II.3Рефакторинг, миграция и модернизация

Карточка модели prashim98/GLM-5.2 на Hugging Face совпадает с карточкой zai-org/GLM-5.2, поэтому описание составлено по ней. 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.

Granite-20B-Code-Instruct-r1.1 — языковая модель IBM Research с 20 млрд параметров на архитектуре GPTBigCode, дообученная для следования инструкциям по программированию. Она предназначена для создания кодовых ассистентов и ответов на запросы о коде; также обучалась на данных по математике, решению задач, SQL и вызову функций. Модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. В репозитории веса представлены в формате Safetensors. Модель обучалась на наборах данных с кодом, инструкциями, математикой и оценками качества ответов. Она может помогать писать и объяснять код, решать математические задачи, создавать SQL-запросы и формировать вызовы API. Её результаты могут быть слабее для языков программирования, не охваченных обучающими данными; перед применением в критичных сценариях IBM рекомендует проводить проверки безопасности и настройку под конкретную задачу. Лицензия — Apache 2.0.

HyperNova 60B 2605 — открытая по весам instruction-tuned модель, разработанная Multiverse Computing и представленная как решение на базе CompactifAI. Она предназначена для общего рассуждения, генерации кода и разработческих сценариев, включая RAG, агентские приложения и задачи с инструментами. Модель построена на decoder-only Transformer и содержит 60B общих параметров, из которых 4,8B являются активными. Она поддерживает native tool calling с OpenAI-style схемами, function calling, структурированный вывод и агентские рабочие процессы. Основной язык — английский; другие языки формально не оценивались. Размер контекста в предоставленных данных не указан. К сильным сторонам относятся оптимизация эффективного вывода, уменьшенный объём памяти, улучшения по сравнению с HyperNova 60B 2602 в задачах кодирования и общих бенчмарках, а также поддержка настраиваемого уровня reasoning effort. Ограничения включают отсутствие формальной оценки других языков и отсутствие гарантии полной совместимости поведения tool calling с базовой или другими моделями. Модель распространяется по лицензии Apache 2.0.

saricles/MiniMax-M2.7-NVFP4-GB10-AC — квантизированная версия MiniMax-M2.7 от автора репозитория saricles, подготовленная для генерации кода и агентных сценариев с вызовом инструментов. Модель использует архитектуру MiniMaxM2ForCausalLM типа MoE: исходная модель содержит 230 млрд параметров и 256 экспертов с top-K=8. После посттренировочной квантизации NVFP4 файлы занимают около 141,05 ГБ; в метаданных указано 2,9 млрд параметров, что расходится с README. Квантизация выполнена NVIDIA TensorRT Model Optimizer, а калибровка проведена на смеси датасетов кода, вызова функций, рассуждений и обычного чата. Модель предназначена для генерации кода, многошаговой работы с кодом и математикой, а также для агентных систем, которым нужно вызывать инструменты. Она сохраняет возможности диалоговой модели и рассчитана на запуск на NVIDIA DGX Spark с GB10 и оборудовании семейства Blackwell; README описывает распределённый запуск на двух DGX Spark. Контекстное окно составляет 196 608 токенов по метаданным. В карточке указаны английский и китайский языки. Лицензия обозначена как other, поэтому конкретные условия следует уточнять в репозитории базовой модели и карточке Hugging Face.

SKT AI LABS представила SKT-NRS/NRS_QWEN_MYTHOS_1M — дообученную модель на архитектуре Qwen3.5-9B для диалогов, рассуждений и генерации текста. Карточка заявляет контекст до 1 048 576 токенов с масштабированием YaRN и настройку на примерах по программированию, математике и логике. Метаданные также указывают поддержку изображений в базовой мультимодальной архитектуре Qwen, хотя описание модели сосредоточено на текстовых сценариях. Модель предназначена для анализа длинных документов и кодовых баз, пошаговых рассуждений, программирования и вызова инструментов, включая Python и веб-поиск. Заявлены диалоговый режим и оптимизация инференса, однако сведения о скорости и стократном повышении качества являются утверждениями авторов без приведённых сравнительных результатов. Для обработки вывода могут потребоваться специальные меры из-за блоков <think>; критические ответы следует проверять из-за риска галлюцинаций. Лицензия в предоставленных данных не указана.

Карточка модели bielquants/OpenThinkerAgent-32B на Hugging Face совпадает с карточкой open-thoughts/OpenThinkerAgent-32B, поэтому описание составлено по ней. OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

Карточка модели luganoquant/OpenThinkerAgent-32B на Hugging Face совпадает с карточкой open-thoughts/OpenThinkerAgent-32B, поэтому описание составлено по ней. OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

Карточка модели schwyzquants/OpenThinkerAgent-32B на Hugging Face совпадает с карточкой open-thoughts/OpenThinkerAgent-32B, поэтому описание составлено по ней. OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

FreedomAISVR/Ornith-1.0-35B-MXFP4-MOE-GGUF — квантизированная версия Ornith-1.0-35B от deepreinforce-ai, модели для программирования и агентных сценариев, основанной на Qwen 3.5. Она предназначена для генерации кода и выполнения задач coding agent, включая формирование плана или каркаса решения и последующие шаги. Модель имеет архитектуру MoE с 35 млрд параметров, из которых активны около 8 млрд на токен, 256 экспертов и 40 слоёв; используется гибридное внимание с локальными и полными слоями. Контекстное окно — 262 тысячи токенов. В репозитории веса представлены в формате GGUF с квантизацией MXFP4 для экспертных весов и Q8_0 для остальных тензоров. Карточка описывает вариант как рассчитанный на эффективное развёртывание на одной видеокарте; указывает минимум 20 ГБ видеопамяти и рекомендует 24 ГБ или больше для полного размещения модели на GPU. Лицензия — MIT.

Ornith-1.0-397B — открытая модель семейства Ornith от Ornith AI для агентного программирования. Она дообучена с применением обучения с подкреплением на базе Qwen 3.5; в метаданных указаны архитектура семейства qwen3_5_moe и класс Qwen3_5MoeForConditionalGeneration. Репозиторий содержит веса Safetensors, а лицензия — MIT. Модель предназначена для создания и использования coding-агентов: она помогает разбираться в крупных кодовых базах, решать задачи разработки через терминальные инструменты и вызывать подключённые инструменты. В README заявлены высокие результаты на Terminal-Bench 2.1, SWE-Bench, NL2Repo и OpenClaw. Для развёртывания описан OpenAI-совместимый сервер; пример для vLLM использует 8 GPU и контекст до 262 144 токенов. Это крупная модель MoE на 397 млрд параметров, поэтому запуск требует мощной мног GPU инфраструктуры, несмотря на заявление README об эффективном развёртывании.

Ornith-1.0-9B-heretic — вариант модели trohrbaugh на основе Ornith-1.0-9B от deepreinforce-ai. Это плотная модель семейства Qwen 3.5 примерно на 9 млрд параметров, предназначенная для генерации кода и работы в агентных сценариях. Модель поддерживает чат и вызов инструментов; её можно использовать в терминальных coding-агентах и подключать через совместимые с OpenAI API серверы. README описывает abliteration: в приведённом тесте модель не отказала ни в одном из 100 запросов, тогда как у исходной модели было 100 отказов из 100. Модель принимает текст и выдаёт текст, включая код и вызовы инструментов. README приводит оценки исходной линейки Ornith на задачах Terminal-Bench, SWE-Bench и NL2Repo, но не отдельные результаты heretic-варианта. Для запуска описаны Transformers, vLLM и SGLang; исходная карточка рекомендует одиночную GPU с 80 ГБ памяти для модели в bf16 и упоминает контексты 128K–400K в бенчмарках. Лицензия — MIT. Поскольку вариант специально создан для снижения отказов, его ответы могут включать контент, который исходная модель отклонила бы.

Ornith-1.5-35B-A3B-AWQ-FP8 — квантованная версия модели Ornith-1.5-35B-A3B, разработанной командой Ornith AI. Модель предназначена для генерации текста, программирования и агентских сценариев, включая работу с инструментами и выполнение задач в терминале. Она обучалась с использованием цикла самоулучшения, который совместно оптимизирует генерацию задач, построение scaffolding и траекторий решений с применением reinforcement learning. Модель использует архитектуру mixture-of-experts: при общем размере около 35B параметров на каждый токен активируется примерно 3B параметров. Представленная версия имеет формат AWQ-FP8 и размер около 39,76 ГБ. Заявлена поддержка английского, китайского, хинди, арабского, русского, японского, корейского, нидерландского, французского и испанского языков. В README не указаны размер контекста и мультимодальные возможности. Сильной стороной модели является специализация на кодировании и агентских задачах: разработчики сообщают о превосходстве над сопоставимой Qwen3.6-35B-A3B и рядом плотных моделей в соответствующих бенчмарках. Ограничения, подробные требования к оборудованию и параметры инференса в карточке не приведены. Модель распространяется по лицензии MIT.

sci4ai/Qwen2.5-Coder-14B-Abliterated — доработанная sci4ai версия Qwen/Qwen2.5-Coder-14B-Instruct, созданная удалением поведения отказа с помощью направленной на активации модификации весов. Это плотная авторегрессионная модель семейства Qwen2 с 14 млрд параметров, доступная в формате Safetensors; она принимает текст и поддерживает диалоговую генерацию кода на английском языке. Контекст — до 32 768 токенов. Модель предназначена для написания, анализа и исправления кода в диалогах. Изменение затрагивает 47 из 48 слоёв и ослабляет отказы, в том числе на запросы о разработке эксплойтов, вредоносного ПО и сетевых атаках; это не отдельная специализация, гарантирующая качество или безопасность таких ответов. Лицензия — Apache-2.0.

richardyoung/Qwen2.5-Coder-14B-Instruct-heretic — модифицированная версия Qwen/Qwen2.5-Coder-14B-Instruct, созданная с помощью Heretic v1.4.0. Это причинная языковая модель семейства Qwen2 для генерации кода и диалогового взаимодействия; размер по метаданным — 14 млрд параметров, веса сохранены в safetensors. Карточка указывает на изменение поведения отказов: в приведённой оценке модель отказала в 3 из 100 случаев против 100 из 100 у исходной модели. Модель подходит для генерации, анализа и исправления кода, а также для диалоговых сценариев разработки. Метаданные указывают контекст до 32 768 токенов; README базовой модели описывает возможность расширения до 131 072 токенов с YaRN, но это требует настройки и может ухудшить работу на коротких запросах. Карточка модели не приводит отдельной оценки качества именно этой версии. Модель основана на Qwen/Qwen2.5-Coder-14B-Instruct и распространяется по лицензии Apache-2.0. В README разработчиком модификации указан владелец репозитория richardyoung; модель снижает частоту отказов, поэтому её ответы требуют соответствующей проверки при использовании.

Qwen2.5-Coder-1.5B-Instruct-AWQ — это инструкционно дообученная языковая модель для работы с программным кодом из серии Qwen2.5-Coder, разработанная командой Qwen компании Alibaba Cloud. Она предназначена для генерации, анализа и исправления кода, задач кодового рассуждения, создания приложений и использования в сценариях Code Agents. Модель также сохраняет возможности в математике и общих задачах обработки текста. Модель относится к причинным языковым моделям и поддерживает текстовую модальность. Она содержит 1,54 млрд параметров, из которых 1,31 млрд не являются параметрами эмбеддингов, имеет 28 слоёв и контекст до 32 768 токенов. Архитектура использует transformers, RoPE, SwiGLU, RMSNorm, смещения в Attention QKV, связанные эмбеддинги слов и GQA с 12 головами для Q и 2 для KV. Репозиторий содержит AWQ-квантизированную 4-битную версию; в карточке явно указан английский язык. К сильным сторонам относятся специализация на генерации, рассуждении и исправлении кода, большой контекст и сниженные требования к памяти благодаря 4-битной квантизации. Небольшой размер делает модель удобной для локального развертывания, однако квантизация может влиять на точность, а компактный масштаб модели ограничивает качество по сравнению с более крупными моделями серии. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-3B-Instruct-GGUF — это квантизированная версия инструкционной языковой модели Qwen2.5-Coder-3B-Instruct, разработанной командой Qwen и подготовленной пользователем bartowski в формате GGUF. Модель предназначена для генерации текста и работы с программным кодом в диалоговом режиме: написания, объяснения и преобразования кода, а также выполнения других задач, связанных с программированием. В карточке указана поддержка английского языка. Модель содержит 3 миллиарда параметров и рассчитана на локальный запуск через llama.cpp, в том числе в LM Studio. Доступны варианты от F16 до компактных квантизаций Q3–Q8, что позволяет выбирать между качеством ответов и требованиями к памяти; наиболее качественными названы варианты Q6_K_L и Q6_K, а Q4_K_M описан как вариант по умолчанию для большинства случаев. Квантизация уменьшает размер файлов и требования к ресурсам, но более агрессивные варианты могут снижать качество. Архитектура, максимальная длина контекста и дополнительные модальности в README не указаны. Модель распространяется с лицензией Qwen Research License; применимость лицензии следует уточнять по исходному тексту LICENSE.

BenevolenceMessiah/Qwen2.5-Coder-7B-Chat-Instruct-TIES-v1.2 — объединённая языковая модель на архитектуре Qwen2 для генерации кода и диалоговой работы с инструкциями. Автор объединил Qwen/Qwen2.5-Coder-7B и Qwen/Qwen2.5-Coder-7B-Instruct методом TIES; модель содержит 7,1 млрд параметров и использует формат safetensors. Модель предназначена для генерации, анализа и исправления программного кода в чате. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и предоставляет интерфейс вызова инструментов. В метаданных перечислены языковые коды? Нет, поэтому конкретные естественные языки здесь не заявлены. Лицензия в предоставленных данных не указана. Качество объединения и результаты оценки в карточке не описаны.

Qwen2.5-Coder-7B-Instruct-GGUF — это GGUF-квантизированная версия инструкционной модели Qwen2.5-Coder-7B-Instruct, разработанной командой Qwen и подготовленной для распространения пользователем bartowski. Модель предназначена прежде всего для генерации и обработки программного кода, работы в чат-режиме и локального текстового вывода через llama.cpp и совместимые приложения, включая LM Studio. Модель содержит 7 миллиардов параметров, поддерживает текстовый ввод и вывод, а в README заявлен английский язык. Доступны варианты с разными уровнями квантизации — от F16 до Q2 и специализированных форматов для ARM, с размером файлов примерно от 3,5 до 15,2 ГБ. В README также указано обновление конфигурации длины контекста и токенизатора, однако точное значение контекстного окна не приведено. Для диалогов используется формат сообщений Qwen с ролями system, user и assistant. Сильная сторона модели — возможность локального запуска при выборе подходящего уровня квантизации: варианты Q6 и Q5 ориентированы на высокое качество, а более компактные варианты подходят для систем с ограниченной памятью. Ограничения включают возможное снижение качества при сильной квантизации, необходимость совместимого ПО и аппаратных ресурсов, а также отсутствие подробных данных о языковой поддержке и бенчмарках в данном README. Модель распространяется по лицензии Apache-2.0.

Etherll/Qwen2.5-Coder-7B-Instruct-Ties — объединённая инструкционная языковая модель, созданная автором репозитория методом TIES с помощью mergekit. В качестве базовой использована Qwen/Qwen2.5-Coder-7B, а в объединение включена Qwen/Qwen2.5-Coder-7B-Instruct. Модель предназначена для диалоговой генерации текста и помощи с программным кодом: она может генерировать, анализировать и исправлять код, а также отвечать на запросы в формате чата. Архитектура — плотная Qwen2, 7,1 млрд параметров; нативный контекст — 32 768 токенов. Репозиторий содержит веса safetensors, а метаданные указывают библиотеку Transformers и интерфейс для вызова инструментов. Карточка не приводит результаты оценки качества или перечень поддерживаемых языков программирования. Лицензия в предоставленных данных не указана; сведения о ней следует проверить на странице репозитория.

Domeoneyyddkk/qwen2.5-coder-merged — слитая языковая модель на архитектуре Qwen2, созданная методом DARE TIES с помощью mergekit на основе Qwen2.5-Coder-7B-Instruct и Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, рассчитана на диалоговую генерацию текста и кода; доступна в формате safetensors для библиотеки Transformers и поддерживает контекст до 32 768 токенов. Модель подходит для генерации и объяснения кода, помощи в программировании и обычных диалоговых задач. В конфигурации слияния использованы веса 0,65 для Qwen2.5-Coder-7B-Instruct и 0,35 для Qwen2.5-7B-Instruct. README и метаданные не приводят сведений о лицензии, поэтому условия использования следует сверить с лицензиями исходных моделей и правилами публикации слитых весов.

Valiant Labs разработала Esper 3 — дообученную на базе Qwen3-14B языковую модель для рассуждений, особенно в программировании, проектировании архитектуры и DevOps. Она также предназначена для общего решения задач, творческих рассуждений и диалогов. Модель использует архитектуру Qwen3 dense с 14 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Для диалогов рекомендуется включать режим рассуждений через параметр enable_thinking=True. Модель ориентирована на разработчиков и инженеров: может помогать с кодом, скриптами, облачной инфраструктурой и DevOps-задачами, а также отвечать на общие вопросы. Карточка описывает её как открытую модель; лицензия Apache-2.0. README не приводит оценок качества или подробностей о датасетах обучения, кроме указания, что данные для рассуждений и кода были сгенерированы с помощью DeepSeek R1.

CrowdMind / Dustin Loring разработали CrowdMind/Qwen3.5-9b-pro — мультимодальную плотную модель семейства Qwen3.5 на 9 млрд параметров, полученную supervised fine-tuning модели Qwen/Qwen3.5-9B. Она предназначена для агентных сценариев, генерации и редактирования кода, работы с инструментами и терминалом, автоматизации и общих рассуждений. Модель принимает текст, изображения и видео через процессор и специальный шаблон чата; шаблон также позволяет настраивать уровень рассуждений или отключать их. Для инференса в карточке приведены инструкции по использованию Transformers и SGLang. В опубликованных авторами результатах SFT-чекпойнт превосходит исходную Qwen3.5-9B в приведённых метриках SWE Pro, AutomationBench и Terminal Bench. Эти результаты не гарантируют качество на конкретных задачах: модель может ошибаться или давать чрезмерно уверенные ответы, неверно интерпретировать изображения и пропускать детали видео. Вызовы инструментов и сгенерированный код требуют проверки; длинные диалоги ограничены доступным контекстом. Лицензия — MIT.

Qwen3.6-27B-A3B-CoderX — текстовая MoE-модель для генерации кода и работы с инструментами, созданная ManniX-ITA на основе Qwen/Qwen3.6-35B-A3B. Это чекпойнт с BF16-весами: из 256 экспертов каждого слоя оставлены 184, при этом активируются 8 экспертов на токен; заявлено около 27 млрд параметров и около 3 млрд активных. Контекст составляет 262 144 токена. Веса сохранённых экспертов совпадают с базовой моделью; дообучение и дистилляция не проводились. В чекпойнт включён блок MTP для спекулятивного декодирования, но нет визуальной башни, поэтому эта версия принимает только текст. Модель предназначена прежде всего для написания и дополнения кода, решения задач программирования и вызова инструментов в диалоге. В README приведены результаты отдельных тестов на код и использование инструментов, но полный набор оценок не запускался; заявленные результаты зависят от конфигурации и тестовой среды. Авторы отмечают ошибки в сценариях безопасности и работы с недоверенным выводом инструментов, поэтому такие применения требуют осторожной проверки. Лицензия — Apache-2.0.

Карточка модели Tooony133/Qwen-3.6-27B-BiggerFish на Hugging Face совпадает с карточкой Tooony133/Qwen-3.6-27B-ChonkyCat, поэтому описание составлено по ней. Tooony133/Qwen-3.6-27B-ChonkyCat — это объединённая с базовыми весами LoRA-адаптера версия мультимодальной модели Qwen3.6-27B. В README она описана как причинная языковая модель с визуальным энкодером, предназначенная в том числе для агентного программирования, работы с репозиториями и вызова инструментов. Модель содержит 27 млрд параметров и поддерживает контекст до 262 144 токенов, расширяемый до 1 010 000 токенов. Модель принимает текст и изображения и генерирует текст. README отмечает улучшения в сценариях разработки интерфейсов и рассуждения над кодовыми базами; метаданные также указывают поддержку диалогового режима и изображений. Для запуска указана совместимость с Transformers и движками vLLM, SGLang и KTransformers. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Tachibana-Agent — дообученная модель Sequelbox на базе Qwen3.6-27B, созданная для агентного программирования и сложных задач разработки. Модель обучена на наборе Tachibana 4; карточка указывает 22,3 млрд параметров, контекст 262 144 токена и лицензию Apache-2.0. Для работы с моделью предназначена библиотека Transformers. Модель помогает решать практические задачи разработки на Python, C, C++, C#, Go, TypeScript, Java, JavaScript, Rust, Haskell и других языках: отладки, автоматизации, проектирования систем и оптимизации производительности. В метаданных также указан тег image-text-to-text, однако README описывает модель прежде всего как агентную модель для программирования и не раскрывает сценарии работы с изображениями. Ограничения качества и результаты оценок в карточке не приведены; автор обозначает модель как экспериментальную.

unsloth/Qwen3.6-27B-UD-MLX-NVFP4 — это MLX-версия открытой модели Qwen3.6-27B, подготовленная Unsloth на базе Qwen/Qwen3.6-27B. Модель ориентирована прежде всего на агентное программирование, работу с frontend-задачами, рассуждение на уровне репозитория и итеративную разработку с сохранением контекста рассуждений. Она поддерживает текстовые и визуальные входы благодаря архитектуре с vision encoder. Модель содержит около 27 млрд параметров и построена как causal language model с гибридной архитектурой Gated DeltaNet и Gated Attention: 64 слоя, скрытое измерение 5120 и многошаговое обучение MTP. Нативная длина контекста составляет 262 144 токена, с возможностью расширения до 1 010 000 токенов. Данный репозиторий представляет квантованный вариант Unsloth в формате MLX с обозначением NVFP4; README не указывает поддерживаемые языки и точные требования к оборудованию. Сильными сторонами являются специализация на coding-agent сценариях, обработка изображений и очень длинный контекст. К ограничениям относятся зависимость от MLX-совместимого программного окружения и возможные компромиссы квантования по сравнению с полной точностью; конкретные потери качества для этой версии в README не приведены. Модель распространяется по лицензии Apache-2.0.

Red Hat AI публикует открытые веса Qwen3.6-35B-A3B — постобученную причинную языковую модель с MoE-архитектурой и визуальным энкодером. Она предназначена для диалогов, программирования и агентных сценариев с вызовом инструментов, включая работу с изображениями и видео. Модель содержит 35 млрд параметров, из которых активируются 3 млрд; в языковой части 40 слоёв и 256 экспертов, из которых на токен задействуются 8 маршрутизируемых и один общий. Нативный контекст составляет 262 144 токена и может расширяться до 1 010 000. Среди заявленных сильных сторон — программирование на уровне репозитория, создание интерфейсов и сохранение контекста рассуждений между сообщениями. Модель поддерживает обработку изображений и видео, а примеры оценивания программирования включают английский и китайский; README не позволяет надёжно определить полный список поддерживаемых языков. Веса доступны в формате Safetensors и совместимы с Transformers, vLLM и другими указанными средами. Лицензия — Apache-2.0. Для запуска на длинном контексте нужны значительные вычислительные ресурсы; README советует уменьшать контекст при нехватке памяти, сохраняя по возможности не менее 128K токенов.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-NEO-CODER-NVFP4-1M — модель на базе Qwen3.8-27B Cold Fusion, разработанной DavidAU, с последующей квантизацией, расширением контекста и упаковкой Solstice-AI. Модель предназначена для программирования, агентной разработки ПО, отладки репозиториев, многошаговых рабочих процессов, рассуждений и диалогового использования. Также заявлена поддержка визуального понимания изображений, интерфейсов, архитектурных схем и видеокадров через дополнительный модуль mmproj-BF16.gguf. Модель поддерживает английский и китайский языки. Указан контекст до 1 048 576 токенов, полученный расширением RoPE с помощью YaRN; исходный контекст заявлен как 262 тысячи токенов. Архитектура описана как гибридная: 75% слоёв используют линейное внимание Gated Delta Recurrent Network, а 25% — глобальное Grouped-Query Attention. Формат NVFP4 обеспечивает 4-битное микромасштабирование для NVIDIA Blackwell, включая B200, GB200 и RTX 5090. Также заявлена поддержка Multi-Token Prediction для ускорения генерации. Сильными сторонами README называет производительность в задачах программной инженерии, компьютерного управления, следования сложным ограничениям и длинного контекста; приведены результаты внутренних или заявленных разработчиками сравнений, включая SWE-bench Pro 61,7% и ARC-C 735. Эти показатели следует воспринимать с учётом методики оценки и аппаратных требований. Ограничения включают зависимость от совместимого оборудования NVIDIA Blackwell и соответствующего серверного ПО, а также то, что расширенный миллионный контекст и мультимодальность могут требовать специальных компонентов. Лицензия — Apache 2.0.

Qwen3-Coder-Next-GPTQ — это 4-битная GPTQ-квантизованная версия модели Qwen3-Coder-Next, разработанной Qwen и подготовленной пользователем 6block. Модель предназначена для генерации и обработки текста, прежде всего для задач программирования, и поддерживает английский и китайский языки. Она рассчитана на эффективное развертывание с помощью vLLM и SGLang. В основе лежит разреженная MoE-архитектура qwen3_next: 80 млрд параметров всего, около 3 млрд активных, 48 слоёв, 512 экспертов и маршрутизация top-10. Контекст составляет 256K токенов. Используется схема W4A16 с размером группы 128 и формат compressed-tensors на базе safetensors. Большинство весов, включая линейные слои экспертов и attention, квантизовано до 4 бит, тогда как маршрутизаторы MoE и lm_head сохранены в bf16. Размер модели составляет около 40 ГиБ, что позволяет запускать её на одной видеокарте объёмом 48 ГБ и, с параллелизмом или выгрузкой, на конфигурациях с 24 ГБ. Главное преимущество — существенное снижение требований к памяти при сохранении близкого к исходной модели поведения; по данным README, perplexity на wikitext-2-raw составляет 9,34 против 7,74 у эталонной bf16-версии. Ограничением является заметное ухудшение этого показателя относительно bf16, а также необходимость совместимого движка, поддерживающего compressed-tensors. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

trohrbaugh/Qwen3-Coder-Next-heretic — версия Qwen3-Coder-Next, созданная методом abliteration: в README приведено сравнение с исходной моделью и заметно снижение частоты отказов. Это причинная языковая модель семейства Qwen3-Next с архитектурой MoE, предназначенная для генерации кода и работы в агентных сценариях разработки. Модель поддерживает чат и интерфейс вызова инструментов; README описывает применение с CLI и IDE, а также работу в режиме без рассуждений. По метаданным, репозиторий содержит веса Safetensors и насчитывает 2,3 млрд параметров; нативное окно контекста — 262 144 токена. README приводит характеристики исходной Qwen3-Coder-Next: 80 млрд параметров всего и 3 млрд активируемых, поэтому эти размеры не следует считать подтверждёнными для данной версии. Лицензия — Apache-2.0. В таблице README частота отказов составляет 14 из 100 запросов против 99 из 100 у исходной модели, а KL-дивергенция указана как 0,0708. Эти результаты относятся к описанному в карточке сравнению и не гарантируют такое же поведение на других запросах. Модель может выдавать нежелательный контент и менее склонна отказывать; перед применением следует оценивать её ответы и учитывать соответствующие риски.