II.3Рефакторинг, миграция и модернизация

GRaPE 2 Flash — мультимодальная модель семейства GRaPE, разработанная под брендом SLAI (Skinnertopia Lab for Artificial Intelligence). Это дообученная версия Qwen3-VL-8B-Thinking с архитектурой Qwen3-VL; в карточке указано около 9 млрд параметров. Модель принимает изображения и текст и формирует текстовые ответы. Она рассчитана на развертывание на потребительском оборудовании и предлагает режимы управления глубиной рассуждений. Основные сценарии — программирование, задачи по науке, технике, инженерии, искусству и математике, логические рассуждения и структурированное решение задач, в том числе с визуальными данными. Доступные языковые метки охватывают английский, китайский, французский, немецкий, испанский, японский, корейский, португальский, русский и арабский. Обучающие данные закрыты; в карточке нет результатов бенчмарков, поэтому качество на конкретных задачах следует проверять отдельно. Модель выпущена по лицензии Apache 2.0.

Grok 4.6 — модель SpaceXAI, предназначенная для задач программирования, интеллектуальной работы и STEM. По карточке модели, её сменила более новая версия Grok 4.7. Доступные сведения не описывают архитектуру, размер, модальности, поддерживаемые языки, длину контекста или лицензию, поэтому их нельзя надёжно указать. Метаданные каталога классифицируют модель как image-text-to-text, но README не подтверждает работу с изображениями.

Hermit Code 7B i1 GGUF — квантизированная версия модели Soloman2002/hermit-code-7b, подготовленная mradermacher. Модель ориентирована на генерацию текста и работу с программным кодом, включая сценарии coding-agent и instruction-tuned взаимодействия. В метаданных указаны английский язык и поддержка задач, связанных с Python, JavaScript, Rust и Go; модель работает только с текстом. Это модель класса 7B, распространяемая в формате GGUF с imatrix-квантизациями. Доступны варианты с разным соотношением размера, скорости и качества — от IQ1 и IQ2 до Q6_K; среди рекомендуемых README выделяет i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как оптимальный по размеру, скорости и качеству. Ключевые ограничения — неизбежная потеря качества у низкобитных вариантов, причём некоторые из них прямо обозначены как имеющие очень низкое качество. Размер контекста и точная архитектура в README не указаны. Модель распространяется по лицензии Apache-2.0.

KAT-Coder V2.5 Dev 35B-A3B ABLITERATED UNCENSORED PHILADELPHIA CLASS — текстовая модель Mixture of Experts, разработанная KridgeDookie на основе Kwaipilot/KAT-Coder-V2.5-Dev, относящейся к семейству Qwen3.6-35B-A3B. Модель ориентирована на генерацию кода, агентные сценарии программирования и взаимодействие с инструментами. Она поддерживает английский и китайский языки, не имеет компонента для обработки изображений и видео и работает только с текстом. Модель содержит около 35 млрд параметров в общей сложности, из которых для каждого токена активны примерно 3 млрд. Доступна исходная версия в формате BF16, а также квантованные варианты GGUF Q4_K_M, Q5_K_M и Q8_0. Заявленная максимальная длина контекста — 32 768 токенов. Полная BF16-версия занимает примерно 65 ГиБ, поэтому, несмотря на небольшое число активных параметров, требует значительно больше памяти, чем плотная модель на 3 млрд параметров. Основное отличие версии PHILADELPHIA CLASS — целевое редактирование весов для уменьшения отказов в ответах при сохранении возможностей родительской модели для программирования. Внутренние проверки показали отсутствие жёстких отказов в двух наборах тестов и прохождение 23 из 24 проверок связности, однако эти результаты не проходили независимый аудит и не гарантируют точность, качество рассуждений или надёжность использования инструментов. Модель может генерировать ошибочный, небезопасный или потенциально вредоносный код, поэтому результаты требуют проверки. Распространяется по лицензии Apache 2.0, унаследованной от родительской модели.

LLaDA2.2-flash — агентно-ориентированная языковая модель на основе диффузии от InclusionAI. Это MoE-модель семейства LLaDA2 с 32 слоями, 32 головами внимания, RoPE и словарём из 157 184 токенов; в README указано 100 млрд параметров без эмбеддингов, тогда как метаданные Hugging Face указывают общий размер 5,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 128K токенов и предназначена для диалогов, многошагового использования инструментов и агентных сценариев. Механизм Levenshtein Editing с управляющими токенами DELETE и INSERT позволяет модели удалять и вставлять фрагменты при параллельной генерации, что авторы связывают с исправлением ошибок и устойчивостью в многоходовых задачах. В README приведены результаты SWE-bench и высокая пропускная способность в указанных авторами условиях оценки; сравнение с Ling-2.6-flash проводилось с разными настройками для части бенчмарков. Для инференса авторы рекомендуют Transformers и SGLang для длинных агентных сценариев; некоторые пороги декодирования требуют настройки, а слишком низкие значения могут усиливать повторы или нестабильность. Лицензия — Apache-2.0.

mergekit-community/mergekit-slerp-fecxcxs — слитая языковая модель, созданная сообществом с помощью mergekit методом SLERP из budecosystem/code-millenials-34b и oobabooga/CodeBooga-34B-v0.1. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит 22,4 млрд параметров. Она предназначена для генерации текста, включая код и ответы на инструкции по программированию. Модель принимает текст и генерирует текст; заявленная длина контекста составляет 16 384 токена. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

MiMo-7B-RL-0530 — языковая модель Xiaomi из семейства MiMo, дообученная с подкреплением для математических и программных рассуждений. Это плотная авторегрессионная модель на 7 млрд параметров с контекстом до 65 536 токенов; репозиторий содержит веса в формате safetensors, а метаданные указывают совместимость с Transformers и диалоговый режим с интерфейсом вызова инструментов. Модель предназначена для решения математических задач, генерации и анализа кода, а также диалоговых сценариев, где требуется пошаговое рассуждение. В README описано обучение с подкреплением на задачах математики и программирования с проверкой ответов по правилам. Заявлены результаты, сопоставимые с OpenAI o1-mini, однако они относятся к оценкам разработчиков и конкретным бенчмаркам. Модель принимает и генерирует текст. Метаданные не перечисляют языки, поэтому описание не приписывает ей конкретный набор языков. Лицензия — MIT. Практическое качество может зависеть от формулировки запроса и задачи; результаты рассуждений и сгенерированный код требуют проверки.

MiMo-Ornith-9B-AGSI-Abliterated-HQ — объединённая модель на 9,7 млрд параметров, созданная OliviaRossi на основе Xiaomi MiMo-V2.6-Distill-Qwen-9B и Ornith-1.5-9B. В карточке заявлены слияние AGSI и настройка Abliterix, направленная на удаление механизмов отказа. Архитектура — Qwen3_5ForConditionalGeneration с сочетанием линейного внимания GatedDeltaNet и обычного внимания; модель содержит 32 слоя и поддерживает контекст до 262 144 токенов. Модель предназначена для диалогов, рассуждений, программирования и агентных сценариев с вызовом инструментов и выполнением терминальных команд. Автор заявляет поддержку английского и китайского языков, а также сохранение возможностей рассуждения и работы с инструментами после слияния. Репозиторий использует формат safetensors; лицензия — Apache-2.0. Карточка заявляет удаление встроенных механизмов отказа, поэтому модель может отвечать на запросы в областях безопасности и администрирования без обычных ограничений отказа. Эти сведения и характеристики AGSI/Abliterix приведены автором и не сопровождаются в предоставленной карточке независимой проверкой; фактическое качество и безопасность ответов могут зависеть от сценария использования.

NightJar-CodeSearch-Embedding — модель плотных векторных представлений, разработанная Shuu12121 на базе Shuu12121/NightJar и дообученная для поиска кода по запросу на естественном языке и поиска фрагментов кода по описанию требуемого изменения. Она использует архитектуру ModernBERT в конфигурации Sentence Transformer, содержит 109,5 млн параметров и строит 768-мерные эмбеддинги. Для поиска запросы и документы кодируются в одном векторном пространстве; префиксы не нужны, а сходство можно оценивать по косинусной близости. Модель принимает текстовые запросы и код, выдаёт векторы и подходит для семантического поиска, формирования кандидатов для переранжирования или RAG, кластеризации и поиска дубликатов. Обучение проводилось на 4 073 472 примерах с трудными и внутрипакетными негативными примерами. В обучающую смесь вошли Bash, C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Swift и TypeScript. Карточка сообщает о контексте модели в 8192 токена, однако входы длиннее 1024 токенов обрезаются. Модель не генерирует код и не проверяет его корректность или безопасность; качество для языков, не представленных в обучении, систематически не оценивалось. Лицензия — Apache-2.0.

OpenBuddy Coder 34B V11 — большая плотная языковая модель семейства Llama, созданная OpenBuddy и представленная в этом репозитории в формате GGUF BF16 для локального запуска. Это конверсия модели OpenBuddy Coder 34B V11 в GGUF, совместимая с llama.cpp и рядом пользовательских интерфейсов и библиотек для локального инференса. Модель предназначена для генерации текста в сценариях программирования и общения с ассистентом. Она поддерживает китайский, английский, французский, немецкий, японский, корейский, итальянский и русский языки. В README приведены варианты файлов с разной разрядностью GGUF; сильная сторона формата — возможность запускать модель на CPU и GPU с выбором компромисса между размером и качеством. Для самого малого варианта README предупреждает о существенной потере качества. Для запуска нужны совместимый движок и ресурсы, соответствующие выбранному файлу и настройке выгрузки слоёв на GPU. Контекстная длина в предоставленных данных не указана. Лицензия — Llama 2, поэтому использование регулируется её условиями.

duyntnet/OpenCodeReasoning-Nemotron-1.1-7B-imatrix-GGUF — это GGUF-квантизации языковой модели OpenCodeReasoning-Nemotron-1.1-7B, разработанной NVIDIA. Модель создана на основе Qwen2.5-7B-Instruct и дообучена для пошагового рассуждения и генерации кода. Она предназначена для текстовой генерации, прежде всего для решения задач программирования и кодинга. Модель поддерживает контекст длиной до 64 тысяч токенов, работает с текстом и заявлена для английского языка. Размер базовой модели — 7B параметров; конкретные характеристики, точность и требования к ресурсам зависят от выбранного варианта квантизации GGUF. Для запуска подходят llama.cpp, KoboldCPP, text-generation-webui, Jan и LM Studio. В тестах LiveCodeBench v5 модель показала Pass@1 55,5, превысив показатели ряда других дистиллированных моделей сопоставимого размера. Сильными сторонами являются специализация на рассуждении при генерации кода, большой контекст и возможность локального запуска через распространённые inference-инструменты. Ограничения включают ориентацию преимущественно на английский язык, зависимость качества и потребления ресурсов от квантизации, а также отсутствие в README подробностей о точных параметрах отдельных GGUF-файлов. В карточке указана лицензия other; исходная модель описана как доступная для коммерческого и некоммерческого использования, однако точные условия лицензии следует уточнять отдельно.

SC117/Ornith-1.0-35B-MTP-APEX-GGUF — GGUF-сборка модели Ornith-1.0-35B от DeepReinforce AI, предназначенная для агентного программирования. Базовая модель Ornith дообучена на Qwen3.5 с применением обучения с подкреплением для совместной оптимизации генерации каркаса решения и последовательности действий по его выполнению. В сборку включены MTP-слои и проектор зрения mmproj в формате F16; для запуска с поддержкой изображений README указывает llama.cpp. Модель принимает текстовые запросы и, при использовании проектора зрения, изображения; генерирует текст, включая код и шаги решения задач. В карточке заявлены результаты на Terminal-Bench 2.1, SWE-Bench Verified/Pro/Multilingual, NL2Repo и OpenClaw. Для сервера llama.cpp приведена длина контекста 131072 токена. Файлы распространяются в GGUF с APEX-квантизацией, а также в BF16 и F16. Лицензия — MIT.

OsaurusAI/Ornith-1.5-9B-MXFP8 — это 8-битная сборка модели Ornith 1.5-9B, подготовленная для MLX Джихо Джангом на основе модели Ornith AI. Она предназначена для агентного программирования, рассуждений и работы с инструментами. Архитектура Qwen3.5 сочетает gated-delta linear attention с полным вниманием в соотношении 3:1; модель имеет 27-слойную башню зрения. Размер файлов сборки — 9,45 GiB. Модель принимает текст, изображения и видео и выдаёт текст. Режим рассуждений включён по умолчанию; доступен вариант генерации без содержимого блока рассуждений. В карточке приведены результаты SWE-bench Verified 79 и Terminal-Bench 2.1 67,8. Сборка служит 8-битным эталоном качества для вариантов JANG. Лицензия — MIT.

Playable1 — дообученная модель на архитектуре Qwen2, созданная на базе Qwen/Qwen2.5-Coder-7B-Instruct с адаптером iat-05-1. Это плотная причинная языковая модель с 7,1 млрд параметров, представленная в формате SafeTensors и рассчитанная на генерацию текста; базовая модель предназначена для работы с программным кодом. Модель поддерживает диалоговый режим и интерфейс вызова инструментов, а её контекст составляет 32 768 токенов. Модель можно применять для генерации и анализа кода, а также для диалоговых задач, связанных с программированием. Карточка не описывает отдельные возможности или качество, полученные благодаря адаптеру iat-05-1, поэтому нельзя точнее определить специализацию дообучения. Лицензия — Apache-2.0.

Proximus-2x7B-v1 — языковая модель семейства Mixtral, созданная preemware с помощью LazyMergekit как смесь экспертов из beowolx/MistralHermes-CodePro-7B-v1 и preemware/Prox-MistralHermes-7B. В конфигурации указана базовая модель mlabonne/NeuralHermes-2.5-Mistral-7B; эксперты ориентированы на программирование и кибербезопасность. Модель предназначена для генерации текста и диалоговых сценариев, включая помощь с кодом и вопросы по информационной и сетевой безопасности. Архитектура — Mixtral MoE с классом MixtralForCausalLM; в репозитории доступны веса safetensors. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результаты оценки качества и не описывает конкретные меры безопасности; ответы по кибербезопасности и сгенерированный код требуют проверки.

Qwable-9B-Claude-Fable-5-heretic — текстовая донастройка Qwen/Qwen3.5-9B, опубликованная richardyoung. Исходная модель Qwable-9B-Claude-Fable-5 разработана Empero; эта версия обработана методом abliteration с помощью Heretic v1.4.0 для снижения частоты отказов. Модель имеет плотную архитектуру Qwen3.5 и около 9 млрд параметров; обучение текста было полно-параметрическим и использовало трассы рассуждений, программирования и агентных задач от Claude Fable 5 и GPT-5.5. Базовая модель мультимодальна, однако зрительная башня осталась замороженной, а зрительные возможности этой версии не дообучались и не оценивались. Модель предназначена прежде всего для диалоговой помощи в программировании, многошаговых задачах с терминалом и агентных сценариях, а также для рассуждений и объяснений. Обучающие данные и карточка ориентированы преимущественно на английский язык. В приведённом сравнении доля отказов снизилась с 97 из 100 у исходной модели до 50 из 100; это не заменяет полноценную оценку безопасности и качества. Ответы могут содержать отдельный блок рассуждений, который при показе пользователям может потребовать обработки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Заявленная лицензия — Apache-2.0, унаследованная от базовых весов; автор исходной модели отдельно отмечает оговорки о происхождении обучающих данных. Полные бенчмарки программирования, агентных возможностей и безопасности для исходной донастройки ещё не опубликованы.

QuantFactory/Qwen2.5-Coder-1.5B-Instruct-GGUF — квантизированная версия инструкционно дообученной языковой модели Qwen2.5-Coder-1.5B-Instruct, созданная QuantFactory на основе обновлённых весов от 6 ноября 2024 года с использованием llama.cpp. Исходная модель относится к серии специализированных кодовых моделей Qwen, разработанных командой Qwen; в README конкретная организация-разработчик не указана, однако модель основана на репозитории Qwen/Qwen2.5-Coder-1.5B-Instruct. Модель предназначена для генерации, анализа и исправления программного кода, рассуждений о коде, создания code agents, а также задач общего назначения и математики. Это авторегрессионная causal language model с архитектурой на базе transformers, RoPE, SwiGLU, RMSNorm, смещениями в QKV внимания и связанными эмбеддингами слов. Модель содержит 1,54 млрд параметров, из них 1,31 млрд без учёта эмбеддингов, имеет 28 слоёв и Grouped-Query Attention с 12 головами для Q и 2 для KV. Поддерживается текстовая модальность и заявлен английский язык. Заявленная максимальная длина контекста составляет 131 072 токена, но исходная конфигурация рассчитана на 32 768 токенов; для более длинных входов требуется включение YaRN, причём статическое масштабирование может ухудшать производительность на коротких текстах. Квантизация и небольшой размер делают модель подходящей для более экономичного локального развёртывания, однако README не содержит сведений о конкретном формате квантизации, требованиях к памяти, производительности или сравнительных результатах. Модель распространяется по лицензии Apache-2.0.

BenevolenceMessiah/Qwen2.5-Coder-7B-Chat-Instruct-TIES — объединённая методом TIES языковая модель на архитектуре Qwen2 для генерации кода и диалогового взаимодействия. Она создана с помощью mergekit на основе Qwen/Qwen2.5-Coder-7B-Instruct и Qwen/Qwen2.5-Coder-7B; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации кода по запросу и ответов в чате на задачи, связанные с программированием. Метаданные также отмечают интерфейс вызова инструментов, однако README не описывает его поведение или качество. Модель опубликована в формате safetensors и используется через библиотеку Transformers. Лицензия в предоставленных данных не указана.

Qwen3.6-27B — постобученная модель с открытыми весами от hamishivi, основанная на семействе Qwen3.6. Это причинная языковая модель с визуальным энкодером, поддерживающая диалог и интерфейс вызова инструментов. В README заявлен размер 27 млрд параметров и нативный контекст 262 144 токена с возможностью расширения до 1 010 000 токенов. Модель предназначена для агентного программирования, включая работу с фронтендом и анализ репозиториев, а также для диалоговых задач с изображениями и вызовом инструментов. Шаблон чата изменён для сохранения промежуточных рассуждений в истории сообщений. Для запуска указана совместимость с Transformers, vLLM, SGLang и KTransformers; репозиторий содержит веса в формате safetensors. README приводит результаты и сценарии оценки для программирования, работы в терминале, генерации веб-интерфейсов и мультимодальных задач, но таблицы с численными результатами отсутствуют. Метаданные указывают лицензию Apache-2.0. Для развёртывания с длинным контекстом требуется значительная память GPU; README рекомендует уменьшать контекст при нехватке памяти.

SassyDiffusion/Qwen3.6-27B-heretic-ara-GGUF — GGUF-версия декензурированной модели на базе Qwen3.6-27B. Модель создана SassyDiffusion с использованием Heretic 1.2.0 и метода Arbitrary-Rank Ablation (ARA). Базовая Qwen3.6-27B разработана командой Qwen и ориентирована на практическую разработку программного обеспечения, агентное кодирование, работу с фронтенд-проектами и рассуждения на уровне репозитория. Это каузальная языковая модель с vision encoder, содержащая около 27 млрд параметров и 64 слоя. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN; заявленная длина контекста составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. README не уточняет полный перечень поддерживаемых языков. Формат GGUF предназначен для запуска в совместимых инструментах локального инференса. Главная особенность версии — снижение склонности к отказам: в приведённом сравнении модель отказала в 16 из 100 тестовых запросов против 99 из 100 у исходной модели. При этом декензурирование изменяет поведение базовой модели: указана KL-дивергенция 0,0967, поэтому возможны отличия в качестве, безопасности и устойчивости ответов. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-KAT-BigBang-SLERP — текстовая MoE-модель, созданная слиянием SLERP двух дообученных моделей на базе Qwen3.6-35B-A3B: KAT-Coder-V2.5-Dev от Kwaipilot и BigBang-v1 от endless-frontier. Репозиторий предоставляет веса в формате GGUF; в README описана версия APEX Mini размером около 13,5 ГБ. Архитектура исходной модели включает 35 млрд параметров, из которых активируется около 3 млрд, 40 слоёв гибридного внимания и контекст до 262 тысяч токенов. Модель предназначена для генерации текста, агентного программирования, вызова инструментов и задач рассуждения. Слияние сочетает кодовые и агентные возможности KAT-Coder с уклоном BigBang в рассуждения; карточка приводит результаты тестирования одной квантованной версии в ограниченной по памяти конфигурации, но подчёркивает, что слияние систематически не оценивалось. Модель принимает и выдаёт текст; визуальная башня и голова MTP в результат не включены. Лицензия — Apache-2.0. Среди ограничений указаны возможные галлюцинации, нестабильное долгосрочное планирование и чувствительность к формату запроса; квантование с потерями может снижать точность. Для запуска GGUF README рекомендует llama.cpp b10516 или новее с поддержкой указанной архитектуры.

OBLITERATUS/Qwen3.8-27B-OBLITERATED — текстовая генеративная модель, разработанная OBLITERATUS на базе Qwen/Qwen3.8-27B. Модель предназначена для диалогов, генерации текста и кода, агентных сценариев, а также исследований безопасности ИИ и red-team-тестирования. Основной заявленный профиль — ответы на запросы, которые исходная модель может отклонять, включая кибербезопасность и программирование. Модель использует архитектуру Qwen3 с 27 млрд параметров и поддерживает режимы с рассуждением и без него. Доступны форматы GGUF, Safetensors и MLX; заявлена совместимость с текстовым pipeline для генерации текста. В README не указаны точное максимальное контекстное окно и полный перечень поддерживаемых языков. Для версии V3 приводится результат 82,3% на MMLU в режиме 0-shot, что на 2,1 процентного пункта ниже базовой модели; также заявлены рабочие ответы во всех 20 проверенных задачах генерации кода. К сильным сторонам относятся снижение частоты отказов и защитных отговорок, близкая к базовой общая производительность и пригодность для генерации кода. Ограничениями являются некоторое ухудшение результата MMLU, склонность к зацикливанию без repetition_penalty и возможная чувствительность к настройкам генерации. В README рекомендуются temperature 0, repetition_penalty 1.15 и не менее 2048 новых токенов; для агентных сценариев предлагаются более низкая длина ответа и периодическое сокращение контекста. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-4B-Empero-AI-FullStack-GGUF — это GGUF-квантизированная версия модели Qwen3.8-4B-Empero-AI-FullStack, разработанной iBotIA и опубликованной в квантизированном виде пользователем mradermacher. Модель относится к семейству Qwen3.5, имеет около 4 миллиардов параметров и предназначена для генерации текста и рассуждений, включая задачи full-stack разработки. Судя по описанию и тегам, модель ориентирована на работу с TypeScript, React Router v8, NestJS и Flutter. Заявлен английский язык. Модель поставляется в формате GGUF с вариантами квантизации от Q2_K до Q8_0, а также в формате f16; размеры файлов составляют примерно от 2,1 до 8,8 ГБ. В README не указана поддержка изображений или других модальностей, а размер контекста не раскрыт. Основное преимущество — возможность локального запуска с выбором баланса между размером, скоростью и качеством: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант высокого качества, а Q8_0 — как наиболее качественный среди быстрых вариантов. Более агрессивная квантизация может снижать качество ответов, особенно в сложных задачах. Лицензия модели — Apache-2.0.

mlx-community/Qwen3-Coder-480B-A35B-Instruct-4bit — модель для генерации текста, созданная на основе Qwen3-Coder-480B-A35B-Instruct от Qwen и преобразованная сообществом mlx-community в формат MLX. Модель предназначена прежде всего для задач программирования и обработки инструкций, включая генерацию ответов на текстовые запросы в совместимых приложениях на базе MLX. Модель имеет обозначение 480B-A35B и использует 4-битное квантование, что уменьшает требования к памяти по сравнению с полноразмерной версией. Она поддерживает текстовую модальность и относится к классу instruction-tuned моделей для text generation. README не содержит сведений о конкретной архитектуре, максимальном контексте, поддерживаемых языках, производительности и результатах тестирования. Сильной стороной является адаптация к MLX и возможность запуска через библиотеку mlx-lm с использованием чат-шаблона токенизатора. Ограничения включают высокую заявленную размерность модели и отсутствие в README подробностей о требованиях к оборудованию, качестве на конкретных задачах и языковой поддержке. Распространение осуществляется по лицензии Apache-2.0.

tomhu/Qwen3-Coder-Next-MixedCode-Prune70-BF16 — экспериментальный чекпойнт на основе Qwen/Qwen3-Coder-Next, подготовленный методом pruning для MoE-экспертов. По README, разработчик удалил 69,92% экспертов в каждом MoE-слое: число экспертов сокращено с 512 до 154, при этом на токен по-прежнему активируются 10 экспертов. Модель содержит 48 слоёв и использует веса BF16; метаданные указывают архитектуру Qwen3-Next MoE и размер 2,3 млрд параметров, тогда как README приводит полезную нагрузку около 25,6 млрд параметров BF16. Модель предназначена для генерации кода и многошаговой разработки, в том числе для сценариев coding-агентов с вызовом инструментов. Контекст унаследован от базовой модели; метаданные указывают длину 262 144 токена. В оценке SWE-bench Verified чекпойнт решил 296 из 500 задач. Для запуска README рекомендует актуальные версии Transformers, vLLM или SGLang с поддержкой Qwen3-Next. Модель экспериментальная: автор рекомендует проверять её на целевых задачах перед внедрением. Лицензия — Apache-2.0.

QwQ-32B-Coder-Fusion-9010 — экспериментальная смешанная языковая модель от huihui-ai, объединяющая веса QwQ-32B-Preview-abliterated и Qwen2.5-Coder-32B-Instruct-abliterated в соотношении 90:10. Это плотная модель семейства Qwen2 с 32 млрд параметров, предназначенная для диалоговой генерации текста, включая задачи программирования. Она работает через Transformers, принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Смешение добавляет к основной модели QwQ долю модели, настроенной на код, сохраняя при этом её диалоговые возможности. Автор описывает веса как пригодные к использованию без появления бессвязных ответов, но представляет работу как эксперимент по сравнению разных пропорций смешивания. Модель распространяется по лицензии Apache-2.0.

Это 4-битная конверсия для MLX модели StarCoder2-15B-Instruct-v0.1, подготовленная сообществом mlx-community из bigcode/starcoder2-15b-instruct-v0.1 с помощью mlx-lm 0.10.0. Модель предназначена для генерации кода и диалоговой работы с инструкциями; её можно использовать для написания и дополнения программного кода. Основа семейства StarCoder2 также поддерживает заполнение пропусков внутри кода. В метаданных указаны архитектура Starcoder2ForCausalLM, 21,7 млрд параметров и контекст до 16 384 токенов. Репозиторий описывает вариант MLX с 4-битными весами; каталог связывает модель с bigcode/starcoder2-15b и набором инструкционных примеров self-oss-instruct-sc2-exec-filter-50k. Лицензия — BigCode OpenRAIL-M. Языки программирования в карточке не перечислены.

StarCoder2-7B-GGUF — квантованная версия модели StarCoder2 7B, разработанной командой BigCode и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена прежде всего для генерации и работы с программным кодом; исходная модель распространяется через bigcode/starcoder2-7b и использует библиотеку Transformers. В README не указаны точные архитектурные детали, перечень поддерживаемых языков программирования или естественных языков, а также мультимодальные возможности, поэтому их характеристики нельзя подтвердить. Доступно несколько вариантов квантования от 2 до 8 бит с размером файлов примерно от 2,72 до 7,63 ГБ. Заявленный размер контекста — 4608 токенов. Вариант Q4_K_M отмечен как рекомендуемый благодаря балансу размера и качества, Q5_K_M и Q5_K_S — как варианты с очень небольшой потерей качества, а Q2_K–Q3_K и некоторые legacy-варианты имеют более существенную потерю качества. Модель подходит для локального запуска в средах, совместимых с GGUF и llama.cpp; интеграция с LlamaEdge на момент публикации обозначена как находящаяся в разработке. Модель ориентирована на сценарии программирования, включая генерацию кода, но README не содержит результатов тестирования или подробного описания сильных сторон и ограничений исходной модели. Лицензия указана как BigCode OpenRAIL-M; условия её применения следует учитывать при развёртывании и распространении.

The-Trinity-Coder-7B — языковая модель для генерации кода, созданная слиянием трёх моделей: CodeNinja-1.0-OpenChat-7B, NeuralExperiment-7b-MagicCoder-v7.5 и Speechless-Zephyr-Code-Functionary-7B. Слияние выполнено методом TIES; модель использует плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации и дополнения кода, помощи в программировании, логических рассуждений и решения математических задач. В карточке заявлена поддержка языков программирования, включая Python, C, C++, Rust, Java и JavaScript. Модель работает с текстовыми запросами и выдаёт текст, в том числе код. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результаты сравнительной оценки качества; практическая точность и качество кода могут зависеть от задачи и формулировки запроса.

AIGCodeGeek-DS-6.7B — языковая модель для генерации кода, разработанная Leon Li. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 6,6 млрд параметров; она дообучена со всеми параметрами на основе deepseek-ai/deepseek-coder-6.7b-base. Модель предназначена для диалоговой помощи в программировании и генерации кода, обучалась на смеси открытых и частных наборов данных, включая WizardLM Evol-Instruct, Code-Feedback, UltraInteract, Magicoder Evol-Instruct и набор примеров Python. Контекст составляет 16 384 токена. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. В карточке заявлена лицензия DeepSeek, однако результаты оценки качества ещё не приведены. Языки естественного текста явно не перечислены; модель ориентирована на код, включая примеры Python. Перед использованием следует проверить условия лицензии DeepSeek и качество на целевых задачах.