии Apache-2.0. Сгенерированный код требует проверки, компиляции и тестирования; для SPARK необходима формальная проверка. Модель не квалифицирована для процессов сертификации безопасности.

WebCoder-100M — компактная авторегрессионная модель семейства Llama, разработанная автором репозитория caikybaldo999. Модель содержит около 99,9 млн параметров, имеет 11 слоёв и контекст до 2048 токенов; веса представлены в формате safetensors и рассчитаны на работу через Transformers. Модель обучена с нуля: сначала на HTML, CSS и JavaScript, затем дообучена на инструкциях и примерах кода для веб-разработки. Она предназначена для генерации и дополнения веб-кода по запросам, например для создания адаптивных страниц и компонентов. README не указывает лицензию модели; для коммерческого использования автор рекомендует проверить лицензии исходных датасетов.

LLM Compiler 7B FTD — разработанная Meta авторегрессионная языковая модель на основе Code Llama с архитектурой Transformer, дообученная для задач компиляторной оптимизации. Версия FTD содержит 7 млрд параметров и контекстное окно 16 000 токенов; модель принимает и генерирует текст, включая LLVM IR и ассемблерный код. Модель предназначена для подбора проходов оптимизации LLVM `opt` для уменьшения размера кода и преобразования ассемблера x86_64 или ARM в LLVM IR. Она подходит для автоматизации тонкой оптимизации кода и экспериментов с декомпиляцией. В README сообщается об улучшении размера кода и результатах на задаче обратного преобразования, однако модель может ошибаться; перед внедрением её выходы следует проверять и тестировать для конкретного сценария. Модель разработала Meta. Для доступа требуется предоставить контактные данные Meta. Условия использования регулируются специальной лицензией LLM Compiler, включающей политику допустимого использования Llama Materials; README сообщает о доступности для коммерческого и исследовательского применения с соблюдением этих условий. Модель рассчитана на английский язык и релевантные языки программирования, LLVM IR и ассемблер x86_64 и ARM.

CAUKiel/JavaBERT — модель семейства BERT, разработанная Christian-Albrechts-Universität zu Kiel и предварительно обученная на исходном коде Java. Она предсказывает замаскированные токены в коде: подайте фрагмент Java с маркером [MASK], чтобы получить варианты заполнения. Модель имеет около 136,7 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Для токенизации применяется регистрозависимый bert-base-cased; обучение проводилось на 2 998 345 файлах Java из открытых проектов GitHub. Модель предназначена для заполнения пропусков и исследования представлений кода Java. Карточка указывает лицензию Apache-2.0. Предсказания могут отражать вредные стереотипы; метрики и результаты оценки в карточке не приведены, поэтому качество на конкретных задачах следует проверять отдельно.

LLM Compiler 13B FTD — модель Meta на основе Code Llama, дообученная для работы с кодом и задачами компиляторов. Она генерирует текст и рассчитана на подбор проходов оптимизации LLVM для уменьшения размера кода, а также на преобразование ассемблерного кода x86_64 или ARM в LLVM IR. Модель также обучалась предсказывать результаты применения оптимизаций LLVM; README приводит результаты на задачах оптимизации размера кода и дизассемблирования. Это авторегрессионная языковая модель с архитектурой Transformer, 13 млрд параметров и контекстом 16 000 токенов. Она принимает и выдаёт текст; заявленные сценарии ориентированы на английский язык, LLVM IR и ассемблер x86_64 и ARM. Модель может ошибаться, поэтому её результаты требуют проверки на целевом коде. Для доступа требуется передать контактные данные Meta. README указывает лицензию LLM Compiler License Agreement с Acceptable Use Policy для Llama Materials; метаданные Hugging Face обозначают лицензию как other. Условия использования следует сверять с лицензионным соглашением модели.

ahmedheakl/asm2asm-deepseek-1.3b-500k-4ep-x86-O0-arm-gnueabi-gcc — дообученная модель DeepSeek-Coder, разработанная ahmedheakl на основе deepseek-ai/deepseek-coder-1.3b-instruct. Название указывает на преобразование ассемблерного кода в ассемблерный для x86 с уровнем оптимизации O0 и целевой платформы ARM GNU EABI, однако README не описывает назначение и обучающие данные подробнее. Модель использует плотную архитектуру семейства Llama, содержит 1,3 млрд параметров, принимает текст и выдаёт текст; базовая модель поддерживает контекст до 16 384 токенов. В метаданных указаны Transformers и формат safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

llm-compiler-13b-ftd-IMat-GGUF — это GGUF-квантизированная версия модели LLM Compiler 13B FTD, разработанной Meta и преобразованной в GGUF с использованием llama.cpp пользователем legraphista. Модель основана на Code Llama и предназначена для генерации текста в задачах оптимизации компиляторов, включая подбор оптимизаций LLVM для уменьшения размера кода и преобразование x86_64 или ARM assembly в LLVM IR. Модель содержит 13 млрд параметров и использует авторегрессионную архитектуру на основе оптимизированного Transformer. Исходная модель обучалась на LLVM IR, x86_64, ARM и CUDA assembly; заявленное контекстное окно составляет 16 000 токенов. Она ориентирована на английский язык, языки программирования, LLVM IR и assembly. Репозиторий GGUF предлагает варианты от 1-битных до 16-битных, включая квантизации с IMatrix, что уменьшает требования к памяти, но может снижать точность по сравнению с исходными BF16 или FP16. Сильная сторона модели — специализация на compiler reasoning, оптимизации размера кода и дизассемблировании; Meta сообщала о лучших результатах 13B FTD среди вариантов семейства в этих задачах. Ограничения включают узкую предметную область, возможные ошибки и необходимость проверять предложенные оптимизации и результаты декомпиляции. Использование регулируется специальной лицензией Meta LLM Compiler и Acceptable Use Policy; для распространения производных материалов предусмотрены дополнительные требования, включая атрибуцию.

LearningOpt/pie-all-uncon-7b — языковая модель на архитектуре LlamaForCausalLM с 6,6 млрд параметров, созданная дообучением CodeLlama 7B на полном наборе данных PIE. Модель предназначена для безусловной оптимизации программ на C++. Модель генерирует текст и обучена на контексте до 16 384 токенов. Карточка не уточняет поддерживаемые естественные языки и конкретные методы оптимизации. Репозиторий содержит веса в формате safetensors; лицензия указана как llama2.

AlfredPros/CodeLlama-7b-Instruct-Solidity — дообученная модель Code Llama Instruct с плотной архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Она предназначена для генерации смарт-контрактов на Solidity по инструкциям и примерам. Для дообучения применялась QLoRA в 4-битном формате NF4 с библиотекой PEFT, на наборе из 6 003 пар инструкций и исходного кода смарт-контрактов, созданных GPT. Модель принимает текстовые запросы, генерирует текст кода и рассчитана прежде всего на английский язык; нативный контекст — 16 384 токена. Модель подходит для создания черновиков контрактов и ответов на запросы по коду Solidity. Дообучение длилось одну эпоху на синтетических данных, поэтому качество и надёжность результата для конкретных сценариев требуют проверки. Указана лицензия Llama 2.

nuprl/MultiPL-T-DeepSeekCoder_33b — дообученная модель на базе DeepSeekCoder-33b-Base, созданная в рамках проекта MultiPL-T. Она предназначена для генерации кода на языке программирования Racket; репозиторий содержит отдельные контрольные точки по эпохам обучения. Модель имеет плотную архитектуру семейства Llama и около 33,1 млрд параметров, работает через Transformers и распространяется в формате safetensors. Контекст составляет до 16 384 токенов. Модель подходит для генерации кода на Racket и экспериментов с переносом знаний на языки программирования с меньшим объёмом обучающих данных. В README указана лицензия OpenRAIL. Подробности об ограничениях, оценке качества и условиях практического применения в карточке не приведены.