II.3Рефакторинг, миграция и модернизация

Карточка модели TechxGenus/CursorCore-QW2.5-1.5B-LC на Hugging Face совпадает с карточкой TechxGenus/CursorCore-DS-1.3B, поэтому описание составлено по ней. CursorCore-DS-1.3B — модель из серии CursorCore, разработанной Hao Jiang, Qi Liu, Rui Li, Shengyu Ye и Shijin Wang для помощи в программировании. Она дообучена на базе deepseek-ai/deepseek-coder-1.3b-base и предназначена для генерации кода и диалоговой поддержки в сценариях AI-помощника программиста, включая редактирование кода, встроенный чат и автодополнение. Модель использует плотную архитектуру семейства LLaMA с причинно-следственной языковой моделью на 1,3 млрд параметров. Она принимает текстовые запросы и контекст с кодом и генерирует текст, включая программный код; заявленная длина контекста — 16 384 токена. README показывает сценарии обычного чата и взаимодействия с кодом, но примеры для конкретной модели частично используют другие модели CursorCore. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели.

Карточка модели TechxGenus/CursorCore-QW2.5-1.5B-SR на Hugging Face совпадает с карточкой TechxGenus/CursorCore-DS-1.3B, поэтому описание составлено по ней. CursorCore-DS-1.3B — модель из серии CursorCore, разработанной Hao Jiang, Qi Liu, Rui Li, Shengyu Ye и Shijin Wang для помощи в программировании. Она дообучена на базе deepseek-ai/deepseek-coder-1.3b-base и предназначена для генерации кода и диалоговой поддержки в сценариях AI-помощника программиста, включая редактирование кода, встроенный чат и автодополнение. Модель использует плотную архитектуру семейства LLaMA с причинно-следственной языковой моделью на 1,3 млрд параметров. Она принимает текстовые запросы и контекст с кодом и генерирует текст, включая программный код; заявленная длина контекста — 16 384 токена. README показывает сценарии обычного чата и взаимодействия с кодом, но примеры для конкретной модели частично используют другие модели CursorCore. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели.

Cyber-Tiel-Coder-35B-A3B-GGUF — квантованная GGUF-модель, опубликованная peculiar-ragdoll и основанная на Huihui-Ornith-1.5-35B-A3B-abliterated от huihui-ai. Модель ориентирована на агентное программирование, решение задач в крупных кодовых базах, исправление ошибок и offensive security, включая автономное выполнение CTF-задач. Указана поддержка текстово-визуального сценария image-text-to-text, однако подробности о фактически поддерживаемых визуальных входах в README не приведены. Заявлены языки English и Chinese. Модель использует архитектуру MoE класса 35B-A3B: общий размер около 35 млрд параметров при активации примерно 3 млрд параметров на запрос. Это GGUF-версия с динамической квантованием и пользовательской cyber-weighted imatrix, а также шаблоном диалогов Sharp. Q4-версия занимает около 22 ГБ и предназначена для запуска через llama.cpp, в том числе на оборудовании с ограниченной VRAM. Размер контекста в README не указан. К сильным сторонам относятся высокая скорость и специализация на программировании: авторы заявляют преимущество над рядом сопоставимых моделей на SWE-bench-Live, а также результат 15 из 43 заданий Cybench без подсказок. Модель прошла abliteration, поэтому практически не отказывается от запросов, включая потенциально опасные, что повышает пригодность для исследовательских и offensive security-сценариев, но создаёт существенные риски безопасности и ответственности. При этом модель намеренно жертвует частью общеобразовательных знаний и хуже подходит для викторин и экзаменов. Распространяется по лицензии MIT; пользователь самостоятельно отвечает за законность, безопасность и контроль генерируемого содержимого.

DeepSeek-Coder-V2-Lite-Instruct-GGUF — это GGUF-квантизированная версия модели DeepSeek-Coder-V2-Lite-Instruct, разработанной DeepSeek и квантизированной пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и ассистирования в задачах программирования, включая написание и обработку кода, однако конкретный перечень поддерживаемых языков программирования и естественных языков в README не указан. Доступны варианты квантизации от Q2_K и IQ2_M до Q8_0 и экспериментального Q8_0_L, с размером файлов примерно от 6,32 до 17,09 ГБ. Более компактные варианты экономят оперативную память ценой снижения качества, тогда как Q5–Q8 описываются как высококачественные; для ряда конфигураций рекомендуются Q4–Q6. Варианты с суффиксом L используют F16 для весов embedding и output и отмечены как экспериментальные. Архитектура, число параметров, модальности, размер контекста и языки модели в предоставленном README не указаны. Модель рассчитана на локальный запуск через llama.cpp и использует специальный формат промпта с system prompt, сообщениями User и Assistant. Лицензия обозначена как deepseek-license; подробные условия в README не приведены, поэтому перед использованием следует ознакомиться с файлом LICENSE. Основные ограничения — отсутствие в README точных сведений о базовой архитектуре и характеристиках, а также неизбежная зависимость качества и требований к памяти от выбранного уровня квантизации.

DeepSWE-Preview — открытый агент для задач программной инженерии от agentica-org, дообученный методом обучения с подкреплением на базе Qwen3-32B с включённым режимом рассуждений. Модель предназначена для работы с кодовыми базами: она может исследовать файлы, искать фрагменты кода, предлагать и редактировать изменения, а также использовать инструменты командной строки и отправлять готовое решение. Для этих сценариев README описывает инструменты R2E-Gym: поиск, редактор файлов, выполнение Bash-команд и завершение задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 29,7 млрд параметров и нативный контекст 40 960 токенов по метаданным; в рекомендациях README для запуска указано не менее 32–64 тыс. токенов. Обучение на 4,5 тыс. задач из поднабора R2E-Gym использовало только RL, без SFT. В README заявлены результаты 59% на SWE-Bench-Verified для гибридного Best@16 и 42,2% Pass@1 в описанной оценке; это результаты конкретного агентного окружения, а не гарантия качества на произвольных задачах. Модель ориентирована на кодовые задачи, карточка указывает английский язык и лицензию MIT. Для эффективной работы рекомендуются системный промпт и инструменты R2E-Gym.

Frontis-MA1-35B-GGUF — квантизированная версия модели FrontisAI/Frontis-MA1-35B, подготовленная bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для задач machine learning engineering, автоматизированного исследования, агентских сценариев и программирования. Она поддерживает обработку текста и изображений при наличии дополнительного файла mmproj. Модель содержит около 36 млрд параметров и использует архитектуру MoE; в метаданных также указана поддержка MTP. Доступны варианты от BF16 и Q8_0 до более компактных IQ- и Q3-квантизаций. В качестве универсального варианта рекомендуется Q4_K_M размером около 21,86 ГБ, обеспечивающий компромисс между качеством и требованиями к памяти. Для максимального качества предлагаются Q6_K и Q6_K_L, а для ограниченных ресурсов — более компактные варианты с некоторым снижением качества. К сильным сторонам относятся мультимодальность, большой размер модели и широкий выбор квантизаций для запуска на различном оборудовании. Ограничения включают значительные требования к оперативной или видеопамяти, необходимость совместимого ПО и mmproj-файла для работы с изображениями, а также возможное снижение качества у компактных квантизаций. Языки и размер контекстного окна в README не указаны. Распространение осуществляется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование на заявленных условиях.

gemma-4-12B-TNG-V8 — выпущенная Nightmedia дообученная версия мультимодальной модели Google Gemma 4 12B Instruct. Она предназначена прежде всего для помощи с backend-разработкой, проектированием и обучением LLM, а также программированием на Haskell, Rust, Go и Python. В обучении использовались созданные локально уроки, примеры трасс Claude Code и дистилляция ответов модели-учителя на части вопросов Polaris Alpha. Модель имеет плотную унифицированную архитектуру Gemma4Unified и распространяется в формате safetensors через Transformers. Базовая модель поддерживает работу с текстом, изображениями, видео и аудио, однако README описывает специализированные данные для программирования и не приводит подробностей об оценке этих возможностей именно у версии TNG-V8. Указана лицензия Apache 2.0. Карточка приводит результаты тестов и замеры для нескольких вариантов квантования, но не уточняет здесь длину контекста.

Gemma 4 E4B IT Coder — модель для помощи в программировании, созданная Joseph Mayo на основе google/gemma-4-E4B-it. Это плотная мультимодальная модель семейства Gemma 4, дообученная с помощью LoRA на 1024 безопасных примерах кода; веса адаптера объединены с базовой моделью и опубликованы в формате safetensors для Transformers. Модель поддерживает диалог и анализ изображений, а основное назначение версии — генерация и помощь с кодом. В описанной автором оценке на подмножестве из 50 задач HumanEval модель решила 42 задачи против 34 у базовой версии; результаты относятся только к указанному набору и методике. README характеризует обучение как ориентированное на безвредную помощь с программированием и сообщает об исключении ряда вредоносных примеров. Лицензия — Apache-2.0.

Карточка модели Vaibhavhome30/GLM-5.3-Flash-BF16 на Hugging Face совпадает с карточкой unsloth/GLM-5.3-Flash, поэтому описание составлено по ней. GLM-5.3-Flash — мультимодальная модель семейства GLM, разработанная Z.ai. Репозиторий unsloth содержит дообученную версию базовой модели zai-org/GLM-5.3-Flash-BF16 и распространяет веса в формате safetensors; заявлена лицензия MIT. Модель предназначена для диалогов и генерации текста, включая программирование и агентные сценарии. Архитектура GLM-5 Next сочетает разреженное и линейное внимание; в README указаны 320 млрд параметров всего и 18 млрд активных параметров. Разработчик также описывает мультимодальное предварительное обучение и улучшенную эффективность при работе с длинным контекстом, но точная длина контекста этой копии не приведена. Карточка базовой модели характеризует её как мультимодальную и поддерживающую анализ изображений, однако метаданные этого репозитория указывают в качестве задачи только text-generation. Поэтому назначение копии как модели для обработки изображений отдельно не подтверждено. Языковые теги карточки — английский и китайский. Практическое развёртывание требует соответствующей инфраструктуры для модели такого масштаба; в README перечислены SGLang, vLLM, TokenSpeed и KTransformers.

Jan-Code-4B — дообученная командой Jan на Jan-v3-4B-base-instruct компактная плотная языковая модель семейства Qwen3 с 3,7 млрд параметров. Она предназначена для генерации и редактирования кода, рефакторинга и отладки, а также для локального запуска в роли лёгкого исполнителя подзадач в агентных системах. Модель поддерживает диалоговый режим, работает с текстом и рассчитана на контекст до 262 144 токенов. Модель ориентирована на хорошо ограниченные повседневные задачи программирования, где важны скорость ответа и скромные вычислительные требования; её можно подключить через Jan Desktop или запускать с vLLM. README рекомендует её для небольших агентных задач, но не приводит результатов сравнительных оценок. Лицензия Apache-2.0.

Myric/KAT-Coder-V2.5-Dev-APEX-GGUF — это GGUF-квантизация модели KAT-Coder-V2.5-Dev, разработанной Kwaipilot, подготовленная Myric. Модель предназначена для генерации кода и агентских сценариев программирования, а также для запуска через совместимые инструменты, включая llama.cpp. Репозиторий содержит APEX-квантизации и матрицу важности imatrix; README также указывает на поддержку архитектуры mixture-of-experts (MoE) и семейства Qwen3.5 MoE. Доступен файл KAT-Coder-V2.5-Dev-APEX-dynamic.gguf размером 11,86 GiB, рассчитанный на видеокарту с 16 ГБ памяти. Указанный вариант не содержит MTP-голову и сам по себе не поддерживает speculative decoding; отдельная связанная сборка переносит обученную MTP-голову Qwen3.6-35B-A3B и заявляет ускорение в 2,03 раза на агентском наборе тестов программирования без снижения корректности. Другие характеристики, включая точное число параметров, размер контекста и перечень поддерживаемых языков, в README не указаны. Модель распространяется по лицензии Apache-2.0.

KAT-Dev-72B-Exp — экспериментальная модель для задач программной инженерии, выпущенная командой Kwaipilot. Это плотная авторегрессионная языковая модель семейства Qwen2 с 71,5 млрд параметров и контекстом до 131 072 токенов; она предназначена для диалогового взаимодействия и имеет интерфейс вызова инструментов. Модель обучалась с подкреплением как экспериментальная версия KAT-Coder. В описанной авторами оценке на SWE-Bench Verified она показала точность 74,6% при использовании каркаса SWE-agent. Модель подходит для агентного решения задач разработки ПО, включая анализ репозиториев и исправление ошибок в коде. Авторы сообщают о переработанном механизме внимания и обучающем движке для траекторий с общим префиксом, а также о корректировке распределения преимуществ, призванной снизить коллапс исследования при обучении с подкреплением. Эти результаты оценки относятся к конкретной конфигурации SWE-agent и сами по себе не гарантируют аналогичного качества в других условиях. Модель распространяется по лицензии Apache-2.0.

dealignai выпустила Laguna-XS-2.1-JANG_4M-CRACK — текстовую MoE-модель для диалогов и агентного программирования, полученную дообучением Poolside Laguna-XS-2.1, удалением отказов на уровне весов и смешанной квантизацией JANG для MLX. В README указаны 33 млрд параметров всего и около 3 млрд активных; метаданные каталога указывают 2,6 млрд параметров. Модель предназначена для работы на Apple Silicon через vMLX или совместимую среду MLX и поддерживает вызов инструментов. Модель принимает текст, выдаёт текст, поддерживает английский язык и контекст до 262 144 токенов. В README заявлены режимы рассуждения и прямых ответов, а также результаты оценок MMLU и HarmBench; это результаты, сообщённые автором. Для генерации автор рекомендует явно задавать temperature=1.0, top_p=1.0 и top_k=20, поскольку некоторые среды не учитывают параметры из конфигурационных файлов. Удаление отказов означает, что модель может выполнять запросы без стандартного поведения отказа. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Карточка модели kaivoss/MiMo-V2.6-Distill-Qwen-9B-compat на Hugging Face совпадает с карточкой XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, поэтому описание составлено по ней. MiMo-V2.6-Distill-Qwen-9B — плотная мультимодальная модель на 9 млрд параметров, разработанная Xiaomi MiMo посредством supervised fine-tuning Qwen3.5-9B на данных, созданных MiMo. Модель предназначена для диалогов и агентных сценариев, включая программирование, визуальное программирование и задачи кибербезопасности; также поддерживает обработку изображений. Карточка публикует результаты SFT-чекпойнта на бенчмарках по программированию. Это контрольная точка для дальнейших исследований в области агентного обучения с подкреплением. Для запуска README рекомендует свежую сборку SGLang с поддержкой Qwen3.5; модель включает токенизатор и шаблон чата MiMo v2.6. Репозиторий содержит веса safetensors. Лицензия — MIT. README не описывает конкретные ограничения качества или безопасности модели.

Карточка модели lovedheart/MiMo-V2.6-Distill-Qwen-9B-FP8 на Hugging Face совпадает с карточкой XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, поэтому описание составлено по ней. MiMo-V2.6-Distill-Qwen-9B — плотная мультимодальная модель на 9 млрд параметров, разработанная Xiaomi MiMo посредством supervised fine-tuning Qwen3.5-9B на данных, созданных MiMo. Модель предназначена для диалогов и агентных сценариев, включая программирование, визуальное программирование и задачи кибербезопасности; также поддерживает обработку изображений. Карточка публикует результаты SFT-чекпойнта на бенчмарках по программированию. Это контрольная точка для дальнейших исследований в области агентного обучения с подкреплением. Для запуска README рекомендует свежую сборку SGLang с поддержкой Qwen3.5; модель включает токенизатор и шаблон чата MiMo v2.6. Репозиторий содержит веса safetensors. Лицензия — MIT. README не описывает конкретные ограничения качества или безопасности модели.

Это размещённая Featherless AI подборка GGUF-файлов с разными вариантами квантования модели Qwen2.5-Coder-32B-Instruct. Основа — инструкционная модель на 32 млрд параметров для генерации кода и ответов на запросы разработчиков; в репозитории перечислены варианты IQ4_XS, Q2_K и Q3_K_L, а также другие файлы квантования. Модель предназначена для диалоговой генерации кода: например, для написания фрагментов программ, объяснения кода и помощи разработчикам. Репозиторий помечен как GGUF и поддерживает сценарии чата. Лицензия и сведения о длине контекста в предоставленных данных отсутствуют.

Locutusque/NeuralHyperion-Medium-Preview — англоязычная плотная языковая модель семейства Mistral, выпущенная M4-ai. Это версия модели NeuralHyperion-Medium объёмом 7,1 млрд параметров на базе mistralai/Mistral-7B-v0.1, дообученная на наборе Hyperion и затем с помощью DPO на парах Argilla Orca. Она предназначена для генерации текста, ответов на сложные вопросы и диалогов, а также для рассуждений, генерации кода и работы с научными, медицинскими и математическими текстами. Контекст составляет 32 768 токенов; модель принимает текст и генерирует текст. Модель может быть полезна для учебных помощников по естественным и компьютерным наукам, технических диалоговых систем, анализа медицинских текстов и поддержки программирования. В README приведены результаты отдельных тестов рассуждения и здравого смысла, но полная оценка обозначена как ожидающая публикации. Среди указанных ограничений — возможная непоследовательность ответов из-за различий в форматировании данных и качестве их разметки. Лицензия — Apache-2.0.

AdminReal/NexusCoder — модель для генерации кода в диалоговом формате, созданная на основе Qwen2.5-Coder-1.5B-Instruct и связанная с агентным фреймворком Nexus Coder. Веса представляют собой инструкционно дообученную плотную модель Qwen2 с 1,5 млрд параметров; заявленная длина контекста — 32 768 токенов. Для загрузки весов используется Transformers и формат safetensors. Модель предназначена для генерации, анализа и исправления кода, а проект Nexus Coder добавляет инструменты и навыки для агентных сценариев. README описывает более 60 навыков и более 80 инструментов в фреймворке, но это возможности программной обвязки, а не отдельные модальности модели. Репозиторий также содержит экспериментальные конфигурации архитектур, не относящиеся к размещённым весам. Для весов указана лицензия Apache 2.0, для исходного кода фреймворка и конфигураций — NAL-1.0.

Merlinoz11/Ornith-1.0-397B-APEX — GGUF-версия модели Ornith-1.0-397B от DeepReinforce AI, подготовленная с помощью Github-APEX и llama.cpp. Это большая модель семейства Qwen 3.5 MoE, дообученная для агентного программирования с подкреплением: она генерирует решения и вспомогательные планы поиска, а также поддерживает вызов инструментов в чат-сценариях. Модель предназначена для работы через coding CLI и агентные фреймворки: она может помогать разбираться в кодовых базах, выполнять задачи разработки и автоматизировать работу в терминале. В README приведены примеры запуска через vLLM и SGLang на узле с восемью GPU по 80 ГБ и оценки на Terminal-Bench, SWE-Bench и других бенчмарках. В карточке производного репозитория указаны формат GGUF и лицензия MIT. Контекст до 262 144 токенов относится к рецепту запуска исходной модели; для этой GGUF-сборки отдельный размер контекста не указан.

Ornith-1.5-35B-A3B-MXFP8 — модельный пакет MLX от OsaurusAI на основе Ornith-1.5-35B-A3B от Ornith AI. Это мультимодальная MoE-модель семейства Qwen3.5 с гибридной архитектурой линейного gated-delta attention и полного attention в соотношении 3:1, а также визуальным энкодером из 27 слоёв. Пакет занимает около 34,95 ГиБ и содержит веса в safetensors, подготовленные для MLX с применением калиброванной квантизации. Модель предназначена для агентного программирования, рассуждений и диалога; она принимает текст, изображения и видео. В README указаны поддержка нативного видео, включённый по умолчанию режим рассуждений, интерфейс вызова инструментов и сохранённая голова MTP для спекулятивного декодирования. Основной язык карточки — английский. Заявленные в README результаты на SWE-bench Verified и Terminal-Bench характеризуют исходную модель и не являются отдельной оценкой этого пакета. Репозиторий представляет собой квантизованный MLX-вариант дообученной базовой модели и распространяется по лицензии MIT. Он ориентирован на Apple silicon и требует совместимого окружения MLX; README отмечает, что часть тензоров визуального энкодера остаётся в fp16. В настройках рассуждений есть особенности: выключение thinking оставляет пустой закрытый блок, а уровней reasoning_effort нет.

Satyrn Qwen3.8-27B-py3.15 — дообученная командой Satyrn языковая модель на базе Qwen3.8-27B, созданная для генерации текста и помощи с кодом на Python 3.15. Это плотная авторегрессионная модель с архитектурой Qwen3.5 и интерфейсом чата; метаданные также указывают поддержку интерфейса вызова инструментов. Модель обучалась в конвейере Satyrn с использованием Unsloth; этап обучения на RL-данных для этого выпуска был отключён. Модель предназначена для генерации и объяснения кода с учётом целевой версии Python 3.15, а также для диалоговой помощи в задачах программирования. В карточке заявлены английский язык и код Python. Доступны веса Safetensors и GGUF, включая BF16 и Q4_K_M. Лицензия — MIT.

OxCoder-9B-GGUF — GGUF-версия модели OxCoder-9B, разработанной OrionLLM на основе Qwen3.5-9B. Модель предназначена для агентного программирования на длительном горизонте, автоматизации работы в терминале, рассуждений и практических задач разработки программного обеспечения, включая работу со сложными многофайловыми кодовыми базами. Указан английский язык; README также содержит тег image-text-to-text и файл mmproj, однако подробности мультимодальных возможностей не описаны. Модель содержит 9 миллиардов параметров и поддерживает нативное контекстное окно 262 144 токена. Она обучалась на дистиллированных агентных траекториях, созданных с использованием Fable-5.1 и GLM-5.3 в средах Claude Code, OpenCode и Codex. Среди заявленных сильных сторон — агентное программирование в терминале, фронтенд-рассуждения, понимание UI-логики и архитектуры компонентов, а также восстановление после ошибок с чтением перед записью и минимальными изменениями на основе диагностик LSP. В README приведены высокие результаты на Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro, GPQA Diamond и ClawEval, но методика оценки не раскрыта. Модель выпускается в нескольких вариантах квантования GGUF, включая BF16, Q3, Q4 и Q5, с размером файлов примерно от 4,26 до 17,9 ГБ; это позволяет выбирать между качеством и требованиями к памяти. Для запуска рекомендуется llama.cpp. Ограничения включают компактный размер по сравнению с более крупными моделями и отсутствие подробной информации о фактическом качестве, системных требованиях и мультимодальном режиме. Распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-gregarious_mottled_gorilla — компактная инструкционная языковая модель для генерации текста и кода, опубликованная в формате, совместимом с библиотекой Transformers. По идентификатору модель относится к семейству Qwen2.5-Coder и имеет около 494 млн параметров; в метаданных она отмечена как text-generation и связана с проектами Gensyn, RL Swarm, GenRL Swarm и методом GRPO. Модель предназначена для генерации ответов на текстовые запросы, включая создание и дополнение программного кода, объяснение кода и другие сценарии, поддерживаемые инструкционным режимом. Заявленное нативное контекстное окно составляет 32 768 токенов, что позволяет обрабатывать достаточно длинные запросы и фрагменты исходного кода. README не содержит подтверждённых сведений о разработчике, языках, обучающих данных, результатах оценки, архитектурных деталях и лицензии. Поэтому возможности модели, качество генерации, фактическая языковая поддержка и условия распространения следует проверять отдельно перед использованием в продуктивных системах.

Qwen2.5-Coder-14B-Instruct-abliterated-GGUF — это GGUF-квантизированная версия инструкционной модели Qwen2.5-Coder-14B-Instruct-abliterated. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; исходная модель опубликована huihui-ai. Модель предназначена для генерации текста, диалогового взаимодействия и задач программирования, включая работу с кодом и запросами в формате инструкций. Модель содержит 14 миллиардов параметров и работает с текстовыми данными. README указывает английский язык, но сведения о полном наборе поддерживаемых языков, архитектуре и размере контекстного окна отсутствуют. Доступны варианты от F16 до Q3 и различные форматы квантизации; версии Q4_K_M, Q5, Q6 и другие позволяют выбирать компромисс между качеством, размером файла и требованиями к памяти. Файлы предназначены для запуска через llama.cpp, в частности в LM Studio. Сильной стороной является широкий выбор квантизированных вариантов: от почти исходного качества до более компактных сборок для систем с ограниченными ресурсами. Ограничения включают зависимость характеристик от выбранного типа квантизации и отсутствие в README подробных данных о производительности, контекстном окне и поддерживаемых языках. Для ARM доступны специальные варианты, часть которых требует поддержки SVE или i8mm и не предназначена для Mac или Windows. Лицензия модели указана как Apache-2.0.

Qwen2.5-Coder-14B-Instruct-Q5_K_M-GGUF — это квантованная версия модели Qwen2.5-Coder-14B-Instruct, преобразованная в формат GGUF пользователем apto-as с помощью llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для генерации текста и работы с программным кодом в диалоговом формате, включая использование через llama.cpp в CLI или серверном режиме. Модель имеет размер 14 млрд параметров, относится к текстовым моделям и ориентирована прежде всего на задачи программирования. В README указана поддержка английского языка; сведения о других языках, архитектуре, максимальном размере контекста и результатах тестирования не приведены. Квантование Q5_K_M снижает требования к памяти по сравнению с полноразмерной версией, что облегчает локальный запуск, однако может сопровождаться некоторой потерей точности. В качестве ограничений также следует учитывать отсутствие подробных данных о производительности и качестве модели в данном README. Модель распространяется по лицензии Apache-2.0. Для получения подробных характеристик, включая возможности исходной модели, рекомендуется обращаться к карточке базовой Qwen2.5-Coder-14B-Instruct.

Qwen2.5-Coder-14B-Instruct-Uncensored-Patched — модель для генерации и анализа программного кода, созданная AIOpsInSpace на базе Qwen/Qwen2.5-Coder-14B-Instruct от команды Qwen. Она ориентирована на локальные сценарии разработки, работу в качестве coding assistant и интеграцию с IDE-плагинами. Заявлена оптимизация для видеокарт с 16 ГБ VRAM и исправление проблем с обработкой токенов автодополнения и зависанием IDE-плагинов. Модель представляет собой плотную текстовую модель размером 14 млрд параметров и распространяется в формате GGUF. В карточке указана поддержка английского языка, а основная специализация — задачи программирования и текстовая генерация. Сведения о длине контекста, точной архитектуре, поддерживаемых языках программирования и мультимодальности не приведены, поэтому эти характеристики нельзя подтвердить. К сильным сторонам относятся ориентация на генерацию кода, возможность локального развертывания и заявленная совместимость с IDE-сценариями. Ограничения включают отсутствие подробных независимых бенчмарков и неполные сведения о производительности, контексте и языковой поддержке. Лицензия указана как Apache-2.0.

Qwen2.5-Coder-1.5B-Instruct-GGUF — это квантованная в формате GGUF версия модели Qwen2.5-Coder-1.5B-Instruct, разработанной командой Qwen. Квантование выполнено bartowski на основе llama.cpp. Модель предназначена для генерации текста и ориентирована прежде всего на программирование. Модель подходит для решения задач разработки программного обеспечения, генерации и исправления кода, рассуждений о коде, а также создания coding agents. Указан английский язык. Размер базовой модели составляет 1,5 млрд параметров, поддерживается контекст до 128 тысяч токенов с конфигурацией YaRN RoPE. В обучении заявлено использование 5,5 трлн токенов для улучшения генерации, рассуждений и исправления ошибок. К сильным сторонам относятся специализация на программировании, поддержка длинного контекста и возможность запуска через экосистему llama.cpp и совместимые приложения, включая LM Studio. README не содержит результатов бенчмарков, требований к оборудованию или подробностей о вариантах квантования, поэтому производительность и качество для конкретных задач требуют самостоятельной проверки. Модель распространяется по лицензии Apache 2.0.

bartowski/Qwen2.5-Coder-3B-GGUF — это набор квантизированных версий языковой модели Qwen2.5-Coder-3B, разработанной командой Qwen и подготовленной пользователем bartowski в формате GGUF для запуска через llama.cpp. Модель предназначена прежде всего для генерации и обработки программного кода, включая работу в локальных приложениях вроде LM Studio. В README указано, что базовая модель поддерживает английский язык. Модель имеет около 3 млрд параметров. Доступны варианты от F16 до низкобитных квантов Q2–Q8, различающиеся размером файла, требованиями к памяти и качеством генерации; наиболее рекомендуемыми названы варианты Q4–Q6. Квантизация выполнена с использованием imatrix и llama.cpp. Для взаимодействия используется шаблон сообщений с ролями system, user и assistant. Сведения об архитектуре, размере контекста и мультимодальности в README не указаны; по представленным данным модель является текстовой. Основное преимущество набора — возможность локального запуска при выборе подходящего уровня квантизации: старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти. Ограничения связаны с компромиссом между размером и качеством, особенно у вариантов Q2–Q3; отдельные форматы оптимизированы для ARM и требуют соответствующей поддержки инструкций, а варианты Q4_0_8_8 и Q4_0_4_8 не рекомендуются для Mac или Windows. Лицензия указана как qwen-research; подробности доступны по ссылке на лицензию исходной модели Qwen2.5-Coder-3B.

Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled — мультимодальная плотная модель на 27 млрд параметров, созданная Jackrong дообучением Qwen/Qwen3.5-27B. По карточке, обучение методом SFT было направлено на структурированные рассуждения с использованием примеров, связанных с Claude-4.6 Opus; среди датасетов указаны наборы для reasoning. Модель принимает текст и изображения и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для сложных аналитических запросов, программирования, математики и сценариев coding-агентов. В README заявлены поддержка роли developer, сохранение режима рассуждений и более продолжительная автономная работа; эти характеристики представлены как результаты автора и сообщества. Модель может ошибаться в фактах, а карточка предупреждает о возможных проблемах совместимости интеграций и шаблонов, поскольку выпуск обозначен как preview. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

Qwen3.5-35B-A3B Coding Extract (N128) — языковая модель для генерации кода, созданная deepgoyal19 на основе Qwen/Qwen3.5-35B-A3B. Это training-free вариант MoE-архитектуры: из 256 маршрутизируемых экспертов в каждом слое оставлены 128, а общий вычислительный блок, внимание и эмбеддинги сохранены. В README указано 18,54 млрд параметров и формат bf16; метаданные каталога указывают 2,9 млрд параметров. Модель работает через Transformers и имеет контекст до 262 144 токенов. Модель предназначена для генерации и дополнения программного кода; в README приведены результаты HumanEval 86,6% и HumanEval+ 83,5% pass@1. Модель принимает текстовые запросы и выдаёт текст, включая код. README утверждает, что веса получены отбором экспертов без дообучения, дистилляции или градиентных обновлений. Лицензия — Apache-2.0.