II.3Рефакторинг, миграция и модернизация

FIM-14B — языковая модель для программирования и агентных задач, разработанная TIGER-Lab. Она создана на основе Qwen/Qwen2.5-Coder-14B-Instruct: модель прошла дополнительное обучение на данных function-aware fill-in-the-middle, а затем дообучение на траекториях агента R2E-Gym. Это плотная архитектура Qwen2 с 14 млрд параметров и контекстом 32 768 токенов; модель поддерживает диалоговую генерацию текста и кода. Модель предназначена для агентного решения задач разработки ПО, включая поиск и исправление ошибок в репозиториях. В оценках авторов FIM-14B набрала 29,2 на SWE-Bench-Verified и 22,0 на SWE-Bench-Lite; README также сообщает об улучшении ряда показателей относительно варианта только с постобучением на R2E-Gym. Для запуска описан сценарий с vLLM и агентной оболочкой R2E-Gym. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0.

FIM-7B — языковая модель для программирования и задач coding-агентов, разработанная TIGER-Lab. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на базе Qwen/Qwen2.5-Coder-7B-Instruct: сначала на данных function-aware fill-in-the-middle, затем на траекториях агентов R2E-Gym. Модель предназначена для работы в агентном сценарии, включая решение задач из репозиториев и исправление программного кода; README приводит результаты оценки на SWE-Bench-Verified и SWE-Bench-Lite. Модель принимает текстовые запросы и генерирует текст и код. Заявленная нативная длина контекста — 32 768 токенов; в инструкции по оценке упоминается запуск с длиной до 65 536 токенов. В сравнении с воспроизведением R2E-Gym на той же базовой модели FIM-7B показала улучшение на 2,8 пункта на SWE-Bench-Verified и на 3,67 пункта на SWE-Bench-Lite. Для воспроизведения оценки использовался фиксированный каркас агента R2E-Gym. Распространяется по лицензии Apache-2.0.

Ganesh JavaScript v0.1.0 — специализированная языковая модель на 12 млрд параметров для генерации и дополнения кода на JavaScript, исправления ошибок, отладки, рефакторинга и поддержки разработчиков. Модель разработана и выпущена ExecuteSpec R&D Lab; она предназначена также для оценки coding-agent и инструментов разработчика, а также для исследований и экспериментов с локальным или размещённым инференсом. Модель основана на Gemma 4 12B IT и работает в режиме генерации текста. Доступны объединённые веса в форматах BF16 SafeTensors, GGUF Q8_0 и GGUF Q4_K_M; репозиторий содержит полный самостоятельный чекпойнт. Q8_0 ориентирован на сохранение точности, а Q4_K_M снижает требования к памяти и дисковому пространству. В README указаны английский язык и специализация на JavaScript, но размер контекста и дополнительные модальности не описаны. По узким версиям тестов модель получила 22 из 25 на JavaScript-наборе исполняемых задач против 18 из 25 у базовой модели и 147 против 146 на заявленной 161-задачной поверхности MultiPL-E JavaScript. Эти результаты не являются гарантией общего превосходства. Модель может генерировать ошибочный, неполный, небезопасный или неэффективный код, выдумывать API и не учитывать соглашения конкретного проекта; результат необходимо проверять и тестировать. Выпуск v0.1.0 заморожен и предназначен для оценки. Использование регулируется применимыми Gemma Terms of Use и Gemma Prohibited Use Policy.

Gemini 2.5 Pro Preview 06-05 — предварительная версия мультимодальной модели Google Gemini 2.5 Pro. Она предназначена для сложных задач рассуждения, программирования, математики и науки. В карточке указаны способности к рассуждению, но подробности об архитектуре, размере и длине контекста не приведены. Модель ориентирована на сценарии, где требуется разбирать запрос и формировать содержательный ответ, включая помощь с кодом и решение математических задач. Метаданные классифицируют её как image-text-to-text, однако README не уточняет поддерживаемые типы входных данных. Условия лицензии в доступных сведениях не описаны.

Akicou/GLM-4.7-Flash-REAP-19 — сжатая версия GLM-4.7-Flash, созданная с помощью метода REAP (Router-weighted Expert Activation Pruning) компании Cerebras. В модели удалено 50% экспертов; README указывает, что сжатие выполнено без дополнительного дообучения. Архитектура GLM-4 MoE Lite, размер — 4,1 млрд параметров, контекст — до 202 752 токенов. Модель предназначена для генерации текста, кода, вызова функций и агентных сценариев; поддерживает запуск через vLLM, Transformers и SGLang. Карточка описывает калибровку для задач кода и инструментов, сохранившую возможности базовой модели в этих сценариях. Репозиторий предоставляет веса Safetensors и заявляет лицензию MIT. В README отмечена проблема совместимости GGUF с llama.cpp: файлы GGUF пересоздаются после исправления ошибки, вызывавшей зацикливание и низкое качество ответов; в метаданных GGUF не указан.

GLM-5.3-MLX — это MLX-сборка официальной модели GLM-5.3 от Z.AI, подготовленная OrcaRouter для Apple Silicon и MLX CUDA backend. Модель предназначена для генерации текста, программирования, задач рассуждения и длительных агентских инженерных сценариев, включая анализ кода и проверку pull request. Поддерживаются английский и китайский языки. Модель использует разреженную MoE-архитектуру glm_moe_dsa с MLA и механизмом sparse attention в стиле DeepSeek с общим индексатором. Заявленный объём составляет 753 млрд параметров, из которых около 39 млрд активны одновременно; контекстное окно — до 1 млн токенов. Модель поставляется в вариантах 2-, 3-, 4- и 6-битной квантизации OrcaSAQ, причём 4-битная версия является рекомендуемой и размещена также в корне репозитория. В методе OrcaSAQ чувствительные компоненты получают повышенную точность, attention сохраняется в 8-битном формате, а индексатор DSA — в BF16. Главное преимущество сборки — существенное снижение требований к памяти при сохранении качества по сравнению с исходной FP8-версией, а также оптимизация для экосистемы MLX. Ограничением остаются чрезвычайно высокие требования к оперативной памяти: размер файлов составляет примерно 322–671 ГБ в зависимости от варианта, поэтому даже 4-битная версия требует около 480 ГБ RAM, а 6-битная не помещается на одном современном Apple Silicon компьютере. Модель распространяется по лицензии GLM-5.3; точные условия определяются файлом лицензии по указанной ссылке.

Карточка модели kkyyxhll/KAT-Coder-V2.5-Dev-fused-gate-up на Hugging Face совпадает с карточкой Kwaipilot/KAT-Coder-V2.5-Dev, поэтому описание составлено по ней. KAT-Coder-V2.5-Dev — открытая по весам MoE-модель для агентного программирования, выпущенная командой KAT. Она дообучена на базе Qwen3.6-35B-A3B с помощью supervised fine-tuning на 127 тысячах примеров и последующего обучения с подкреплением. Всего в модели 35 млрд параметров, из которых активируются 3 млрд; карточка указывает архитектуру семейства Qwen3.5 MoE и формат safetensors. Модель предназначена для решения задач программирования в агентных сценариях: анализа задач и выполнения действий через инструменты, доступные в окружении. Разработчики сообщают об улучшении результатов на тестах agentic coding относительно моделей сопоставимого размера и о снижении частоты некорректных меток инструментов и повторов. В README описан запуск через API, а метаданные указывают поддержку чата и интерфейса вызова инструментов. Языки карточки — английский и китайский; для примера оценки использовался контекст 256 тысяч токенов, но это не заявлено как предел модели. Лицензия — Apache-2.0.

Карточка модели SpectreSystems/KAT-Coder-V2.5-Dev-MTP на Hugging Face совпадает с карточкой Kwaipilot/KAT-Coder-V2.5-Dev, поэтому описание составлено по ней. KAT-Coder-V2.5-Dev — открытая по весам MoE-модель для агентного программирования, выпущенная командой KAT. Она дообучена на базе Qwen3.6-35B-A3B с помощью supervised fine-tuning на 127 тысячах примеров и последующего обучения с подкреплением. Всего в модели 35 млрд параметров, из которых активируются 3 млрд; карточка указывает архитектуру семейства Qwen3.5 MoE и формат safetensors. Модель предназначена для решения задач программирования в агентных сценариях: анализа задач и выполнения действий через инструменты, доступные в окружении. Разработчики сообщают об улучшении результатов на тестах agentic coding относительно моделей сопоставимого размера и о снижении частоты некорректных меток инструментов и повторов. В README описан запуск через API, а метаданные указывают поддержку чата и интерфейса вызова инструментов. Языки карточки — английский и китайский; для примера оценки использовался контекст 256 тысяч токенов, но это не заявлено как предел модели. Лицензия — Apache-2.0.

Laguna-S-2.1-Uncensored — текстовая MoE-модель Poolside, изменённая SC117 на основе poolside/Laguna-S-2.1. Она предназначена для агентного программирования, длительных задач разработки и диалогового взаимодействия с инструментами. В карточке указана архитектура Laguna с маршрутизацией между экспертами; README описывает исходную модель как 118 млрд параметров всего и около 8 млрд активных на токен, тогда как метаданные каталога указывают 6,8 млрд параметров. Эти значения расходятся, поэтому размер следует проверять по конфигурации конкретной версии. Контекст заявлен до примерно 1 млн токенов. Модель поставляется в BF16 safetensors. Изменение выполнено методом abliterix: к весам применён Trial 16 LoRA с корректировкой маршрутизатора MoE; шаблон чата сохраняет возможность включать рассуждения и работу с инструментами. Основное назначение производной версии — снизить частоту отказов при сохранении значительной части возможностей кодирования и работы с инструментами. README предупреждает, что поведение отказов и выравнивания заметно отличается от официальной модели, а полные бенчмарки производной версии не проводились. Лицензия указана как OpenMDW-1.1, семейство лицензии базовой модели; перед использованием следует учитывать её условия. Для загрузки требуется Transformers с trust_remote_code=True, а полный BF16-репозиторий занимает около 219 ГБ. README отмечает возможные странности идентификации модели и неровный текст на китайском и других языках.

M31Genesis — экспериментальная исследовательская модель для агентного программирования, представленная в проекте eshanized/M31Genesis. Это decoder-only causal language model на собственной архитектуре M31, предназначенная для генерации и продолжения текста, прежде всего в задачах разработки программного обеспечения, написания и редактирования кода, отладки, анализа репозиториев, repository-aware reasoning и исследований взаимодействия агентов с инструментами. Модель относится к классу примерно 425M параметров и использует словарь ByteLevel BPE на 65 536 токенов. Архитектура включает 24 слоя, размер скрытого состояния 1024, 16 attention heads и 8 KV heads, RMSNorm, RoPE и связанные входные и выходные эмбеддинги. В карточке указана поддержка английского языка и текстовая модальность; максимальный размер контекста не указан. Сильными сторонами являются специализация на программировании и сценариях агентного использования, однако модель имеет экспериментальный статус, поэтому её качество и надёжность следует оценивать перед применением в production. Лицензия — MIT.

Millie 35B-A3B 9GB — компактная версия модели для генерации кода и выполнения агентных задач, опубликованная llmsforall. Это MoE-модель с 35 млрд параметров и примерно 3 млрд активных параметров на токен, построенная на архитектуре Qwen3.5-35B-A3B и созданная на основе Agents-A1. По данным карточки, модель принимает изображения и поддерживает контекст до 262 тысяч токенов. Вариант сжат до файла GGUF объёмом около 9 ГБ: веса экспертов представлены в формате ternary mask-and-sign с точностью 1,69 бита на параметр. Для запуска требуется форк llama.cpp от llmsforall с соответствующими ядрами для Metal, Vulkan или CPU; обычный llama.cpp этот формат не загружает. Метаданные указывают задачу text-generation, чат-возможность и лицензию Apache-2.0. Известное ограничение — специальный формат весов привязывает запуск к совместимому форку.

GnLOLot разработала MiniCPM5-2B-Claude-Fable5-1-Thinking-Agentic — компактную языковую модель на базе openbmb/MiniCPM5-2B, дообученную на данных Claude. Это плотная модель архитектуры Llama примерно с 2,2 млрд параметров, предназначенная для локального запуска через Transformers. Она поддерживает контекст до 131 072 токенов и выдаёт текст.

MiniMax-M2.5-PRISM-LITE — разговорная модель Ex0bit на базе MiniMaxAI/MiniMax-M2.5, дообученная с помощью конвейера PRISM-LITE. Она предназначена для генерации текста в диалогах, программирования, решения сложных многошаговых задач и работы с агентными сценариями. В карточке заявлены архитектура MoE и подавление чрезмерных отказов при сохранении основных возможностей исходной модели; GGUF-файлы представлены в вариантах IQ1_M и IQ2_M. Указаны английский и китайский языки. Лицензия обозначена как other; README описывает базовую лицензию как модифицированную MIT.

Novasy/nova-coder-merge-7b — слитая модель Novasy на архитектуре Qwen2, созданная методом TIES с помощью mergekit из Qwen/Qwen2.5-7B-Instruct и Qwen/Qwen2.5-Coder-7B-Instruct. Она предназначена для диалоговой генерации текста и помощи с программированием, включая создание и объяснение кода, а также выдачу структурированных ответов. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов; репозиторий содержит веса в формате safetensors. Метаданные также отмечают интерфейс вызова инструментов. Слияние объединяет общие инструктивные возможности Qwen2.5 с ориентацией кодовой версии на программирование. В карточке не приведены результаты оценки качества или отдельный перечень поддерживаемых языков. Лицензия в предоставленных данных не указана.

feecha/ObjLlama-7b-hf — 7-миллиардная instruct-версия Code Llama, разработанной Meta и сохранённой в формате Hugging Face Transformers. Это авторегрессионная плотная модель на архитектуре Transformer для генерации и понимания кода: она поддерживает автодополнение, заполнение пропусков в коде и выполнение инструкций, в том числе в сценариях чат-ассистента. Модель принимает и выдаёт текст; размер по метаданным — 6,6 млрд параметров, контекст — до 16 384 токенов. README указывает английский язык и языки программирования. Модель подходит для генерации фрагментов кода, редактирования существующего кода и ответов на запросы кода на естественном языке. Она не является специализированной Python-версией. Возможны неточные или нежелательные ответы; перед внедрением рекомендуется тестирование и настройка под конкретное применение. Использование регулируется лицензией Meta Llama 2, а README указывает на коммерческое и исследовательское применение при соблюдении лицензионных условий и правил допустимого использования.

OpenCoder-8B-Instruct — диалоговая языковая модель для работы с кодом из семейства OpenCoder, разработанного командой OpenCoder-LLM. Это дообученная версия OpenCoder-8B-Base с архитектурой LlamaForCausalLM и плотной конфигурацией; в репозитории указано 7,4 млрд параметров и контекст до 8192 токенов. Модель принимает текстовые запросы и генерирует текст, включая код и ответы на инструкции. Модель предназначена для генерации и дополнения кода, решения задач программирования и ответов на вопросы по коду. Она поддерживает английский и китайский языки. В README приведены результаты на HumanEval(+), MBPP(+) и BigCodeBench, а обучение описано как продолжение предобучения на коде с последующим supervised fine-tuning на более чем 4,5 млн примеров. Лицензия в метаданных обозначена как other, поэтому условия использования следует сверять с лицензией и материалами проекта.

Ornith-1.0-35B-NVFP4 — квантованная версия модели deepreinforce-ai/Ornith-1.0-35B, разработанной DeepReinforce. Это агентная модель для генерации кода с механизмом самостоятельного выстраивания рассуждений, основанная на архитектуре qwen3_5_moe: Mixture-of-Experts с 35 млрд параметров и визуальной башней Qwen3-VL. Модель поддерживает текстовые и визуальные входные данные, а заявленные языки включают английский, китайский, японский и французский. Модель предназначена для агентного программирования, генерации и решения задач на код. Доступны режимы с рассуждением и без него; при включённом рассуждении модель может формировать более качественные ответы, но требует увеличенного лимита вывода. В README приведены результаты pass@1: 93,9% на HumanEval+ и 80,6% на MBPP+ в режиме рассуждения, а без рассуждения — 87,1% и 78,1% соответственно. Контекст ограничен 8192 токенами в рекомендуемой конфигурации vLLM. Все линейные слои квантизированы в формате NVFP4 W4A4 с размером группы 16; визуальная башня, маршрутизаторы MoE и lm_head сохранены в bf16. Размер модели уменьшен с 70,3 до 21,9 ГБ, что позволяет запускать её на двух GPU по 16 ГБ через vLLM с автоматическим обнаружением квантования. Ограничениями являются требования к нескольким GPU, зависимость от совместимой инфраструктуры vLLM и необходимость корректно извлекать ответ после блока </think> при оценке режима рассуждения. Модель распространяется по лицензии MIT; производные веса и исходная модель атрибутированы DeepReinforce.

Ornith-1.5-35B-A3B-FP8 — языковая модель для генерации текста, разработанная командой Ornith AI. Это средняя по размеру модель семейства Ornith-1.5, ориентированная прежде всего на программирование, работу через терминал и агентские сценарии, где модель должна планировать действия, использовать инструменты и решать многошаговые задачи разработки. Модель создана на основе подхода непрерывного самоулучшения: она совместно оптимизирует генерацию задач, построение scaffold-структур и последовательности решений с помощью reinforcement learning, а не полагается только на фиксированный набор задач и вручную разработанные процедуры оценки. Модель использует архитектуру mixture-of-experts: всего содержит около 35 млрд параметров, но активирует примерно 3 млрд параметров на токен. Вариант FP8 предназначен для более эффективного хранения и выполнения инференса. В README указана текстовая модальность и задача text generation; сведения о поддерживаемых языках и размере контекста не приведены. Среди заявленных сильных сторон — результаты в программировании и агентской разработке: на SWE-bench Verified модель получила 79 баллов, а на Terminal-Bench 2.1 — 67,8 балла в конфигурации Terminus-2 и 68,5 в конфигурации Claude Code. Ограничения, не отражённые в карточке, включают отсутствие подробных данных о качестве на общих языковых задачах, языковом покрытии, безопасности и практических требованиях к оборудованию. Модель распространяется по лицензии MIT. Заявленные показатели приведены авторами README и могут зависеть от используемого окружения, инструментов и методики оценки.

Ornith-1.5-35B-A3B — языковая модель для генерации текста, разработанная командой Ornith AI. Она относится к семейству Ornith-1.5 и создана с применением подхода непрерывного самоулучшения: модель самостоятельно генерирует новые учебные задачи, выявляет эффективные стратегии их решения и совершенствуется посредством reinforcement learning. В основе Ornith-1.0, на которой развивалась эта линейка, использовались Qwen3.5 и Gemma4 с дополнительным продолжением предобучения, mid-training и post-training. Модель предназначена прежде всего для программирования и агентных сценариев, включая работу в терминале, решение задач из репозиториев и автоматизацию многошаговых операций. Это mixture-of-experts-модель с общим размером около 35 млрд параметров, из которых для обработки каждого токена активируется примерно 3 млрд. В карточке не указаны поддерживаемые языки, размер контекста и мультимодальные возможности; по заявленному pipeline_tag это text-generation-модель. К сильным сторонам относятся результаты на coding- и agentic-бенчмарках: заявлены оценки 67,8 и 68,5 на Terminal-Bench 2.1 в конфигурациях Terminus-2 и Claude Code, а также 79 на SWE-bench Verified. По данным разработчика, модель превосходит сопоставимую Qwen3.6-35B-A3B и ряд плотных моделей в агентном программировании. Ограничения, требования к оборудованию и особенности инференса в README не описаны. Модель распространяется по лицензии MIT.

Ornith-1.5-397B — крупная языковая модель класса mixture-of-experts, разработанная командой Ornith AI. Она относится к семейству Ornith-1.5 и развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным предварительным обучением, промежуточным обучением и постобучением. В Ornith-1.5 совместно оптимизируются генерация задач, построение scaffold и rollouts решений в цикле самоулучшения с reinforcement learning. Модель предназначена прежде всего для сложных задач программирования и работы с инструментами, включая разработку и отладку программного обеспечения, выполнение задач в терминале и автономные инженерные сценарии. Это текстовая generative-модель с заявленным размером 397B параметров; в README она описана как flagship-модель семейства. Приведены высокие результаты на Terminal-Bench 2.1, DeepSWE и SWE-bench, однако сведения о поддерживаемых языках, длине контекста, дополнительных модальностях и требованиях к аппаратному обеспечению не указаны. К сильным сторонам относятся ориентация на агентные coding-сценарии, самоулучшение стратегий решения и конкурентные результаты на бенчмарках программирования. Ограничения включают очень большой размер и высокие потенциальные требования к ресурсам, а также отсутствие в предоставленных данных подробностей о фактических языковых возможностях, контекстном окне и эксплуатационных ограничениях. Модель распространяется по лицензии MIT.

ImposterOnline/Pyrex-8B — текстовая генеративная модель для программирования и технических вопросов. По карточке README, модель Pyrut 8B разработана командой ImposterOnline и дообучена на специализированной базовой модели для кода; метаданные указывают архитектуру Qwen2, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель поддерживает диалоговый формат и интерфейс вызова инструментов. Модель предназначена для генерации и исправления кода, ответов на технические вопросы и сценариев с использованием инструментов. В README описано дообучение методом QLoRA/SFT на смеси очищенных примеров кода и общих инструкций. Для версии Inferno указаны 38 тысяч примеров в рецепте и результат 41,5% pass@1 на HumanEval; README также приводит более высокий результат 42,1% для предыдущего выпуска. Модель позиционируется как uncensored, то есть рассчитана на прямые ответы без отказов. Метаданные указывают лицензию Apache-2.0. README содержит расхождение в именовании и идентификаторах: в запросе указан Pyrex-8B, тогда как карточка описывает Pyrut 8B и примеры загрузки ссылаются на ImposterOnline/Pyrut; поэтому детали версии следует трактовать с осторожностью.

Qwable-9B-Claude-Fable-5-GGUF — семейство GGUF-квантизованных версий модели Qwable-9B-Claude-Fable-5, разработанной Empero. Модель создана на базе Qwen3.5-9B с полным дообучением параметров на трассах агентного программирования и рассуждений, дистиллированных из Claude Fable 5 и GPT-5.5 terminal agent. Распространяется для запуска через llama.cpp, Ollama, LM Studio и другие GGUF-совместимые среды. Модель предназначена прежде всего для программирования, терминальных и агентных сценариев, технического рассуждения и работы с инструментами. Она мультимодальная: поддерживает текст и изображения, однако для обработки изображений требуется отдельный vision projector mmproj с CLIP vision encoder. Основной язык — английский. Архитектура унаследована от Qwen3.5-9B и включает гибридный стек внимания с чередованием Gated DeltaNet linear attention и Gated full attention; заявлен длинный нативный контекст и словарь примерно из 152 тысяч токенов. Доступны варианты от BF16 до Q4_K_M размером примерно от 17 до 5,3 ГБ. Сильные стороны модели — готовое поведение для coding и agentic-задач, включая работу с терминалом и отдельные проявления security-aware подхода. По заявленной качественной проверке 27 из 34 ответов были признаны корректными и чистыми, однако полноценный набор бенчмарков ещё не опубликован. Ограничения включают меньшую надёжность в общих знаниях и длинных фактологических ответах, возможное снижение качества в низких квантизациях и отсутствие дополнительной safety-настройки. Ответы начинаются с блока <think>, который рекомендуется удалять перед показом пользователю. Модель распространяется по лицензии Apache-2.0; при использовании следует учитывать происхождение обучающих данных и организовать собственную проверку безопасности.

Qwen2.5-Coder-14B-GGUF — квантизированная в формате GGUF версия базовой модели Qwen2.5-Coder-14B, разработанной командой Qwen. Квантизация выполнена bartowski на основе llama.cpp версии b4058. Модель предназначена для генерации и автодополнения исходного кода и других задач программирования; в карточке указаны английский язык и текстогенерация как основной сценарий применения. Модель содержит 14 млрд параметров, обучена на 5,5 трлн токенов и поддерживает контекст до 128 тыс. токенов с настройками RoPE YaRN и коэффициентом 4,0; исходная длина контекста составляет 32 тыс. токенов. Это именно базовая модель, поэтому она рассчитана на completion и generation, а не на диалоговый или instruct-режим, что ограничивает её готовность к общению по инструкциям без дополнительного форматирования или дообучения. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-1.5B — базовая авторегрессионная языковая модель для программирования, разработанная командой Qwen. Она предназначена для генерации и анализа кода, исправления ошибок и задач заполнения пропусков в коде; модель может служить основой для кодовых агентов после дополнительной настройки. Это предобученная модель, а не готовый разговорный ассистент. Модель использует архитектуру Qwen2 с 1,5 млрд параметров, 28 слоями, RoPE, SwiGLU, RMSNorm и групповым запросным вниманием; контекст — до 32 768 токенов. Она обучалась на коде, текстово-кодовых связях и синтетических данных, сохраняя общие языковые и математические способности базовой серии Qwen2.5. В репозитории представлены веса Safetensors для Transformers. Лицензия Apache 2.0 допускает использование и модификацию на её условиях. Модель сравнительно компактна, однако качество может уступать более крупным моделям; для диалога и практического использования рекомендуется постобучение или адаптация под целевой сценарий.

sillykiwi опубликовал слитую с помощью merge-lora модель на основе RevEng-24-25/Qwen2.5-Coder-7B-Instruct-Ghidra-v2 и семейства Qwen2.5-Coder. Это причинная языковая модель с архитектурой Qwen2ForCausalLM, предназначенная для генерации кода и диалоговой работы с запросами о коде; README также указывает на возможности рассуждения и исправления ошибок в коде. Модель содержит около 7,1 млрд параметров по метаданным, использует формат safetensors и рассчитана на контекст 32 768 токенов. README описывает базовую серию Qwen2.5-Coder-7B-Instruct как модель с RoPE, SwiGLU, RMSNorm и групповым вниманием; для базовой модели приведена длина контекста 131 072 токена с настройкой YaRN для длинных входов. Эти характеристики относятся к описанию базовой модели и не подтверждают, что у данной публикации контекст превышает 32 768 токенов. Модель подходит для помощи при написании, анализе и отладке кода. Лицензия — Apache-2.0; README отмечает, что для базового семейства рекомендуются актуальные версии Transformers, а масштабирование контекста может ухудшить работу на коротких входах.

TeichAI/Qwen3-4B-Thinking-2507-Claude-4.5-Opus-High-Reasoning-Distill — плотная языковая модель на архитектуре Qwen3, созданная дообучением unsloth/Qwen3-4B-Thinking-2507 на наборе примеров рассуждений Claude Opus 4.5 с высоким уровнем reasoning. В модели 3,7 млрд параметров; она предназначена для генерации текста в диалоге и имеет интерфейс для вызова инструментов. Контекстное окно составляет 262 144 токена. Модель рассчитана на программирование, научные задачи и применение общего назначения, в том числе запросы, требующие развёрнутых рассуждений. README не приводит сведения о языках обучения или оценки качества. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3.6-27B-MTP-GGUF — квантованный формат модели Qwen3.6-27B, разработанной командой Qwen; сборка и GGUF-квантизация предоставлены Unsloth. Это открытая модель с лицензией Apache-2.0, предназначенная для локального запуска и интеграции через llama.cpp, Unsloth Studio и другие совместимые инструменты. Она ориентирована прежде всего на агентное программирование, работу с интерфейсами и репозиториями, итеративную разработку с сохранением контекста рассуждений, а также вызов инструментов. Модель представляет собой каузальную языковую модель с vision encoder и поддерживает текстовые и визуальные сценарии. Размер языковой части — 27 млрд параметров; архитектура включает 64 слоя, комбинацию Gated DeltaNet и Gated Attention, а также multi-token prediction (MTP), обученную на нескольких шагах. Нативная длина контекста составляет 262 144 токена и может расширяться до 1 010 000 токенов. Языки в README не указаны. Ключевое преимущество MTP — заявленное ускорение инференса примерно в 1,5–2 раза без потери точности. Модель поддерживает запуск на GPU, CPU и Metal, однако для MTP в llama.cpp пока не поддерживаются параллельные последовательности с np > 1 и мультимодальный проектор mmproj. При больших окнах контекста возможен повышенный расход памяти; README рекомендует уменьшать контекст при нехватке памяти, сохраняя по возможности не менее 262 144 токенов.

Qwen3.6-27B-Uncensored-Heretic-DSV4Pro-GLM52-SFT-GPT55-RL-Coding-VL-MTP-GGUF — экспериментальная модель в формате GGUF, опубликованная nerkyor на основе Merkyor/Qwen3.6-27B-DSV4Pro-Thinking-Distill и производной от Qwen3.6-27B DSV4Pro / GLM-5.2 SFT / GPT-5.5 RL Coding. Это плотная модель с 27 млрд параметров, ориентированная прежде всего на программирование, рассуждения, диалог и исследование снижения склонности к отказам. Заявлены поддержка английского и китайского языков, а также мультимодальный сценарий image-text-to-text через отдельный vision-language projector. Основной GGUF-файл предназначен для генерации текста и является единственным обязательным артефактом. Дополнительный mmproj подключает обработку изображений, а MTP draft GGUF может использоваться как боковая модель для speculative decoding. Доступны варианты квантования от Q3 до Q8 и исходный BF16; конкретный контекст в предоставленных данных не указан, однако для некоторых тестов упоминается режим 32K. Модель демонстрирует сильные результаты на MMLU, GPQA и LiveCodeBench: для варианта Q8 указаны 91,2% на MMLU500, 85,35% на GPQA198 и 81/100 на LCB100. Все заявленные GGUF-варианты показали нулевой показатель жёстких отказов на 140 тестовых запросах, но это исследовательский прокси, а не подтверждение безопасности или универсальной корректности. Ограничениями являются экспериментальный характер, возможные ошибки и зависимость качества от уровня квантования; модель не предназначена для неконтролируемой высокорисковой автоматизации. Лицензия указана как other, без дополнительных условий в предоставленной карточке.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-NVFP4 — релиз Solstice-AI, основанный на модели DavidAU Qwen3.8-27B-TURBO-Fable-Cold-Fusion. Это 27-миллиардная языковая модель с поддержкой английского и китайского языков, оптимизированная для работы на оборудовании NVIDIA Blackwell и Ada Lovelace в формате NVFP4. Указана поддержка контекста до 262 144 токенов. Модель также заявлена как мультимодальная: вместе с ней поставляется компонент mmproj-BF16.gguf для анализа изображений, архитектурных схем, пользовательских интерфейсов и видеокадров. Архитектура сочетает гибридное линейное внимание Qwen 3.8: 75% слоёв используют Gated Delta Recurrent Network с линейной сложностью по памяти, а 25% — Grouped-Query Attention. В модель включены Multi-Token Prediction с заявленной генерацией двух токенов за проход и объединение весов Cold Fusion GAIN. Разработчики позиционируют её для рассуждений, программирования, агентной разработки ПО, отладки репозиториев, управления компьютером и мобильными устройствами, а также выполнения длинных многофайловых сценариев. README приводит высокие результаты на SWE-bench Pro, LiveCodeBench v6, QwenSWEBench, OSWorld-Verified, AndroidWorld, IFBench и тестах ARC, однако эти показатели представлены самими разработчиками и требуют независимой проверки. Заявленная оптимизация ориентирована на NVIDIA Blackwell, включая B200, GB200 и RTX 5090; также упоминается совместимость с RTX 4090. Модель описана как uncensored и может иметь ослабленные ограничения отказа, что следует учитывать при эксплуатации. Лицензия — Apache 2.0.

Qwen3.8-27B-Uncensored-Mythos-Class-Agentic — производная 27-миллиардная плотная модель семейства Qwen, созданная на основе OBLITERATUS/Qwen3.8-27B-OBLITERATED и объединённая с Qwen/Qwen3.8-27B. Разработчик позиционирует её как конфигурацию для диалогов и агентных сценариев с вызовом инструментов; в README заявлены исправленный шаблон чата, поддержка интерфейсов Hermes Agent, Aider и OpenCode, разбиение задач на иерархические этапы и протокол самопроверки рассуждений. В README заявлено контекстное окно 131 072 токена и генерация до 16 384 токенов за один ответ. Указаны гибридная архитектура Mamba SSM и линейного внимания, а также варианты весов BF16, FP8 и AWQ в формате Safetensors; метаданные подтверждают dense-архитектуру семейства Qwen3.5 и наличие интерфейса вызова инструментов. Карточка описывает специализацию на программировании, системных задачах и кибербезопасности, но не предоставляет независимой проверки заявленных оценок и характеристик. Поддерживаются английский, китайский и арабский языки по карточке модели. Лицензия — Apache-2.0.