II.3Рефакторинг, миграция и модернизация

Это компактная языковая модель на 361,8 млн параметров, разработанная как узкоспециализированный компонент для агентских инструментов разработчика. Она создана полным дообучением с учителем модели HuggingFaceTB/SmolLM2-360M-Instruct и использует архитектуру Llama для генерации текста. Задача модели — определить точный диапазон строк с объявлением символа в заданном окне кода и вернуть результат в заданной JSON-схеме. Модель рассчитана на работу внутри проверяющей оболочки, которая формирует запрос, проверяет JSON-ответ и при необходимости позволяет одну попытку исправления. Обучение проводилось на 1772 примерах с метками от детерминированных процедур; при оценке на отложенных репозиториях HTTPX и Jinja2 точность успешного выполнения составила 2,8%, при этом валидность схемы с первой попытки — 96%. Это экспериментальный компонент для узкого сценария, а не универсальный помощник по программированию. Контекст модели — 8192 токена. Лицензия — Apache-2.0.

alecsharpie/codegen_350m_html — дообученная на HTML модель CodeGen от команды авторов семейства CodeGen. Это авторегрессионная плотная языковая модель с 350 млн параметров, созданная на базе CodeGen-Multi 350M и дообученная на HTML-коде из набора bigcode/the-stack. Она предназначена для генерации HTML по текстовым комментариям и продолжения частично написанного кода. Базовая модель предварительно обучалась на нескольких языках программирования, включая C, C++, Go, Java, JavaScript и Python; этот вариант специально адаптирован для HTML. Контекст модели — до 2048 токенов. Модель подходит для прототипирования веб-разметки и автодополнения HTML. Карточка описывает программный синтез как основное назначение CodeGen, но не приводит результатов оценки качества именно HTML-версии. Лицензия — BSD 3-Clause.

Leon v2.1 — языковая модель Parallactic AI, дообученная на базе Qwen/Qwen3.6-27B для генерации приложений и интерфейсов. Это плотная причинная модель семейства Qwen с 22,3 млрд параметров по метаданным, форматом SafeTensors и контекстом до 262 144 токенов. Она работает с текстовыми запросами и выдаёт код React и Next.js, используя Tailwind CSS, shadcn/ui, Aceternity UI, Magic UI и Framer Motion. Модель предназначена для создания многостраничных лендингов, полнофункциональных приложений на Next.js, компонентов с анимацией и адаптивных интерфейсов. Разработчик заявляет высокую визуальную точность и готовность результата к копированию в проект; для лучшего результата рекомендуются конкретные запросы с описанием разделов и стиля. Карточка указывает поддержку английского и французского языков. Leon v2.1 находится в открытой бета-версии, поэтому возможны ошибки и галлюцинации в коде. Результаты следует проверять перед выпуском. Генерация 3D-элементов, продвинутый вызов инструментов и загрузка дизайн-систем пока не входят в заявленный охват. Лицензия — Apache-2.0.

microcoderfim-1B — дообученная модель на базе StarCoderBase-1B от BigCode, подготовленная с использованием задачи Fill-in-the-Middle на датасете по программированию встроенных систем. Это декодерный трансформер с архитектурой GPTBigCode и Multi-Query Attention; модель предназначена для генерации и продолжения кода, в том числе заполнения пропусков внутри фрагмента. Указанная область применения — программирование встроенных систем; карточка не приводит результаты оценки или подробные рекомендации по использованию. Модель работает с текстом на английском языке, максимальная длина контекста — 8192 токена. Лицензия MIT.

UIGEN-FX-4B-Preview — языковая модель Tesslate с 3,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B-Instruct-2507 для генерации пользовательских интерфейсов и веб-страниц. Это плотная causal language model семейства Qwen3, ориентированная на работу как фронтенд-разработчик и генерацию HTML, CSS и Tailwind-разметки; карточка заявляет поддержку 22 фреймворков. Модель предназначена для создания адаптивных, mobile-first страниц и отдельных блоков интерфейса по текстовому описанию: например, лендингов, сеток функций, тарифных секций и FAQ. Она делает упор на семантическую структуру, композицию компонентов, ритм отступов и визуальную согласованность, а JavaScript использует минимально, если его отдельно не запросить. В карточке указан эффективный контекст около 64 тысяч токенов; метаданные указывают нативный контекст 262 144 токена. Это исследовательский предварительный выпуск: некоторые генерации могут требовать доработки перед использованием в готовом продукте. Доступность, включая ARIA-разметку, следует проверять, а сложную интерактивность часто нужно реализовать или доработать отдельно. Модель распространяется под лицензией Apache-2.0.

Модель Hugging Face преобразует скриншоты компонентов веб-сайтов в код HTML и CSS. Это мультимодальная модель на архитектуре VMistral с 7,1 млрд параметров и контекстом 32 768 токенов, дообученная на датасете HuggingFaceM4/WebSight; в качестве родительских моделей указаны SigLIP и mistralai/Mistral-7B-v0.1. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации разметки и стилей по изображению веб-компонента, например для прототипирования интерфейсов или восстановления кода по скриншоту. Это ранняя альфа-версия, поэтому результаты могут быть неполными или неточными. Лицензия — Apache 2.0.

LLM Compiler 13B — разработанная Meta авторегрессионная языковая модель на базе Code Llama с архитектурой Transformer. Эта базовая версия содержит 13 млрд параметров; модель обучалась на LLVM IR, ассемблерном коде x86_64, ARM и CUDA, чтобы предсказывать эффект проходов оптимизации LLVM и генерировать текстовое представление кода. Модель предназначена для анализа и оптимизации кода: она может оценивать, как последовательность проходов `opt` повлияет на размер и результат LLVM-кода, а также воспроизводить оптимизированный вывод компилятора. Вариант LLM Compiler FTD отдельно дообучен для подбора проходов оптимизации и преобразования ассемблера в LLVM IR; эти возможности описаны для семейства, но данный репозиторий содержит базовую модель. Контекстное окно — 16 000 токенов; вход и выход — текст. Модель рассчитана на английский язык, LLVM IR и ассемблерные представления. README отмечает ограничения точности и необходимость тестирования в целевом приложении. Доступ регулируется лицензией LLM Compiler от Meta и политикой допустимого использования; для получения доступа требуется предоставить Meta контактные данные.

VerilogProtoModel — авторегрессионная языковая модель на архитектуре GPT-2, разработанная Von Davis и дообученная для предсказания следующего токена в коде Verilog. Она предназначена для автодополнения HDL-кода и может служить основой для специализированных помощников по Verilog. Модель принимает текстовый контекст длиной до 1024 токенов и генерирует продолжение текста. В README указана точность 52,2% при предсказании следующего токена среди примерно 40 тысяч вариантов и точность 56,1% в top-5. Обучающие данные получены из кода Verilog на GitHub и очищены от комментариев, дубликатов и несинтезируемого кода; идентификаторы обезличены. Результаты могут хуже переноситься на редкие конструкции и специфические сценарии, поэтому сгенерированный код нужно проверять, особенно перед применением в системах с высокими требованиями к безопасности. Лицензия — MIT.

Jadson/Qwen3.5-4B-Prime-GGUF — это GGUF-квантизации дообученной текстовой модели Qwen3.5-4B, созданной на основе empero-ai/Qwen3.8-4B-Distill и опубликованной Jadson. Модель дообучалась на датасете Jadson/ox-alpha-pi-traces-emacs-bridge и предназначена для управления Emacs через python-bridge и MCP, включая создание, чтение и редактирование файлов с использованием инструментов ox-bridge-write, ox-bridge-edit и ox-bridge-read. Она ориентирована на агентские сценарии, tool use и автоматизацию работы в Emacs, а не на универсальное применение с обычными файловыми инструментами. Модель работает только с текстом: визуальная модальность отсутствует, vision tower и mmproj не поставляются. Архитектура Qwen3.5 гибридная и включает 32 слоя, из которых 24 используют linear attention с gated deltanet, а 8 — full attention; заявлено около 4,21 млрд параметров, словарь на 248 320 токенов и максимум 262 144 позиции. Указан английский язык. Для практического использования рекомендуется файл Qwen3.5-4B-Prime-IQ4_NL.gguf размером около 2,68 ГБ; варианты с квантизацией менее двух бит опубликованы для воспроизводимости, но характеризуются сильной деградацией качества, а TQ1_0 и Q1_0 описаны как непригодные. Сильными сторонами являются специализация на управлении Emacs через MCP, калибровка квантизации с учетом собственного распределения данных и поддержка multi-token prediction для speculative decoding, которая в приведенном измерении повысила скорость с 6,8 до 10 токенов в секунду на CPU. Ограничения включают текстовый режим без поддержки изображений, специализацию на английских агентских трассах и заметную потерю качества у самых компактных квантизованных вариантов. Лицензия — Apache-2.0.

WAFFLE VLM WebSight — мультимодальная модель на 7,1 млрд параметров, разработанная командой WAFFLE и дообученная для автоматической генерации HTML по скриншотам веб-страниц и макетам интерфейсов. В основе подхода лежат механизм внимания с учётом структуры HTML и контрастивное дообучение для согласования изображений интерфейса с HTML-кодом; опубликованная версия использует DoRA и архитектуру семейства VMistral. Модель предназначена для преобразования визуального дизайна веб-страницы в HTML и оценки соответствия сгенерированной разметки исходному дизайну. Авторы сообщают об улучшении результатов на WebSight-Test и Design2Code по метрикам совпадения HTML, CW-SSIM, CLIP и LLEM. Контекст составляет 32 768 токенов. Лицензия — BSD 3-Clause Clear.

mrm8488 выпустил дообученную версию языковой модели BLOOM-560m для генерации текста. Модель содержит около 659,6 млн параметров, использует плотную архитектуру BLOOM и доступна в формате PyTorch. В карточке указана оценка Loss 1,0341 на наборе для оценки, но название обучающего набора приведено как None. По названию репозитория модель предназначена для генерации кода на COBOL. Карточка не уточняет поддерживаемые языки программирования, сценарии применения или качество генерации кода; лицензия — BigScience BLOOM Rail 1.0.

LLM Compiler 7B — языковая модель, разработанная Meta на основе Code Llama для задач оптимизации кода и рассуждений о компиляторах. Это базовая, не дообученная для отдельных downstream-задач версия семейства; модель авторегрессионная, построена на трансформерной архитектуре и содержит 7 млрд параметров. Она обучалась на LLVM IR, ассемблерном коде x86_64, ARM и CUDA и рассчитана на контекст до 16 000 токенов. Модель принимает текст и генерирует текст. Её можно применять для анализа эффекта проходов оптимизатора LLVM, оценки изменений размера кода и прогнозирования результата оптимизаций. Отдельные варианты семейства дообучены для выбора проходов оптимизации и преобразования ассемблерного кода в LLVM IR; этот репозиторий содержит именно базовую версию 7B. Модель предназначена для английского языка и соответствующих языков программирования и представлений кода. По данным карточки, модель в ряде случаев точно воспроизводит поведение оптимизатора, но результаты могут быть неточными и требуют проверки в целевом применении. Для доступа к репозиторию требуется предоставить контактные данные Meta. Условия использования определяются лицензией LLM Compiler и политикой допустимого использования Llama Materials; карточка заявляет о бесплатном коммерческом и исследовательском использовании при соблюдении этих условий.

Solidity Llama 3 — языковая модель семейства Llama 3, разработанная для автодополнения и заполнения пропусков в коде на Solidity. Она основана на Llama 3 8B и дополнительно обучена на наборе DISL с реальными смарт-контрактами, развёрнутыми в основной сети Ethereum. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и работает через Transformers; для весов указан формат safetensors. Модель рассчитана на интеграцию в редакторы кода и использует формат Fill-in-the-Middle: контекст до курсора и после него задаёт место, которое нужно заполнить. Максимальный родной контекст — 8192 токена. Метаданные и карточка указывают английский язык. Модель может быть полезна для генерации и продолжения Solidity-кода, но её качество за пределами автодополнения и заполнения кода на Solidity может быть низким; результат требует проверки. Лицензия в карточке не определена, поэтому условия использования следует уточнить у автора.

cvnberk/solidity-generator — модель генерации кода на Solidity, разработанная на основе codeparrot/codeparrot-small и дообученная на наборе контрактов mwritescode/slither-audited-smart-contracts. Она предназначена для создания фрагментов смарт-контрактов по текстовым подсказкам и помощи в составлении структуры контрактов. Модель использует архитектуру GPT-2, библиотеку Transformers и формат PyTorch; длина контекста составляет 1024 токена. В карточке указана оценка loss 0,2180 на наборе для оценки. Модель подходит для чернового написания Solidity-кода и продолжения заданных разработчиком шаблонов. Сгенерированный код нужно проверять на безопасность и функциональную корректность; качество результата зависит от конкретности запроса. Лицензия — Apache-2.0.

stcoder-gemma4-12b — чат-модель компании Mikrodev для генерации кода на Structured Text в среде Advance Logic Builder (ALB), поставляемой как Mikrodev LogicStudio. Это дообученная google/gemma-4-12b-it; модель следует диалекту Mikrodev, который может отличаться от общего стандарта IEC 61131-3 и соглашений других производителей. Доступны сборки GGUF с квантованием Q4_K_M, Q6_K и Q8_0, а также LoRA-адаптер. Лицензия — Apache-2.0. Модель предназначена для диалоговой генерации Structured Text по описанию требований к системе управления. Карточка рекомендует сборку Q8_0 при наличии достаточной памяти, но отмечает возможный сбой на видеокарте с 16 ГБ при контексте 8k; для такого случая предлагается Q6_K. Также возможны запуск на CPU и на устройствах с унифицированной памятью, с меньшей скоростью. Модель не поддерживает вызов инструментов. В ограниченном исследовании она показала соответствие диалекту Mikrodev, однако результаты не гарантируют правильность управляющей логики.

Being-H0.5 Base — конверсия модели BeingBeyond/Being-H05-2B в формат LeRobot для управления роботами на основе зрения и языка. Модель представлена как политика VLA; в реализации используются примитивы Qwen3 из Transformers и InternVL для зрения. Репозиторий содержит веса safetensors, конфигурацию политики, токенизатор и конвейеры предобработки и постобработки. Лицензия — Apache-2.0. Модель принимает данные трёх камер, строку задания, а также поля состояния и действия в соответствии с контрактом Being-H0.5 и выдаёт действия робота. Она сохраняет семантические слоты состояния и действия размерностью 200, маски валидности и четырёхшаговый сэмплер flow matching. Конверсия прошла проверку соответствия весов исходной модели и строгую перезагрузку политики в LeRobot; README сообщает нулевую максимальную и p99 абсолютную ошибку на фиксированных тестах. Для конкретной среды нужен отдельный адаптер вектора, которого в репозитории нет.

alecsharpie/codegen_350m_css — авторегрессионная модель генерации кода из семейства CodeGen, дообученная автором репозитория на CSS-коде из набора bigcode/the-stack. Она основана на CodeGen-Multi 350M: вариант Multi был инициализирован из CodeGen-NL 350M и предварительно обучен на нескольких языках программирования. В модели около 350 млн параметров; архитектура — плотная CodeGenForCausalLM, формат весов — PyTorch, контекст — 2048 токенов. Модель предназначена для генерации и продолжения CSS-кода по текстовым подсказкам, в том числе по комментариям на английском языке. Её узкая специализация на CSS делает её подходящей для заготовок и дополнения стилей, но карточка не приводит оценок качества или гарантии корректности результата. Лицензия — BSD 3-Clause.

iCoder-27B-OPSD — промежуточный чекпойнт этапа OPSD (обучение с самодистилляцией на собственных ответах) в конвейере обучения iCoder-27B. Модель разработана для исследования методов обучения и предназначена для проектирования RTL и оптимизации GPU-ядер; она основана на iCoder-27B-SFT и предшествует этапу RLVR, после которого выпущена итоговая iCoder-27B. Архитектура — плотная Qwen3.5, размер — 27 млрд параметров. Модель подходит для воспроизведения этапа OPSD, абляционных экспериментов и измерения вклада последующего обучения с RLVR. Это промежуточный исследовательский артефакт без подготовки к развёртыванию. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

Это текстовая причинная языковая модель на базе Qwen3.5-27B, дообученная авторами проекта Babel-Formal методом supervised fine-tuning на корпусе перевода proof terms в тактические скрипты Lean и Rocq. Она предназначена для экспериментов с переводом формальных доказательств между этими средами: на вход подаются текстовые представления доказательств, на выходе модель предлагает текст скрипта для целевого доказательного ассистента. Модель использует архитектуру Qwen3_5ForCausalLM, содержит 22,3 млрд параметров и поддерживает контекст до 262 144 токенов. В этом выпуске сохранены языковая модель и токенизатор Qwen3.5, но отсутствуют веса визуального энкодера, поэтому чекпойнт работает только с текстом. Для проверки результата сгенерированные скрипты необходимо запускать в целевом доказательном ассистенте: модель может выдавать синтаксически некорректный или не проходящий проверку код и не гарантирует математическую корректность. Модель выпущена под лицензией Apache-2.0. Это исследовательский чекпойнт для перевода формальных доказательств, а не универсальный инструмент для проверки математических утверждений; исключение загрязнения обучающих данных предварительным обучением не заявлено.

Claude Opus 5 описана как флагманская модель Anthropic для сложных задач рассуждения, программирования и длительной агентной работы. Среди сценариев применения указаны выполнение комплексных задач разработки программного обеспечения, проверка кода, поиск ошибок и визуальный анализ.

MiniMax-M2.5 — открытая большая языковая модель, разработанная компанией MiniMaxAI. Это текстовая autoregressive-модель для программирования, рассуждений, агентных сценариев, поиска с использованием инструментов и офисных задач, включая работу с документами, презентациями и финансовыми таблицами. Модель ориентирована на разработчиков, AI-агентов, чат-ботов и приложения, которым нужны сложная декомпозиция задач, tool calling и высокая скорость генерации. Модель имеет архитектуру Transformer с Mixture of Experts и механизмом Lightning Attention; по данным NVIDIA, общий размер составляет 230 млрд параметров. Она принимает и генерирует текст, поддерживает контекст до 204 800 токенов и предназначена для text-to-text задач. В обучении особое внимание уделялось reinforcement learning, агентному программированию и работе более чем с десятью языками программирования, включая Python, JavaScript, TypeScript, Java, C, C++, Go, Rust, Kotlin, PHP, Lua, Dart и Ruby. Заявлены результаты 80,2% в SWE-Bench Verified, 51,3% в Multi-SWE-Bench и 76,3% в BrowseComp. Сильные стороны MiniMax-M2.5 — кодинг полного цикла, планирование в стиле software architect, эффективное использование инструментов, поиск и высокая скорость: доступны варианты примерно на 50 и 100 токенов в секунду. Ограничение модели — текстовая модальность: изображения, аудио и видео не относятся к её входным или выходным данным. Показатели производительности приведены разработчиком и зависят от инфраструктуры, агентного окружения и настроек инференса. Весы модели опубликованы на Hugging Face и GitHub, поддерживаются Transformers, vLLM, SGLang и другими средствами локального развертывания. Лицензия указана как modified MIT; применимые условия следует проверять в опубликованных лицензионных документах.

MidnightCoder-30B — GGUF-сборка модели Qwen3-Coder-30B-A3B-Instruct, подготовленная проектом Midnight Coder для локального запуска в llama.cpp, Ollama и других совместимых средах. Она предназначена для работы в помощниках по программированию и агентных сценариях, а также для обычных задач разработки ПО. Базовая модель разработана командой Qwen (Alibaba); эта сборка не является официальным выпуском Qwen или Alibaba. Модель помогает следовать спецификациям и инженерному процессу: планировать изменения, писать и проверять код, разбирать большие кодовые базы, отлаживать и рефакторить программы, проектировать API и SQL, создавать тесты и документацию. В метаданных указаны архитектурное семейство Qwen3-Coder и задача генерации текста; README рекомендует контексты 8K–32K для проектов разного размера, но нативную длину контекста не приводит. Репозиторий распространяет модель в формате GGUF. Требования к памяти зависят от квантизации, размера контекста, точности KV-кэша и настроек среды запуска; понижение квантизации уменьшает расход памяти и может снижать качество. Ответы могут содержать ошибки, поэтому сгенерированный код следует проверять, особенно в задачах безопасности. Лицензия репозитория — Apache-2.0.

Карточка модели blestv85/Qwen2.5-Coder-32B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-32B-Instruct, поэтому описание составлено по ней. Qwen2.5-Coder-32B-Instruct — инструктивно дообученная языковая модель для кода из семейства Qwen2.5-Coder, разработанного командой Qwen. Она предназначена для генерации, анализа и исправления кода, а также для создания кодовых агентов; сохраняет способности к математике и общим задачам. Модель может применяться в диалоговых сценариях и интерфейсах вызова инструментов. Это плотная причинная трансформерная модель Qwen2 с 32 млрд параметров по метаданным (в README указано 32,5 млрд), доступная в формате safetensors и рассчитанная на работу через Transformers. README описывает RoPE, SwiGLU, RMSNorm и GQA. Метаданные указывают контекст 32 768 токенов; README сообщает о поддержке до 131 072 токенов с настройкой YaRN для длинных входов. Карточка относит модель к английскому языку; модель специализируется на программировании. Лицензия Apache-2.0 допускает широкое использование с соблюдением её условий. При обработке контекстов длиннее 32 768 токенов требуется настройка YaRN; статический YaRN в vLLM может снижать качество на коротких текстах. Заявления README о сравнительной производительности являются оценкой авторов.

Карточка модели bonalai/Qwen2.5-Coder-32B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-32B-Instruct, поэтому описание составлено по ней. Qwen2.5-Coder-32B-Instruct — инструктивно дообученная языковая модель для кода из семейства Qwen2.5-Coder, разработанного командой Qwen. Она предназначена для генерации, анализа и исправления кода, а также для создания кодовых агентов; сохраняет способности к математике и общим задачам. Модель может применяться в диалоговых сценариях и интерфейсах вызова инструментов. Это плотная причинная трансформерная модель Qwen2 с 32 млрд параметров по метаданным (в README указано 32,5 млрд), доступная в формате safetensors и рассчитанная на работу через Transformers. README описывает RoPE, SwiGLU, RMSNorm и GQA. Метаданные указывают контекст 32 768 токенов; README сообщает о поддержке до 131 072 токенов с настройкой YaRN для длинных входов. Карточка относит модель к английскому языку; модель специализируется на программировании. Лицензия Apache-2.0 допускает широкое использование с соблюдением её условий. При обработке контекстов длиннее 32 768 токенов требуется настройка YaRN; статический YaRN в vLLM может снижать качество на коротких текстах. Заявления README о сравнительной производительности являются оценкой авторов.

Qwen2.5-Coder-32B-Instruct — инструктивно дообученная языковая модель для кода из семейства Qwen2.5-Coder, разработанного командой Qwen. Она предназначена для генерации, анализа и исправления кода, а также для создания кодовых агентов; сохраняет способности к математике и общим задачам. Модель может применяться в диалоговых сценариях и интерфейсах вызова инструментов. Это плотная причинная трансформерная модель Qwen2 с 32 млрд параметров по метаданным (в README указано 32,5 млрд), доступная в формате safetensors и рассчитанная на работу через Transformers. README описывает RoPE, SwiGLU, RMSNorm и GQA. Метаданные указывают контекст 32 768 токенов; README сообщает о поддержке до 131 072 токенов с настройкой YaRN для длинных входов. Карточка относит модель к английскому языку; модель специализируется на программировании. Лицензия Apache-2.0 допускает широкое использование с соблюдением её условий. При обработке контекстов длиннее 32 768 токенов требуется настройка YaRN; статический YaRN в vLLM может снижать качество на коротких текстах. Заявления README о сравнительной производительности являются оценкой авторов.

Карточка модели falloutxvats/Aero-Qwen2.5-Coder-32B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-32B-Instruct, поэтому описание составлено по ней. Qwen2.5-Coder-32B-Instruct — инструктивно дообученная языковая модель для кода из семейства Qwen2.5-Coder, разработанного командой Qwen. Она предназначена для генерации, анализа и исправления кода, а также для создания кодовых агентов; сохраняет способности к математике и общим задачам. Модель может применяться в диалоговых сценариях и интерфейсах вызова инструментов. Это плотная причинная трансформерная модель Qwen2 с 32 млрд параметров по метаданным (в README указано 32,5 млрд), доступная в формате safetensors и рассчитанная на работу через Transformers. README описывает RoPE, SwiGLU, RMSNorm и GQA. Метаданные указывают контекст 32 768 токенов; README сообщает о поддержке до 131 072 токенов с настройкой YaRN для длинных входов. Карточка относит модель к английскому языку; модель специализируется на программировании. Лицензия Apache-2.0 допускает широкое использование с соблюдением её условий. При обработке контекстов длиннее 32 768 токенов требуется настройка YaRN; статический YaRN в vLLM может снижать качество на коротких текстах. Заявления README о сравнительной производительности являются оценкой авторов.

Laguna S 2.1 — языковая модель Poolside для программной инженерии и агентного выполнения длительных задач. Это текстовая модель семейства Laguna с архитектурой Mixture-of-Experts: 118 млрд параметров всего, около 8 млрд активируются на токен. В ней 48 слоёв, 256 маршрутизируемых экспертов и один общий; используются grouped-query attention и сочетание глобального внимания со скользящим окном. Контекст составляет 1 048 576 токенов. Модель предназначена для генерации и анализа кода, работы с инструментами и решения многошаговых задач разработки. Она поддерживает диалог и вызов инструментов, а также встроенный режим рассуждений, управляемый параметром enable_thinking. Для ускорения вывода доступна спекулятивная декодировка с отдельной черновой моделью DFlash. Модель принимает и выдаёт текст. В README приведены результаты на бенчмарках программирования и агентных задач, однако они не гарантируют качество в конкретном проекте. Полная BF16-версия требует нескольких GPU; квантизированные варианты снижают требования к памяти. Модель распространяется по лицензии OpenMDW-1.1, разрешающей коммерческое и некоммерческое использование и модификацию; также следует соблюдать Acceptable Use Policy Poolside.

Ling-2.6-1T — большая языковая модель семейства Ling, выпущенная inclusionAI. Она предназначена для сложных рабочих сценариев, включая программирование, многошаговое рассуждение и выполнение задач с инструментами. Карточка описывает гибридную архитектуру MLA и Linear Attention с MoE; метаданные указывают класс BailingMoeV2_5ForCausalLM и 59 млрд параметров. Контекст — до 262 144 токенов. Модель поддерживает диалог и интерфейс вызова инструментов, а в репозитории представлены веса safetensors в формате compressed-tensors. Модель подходит для генерации и исправления кода, агентных рабочих процессов и задач с длинным контекстом. README отмечает высокую эффективность вывода и сокращение многословных рассуждений, а также результаты на бенчмарках программирования, рассуждения и использования инструментов. Поддержка языков отдельно не перечислена; README упоминает возможные переключения языка при сложных инструкциях. Лицензия — MIT.

Qwen2.5-Coder-14B — плотная причинная языковая модель для кода, разработанная командой Qwen. Это базовый чекпойнт серии Qwen2.5-Coder на 14,7 млрд параметров (13,1 млрд без эмбеддингов), полученный дообучением Qwen2.5-14B на данных с исходным кодом, текстово-кодовым соответствием и синтетическими примерами. Архитектура Qwen2 использует RoPE, SwiGLU, RMSNorm и смещение в проекциях QKV; модель содержит 48 слоёв и поддерживает генерацию текста через Transformers. Модель предназначена для генерации, анализа и исправления кода, а также для задач с заполнением пропусков в коде и создания кодовых агентов. Она сохраняет способности к математике и общим языковым задачам. Контекст конфигурации составляет 32 768 токенов; с YaRN модель можно настроить на обработку контекста до 131 072 токенов. Разработчики не рекомендуют использовать базовую версию для диалогов без дополнительного постобучения. Для длинных запросов масштабирование YaRN может повлиять на качество обработки коротких текстов. Лицензия — Apache-2.0.

Qwen2.5-Coder-14B-Instruct — инструкция-ориентированная языковая модель для программирования от команды Qwen. Это плотная причинная Transformer-модель семейства Qwen2 с 14 млрд параметров по метаданным; карточка указывает архитектурные компоненты RoPE, SwiGLU и RMSNorm, 48 слоёв и grouped-query attention. Модель дообучена на базе Qwen/Qwen2.5-Coder-14B и предназначена для генерации и анализа кода в диалоговом формате. Модель помогает создавать код, рассуждать о нём и исправлять ошибки, а также подходит для разработки кодовых агентов и сохраняет общие способности, включая математику. Карточка описывает контекст до 131 072 токенов с применением YaRN для обработки входов длиннее 32 768 токенов; метаданные указывают нативный контекст 32 768 токенов. Для загрузки рекомендуется актуальная версия Transformers, для развёртывания — vLLM. Лицензия Apache 2.0. Среди ограничений: при включении статического YaRN масштабирования в vLLM производительность на коротких текстах может снизиться. Подробные результаты оценки и требования к памяти в предоставленной карточке не приведены.