II.3Рефакторинг, миграция и модернизация

OpenBuddy/openbuddy-qwen2.5coder-32b-v24.1q-200k — чат-модель OpenBuddy, дообученная на Qwen2.5-Coder-32B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров, рассчитанная на генерацию текста и диалог; базовая модель предназначена для генерации, анализа и исправления кода, а также создания кодовых агентов. Заявлена длина контекста 200 000 токенов. Модель оптимизирована для повышения качества инференса после квантизации и рекомендована автором для квантизации от 3 до 8 бит. В тегах карточки указана поддержка китайского, английского, французского, немецкого, японского, корейского, итальянского и финского языков. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache 2.0. Модель может выдавать ошибочные, вредные или оскорбительные ответы. Авторы предостерегают от её применения в критических и высокорисковых сценариях, включая медицину, управление потенциально опасными системами и важные финансовые или юридические решения.

Rhea-4B-Coding — дообученная Roskosmos19 модель для программирования на базе Aquiles-ai/Athenea-4B-Coding. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров; она работает через Transformers, принимает текст и генерирует текст. В карточке заявлено контекстное окно до 262 144 токенов. Модель предназначена для рассуждений о коде, его написания и дополнения, отладки, проектирования алгоритмов и понимания программ. Она обучена на программных данных с трассами рассуждений и ориентирована на многошаговый цикл: первоначальная реализация, самопроверка на ошибки и улучшение итогового решения. Также заявлена поддержка сценариев с агентными инструментами. Модель рассчитана на задачи разработки с несколькими языками программирования; метаданные указывают английский язык. Карточка описывает её как uncensored и предназначенную для исследований и экспериментов. Лицензия — Apache-2.0. Качество рассуждений и работы с инструментами зависит от запроса и настроек инференса; отдельные результаты оценки в карточке не приведены.

patched-coder-34b — модель для работы с кодом, разработанная codelion на основе CodeLlama-34b-Python и дообученная следовать инструкциям по внесению исправлений. Она предназначена для исправления ошибок, устранения уязвимостей, миграции API и других задач сопровождения кода. Модель принимает инструкции в формате Alpaca; в качестве основы использует архитектуру Code Llama с 33,5 млрд параметров и контекстом до 16 384 токенов. Для дообучения использовались относящиеся к исправлению ошибок коммиты Python из открытого набора bigcode/commitpackft. В README приведены результаты оценки на HumanEval, HumanEval Fix Python и Static Analysis Eval; они указывают на улучшение относительно CodeLlama-34b-Python в задачах исправления кода и уязвимостей, но не гарантируют качество в реальных проектах. Модель прошла ограниченное тестирование, поэтому перед практическим применением её ответы и исправления следует проверять. Лицензия — Llama 2.

Карточка модели tiaguin/qwen на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-7B, поэтому описание составлено по ней. Qwen2.5-Coder-7B — плотная причинная языковая модель семейства Qwen2, разработанная командой Qwen. Это базовая предварительно обученная модель на 7,1 млрд параметров, дообученная на основе Qwen/Qwen2.5-7B с упором на программный код. Она предназначена для генерации кода, рассуждений о коде и исправления ошибок, а также может служить основой для кодовых агентов и дальнейшей адаптации под прикладные задачи. Модель принимает текст и генерирует текст. Архитектура использует RoPE, SwiGLU, RMSNorm и смещение в проекциях внимания QKV; заявленная длина контекста в метаданных — 32 768 токенов. Карточка описывает возможности обработки контекста до 131 072 токенов с YaRN, но для этого нужна дополнительная настройка; постоянный коэффициент масштабирования YaRN может снижать качество на коротких входах. Разработчик не рекомендует использовать базовую модель для диалогов без постобучения. Репозиторий распространяется под лицензией Apache-2.0.

Qwen2.5-Coder-32B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная командой Qwen и дообученная на основе Qwen/Qwen2.5-32B для задач программирования. Это базовая модель на стадии предварительного обучения, рассчитанная на генерацию и анализ кода, его исправление, а также применение в кодовых агентах; разработчики отдельно отмечают сохранение математических и общих языковых способностей. Веса содержат около 32 млрд параметров, архитектура использует RoPE, SwiGLU, RMSNorm и grouped-query attention. Модель принимает текст и генерирует текст. В карточке указана поддержка английского языка; обучающие данные включают исходный код и текстово-кодовые данные. Метаданные задают контекст 32 768 токенов. README описывает расширение обработки длинных последовательностей до 131 072 токенов с помощью YaRN; для этого требуется соответствующая настройка, а статическое масштабирование YaRN в vLLM может ухудшать работу на коротких текстах. Модель предназначена для разработчиков, которым нужны продолжение кода, рассуждение о коде и поиск исправлений. README не рекомендует использовать базовую версию для диалогов без последующего обучения или настройки. Лицензия — Apache-2.0.

Qwen2.5-Coder-3B-Instruct — инструктивно дообученная языковая модель для программирования от команды Qwen. Она предназначена для генерации, объяснения и исправления кода, рассуждений о коде и создания кодовых агентов; также сохраняет общие способности и навыки решения математических задач. Модель построена на архитектуре Qwen2 с причинным декодированием и содержит около 3,1 млрд параметров. Модель принимает текстовые инструкции и выдаёт текст, включая код. Контекстное окно составляет 32 768 токенов. В карточке указано, что обучение охватывало исходный код, связку текста и кода и синтетические данные; метаданные указывают английский язык. Для загрузки рекомендуется актуальная версия библиотеки Transformers. Репозиторий использует формат safetensors и лицензию с обозначением «other»; конкретные условия следует проверять в файлах лицензии репозитория.

Qwen2.5-Coder-7B — плотная причинная языковая модель семейства Qwen2, разработанная командой Qwen. Это базовая предварительно обученная модель на 7,1 млрд параметров, дообученная на основе Qwen/Qwen2.5-7B с упором на программный код. Она предназначена для генерации кода, рассуждений о коде и исправления ошибок, а также может служить основой для кодовых агентов и дальнейшей адаптации под прикладные задачи. Модель принимает текст и генерирует текст. Архитектура использует RoPE, SwiGLU, RMSNorm и смещение в проекциях внимания QKV; заявленная длина контекста в метаданных — 32 768 токенов. Карточка описывает возможности обработки контекста до 131 072 токенов с YaRN, но для этого нужна дополнительная настройка; постоянный коэффициент масштабирования YaRN может снижать качество на коротких входах. Разработчик не рекомендует использовать базовую модель для диалогов без постобучения. Репозиторий распространяется под лицензией Apache-2.0.

Карточка модели bigxho15/Qwen2.5-Coder-7B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-7B-Instruct, поэтому описание составлено по ней. Qwen2.5-Coder-7B-Instruct — инструкционная версия каузальной языковой модели для работы с программным кодом, разработанная командой Qwen. Это дообученная версия Qwen/Qwen2.5-Coder-7B с архитектурой Qwen2 и 7,1 млрд параметров по метаданным. Модель принимает текстовые запросы и генерирует текст, включая код; поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для генерации, анализа и исправления кода, рассуждений о коде и создания кодовых агентов. README описывает архитектуру на базе Transformers с RoPE, SwiGLU и RMSNorm, а также контекст до 131 072 токенов при настройке YaRN для длинных входов. В конфигурации по умолчанию используется контекст 32 768 токенов. Для длинных контекстов масштабирование YaRN может снижать качество на коротких запросах. Репозиторий содержит веса в формате safetensors и предназначен для использования с библиотекой Transformers; README рекомендует актуальную версию библиотеки. Лицензия — Apache-2.0. Карточка подтверждает прежде всего английский язык; отдельный список поддерживаемых языков программирования и оценка качества именно этой instruct-версии здесь не приведены.

pL-Community опубликовало инструкционную версию Qwen2.5-Coder-7B в формате FP8 Dynamic. Это плотная причинная языковая модель семейства Qwen2, рассчитанная на генерацию кода и диалоговые сценарии; в метаданных указано 7,1 млрд параметров и контекст 32 768 токенов. Карточка базовой модели описывает архитектуру с RoPE, SwiGLU, RMSNorm и групповым запросным вниманием. Модель подходит для написания и дополнения кода, анализа программ, поиска и исправления ошибок, а также для создания кодовых агентов. README базовой карточки сообщает о тренировке на коде, текстово-кодовых связях и синтетических данных и отмечает сохранение математических и общих языковых способностей. Хотя README базовой модели описывает поддержку контекста до 131 072 токенов с настройкой YaRN, метаданные этого репозитория указывают нативный контекст 32 768 токенов. Метаданные связывают модель с Qwen/Qwen2.5-Coder-7B как с базой и указывают Apache-2.0. Репозиторий содержит веса safetensors; отдельное описание метода динамической FP8-квантизации в предоставленных материалах отсутствует.

Это версия Qwen2.5-Coder-7B-Instruct, подготовленная сообществом mlx-community и преобразованная в формат MLX из исходной модели Qwen/Qwen2.5-Coder-7B-Instruct с помощью mlx-lm 0.31.1. Модель семейства Qwen2 — плотная причинная языковая модель с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для диалоговой генерации кода, его анализа и исправления. Формат MLX ориентирован на запуск в экосистеме MLX; карточка также указывает поддержку английского языка и лицензии Apache-2.0.

Карточка модели dshive/Qwen3.6-27B на Hugging Face совпадает с карточкой Qwen/Qwen3.6-27B, поэтому описание составлено по ней. Qwen3.6-27B — открытая модель с весами от команды Qwen, представленная как постобученная модель в формате Hugging Face Transformers. Это причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров; она поддерживает чат и интерфейс вызова инструментов. Модель предназначена для программирования, агентных сценариев и работы с изображениями, а README также описывает ввод видео. Указанная длина контекста — 262 144 токена с возможностью расширения до 1 010 000 токенов. В README отмечены задачи на уровне репозитория, разработка интерфейсов и сохранение контекста рассуждений между сообщениями. Модель можно запускать через Transformers и использовать с vLLM, SGLang и KTransformers; для высоких нагрузок авторы рекомендуют специализированные серверы инференса. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

stelterlab/Qwen3-Coder-30B-A3B-Instruct-AWQ — экспериментальная AWQ-квантизованная версия Qwen3-Coder-30B-A3B-Instruct, разработанная stelterlab на основе оригинальных весов Qwen AI. Квантизация выполнена в формате INT4 GEMM с использованием llm-compressor от vLLM Project. Модель предназначена для генерации и анализа кода, агентного программирования, работы с браузером и задач, требующих понимания репозиториев и вызова инструментов. Это каузальная языковая MoE-модель с 30,5 млрд параметров, из которых активируются 3,3 млрд. Она содержит 48 слоёв, 128 экспертов и активирует 8 экспертов на запрос; используется GQA с 32 головами Q и 4 головами KV. Нативная длина контекста составляет 262 144 токена, а с использованием YaRN может расширяться до 1 млн токенов. Модель поддерживает только режим без рассуждений и не генерирует блоки <think></think>; заявлены возможности function calling и интеграция с инструментами для агентного программирования. README не указывает полный перечень поддерживаемых языков. К сильным сторонам относятся сочетание большого общего объёма параметров с малым числом активируемых параметров, длинный контекст, ориентация на код и поддержка инструментов. Ограничения связаны с экспериментальным статусом данной квантизованной сборки и возможными требованиями к памяти и вычислительным ресурсам при работе с длинным контекстом; при нехватке памяти рекомендуется уменьшать контекст. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-Next-AWQ — квантизированная версия модели Qwen3-Coder-Next, разработанная Qwen и подготовленная пользователем qtum. Модель предназначена прежде всего для генерации и обработки программного кода, а также для текстовой генерации на английском и китайском языках. Она подходит для локального и серверного развертывания с использованием vLLM или SGLang. В основе лежит разреженная MoE-архитектура qwen3_next: 80 млрд параметров всего, около 3 млрд активных параметров, 48 слоёв, 512 экспертов и маршрутизация top-10. Контекстное окно составляет 256K токенов. Используется AWQ-квантизация W4A16 с размером группы 128 в формате compressed-tensors и safetensors. Основная часть весов хранится в 4-битном формате, а маршрутизаторы MoE и lm_head сохранены в bf16 для снижения потери качества. Размер модели составляет около 40 GiB, что позволяет размещать её на одной видеокарте объёмом 48 ГБ; для 24 ГБ может потребоваться распределение, выгрузка или параллелизм. Главное преимущество модели — существенное уменьшение требований к дисковому пространству и памяти по сравнению с bf16- и FP8-версиями при сохранении исходной архитектуры и маршрутизации. Ограничение — заметное ухудшение показателя perplexity относительно bf16: 12,53 против 7,74 на указанном тесте wikitext-2-raw. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели; поведение и лицензионные обязательства определяются базовой моделью Qwen3-Coder-Next.

Qwopus3.6-35B-A3B-Coder-vram13-GGUF — квантизированная GGUF-сборка кодовой версии Qwopus3.6-35B-A3B-Coder от автора репозитория xero0000. Она предназначена для генерации и редактирования кода, отладки и агентных сценариев программирования. Основа — дообученная Jackrong/Qwopus3.6-35B-A3B-Coder, созданная на базе Qwen3.6-35B-A3B; архитектура MoE, а для ускорения генерации сохранена обученная голова multi-token prediction (MTP). Вес файла составляет 13,53 ГБ, заявленный контекст — до 128 тыс. токенов. Модель упакована в GGUF с imatrix-квантизацией: экспертные слои используют преимущественно 2-битное представление, а важные для каждого токена компоненты — 5–6-битное. README сообщает о высокой скорости на двух видеокартах с суммарно 18 ГБ VRAM при использовании ik_llama.cpp и MTP; эти результаты относятся к описанной конфигурации оборудования. Карточка предупреждает, что 2-битные эксперты могут несколько ухудшить рассуждения в нетипичных случаях; для максимального качества предлагается более крупная смешанная квантизация с выгрузкой части модели в CPU. Лицензия — Apache-2.0.

Карточка модели roskosmos19/Rhea-4B-Coding-max на Hugging Face совпадает с карточкой roskosmos19/Orca-2-4B-Coding-max, поэтому описание составлено по ней. Rhea-4B-Coding — дообученная Roskosmos19 модель для программирования на базе Aquiles-ai/Athenea-4B-Coding. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров; она работает через Transformers, принимает текст и генерирует текст. В карточке заявлено контекстное окно до 262 144 токенов. Модель предназначена для рассуждений о коде, его написания и дополнения, отладки, проектирования алгоритмов и понимания программ. Она обучена на программных данных с трассами рассуждений и ориентирована на многошаговый цикл: первоначальная реализация, самопроверка на ошибки и улучшение итогового решения. Также заявлена поддержка сценариев с агентными инструментами. Модель рассчитана на задачи разработки с несколькими языками программирования; метаданные указывают английский язык. Карточка описывает её как uncensored и предназначенную для исследований и экспериментов. Лицензия — Apache-2.0. Качество рассуждений и работы с инструментами зависит от запроса и настроек инференса; отдельные результаты оценки в карточке не приведены.

VultronCoderAtlas — разреженная мультимодальная модель семейства Kimi K3, разработанная Vultr на основе moonshotai/Kimi-K3. В ней около 2,10 трлн параметров, организованных в 93 трансформерных блока: один плотный и 92 MoE-блока. Для сокращения модели применён метод Router-weighted Expert Activation Pruning (REAP): в каждом MoE-блоке оставлено 672 эксперта с сохранением маршрутизации top-16. Модель принимает текст и изображения и выдаёт текст; контекстное окно составляет до 1 048 576 токенов. Модель предназначена для работы с крупными репозиториями и сопровождения кода, coding-агентов с инструментами, анализа длинных технических материалов и задач по изображениям и тексту. README приводит результаты оценивания на DeepSWE, Terminal-Bench, HumanEval+, MBPP+ и MMMU-Pro; проверка релиза охватывает англоязычные сценарии. Для многошаговых запросов требуется передавать полную историю ответа ассистента, включая reasoning_content, content и tool_calls. Checkpoint занимает около 1,2 ТБ и требует многопроцессорной GPU-конфигурации, нативных MXFP4-ядер и движка инференса с поддержкой Kimi K3, его парсеров рассуждений и вызова инструментов. Модель может генерировать неверный код или некорректные вызовы инструментов, а агентные результаты могут варьироваться. В метаданных указана лицензия other; конкретные условия лицензии в предоставленной карточке не раскрыты.

Agnes 2.5 Pro Alpha — мультимодальная модель рассуждений, разработанная Agnes AI и дообученная на Qwen/Qwen3.5-397B-A17B. Она принимает текст и изображения и предназначена для программирования, научных задач, анализа длинных контекстов и агентных сценариев с вызовом инструментов. Модель поддерживает контекст до 1 млн токенов и генерацию до 65 536 токенов; заявлены расширенное рассуждение и понимание изображений. Модель подходит для анализа репозиториев и отладки кода, синтеза технических документов, научного решения задач и визуального анализа. В README указаны сравнительные оценки на бенчмарках, но таблица результатов в предоставленном тексте опущена. Модель доступна в формате safetensors; для локального запуска README рекомендует 8 GPU класса NVIDIA H200 и около 1 ТБ свободного места. Лицензия — Apache-2.0. Ответы могут содержать ошибки; для важных решений и действий инструментов требуется проверка.

AlchemistCoder-DS-6.7B-GGUF — квантованная в формате GGUF версия модели AlchemistCoder DS 6.7B, разработанной InternLM и основанной на DeepSeek-Coder-Base. Квантование выполнено bartowski с использованием llama.cpp. Модель предназначена прежде всего для генерации, понимания, анализа и ревью программного кода, а также других задач, связанных с разработкой программного обеспечения. Модель содержит 6,7 млрд параметров и работает с текстовыми входными и выходными данными. Она дообучалась на 200 млн токенов гармонизированных данных шести типов, включавших развитие инструкций, фильтрацию данных и задачи проверки кода. Для работы в LM Studio рекомендуется пресет Alpaca с шаблоном запроса «### Instruction» и «### Response». Согласно README, модель показывает высокие результаты на шести бенчмарках программирования, превосходит открытые модели сопоставимого размера и может конкурировать с более крупными моделями; также отмечены улучшения на MMLU, BBH и GSM8K. При этом конкретные поддерживаемые языки программирования, размер контекстного окна и характеристики отдельных вариантов квантования не указаны, а результаты зависят от выбранного варианта GGUF и условий запуска. Модель распространяется по лицензии Apache-2.0.

CAC-v0.1 — языковая модель CodeMate объёмом 6,6 млрд параметров, дообученная на базе deepseek-ai/deepseek-coder-6.7b-base для автодополнения и генерации кода. Она принимает текстовые инструкции в формате Alpaca/Vicuna и выдаёт текст, в том числе фрагменты программного кода. В README указано обучение на внутреннем наборе из 1,8 млрд токенов программных задач и решений; использовалась последовательность длиной 8096 токенов, а для обучения применялась Flash Attention 2. Контекст модели составляет до 16 384 токенов. Модель предназначена для дополнения кода и связанных задач: генерации, суммаризации, перевода и оптимизации кода, ответов на вопросы, отладки и ревью. Заявлена поддержка Python, C/C++, TypeScript, Java и других языков программирования. Это ранняя версия 0.1, находящаяся в разработке, и она прошла ограниченное тестирование. Лицензия в предоставленных данных не указана.

CodeT5 Base — разработанная Salesforce предварительно обученная модель кодирования-декодирования на архитектуре T5, представленная в статье «CodeT5: Identifier-aware Unified Pre-trained Encoder-Decoder Models for Code Understanding and Generation». Модель содержит 123,7 млн параметров, использует кодо-ориентированный BPE-токенизатор и имеет контекст длиной 512 токенов. Она обучена на CodeSearchNet и дополнительных наборах кода C/CSharp: всего около 8,35 млн примеров. Модель предназначена для понимания и генерации кода, включая суммаризацию, генерацию, перевод и исправление кода, а также обнаружение дефектов и поиск клонов. Это базовый предварительно обученный чекпойнт: для целевых задач его обычно дообучают. Модель работает с текстовым представлением исходного кода и комментариев; в README отдельно отмечена задача восстановления замаскированных фрагментов. Лицензия репозитория — Apache-2.0. Авторы позиционируют выпуск как исследовательский и рекомендуют оценивать точность и безопасность перед внедрением.

DeepSeek-V3.1-Terminus — языковая модель, разработанная командой DeepSeek-AI. Это обновлённая версия DeepSeek-V3.1, построенная на той же архитектуре, что и DeepSeek-V3, и основанная на DeepSeek-V3.1-Base. Обновление сохраняет исходные возможности модели, улучшает согласованность языка, снижая смешение китайского и английского текста и появление аномальных символов, а также повышает эффективность Code Agent и Search Agent. Модель предназначена для рассуждений без инструментов, генерации и анализа кода, работы поисковых агентов и агентских сценариев с использованием инструментов. По данным сравнительных тестов, улучшения особенно заметны в BrowseComp, SimpleQA, SWE Verified, SWE-bench Multilingual и Terminal-bench, хотя на отдельных задачах результаты немного ниже, чем у DeepSeek-V3.1. В README не указаны точный размер модели, число параметров, поддерживаемые языки, модальности и размер контекста. Для локального запуска предусмотрены материалы на базе репозитория DeepSeek-V3 и обновлённый пример инференса; отмечена известная проблема с форматом данных FP8 для параметров self_attn.o_proj, которую планируют исправить в будущих релизах. Модель и веса распространяются по лицензии MIT.

DeepSeek-V4.1-Flash — мультимодальная модель DeepSeek для диалогов, рассуждений и агентных задач. Она принимает изображения и текст и авторегрессионно генерирует текст. По README, модель обучена с нуля и использует архитектуру Causal Encoder-Decoder с 40 слоями и Mixture-of-Experts; в ней 552 млрд параметров backbone, а при обработке токенов активируется 8 млрд параметров на этапе prefill и 16 млрд при генерации. Модель поддерживает контекст до одного миллиона токенов и управляемый уровень усилий рассуждения от 1 до 100. Среди заявленных архитектурных решений — сжатие KV-кэша, разреженное внимание, условная память Engram и спекулятивное декодирование. Модель ориентирована на сценарии с длинным контекстом и агентным выполнением задач, включая работу с кодом и визуальными данными. Метаданные указывают форматы safetensors FP8 и библиотеку Transformers; лицензия — MIT. README отмечает, что для релиза не предоставлен Jinja-шаблон чата, а для запуска локально предлагается обратиться к инструкциям в папке inference.

DeepSeek-V4-Pro-0813 — официальная версия модели DeepSeek-V4-Pro, разработанная DeepSeek AI. Она заменяет предварительный выпуск и ориентирована на задачи с агентами, включая использование инструментов, автоматизацию, разработку программного обеспечения, работу в терминале, кибербезопасность и полнофункциональную разработку. По данным README, модель особенно улучшена для производственных сценариев и демонстрирует высокие результаты в тестах агентских и coding-agent задач. Модель построена на архитектуре DeepSeek-V4-Pro (Preview) с подключённым модулем спекулятивного декодирования DSpark. Точные сведения о размере, числе параметров, поддерживаемых языках, модальностях и длине контекста в README не указаны. Для взаимодействия используется OpenAI-совместимый формат сообщений; Jinja-шаблон чата отсутствует, вместо него предоставлены отдельные скрипты кодирования и разбора ответов. Параметр reasoning_effort поддерживает уровни low, high и max. Сильными сторонами модели являются улучшенные агентские возможности, производительность в задачах программирования, автоматизации и работы с инструментами, а также возможность ускорения инференса через DSpark в vLLM и SGLang. Ограничения включают необходимость специального кодирования сообщений и потенциально сложные требования к инфраструктуре: README описывает запуск на узлах с GPU GB300 и рекомендуемые настройки для vLLM, но не приводит полный диапазон совместимого оборудования. Модель распространяется по лицензии MIT.

Devstral Small 1.1 — языковая модель для агентных задач разработки ПО, созданная в сотрудничестве Mistral AI и All Hands AI. Она дообучена на Mistral-Small-3.1-24B-Instruct-2503 и имеет плотную архитектуру Mistral с 23,4 млрд параметров. Модель принимает текст и выдаёт текст; зрительный энкодер базовой мультимодальной модели удалён до дообучения. Длина контекста составляет до 131 072 токенов, поддерживается интерфейс вызова функций. Модель предназначена для программных агентов, которые исследуют репозитории, редактируют несколько файлов, анализируют тестовое покрытие и выполняют другие задачи программной инженерии. В README рекомендована работа в связке с OpenHands; также описана совместимость с Cline и локальный запуск через vLLM, mistral-inference, Transformers, LM Studio, llama.cpp и Ollama. Карточка сообщает о результате 53,6% на SWE-Bench Verified. Лицензия Apache 2.0 разрешает коммерческое и некоммерческое использование и модификацию.

GLM-5.2 — флагманская языковая модель компании Z.ai для длительных задач и диалогового взаимодействия. Она предназначена для генерации текста, программирования и решения задач, требующих работы с большим объёмом контекста. Модель построена на архитектуре GLM MoE DSA и содержит 30,4 млрд параметров. Поддерживает контекст до 1 048 576 токенов; в README также отмечены гибкие уровни усилий для задач программирования, механизм IndexShare для снижения вычислений на длинном контексте и улучшение MTP для ускорения спекулятивного декодирования. Заявлены английский и китайский языки. Модель доступна в формате safetensors для Transformers и поддерживается рядом сред локального запуска, включая vLLM и SGLang. Лицензия — MIT. README приводит сравнительные результаты на бенчмарках, но они зависят от настроек и сценариев оценки.

NVIDIA Kimi-K3-NVFP4 — квантизированная версия мультимодальной модели Kimi-K3, разработанной Moonshot AI и оптимизированной NVIDIA с помощью Model Optimizer. Это авторегрессионная transformer-модель архитектуры Mixture-of-Experts с компонентами Kimi Delta Attention, Attention Residuals и Stable LatentMoE. Объём модели составляет 2,8 трлн параметров, при этом для каждого токена активируются 16 из 896 экспертов. Версия NVFP4 — 1.0, квантизация выполнена с использованием nvidia-modelopt v0.45.0. Модель предназначена для генерации текста и кода, длительных задач программирования, глубокого рассуждения, разработки игр, end-to-end knowledge work и мультимодальных агентских сценариев. Она принимает текст, изображения и видео, а её нативное контекстное окно составляет 1 048 576 токенов. На выходе формируется текст, включая естественно-языковые ответы, код, структурированный JSON, запросы инструментов и инструкции для координации агентов. Поддерживаются vLLM и SGLang; целевая аппаратная платформа — NVIDIA Blackwell B200 и B300 под Linux. К сильным сторонам относятся мультимодальность, чрезвычайно длинный контекст, MoE-архитектура и готовность к развёртыванию на NVIDIA GPU, включая NVFP4-квантизацию. Ограничения связаны с высокой общей размерностью модели и требованиями к специализированной аппаратуре; размер и свойства обучающих данных не раскрыты. Модель рассчитана на коммерческое и некоммерческое использование, однако её применение регулируется NVIDIA Open Model Agreement и дополнительными условиями лицензии Kimi-K3.

LongCat-2.0-INT8 — 8-битная версия крупной разреженной MoE-языковой модели LongCat-2.0, разработанная командой Meituan LongCat. Модель предназначена для генерации текста, понимания кода, редактирования репозиториев, автоматизированного выполнения задач и агентских рабочих процессов. В метаданных Hugging Face указаны 42,1 млрд параметров и контекст до 262 144 токенов; README базовой модели описывает архитектурные технологии LongCat Sparse Attention, N-gram Embedding и поддержку многотокенного предсказания.

Perciqa_Aurora-Code-1-GGUF — это квантизированная версия модели Aurora-Code-1, разработанной Perciqa и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. Модель дообучена по инструкциям на наборе данных perciqa/aurora-code-sft-v1 и ориентирована на генерацию кода. Модель предназначена для программирования, агентских сценариев, анализа и ревью кода, отладки и выполнения инструкций, связанных с разработкой программного обеспечения. В описании указана MoE-архитектура, однако точный размер модели, число активных параметров и максимальная длина контекста не приведены. Заявлена поддержка английского, французского и мультиязычного ввода; модальность — текстовая. Основное преимущество представленной версии — доступность в различных вариантах квантизации от BF16 до низкобитных форматов, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Рекомендуемые варианты Q4–Q6 обеспечивают высокое качество при меньшем объёме, но более сильная квантизация может снижать точность ответов. Для запуска подходят llama.cpp, LM Studio, Jan AI, KoboldCpp и другие совместимые инструменты. Модель распространяется по лицензии Apache-2.0.

PocketWeights-Qwen2.5-14B-Coder-Creative — 14-миллиардная плотная языковая модель от PocketWeights, созданная слиянием DARE-TIES моделей Qwen2.5-Coder-14B-Instruct и Qwen2.5-14B-Instruct-1M-abliterated. Она предназначена для диалоговой генерации кода, его анализа и исправления, а также логических рассуждений и сценариев кибербезопасности. Архитектура — Qwen2ForCausalLM; модель распространяется в формате safetensors и рассчитана на контекст до 1 010 000 токенов. Карточка заявляет о точной генерации кода на Python, C++, Rust и shell, а также о снижении отказов на запросы по тестированию безопасности и техническому творчеству. Указаны варианты размещения: исходные веса BF16 требуют около 30 ГБ видеопамяти, а квантованные Q8_0 и Q4_K_M — около 16 и 9 ГБ соответственно. Лицензия — Apache-2.0.

Карточка модели chetan272006/Qwen2.5-Coder-3B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-3B-Instruct, поэтому описание составлено по ней. Qwen2.5-Coder-3B-Instruct — инструктивно дообученная языковая модель для программирования от команды Qwen. Она предназначена для генерации, объяснения и исправления кода, рассуждений о коде и создания кодовых агентов; также сохраняет общие способности и навыки решения математических задач. Модель построена на архитектуре Qwen2 с причинным декодированием и содержит около 3,1 млрд параметров. Модель принимает текстовые инструкции и выдаёт текст, включая код. Контекстное окно составляет 32 768 токенов. В карточке указано, что обучение охватывало исходный код, связку текста и кода и синтетические данные; метаданные указывают английский язык. Для загрузки рекомендуется актуальная версия библиотеки Transformers. Репозиторий использует формат safetensors и лицензию с обозначением «other»; конкретные условия следует проверять в файлах лицензии репозитория.