II.3Рефакторинг, миграция и модернизация

Модель RL-Forgetting-Experiments-3/qwen2.5-3b-code-sft-replay-uniform-lam1-step102 — готовый к инференсу чекпойнт для генерации кода, созданный в ходе экспериментов RL-Forgetting-Experiments-3. Это дообучение Qwen/Qwen2.5-3B методом supervised fine-tuning; модель имеет плотную архитектуру Qwen2, около 3,1 млрд параметров и принимает текст, выдавая текст. Чекпойнт обучен на данных qwen3b_code_sft_data_s300 с упорядоченной последовательностью примеров и равномерным воспроизведением данных (uniform replay, lambda 1.0). Он предназначен для генерации кода и связанных диалоговых сценариев; контекстное окно составляет 32 768 токенов. Карточка не сообщает о специальной лицензии, поэтому условия использования следует сверять с лицензией базовой модели и репозитория.

Qwen2.5-Coder-32B-GGUF — квантованная в формате GGUF версия базовой модели Qwen2.5-Coder-32B, разработанной командой Qwen. Квантование подготовил bartowski на основе llama.cpp. Модель предназначена прежде всего для генерации и автодополнения исходного кода, а также других сценариев текстовой генерации, связанных с программированием; это базовая модель, поэтому она не ориентирована на диалоговый режим и instruct-задачи. Модель имеет 32 миллиарда параметров и обучена на 5,5 триллиона токенов. Заявлена поддержка контекста до 128 тысяч токенов с настройками RoPE и коэффициентом YaRN 4.0 при исходной длине контекста 32 тысячи токенов. В метаданных указан английский язык. Формат GGUF и использование llama.cpp упрощают применение совместимых локальных средств инференса, однако конкретные требования к памяти и производительность зависят от выбранного уровня квантования и оборудования. К сильным сторонам относятся специализация на коде, большой размер модели и расширенный контекст. Ограничения включают базовый, а не инструкционно настроенный характер, возможное снижение точности из-за квантования и риск генерации ошибочного или небезопасного кода. Модель распространяется по лицензии Apache 2.0.

smorce/Qwen2.5-Coder-32B-Instruct-karakuri-thinking-slerp — слитая модель на основе karakuri-ai/karakuri-lm-32b-thinking-2501-exp и Qwen/Qwen2.5-Coder-32B-Instruct. Автор объединил их методом SLERP с помощью LazyMergekit, чтобы добавить навыки программирования к японской reasoning-модели. Это плотная авторегрессионная архитектура Qwen2, рассчитанная на генерацию текста и чат; размер составляет 32 млрд параметров, контекст — 32 768 токенов. Модель предназначена для генерации, анализа и исправления кода с возможностью рассуждений на японском языке. Метаданные также указывают английский и интерфейс вызова инструментов. Слияние наследует языковые и кодовые возможности базовых моделей, однако README не приводит результатов оценки именно этой сборки. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

Qwen2.5-Coder-3B-Q8_0-GGUF — это квантизированная модель для генерации кода и другого текста, преобразованная в формат GGUF проектом ggml-org из базовой модели Qwen/Qwen2.5-Coder-3B. Модель относится к семейству Qwen2.5-Coder и предназначена для запуска с помощью llama.cpp, в том числе локально через командную строку или сервер. Модель имеет размер 3B параметров и представлена в формате Q8_0. Она поддерживает текстовый ввод и вывод; в карточке указан английский язык. Основные сценарии использования — генерация программного кода, помощь в задачах разработки и текстовая генерация. В примере запуска используется контекст длиной 2048 токенов, однако максимальный размер контекста в предоставленных данных не указан. Преимуществами являются специализированная направленность на программирование, компактный размер по сравнению с более крупными моделями и совместимость с llama.cpp. Ограничения связаны с отсутствием подробных сведений о качестве, поддерживаемых языках программирования, мультимодальности и максимальном контексте; модель следует оценивать с учётом ресурсов локального запуска и особенностей квантизации. Лицензия указана как qwen-research; подробные условия приведены в лицензии исходной модели Qwen/Qwen2.5-Coder-3B.

BenevolenceMessiah/Qwen2.5-Coder-7B-Instruct-abliterated-TIES-v2.0 — объединённая языковая модель на архитектуре Qwen2, созданная методом TIES с помощью mergekit. В качестве основы использована huihui-ai/Qwen2.5-Coder-7B-Instruct-abliterated; также объединены Rombos-Coder-V2.5-Qwen-7b, CursorCore-QW2.5-7B и Hammer2.0-7b. Модель содержит 7,1 млрд параметров, работает через Transformers и принимает текст для генерации текста; заявленная длина контекста — 32 768 токенов. Модель предназначена для диалоговой генерации и задач программирования, включая создание и обсуждение кода. Метаданные также указывают поддержку интерфейса вызова инструментов, подходящего для агентных сценариев. Карточка не содержит оценок качества или перечня поддерживаемых языков. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

BlossomsAI/Qwen2.5-Coder-7B-Instruct-Uncensored — доработанная языковая модель для генерации кода и диалогового общения, созданная на основе Qwen/Qwen2.5-Coder-7B-Instruct. Авторы применили направленное вмешательство для изменения поведения модели и удаления отказов. В метаданных указана архитектура Qwen2, плотная causal language model и 7,1 млрд параметров; контекст — до 32 768 токенов. Модель принимает текст и выдаёт текст, поддерживает английский и вьетнамский языки. Модель предназначена для генерации и обсуждения программного кода, а также ответов на запросы в формате чата. README заявляет о предварительной квантизации и упоминает формат GGFU; метаданные указывают файлы safetensors. Лицензия — MIT. Удаление отказов может привести к выдаче ответов на запросы, которые другие модели отклоняют; результаты следует проверять.

Jongbin-kr разработал эту модель как дообученную версию Qwen/Qwen2.5-Coder-7B-Instruct с использованием TRL. Это плотная языковая модель семейства Qwen2 для генерации текста в формате диалога, в том числе для задач программирования и рассуждений. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель работает через библиотеку Transformers и распространяется в формате safetensors. В README приведён пример генерации ответа на вопрос в диалоговом формате. Лицензия в предоставленных данных не указана.

CodeClawd — дообученная модель семейства Qwen3.5, разработанная empero-ai на базе empero-ai/Qwen3.5-9B-Claude-Opus-4.6-Distill. Это плотная языковая модель для генерации текста и диалоговой работы; она обучена методом SFT на сессиях кодирования с использованием инструментов из набора DataClaw. В карточке указаны 7,2 млрд параметров и контекст до 262 144 токенов. Модель предназначена для агентных помощников по программированию, интеграций с IDE и экспериментов с использованием инструментов. Она обучена рассуждать по ходу задачи, вызывать инструменты, интерпретировать их результаты и формировать ответы; её формат вызовов инструментов основан на XML. Данные и карточка ориентированы на английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Ограничения: формат вызовов инструментов отличается от JSON-формата OpenAI, поэтому интеграции может потребоваться адаптация. Без подключённого исполнителя инструментов модель может выдумывать результаты их работы; качество также зависит от обучающих сессий. Модель прошла только SFT, без RLHF или DPO.

unsloth/Qwen3.6-27B-UD-MLX-6bit — это 6-битная MLX-квантизированная версия модели Qwen3.6-27B, разработанной командой Qwen и подготовленной для распространения Unsloth. Модель предназначена для локального запуска в экосистеме MLX и относится к классу причинных языковых моделей с vision encoder, поэтому поддерживает работу с текстом и изображениями. Модель содержит 27 млрд параметров, 64 слоя и имеет нативную длину контекста 262 144 токена с заявленной возможностью расширения до 1 010 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN; модель обучалась на этапах предварительного и последующего обучения. Основные сценарии применения включают агентное программирование, работу с фронтенд-задачами, анализ репозиториев и итеративную разработку с сохранением контекста рассуждений. Данные о поддерживаемых языках в README не указаны. К сильным сторонам относятся большой контекст, сочетание языковых и визуальных возможностей, оптимизация для MLX и акцент на задачах программирования. Ограничения связаны с необходимостью совместимого MLX-окружения и потерями точности, которые могут быть обусловлены 6-битной квантизацией; количественная оценка таких потерь в README не приведена. Модель распространяется по лицензии Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-AWQ-1M — это квантизированный вариант AWQ INT4 модели DavidAU Qwen3.8-27B Cold Fusion, подготовленный и упакованный Solstice-AI. Модель предназначена для генерации текста, рассуждений, программирования, агентных задач, отладки репозиториев и работы с длинными документами. В README заявлена поддержка английского и китайского языков, а также текстовой и пространственно-временной 3D-визуальной мультимодальности. Модель имеет размер 27 млрд параметров и использует гибридную архитектуру: блоки Gated Delta Recurrent Network с линейным вниманием и блоки Grouped-Query Attention. Формат AWQ INT4 уменьшает заявленный объём с примерно 54 ГБ в BF16 до около 18 ГБ. Контекст расширен с 262 144 до 1 048 576 токенов посредством YaRN RoPE scaling. Также заявлены аппаратная поддержка Multi-Token Prediction и ускорение генерации до 1,72–2,20 раза при использовании совместимой инфраструктуры, включая vLLM и Anvil Runtime. Сильными сторонами README называет задачи программной инженерии, решение задач, управление компьютером и мобильными ОС, следование сложным ограничениям и длинные многофайловые рабочие процессы; приведены высокие результаты на SWE-bench Pro, LiveCodeBench, QwenSWEBench, OSWorld-Verified, AndroidWorld, IFBench и ARC. Эти результаты представлены авторами модели и не подтверждены независимой проверкой в предоставленных данных. Возможными ограничениями являются требования к значительным аппаратным ресурсам для работы с контекстом в миллион токенов, потери качества или точности из-за INT4-квантизации и отсутствие подробностей о фактической совместимости мультимодальных возможностей. Указана лицензия Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-NEO-CODER-mlx-oQ4e-1M — релиз модели на базе Qwen3.8-27B TURBO Fable Cold Fusion, разработанной DavidAU, с последующей квантизацией, масштабированием контекста и упаковкой от Solstice-AI. Модель предназначена для программирования, рассуждений, агентной разработки, отладки репозиториев и работы с длинными документами и проектами. В README также указана совместимость с задачами image-text-to-text, однако подробности о поддерживаемых визуальных входах не приведены. Модель содержит 27 млрд параметров и поставляется в формате Apple MLX oQ4e mixed precision с размером около 17,02 ГБ. Заявлены гибридная архитектура с блоками Gated Delta Recurrent Network и Grouped-Query Attention, механизм Multi-Token Prediction для ускорения генерации, а также YaRN-масштабирование RoPE до 1 048 576 токенов. Указаны языки English и Chinese. Основная среда применения — компьютеры Apple Silicon с unified memory, включая MacBook с 16 или 24 ГБ памяти, через Anvil и MLX-LM. Сильными сторонами заявлены высокая эффективность на Apple Silicon, большой контекст, поддержка задач кодирования и рассуждений, а также хорошие результаты на SWE-bench Pro, LiveCodeBench, QwenSWEBench, OSWorld, AndroidWorld, IFBench, CoWorkBench и ARC. Эти показатели приведены в README и не подтверждены независимой проверкой. Ограничениями являются зависимость от MLX и Apple Metal, требования к объёму unified memory, возможные потери качества из-за 4-битной квантизации и неполная информация о фактической мультимодальности и поведении на длинном контексте. Лицензия — Apache 2.0.

Qwen3.8-Flash-Next-Uncensored oQ4e-100K-MTP — нативно квантованная для oMLX версия модели orcarouter/Qwen3.8-Flash-Next-Uncensored. Сборка предназначена для запуска на компьютерах Apple Silicon с 128 ГБ памяти через oMLX и совместимый с OpenAI API сервер. Она ориентирована на coding agents, программирование и другие сценарии, поддерживающие этот API, а также сохраняет vision tower Qwen4, собственную MTP-голову контрольной точки и архитектурную настройку контекста 262 144 токена. Основной формат весов — аффинная квантализация oQ4e с размером группы 64; крупная таблица PLE использует 4-битную квантализацию с размером группы 32. Часть чувствительных компонентов оставлена в Q8 или BF16 для сохранения качества вывода и эффективности MTP. Веса занимают около 108,8 млрд байт и распределены по 22 файлам safetensors. Заявленный безопасный рабочий контекст на Mac с 128 ГБ памяти составляет 100 000 токенов, несмотря на нативную настройку 262 144 токена; для полного контекста требуется SSD-offload Qwen4 PLE. Модель поддерживает текстово-визуальный pipeline, tool calling и MTP, однако для coding agents рекомендуется отключать MTP, поскольку в тестах он снижал точность работы с инструментами. Сильными сторонами являются очень длинный проверенный контекст, поддержка изображений, OpenAI-совместимый интерфейс, prompt caching и оптимизация под Apple Silicon. Ограничения включают требования к 128 ГБ оперативной памяти, быстрому локальному SSD и oMLX, а также зависимость безопасного размера контекста от конкретной конфигурации. Модель распространяется по лицензии qwen-community-1.0; в карточке указана категория лицензии other.

noctrex/Qwen3-Coder-Next-MXFP4_MOE-GGUF — квантованная версия языковой модели Qwen3-Coder-Next, подготовленная автором noctrex в формате GGUF. Веса MoE-тензоров представлены в MXFP4, остальные тензоры сохранены в BF16 или F16; автор рекомендует вариант BF16 как более качественный, а F16 — как альтернативу, которая на некоторых архитектурах может работать быстрее. Модель предназначена для генерации текста в диалоговом формате и унаследовала специализацию Qwen3-Coder-Next на генерации кода и задачах кодирующих агентов. В карточке указаны рекомендуемые параметры генерации: temperature=1.0, top_p=0.95 и top_k=40. Лицензия и ограничения по использованию в предоставленных данных не описаны.

Это пакет слоёв GGUF для модели Qwen3-Coder-Next-UD-Q4_K_XL, подготовленный Mesh LLM на основе unsloth/Qwen3-Coder-Next-GGUF. Он распределяет исходную модель по отдельным артефактам слоёв для инференса на локальном кластере Mesh LLM; в метаданных указан формат GGUF и библиотека mesh-llm. Пакет предназначен для локального приватного запуска, распределения вычислений между несколькими машинами, когда модель не помещается на одном хосте, и обслуживания чатов через локальный API, совместимый с OpenAI. Это вариант квантования UD-Q4_K_XL; подробности об архитектуре, размере, контексте, языках и лицензии следует смотреть в карточке исходной модели.

Qwen3-Jan-v1-256k-ctx-6B-Brainstorm20x — диалоговая модель генерации текста от DavidAU, созданная на основе Jan-v1-4B от Jan. В README указано, что к модели применён Brainstorm 20x адаптер, улучшающий генерацию кода и творческую генерацию; метаданные описывают её как дообучение Jan-v1-4B на архитектуре Qwen3. Модель содержит около 5,4 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для чата, написания и доработки кода, многошагового решения задач, мозгового штурма и создания более подробной прозы. README описывает применение как готовой instruct-модели и как основы для дальнейшего дообучения. Она принимает текст и генерирует текст; в карточке заявлена поддержка английского языка. Указана лицензия Apache-2.0. Репозиторий содержит веса Safetensors; README также упоминает возможность использовать их для подготовки квантованных форматов, но сами описанные веса не следует считать квантованными.

ClaudioItaly/Qwen-Density — объединённая языковая модель на базе Qwen2.5-Coder-7B-Instruct, созданная с помощью mergekit и метода TIES. В конфигурации указаны 7,1 млрд параметров, архитектура Qwen2 для авторегрессионной генерации текста и формат safetensors с точностью bfloat16; базовая модель перечислена трижды с одинаковыми настройками слияния. Модель предназначена для генерации текста в диалоговом формате и может применяться для задач программирования, включая написание, анализ и исправление кода, унаследованные от базовой модели. Контекст составляет до 32 768 токенов. Метаданные указывают интерфейс вызова инструментов, однако README не приводит отдельной оценки качества или примеров работы именно этой сборки. Лицензия в предоставленных данных не указана.

Qwopus3.5-9B-Coder-MTP-GGUF — набор GGUF-квантизаций модели Qwopus3.5-9B-Coder, разработанной Jackrong, с сохранёнными MTP-головами для multi-token prediction и speculative decoding. Квантизации подготовлены автором репозитория с использованием imatrix от mradermacher и инструментов llama.cpp. Модель ориентирована на генерацию и анализ кода, рассуждения, агентские сценарии, tool use и function calling; также заявлена поддержка работы с изображениями и текстом через mmproj-файлы. Доступны варианты IQ4_XS размером примерно 4,99–5,29 GiB. В README заявлены контекст до 98 304 токенов при использовании YaRN за пределами исходных 32 768 токенов, запуск примерно в 6 ГБ VRAM и начальная скорость около 60 токенов в секунду на RTX 4060 в Windows 11 с KVarN. Поддерживаются английский, китайский, корейский, русский, японский и испанский языки. Версии различаются распределением более точных форматов квантования по отдельным слоям; по наблюдениям автора, у V3 лишь незначительно снизилась доля принятых предсказаний по сравнению с V1, оставаясь выше 60% в задачах программирования. Модель подходит для локального запуска через llama.cpp и совместимые приложения, особенно когда важны небольшой размер, длинный контекст и ускорение декодирования MTP. Ограничения включают зависимость мультимодального режима от отдельного mmproj-файла, необходимость корректной настройки YaRN, KVarN и speculative decoding, а также отсутствие подробных независимых бенчмарков. Распространяется по лицензии Apache-2.0.

RAIZEN — специализированная модель для помощи в разработке программного обеспечения, созданная SHAWAZ на основе Qwen2.5-Coder-7B-Instruct путём дообучения. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, опубликованная в формате safetensors; длина контекста составляет 32 768 токенов. Модель предназначена для генерации и объяснения кода, отладки и проектирования full-stack приложений. В карточке заявлены сценарии с React, Next.js, Tailwind CSS, FastAPI, PostgreSQL и SQL, включая разработку интерфейсов, проектирование API и схем данных, а также поиск причин ошибок. Метаданные указывают на поддержку английского языка и кода. Модель распространяется по лицензии Apache-2.0. Заявления о качестве и пригодности для промышленного использования приведены автором; независимых оценок в предоставленных материалах нет.

Replete-Coder-Instruct-8b-Merged-GGUF — это набор GGUF-квантизаций инструкционной модели для генерации текста и работы с исходным кодом. Базовую модель разработала команда Replete-AI, а квантизации подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для локального запуска в сценариях программирования, генерации и дополнения кода, а также выполнения текстовых инструкций. Доступны варианты от полноразмерного F32 до низкобитных квантизаций Q8_0, Q6, Q5, Q4, Q3 и Q2, включая форматы IQ. Размер файлов варьируется примерно от 3 до 32 ГБ, что позволяет выбирать между качеством и требованиями к оперативной памяти. Указано, что наиболее качественные варианты Q6 и Q5, а Q4 предлагают хороший баланс размера и качества. Модель имеет 8 миллиардов параметров; сведения о поддерживаемых языках, размере контекста, архитектуре и мультимодальности в README не приведены. К сильным сторонам относятся широкий выбор квантизаций, возможность локального использования через совместимое программное обеспечение и сохранение высокого качества у вариантов Q6 и Q5. Более компактные варианты экономят память, но могут заметно уступать по качеству, особенно Q2 и Q3. Модель распространяется по лицензии Apache-2.0.

Ring-2.5-1T — языковая модель команды Ling Team для диалогов, сложных рассуждений и многошагового выполнения задач. Карточка описывает её как модель с гибридной архитектурой линейного внимания Ling 2.5, развивающей Ling 2.0: часть слоёв GQA заменена на сочетание MLA и Lightning Linear Attention. В метаданных указаны архитектура семейства Bailing Hybrid, класс MoE и 59 млрд параметров; веса доступны в формате safetensors с compressed-tensors. Модель предназначена для математических и логических задач, программирования, поиска с использованием инструментов и длительных агентных сценариев, включая задачи разработки ПО. Заявленная длина контекста — 128K токенов с расширением до 256K посредством YaRN; метаданные указывают нативный контекст 131072 токена. Карточка сообщает о сильных результатах на ряде сложных тестов, но также отмечает ограничения в эффективности использования токенов, следовании инструкциям и выполнении реалистичных сложных задач. Модель выпущена под лицензией MIT. README сообщает, что обучение Ring-2.5-1T продолжается; отдельный технический отчёт на момент публикации карточки не представлен.

MaziyarPanahi/speechless-code-mistral-7b-v1.0-Mistral-7B-Instruct-v0.1 — объединённая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием mistralai/Mistral-7B-Instruct-v0.1 и uukuguy/speechless-code-mistral-7b-v1.0 методом SLERP; веса представлены в формате safetensors. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы, с акцентом на задачи программирования. Поддерживает контекст до 32 768 токенов и в первую очередь рассчитана на английский язык и код. Лицензия — Apache-2.0. Качество ответов зависит от запроса; README не приводит результатов оценивания или конкретных ограничений. Это следует учитывать при использовании сгенерированного кода и проверять его перед применением.

Это объединённая модель MaziyarPanahi на базе Mistral-7B-Instruct-v0.1 и uukuguy/speechless-code-mistral-orca-7b-v1.0. Модели объединены методом SLERP; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров, веса представлены в safetensors, исходная конфигурация слияния использует bfloat16. Модель предназначена для диалоговых ответов на инструкции и генерации кода на английском языке. Контекстное окно — до 32 768 токенов. Лицензия — Apache-2.0.

Stable Code 3B — авторегрессионная языковая модель Stability AI на основе decoder-only Transformer, близкой к архитектуре LLaMA, с реализацией через GPT-NeoX. Модель содержит около 2,7 млрд параметров и предварительно обучена на 1,3 трлн токенов текстовых и программных данных, включая наборы Falcon RefinedWeb, The Stack GitHub Issues, CommitPackFT, StarCoderData, Proof-Pile-2 и MetaMathQA. Модель предназначена прежде всего для генерации, дополнения и анализа программного кода. Она обучалась на 18 языках программирования и поддерживает сценарий Fill in the Middle (FIM), что позволяет вставлять фрагменты кода между заданными началом и концом. Заявлена поддержка последовательностей длиной до 16 384 токенов. В README явно указаны английский язык и код; сведения о мультимодальности отсутствуют, поэтому модель следует рассматривать как текстовую. В опубликованных результатах MultiPL-E pass@1 модель показывает 32,4% для Python, 30,9% для C++, 32,1% для Java и JavaScript, 24,2% для PHP и 23,0% для Rust. Эти показатели заявлены как конкурентные среди моделей сопоставимого размера, однако отмечены как непроверенные. Ограничениями являются относительно небольшой размер по сравнению с крупными code-моделями, возможные ошибки и небезопасность генерируемого кода, а также отсутствие подтверждений качества для всех 18 поддерживаемых языков. Модель распространяется по Stability AI Community License. Для коммерческого использования README рекомендует обращаться к условиям коммерческой лицензии Stability AI; конкретные требования в карточке не приведены.

Tals-coder-flash-02 — мультимодальная модель для генерации кода и рассуждений, созданная talxcc на основе prism-ml/Ternary-Bonsai-2-27B-gguf. Это вариант с пользовательской ternary-квантизацией в формате GGUF и встроенной головой Multi-Token Prediction для спекулятивного декодирования; для анализа изображений в репозитории также есть отдельный проектор CLIP. В карточке заявлены 27 млрд параметров и контекст до 262 тыс. токенов. Модель предназначена для генерации и исправления кода, работы с крупными кодовыми базами, а также анализа скриншотов интерфейсов, диаграмм и графиков. README сообщает о скорости 53–65,5 токена/с с MTP n_max=2 на RTX 4060 Ti 16 ГБ, однако результат зависит от конфигурации и специальной сборки llama.cpp с поддержкой Hadamard-ядер. Указанные скорости и возможность полностью разместить модель с контекстом на GPU являются заявлениями авторов карточки. Модель распространяется по лицензии Apache-2.0. Авторы рекомендуют проверять и тестировать сгенерированный код перед запуском; качество и надёжность вывода отдельно не подтверждены в предоставленных данных.

Fmuaddib выпустил конвертированную в формат MLX модель WhiteRabbitNeo-2.5-Qwen-2.5-Coder-12.3B-mlx-fp16 на основе win10/WhiteRabbitNeo-2.5-Qwen-2.5-Coder-12.3B. Это плотная авторегрессионная модель семейства Qwen2 с 11,7 млрд параметров, предназначенная для генерации текста в диалоговом режиме; в названии и базовой модели указана специализация на программировании. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. README сообщает о конвертации из исходного репозитория в MLX с помощью mlx-lm версии 0.22.3; метаданные указывают формат файлов safetensors. Условия лицензии в предоставленных данных не приведены.

QuixiAI выпустила WizardLM-1.0-Uncensored-CodeLlama-34b — дообученную на базе CodeLlama-34b языковую модель семейства Llama с 33,5 млрд параметров. Модель обучена на отфильтрованных данных WizardLM Evol Instruct V2 и использует формат запросов, совместимый со стилем Vicuna 1.1. Модель предназначена для генерации текста и кода, выполнения инструкций и диалоговых сценариев. Разработчик сообщает, что обучение было направлено на снижение отказов, уклончивых ответов и смещения; база CodeLlama, по описанию карточки, обеспечивает хорошие возможности для программирования. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 16 384 токенов. Метка «uncensored» не означает полного отсутствия ограничений: в README отмечены унаследованные этические установки LLaMA и отсутствие защитных механизмов. Модель распространяется по лицензии Llama 2; применяйте её с учётом условий этой лицензии и самостоятельно оценивайте генерируемый контент.

33x-coder — языковая модель для генерации кода на основе архитектуры Llama, опубликованная пользователем senseable. Она предназначена для помощи разработчикам: модель может генерировать код и скрипты, разбирать задачи программирования, предлагать отладочные решения и давать рекомендации по коду. Модель имеет плотную архитектуру LlamaForCausalLM и 33,1 млрд параметров. Она работает с текстом и рассчитана на контекст до 16 384 токенов. В карточке заявлена поддержка разных языков программирования и сценариев разработки; в метаданных указан английский язык. Модель доступна в формате safetensors через Transformers и распространяется по лицензии Apache-2.0. Карточка заявляет генерацию синтаксически корректных фрагментов кода и программных рекомендаций, но не приводит независимых оценок качества или подробностей обучения. Сгенерированный код следует проверять и тестировать перед использованием.

Code Llama 34B Instruct — авторегрессионная языковая модель Meta на основе оптимизированного Transformer, предназначенная для генерации и понимания кода. Это версия Instruct с 34 млрд параметров в формате Transformers; она поддерживает дополнение кода и диалоговое выполнение инструкций. Модель принимает текст и генерирует текст, включая код, и рассчитана на применение в помощниках-разработчика и инструментах генерации кода. Модель предназначена для работы на английском языке и с языками программирования. Её можно применять для написания фрагментов кода, ответов на вопросы по программированию и помощи при разработке. Репозиторий содержит веса PyTorch и Safetensors. Использование регулируется лицензией Meta Llama 2; условия лицензии следует учитывать при коммерческом или исследовательском использовании. Модель обучалась на статическом офлайн-наборе данных. Возможны неточные или нежелательные ответы; перед внедрением требуется оценить её поведение в целевом сценарии. README указывает, что тестирование проводилось на английском языке, а использование на других естественных языках не входит в заявленную область применения.

davanstrien выпустил текстовую Sentence Transformer-модель, дообученную на базе microsoft/mpnet-base для сравнения сходства предложений и фрагментов кода. Она преобразует текст в плотные векторы размерностью 768 и оценивает сходство по косинусной мере. Максимальная длина входной последовательности — 512 токенов; модель рассчитана на английский язык и распространяется по лицензии Apache-2.0. Модель предназначена для поиска семантически похожего кода и текста, поиска перефразировок, кластеризации, классификации и семантического поиска. В README приведена оценка cosine_accuracy 0,934 на наборе code-similarity-dev. Это результат конкретной оценки, а не гарантия качества на других данных.

CodeT5+ 2B — модель семейства CodeT5+, разработанная Salesforce Research для понимания и генерации кода. Это плотная модель с архитектурой encoder-decoder; семейство также поддерживает режимы encoder-only и decoder-only. Чекпойнт загружается как Seq2Seq-модель через Transformers и использует токенизатор CodeGen. Модель предназначена для генерации кода по текстовому описанию, автодополнения, поиска и сопоставления кода с текстом, а также других задач понимания кода. При предобучении использовались денойзинг фрагментов, причинное языковое моделирование, контрастивное обучение и сопоставление текста с кодом. Обучающие примеры кода взяты из разрешительной подвыборки GitHub Code; среди поддерживаемых языков программирования указаны C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. В репозитории опубликованы веса PyTorch. Лицензия — BSD 3-Clause. Авторы отмечают, что модель выпущена для исследовательских целей и не оценивалась для всех вариантов применения; перед использованием следует проверять точность и учитывать риски ошибок и смещений.