II.3Рефакторинг, миграция и модернизация

Qwen2.5-Coder-7B-Instruct-AWQ — 4-битная AWQ-квантизированная instruction-tuned языковая модель для генерации текста и программного кода, разработанная командой Qwen компании Alibaba Cloud. Она предназначена для генерации, анализа и исправления кода, работы с чат-запросами, создания code agents, а также задач, где требуются математические и общие языковые способности. Модель использует каузальную transformer-архитектуру с RoPE, SwiGLU, RMSNorm и смещениями в QKV attention. Она содержит 7,61 млрд параметров, 28 слоёв и Grouped-Query Attention с 28 головами Q и 4 головами KV. Заявлена поддержка контекста до 131 072 токенов; для входов свыше 32 768 токенов требуется настройка YaRN, которая может снижать производительность на коротких текстах. Модель обучалась на данных, включающих исходный код, текстово-кодовые связи и синтетические данные; в README указан английский язык. К сильным сторонам относятся специализация на программировании, улучшенные генерация, рассуждение и исправление кода, а также сниженные требования к памяти благодаря 4-битной квантизации. Ограничения включают возможное ухудшение качества или скорости при использовании расширенного контекста и необходимость совместимых версий Transformers и AWQ-инфраструктуры. Модель распространяется по лицензии Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-NEO-CODER-GGUF — это набор моделей в формате GGUF на базе Qwen3.8-27B, первоначально разработанной Qwen / Alibaba Cloud. Некорректированные и оптимизированные для программирования веса предоставлены DavidAU, а сборка и упаковка выполнены Solstice-AI. Модель ориентирована на генерацию и анализ кода, агентные сценарии, сложное алгоритмическое проектирование, математические рассуждения и задачи, связанные с SWE-bench. Также заявлена поддержка обработки изображений через отдельный мультимодальный vision-проектор mmproj-BF16.gguf. Основная модель имеет размер 27B параметров и поставляется в вариантах квантования от Q4_K_M до Q8_0; рекомендуемый Q4_K_M занимает около 16,81 ГБ. Заявлены контекст до 131 072 токенов, языки English и Chinese, управление интенсивностью рассуждений через reasoning_effort, детерминированный XML-вызов инструментов и поддержка Multi-Token Prediction для speculative decoding. Для ускорения вывода доступны MTP-модели и DSpark drafter; README заявляет ускорение speculative decoding до 1,8 раза. Сильные стороны модели — специализация на программировании, поддержка многофайлового рефакторинга, инструментального взаимодействия, мультимодального ввода и нескольких уровней точности. Ограничения включают значительные требования к памяти, зависящие от выбранного квантования, а также необходимость совместимого программного обеспечения и отдельных компонентов для vision и speculative decoding. Модель распространяется по лицензии Apache-2.0.

Jab1718/qwen3.8-flash-coder-26gb-gguf — это набор квантованных форматов GGUF модели, разработанный Jab1718 на основе Jab1718/qwen3.8-flash-coder-85gb-bf16. Модель представляет собой подсеть Mixture of Experts со 160 экспертами, выделенную из Qwen3.8-Flash-Next, и предназначена прежде всего для генерации кода, программирования, ревью, поиска ошибок, рефакторинга и работы в сценариях coding agent. Поддерживаются английский, вьетнамский и китайский языки, а запуск предусмотрен через llama.cpp и Ollama. Основной вариант Q4_K_M занимает около 26,43 ГБ и ориентирован на одну видеокарту с 24 ГБ памяти, ускорители с 32 ГБ или Mac с 32 ГБ памяти. Также доступен вариант Q8_0 размером около 42,25 ГБ, рассчитанный на две видеокарты по 24 ГБ, одну карту с 48 ГБ или Mac с 64 ГБ и более; заявлено сохранение примерно 99,5% точности BF16. Для Apple Silicon указана поддержка контекста до 64K, однако требуется актуальная версия llama.cpp с поддержкой произвольного числа экспертов. Сильные стороны модели — специализация на системном программировании, алгоритмах, многоязычной разработке и задачах исправления кода, а также существенно сниженные требования к памяти по сравнению с исходной моделью. Ограничение состоит в целевой специализации: общая математическая грамотность и задачи уровня GSM8K были намеренно сокращены. В README приведены результаты на Rust, C++20, TypeScript, coding agent и Python Algorithms, но они не заменяют независимую оценку качества. Модель распространяется по лицензии Apache 2.0.

AlexAtomic/qwen3-coder-30b-a3b-GGUF — это квантизированная версия Qwen3-Coder-30B-A3B-Instruct, подготовленная AlexAtomic для Atomic Chat в формате GGUF. Модель предназначена прежде всего для агентного программирования, использования браузерных агентов и других задач генерации и анализа кода. Она поддерживает вызов инструментов через специальный формат, совместимый, в частности, с Qwen Code и CLINE, и может работать полностью локально и офлайн. В основе лежит причинная языковая модель с архитектурой Mixture-of-Experts и GQA: 30,5 млрд параметров всего, из которых 3,3 млрд активируются на каждом токене; используется 128 экспертов, 8 из них активны, всего 48 слоёв, 32 Q-head и 4 KV-head. Нативное окно контекста составляет 262 144 токена и может быть расширено примерно до 1 млн с помощью YaRN. Модель работает только в non-thinking режиме и не формирует блоки рассуждений <think></think>. Репозиторий содержит линейку квантов GGUF с importance matrix, что помогает сохранить качество низкобитных вариантов ближе к исходной модели. Доступны варианты от Q2_K до Q8_0; Q4_K_M рекомендован как сбалансированный вариант по размеру, скорости и качеству, а Q6_K и Q8_0 — для максимальной точности. Ограничения включают неизбежные потери качества при низкой битности, значительные требования к оперативной памяти или VRAM и необходимость применять chat template Qwen3 Coder с параметром --jinja. Лицензия — Apache-2.0.

Qwen3-Coder-30B-A3B-Instruct — инструктивная языковая модель для программирования от команды Qwen. Это причинная модель семейства Qwen3 MoE: всего 30,5 млрд параметров, из которых при генерации активируются 3,3 млрд; в архитектуре 48 слоёв и 128 экспертов, из которых задействуются 8. Модель принимает текст и выдаёт текст, поддерживает контекст до 262 144 токенов и интерфейс вызова инструментов. Модель предназначена для генерации и анализа кода, агентного программирования и использования в браузерных сценариях. Большое окно контекста помогает разбирать целые репозитории; модель также поддерживает специальный формат вызова функций. Выпускается только в режиме без рассуждений (non-thinking) и не генерирует блоки ``` в ответах. Доступна по лицензии Apache-2.0.

Qwen3-Coder-30B-A3B-Instruct-GGUF — GGUF-версия инструкционной модели Qwen3-Coder, разработанной командой Qwen и опубликованной в данной сборке Unsloth. Это авторегрессионная причинная языковая модель, предназначенная прежде всего для генерации и анализа кода, агентского программирования, работы с репозиториями и сценариев агентского использования браузера. Модель поддерживает специальный формат вызова функций и совместима с инструментами и платформами, включая Qwen Code и CLINE. Архитектура использует mixture-of-experts: всего 30,5 млрд параметров, из которых при обработке токена активируется около 3,3 млрд; предусмотрено 128 экспертов, активируются 8. Модель содержит 48 слоёв и применяет Grouped-Query Attention с 32 головами Q и 4 головами KV. Нативная длина контекста составляет 262 144 токена, а с использованием YaRN её можно расширить до 1 млн токенов, что подходит для анализа крупных кодовых баз. Поддерживается только режим без рассуждений: модель не генерирует блоки <think></think>. К сильным сторонам относятся эффективность разреженной MoE-архитектуры, большой контекст и ориентация на программирование и агентские задачи. Ограничения включают отсутствие режима рассуждений и зависимость практической производительности от используемого GGUF-квантизованного варианта и аппаратного обеспечения; конкретные параметры квантизации в README не указаны. Лицензия — Apache 2.0.

Qwen3-Coder-480B-A35B-Instruct — большая языковая модель для программирования от команды Qwen. Это причинная языковая модель с архитектурой MoE: всего 480 млрд параметров, из которых при генерации активируются 35 млрд; в метаданных каталога размер указан как 15,4 млрд параметров. Модель обучалась в несколько этапов, включая предобучение и последующее обучение, и распространяется в формате Safetensors под лицензией Apache 2.0. Модель предназначена для генерации и понимания кода, работы с большими репозиториями и агентных сценариев, включая управление браузером. Она поддерживает диалог и интерфейс вызова функций, а карточка рекомендует интеграции с Qwen Code и CLINE. Контекстное окно составляет 262 144 токена; README указывает на возможность расширения до 1 млн токенов с помощью Yarn. Режим рассуждений с включённым thinking модель не поддерживает. Заявленные разработчиком сильные стороны — результаты на агентном программировании и работе с браузером, сопоставимые с Claude Sonnet, и обработка контекста масштаба репозитория. Для развёртывания модели такого общего размера требуются значительные вычислительные ресурсы; точные требования зависят от конфигурации инференса.

ChimpGPT-Coder-Elite — дообученная модель aaravriyer193 для генерации программного кода на основе GLM-4.7-Flash от Z.ai. Она предназначена для запросов по программированию, написания кода и рефакторинга нескольких файлов; README особо выделяет Python, Rust, TypeScript и C++. Модель использует архитектуру GLM-4 MoE Lite и доступна в формате safetensors; метаданные указывают 4,1 млрд параметров и контекст до 202 752 токенов. README описывает обучение LoRA на наборе из 12 000 примеров и последующее слияние весов, тогда как метаданные классифицируют модель как дообучение базовой модели. Для запуска README указывает минимум 20 ГБ видеопамяти при 4-битной загрузке и предупреждает, что загрузка в float32 может привести к нехватке памяти. Модель распространяется по лицензии MIT. Указанные в README характеристики контекста и размера базовой модели расходятся с метаданными, поэтому приведены значения из метаданных каталога.

Claude Fable 5.1 — модель Anthropic, представленная как улучшенная версия Claude Fable 5. По карточке, она ориентирована на агентное программирование, длительные агентные процессы и интеллектуальную работу, включая крупные рефакторинги кода и задачи с визуальным интерфейсом. Карточка отмечает улучшения по сравнению с предыдущей версией, особенно в агентном кодировании и продолжительных рабочих сценариях. Данных об архитектуре, размере, поддерживаемых языках, контексте и лицензии в доступных материалах нет.

Claude Sonnet 4.5 — модель Anthropic, оптимизированная для автономных агентов и рабочих процессов программирования. В карточке она описана как наиболее продвинутая на момент выпуска модель семейства Sonnet и как модель с высокими результатами на тесте SWE-bench Verified. Каталог классифицирует модель как image-text-to-text. Доступные сведения не подтверждают детали архитектуры, размер, контекстное окно, языки, лицензию или конкретные возможности работы с изображениями, поэтому эти характеристики не приводятся.

4luc/codebert-code-clone-detector — дообученная модель на базе microsoft/codebert-base, разработанная для обнаружения клонов кода. Она сопоставляет пары фрагментов кода и определяет, являются ли они клонами; модель построена на архитектуре RoBERTa и содержит 151,8 млн параметров. Максимальная длина контекста — 514 токенов. В README указаны результаты на тестовой выборке Code Clone Benchmark: точность 0,9525, precision 0,9544, recall 0,9496 и F1 0,9520. Модель подходит для поиска повторяющихся или функционально сходных фрагментов кода. Лицензия — MIT. Подробности о языках программирования, обучающих данных и ограничениях применения в карточке не раскрыты.

CodeQwen1.5-7B-Chat-GGUF — специализированная языковая модель для работы с программным кодом, основанная на Qwen1.5 и разработанная командой Qwen. Это трансформерная decoder-only модель, предварительно обученная на примерно 3 триллионах токенов кода. Представленная версия распространяется в формате GGUF с несколькими уровнями квантования, включая q2_k, q3_k_m, q4_0, q4_k_m, q5_0, q5_k_m, q6_k и q8_0, что позволяет выбирать баланс между качеством, размером файла и требованиями к ресурсам. Модель предназначена для генерации и понимания кода, исправления ошибок, задач text-to-SQL и диалогового взаимодействия по вопросам программирования. Она поддерживает контекст длиной до 64K токенов, 92 языка программирования и использует Group Query Attention (GQA) для более эффективного вывода. К сильным сторонам относятся специализация на коде, заявленная конкурентоспособность на ряде бенчмарков и поддержка длинного контекста. Ограничения включают зависимость качества и скорости от выбранного уровня квантования, а также необходимость запуска через совместимое программное обеспечение, например llama.cpp. Модель распространяется по лицензии tongyi-qianwen; точные условия следует уточнять в файле лицензии репозитория.

legraphista/Codestral-22B-v0.1-hf-FIM-fix — конвертированная версия Codestral-22B-v0.1 от Mistral AI с исправленным токенизатором и добавленными специальными токенами для инструкций и заполнения пропусков в коде. Это плотная авторегрессионная модель семейства Mistral на 22 млрд параметров с контекстом до 32 768 токенов. Модель предназначена для генерации кода по инструкциям, объяснения и документирования фрагментов, рефакторинга и предсказания пропущенной части кода между префиксом и суффиксом (Fill in the Middle), в том числе в инструментах разработки. Она обучена на данных более чем по 80 языкам программирования, включая Python, Java, C, C++, JavaScript и Bash. В карточке указано, что исходная версия имела пропущенные токены в словаре, а эта версия основана на обновлённой копии с исправлением. Модель не имеет встроенных механизмов модерации. Лицензия обозначена в метаданных как other; конкретные условия следует проверять на странице репозитория.

Devstral 2 2512 — инструкция-настроенная языковая модель Mistral для агентной разработки программного обеспечения. Она предназначена для помощников программиста и инженерных агентов, которым нужно разбираться в кодовой базе, использовать инструменты и редактировать несколько файлов. В README заявлены результаты на SWE-bench и улучшенное обобщение на разные запросы и среды разработки. Модель имеет плотную архитектуру Ministral 3, около 123,4 млрд параметров и контекст до 262 144 токенов. Она принимает текстовые запросы и генерирует текст, включая ответы и вызовы инструментов. Для запуска README рекомендует vLLM, также упоминаются SGLang и Transformers; метаданные указывают библиотеку vLLM и формат safetensors FP8. Модель подходит для интеграции в кодовые помощники и CLI-агенты, а также для анализа длинных контекстов проекта. README советует использовать API Mistral, если локальный запуск работает неудовлетворительно. Лицензия в метаданных обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

GPT-5 — модель OpenAI для сложных задач, требующих рассуждений, точного выполнения инструкций и генерации качественного кода. В карточке модели отмечены улучшения в рассуждениях, качестве кода и удобстве взаимодействия. Модель предназначена для решения сложных задач и следования инструкциям. Каталог классифицирует её как image-text-to-text, однако README не описывает работу с изображениями или другие модальности, поэтому это назначение подтверждается только метаданными.

GPT-5.2-Codex — модель OpenAI, описанная как улучшенная версия GPT-5.1-Codex и оптимизированная для разработки программного обеспечения и рабочих процессов с кодом. Она предназначена для интерактивной работы над проектами и длительного автономного выполнения сложных инженерных задач. Доступные сведения не раскрывают размер, архитектуру, контекстное окно, языки или лицензию модели. По описанию она принимает запросы и контекст разработки и помогает выполнять инженерные задачи; конкретные ограничения и условия использования в карточке не приведены.

GPT-5 Pro — модель OpenAI, предназначенная для решения сложных задач с упором на рассуждение, качество кода и следование инструкциям. Карточка описывает её как наиболее продвинутую модель OpenAI и отмечает улучшенный пользовательский опыт. Модель подходит для сложных запросов, требующих пошагового рассуждения, а также для задач программирования и выполнения подробных инструкций. Данных о размере, архитектуре, поддерживаемых языках, контексте, модальностях и лицензии в предоставленных источниках нет.

Grok 4.7 — флагманская модель SpaceXAI, представленная как преемник Grok 4.6. Она предназначена для программирования, агентных задач и работы со знаниями, в том числе для длительных задач разработки ПО и проверки собственного результата. Доступный фрагмент карточки не раскрывает архитектуру, размер, модальности, языки, длину контекста и лицензию, поэтому эти характеристики здесь не уточняются.

Карточка модели anything098/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели devix1/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели kirikir13/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели sdlangshaw/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели SissyTrixie/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели Snenn/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели bearzi/Kimi-K2.7-Code-JANGTQ1 на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели bearzi/Kimi-K2.7-Code-JANGTQ2 на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели Ishowbackup/Laguna-S-2.1 на Hugging Face совпадает с карточкой poolside/Laguna-S-2.1, поэтому описание составлено по ней. 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.

Карточка модели Openintelligent123/Laguna-S-2.1 на Hugging Face совпадает с карточкой poolside/Laguna-S-2.1, поэтому описание составлено по ней. 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-3.0-flash-fp4 — текстовая генеративная модель компании inclusionAI, распространяемая под лицензией MIT. Это native hybrid reasoning-модель для генерации текста, рассуждений и выполнения агентных сценариев. Модель предназначена для программирования, исправления и рефакторинга кода, общих задач на знания и следование инструкциям, математического рассуждения, глубокого поиска и длительных интерактивных рабочих процессов. Она обучалась с использованием более 10 000 интерактивных сред и ориентирована на замкнутое выполнение задач Coding Agent, General Agent и Deep Research Agent. Заявлена совместимость с Claude Code, Kilo Code, Qwen Code, Hermes Agent и OpenClaw. Архитектура — гибридная линейная MoE: 124 млрд параметров всего и 5,1 млрд активных на токен. Используется чередование 35 слоёв Kimi Delta Attention и 7 слоёв Gated MLA в соотношении 5:1, 512 маршрутизируемых и один общий эксперт, 8 активируемых экспертов, 32 attention heads и hidden size 2560. Контекст обучался по схеме от 8K до 32K и 256K токенов. Модель поддерживает режим рассуждений, включённый по умолчанию, и рассчитана на эффективную работу с длинным контекстом; заявлено снижение Time to First Token на 60–80% в сценариях с длинными входными данными при использовании иерархического кэширования SGLang HiCache и Mooncake. К сильным сторонам относятся сочетание крупного общего размера с малым числом активных параметров, эффективность вывода, рассуждение, следование инструкциям, обработка длинного контекста и агентные задачи. README не содержит сведений о поддерживаемых естественных языках, точных характеристиках FP4-квантизации или ограничениях качества; результаты бенчмарков приведены без числовых значений в тексте и требуют осторожной интерпретации. Лицензия модели — MIT.

NextCoder-14B — языковая модель для редактирования и генерации кода, разработанная Microsoft на базе Qwen2.5-Coder-14B-Instruct. Модель дообучена методом SeleKT и предназначена для внесения разнообразных изменений в код, анализа запросов разработчика и диалоговой помощи при работе с программами. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM, размером около 14 млрд параметров и контекстом до 32 768 токенов. Она поддерживает чат и интерфейс вызова инструментов; опубликованные веса представлены в формате safetensors. В карточке указана поддержка английского языка. Модель ориентирована на задачи редактирования кода и сохраняет возможности базовой инструкционной модели для генерации и анализа кода. Она может быть восприимчива к вредоносным запросам и генерировать опасный код; результаты следует проверять и выполнять в изолированной среде. Лицензия — MIT.