II.3Рефакторинг, миграция и модернизация

Модель q25sftrphardlam1 — готовый для инференса чекпойнт дообучения Qwen2.5-3B, подготовленный проектом RL-Forgetting-Experiments-3 для генерации кода. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, основанная на Qwen/Qwen2.5-3B и обученная на данных qwen3b_code_sft_data_s300. В README указаны упорядоченная подача данных, стратегия replay hard и коэффициент replay 1,0; чекпойнт зафиксирован на шаге оптимизатора 102. Модель подходит для генерации кода и диалоговых сценариев с программированием. Она принимает текст и выдаёт текст; максимальная длина контекста составляет 32 768 токенов. Репозиторий использует Transformers и формат весов safetensors. Лицензия в предоставленных данных не указана.

QuantFactory/Qwen2.5-Coder-1.5B-GGUF — квантизированная версия модели Qwen2.5-Coder-1.5B, подготовленная QuantFactory с использованием llama.cpp. Базовая модель разработана командой Qwen. Это авторегрессионная языковая модель для генерации, анализа и исправления программного кода, а также для задач рассуждений, математики и общих текстовых сценариев. Модель относится к типу causal language model и предназначена прежде всего для программирования; базовая версия не рекомендуется для обычного диалогового использования без дополнительного дообучения. Модель содержит 1,54 млрд параметров, из которых 1,31 млрд не относятся к эмбеддингам, и включает 28 слоёв. Архитектура использует RoPE, SwiGLU, RMSNorm, смещения в QKV-внимании, связанные эмбеддинги слов и GQA с 12 головами для Q и 2 для KV. Заявлена поддержка контекста до 131 072 токенов; для входов свыше 32 768 токенов требуется настройка YaRN. В карточке указан английский язык, модальность — текст, формат применения — text generation. К сильным сторонам относятся специализация на генерации, рассуждении и исправлении кода, компактный размер и возможность локального запуска в квантизированном формате GGUF. При этом небольшое число параметров может ограничивать качество по сравнению с более крупными моделями, а статическое масштабирование YaRN способно ухудшать производительность на коротких текстах. Модель распространяется по лицензии Apache-2.0.

continuum-ai/qwen3.5-4b-code-forged — дообученная для программирования модель на базе Qwen3.5-4B от Continuum. Это плотная авторегрессионная языковая модель с 3,4 млрд параметров, рассчитанная на генерацию кода и запуск локально, в том числе на потребительском оборудовании. В карточке указаны обучение на коде в течение 1000 шагов и трёх циклов, а также контекст до 262 144 токенов. Модель предназначена для генерации и дополнения кода в разных языках программирования. README сообщает о снижении perplexity на коде с 3,04 до 2,35; результат HumanEval ещё не приведён. Заявления о бенчмарках отмечены как самоотчётные, поэтому их следует считать предварительными. README также описывает этапы train → quant → eval и криптографическую цепочку происхождения ForgeAlloy. Модель распространяется по лицензии Apache-2.0. Метаданные указывают формат safetensors; README упоминает квантизацию в методологии, но доступные сведения не позволяют однозначно определить, является ли опубликованный чекпойнт только квантизованной версией или содержит дообученные веса. Поддерживаются разные естественные языки, но основные языки общения не определены; назначение модели — код.

Qwen3.8-4B-Empero-AI-FullStack-i1-GGUF — квантизированная GGUF-версия модели iBotIA/Qwen3.8-4B-Empero-AI-FullStack, подготовленная mradermacher. Модель относится к семейству Qwen3.5 и ориентирована на генерацию текста, рассуждения и задачи разработки программного обеспечения, включая TypeScript, React Router v8, NestJS и Flutter. В метаданных также указана поддержка английского языка и наличие vision-возможностей, однако подробности о реализованных визуальных сценариях не приведены. Модель имеет заявленный размер 4B параметров и поставляется в нескольких вариантах квантизации i1, включая Q2_K, Q3_K, IQ3, IQ4, Q4, Q5 и Q6. Размер файлов составляет примерно от 2,1 до 3,7 ГБ, что делает модель пригодной для локального запуска на системах с ограниченными ресурсами. В README отмечены компромиссы между скоростью, качеством и размером: Q4_K_S описан как сбалансированный вариант, Q4_K_M — как быстрый и рекомендуемый, а некоторые IQ-квантизации могут превосходить сопоставимые по размеру варианты. К ограничениям относятся неизбежная потеря качества при низкой точности квантизации, отсутствие приведённых результатов тестирования и неизвестные параметры контекстного окна, архитектуры и точный набор поддерживаемых языков. Для vision-сценариев могут потребоваться дополнительные mmproj-файлы из статического репозитория. В метаданных указана лицензия Apache-2.0; перед использованием следует учитывать условия лицензии исходной модели.

Qwen3-Coder-30B-A3B-Instruct-FP8-Q4_K_M-GGUF — это квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct-FP8, преобразованная в формат GGUF. Модель разработана командой Qwen, а данный вариант опубликован пользователем ijohn07 и создан с помощью llama.cpp через сервис GGUF-my-repo от ggml.ai. Она предназначена для генерации текста и может использоваться в локальных приложениях на базе llama.cpp, включая командную строку и серверный режим. Из доступных данных известно, что исходная модель имеет обозначение 30B-A3B и ориентирована на задачи, связанные с кодом, однако подробности об архитектуре, поддерживаемых языках, модальностях и размере контекста в представленном README не указаны. Суффикс Q4_K_M указывает на вариант квантизации GGUF, рассчитанный на более компактное локальное выполнение, но README не содержит конкретных требований к памяти или производительности. В качестве ограничения следует учитывать отсутствие подробной информации о возможностях и качестве исходной модели. Модель распространяется по лицензии Apache-2.0. Для запуска рекомендуется использовать llama.cpp; в README приведены примеры работы через llama-cli и llama-server, включая настройку контекста размером 2048 токенов.

Qwen3-Coder-480B-A35B-Instruct-MLX-4bit — это 4-битная версия модели Qwen3-Coder-480B-A35B-Instruct, разработанной Qwen. Квантизация выполнена командой LM Studio с использованием MLX — фреймворка Apple для машинного обучения. Модель предназначена для генерации текста и оптимизирована для запуска на устройствах с Apple Silicon через LM Studio 0.3.20 или более поздней версии. Модель ориентирована прежде всего на сценарии, поддерживаемые исходной Qwen3-Coder-480B-A35B-Instruct, однако в представленном README не указаны её подробные архитектурные характеристики, языки, размер контекста, модальности, специализированные возможности программирования или результаты тестирования. Ключевое преимущество данной версии — 4-битное представление и оптимизация под MLX, что делает её более подходящей для локального запуска на Apple Silicon по сравнению с полноразмерной версией, но конкретные требования к памяти и производительности не приведены. Модель распространяется по лицензии Apache-2.0.

Это квантизированная в MXFP4 версия модели Mattepiu/Qwen3-Coder-Next-REAP-48B-A3B в формате GGUF. Она предназначена для генерации текста и диалогового использования; название базовой модели указывает на специализацию семейства Qwen3 Coder на задачах программирования. В метаданных задача модели обозначена как text-generation, а среди возможностей указана поддержка чата. В README приведены рекомендованные параметры генерации: temperature=1.0, top_p=0.95 и top_k=40. Квантизация MXFP4 уменьшает точность представления весов; подробности о качестве, требованиях к памяти и ограничениях применения в карточке не раскрыты. Лицензия в предоставленных данных не указана.

Fortytwo-Network/Strand-Rust-Coder-14B-v1-GGUF — квантизированная версия специализированной языковой модели для программирования на Rust, разработанная Fortytwo Network. Модель создана на основе Qwen2.5-Coder-14B-Instruct и дообучена методом LoRA на датасете Strandset-Rust-v1 из 191 008 синтетических, прошедших peer-валидацию примеров. Модель предназначена для генерации и дополнения кода, выявления ошибок, рефакторинга, оптимизации, генерации тестов и документации, code review, именования и прогнозирования использования API Rust. Она поддерживает контекст до 32 768 токенов, содержит около 14 млрд параметров, использует архитектуру Qwen2.5-Coder с GQA attention и extended RoPE, а также токенизатор размером 151 тыс. единиц, оптимизированный для синтаксиса Rust. Заявлена совместимость с локальным развертыванием и Fortytwo Capsule runtime для распределённого swarm inference. Сильная сторона модели — специализация на семантике Rust, включая правила владения и времени жизни. В указанных тестах она получила 48% на hold-out наборе и 43% на RustEvo² при оценке по доле кода, прошедшего модульные тесты в изолированной среде Rust 1.86.0. Эти результаты не гарантируют корректность для всех проектов; модель ориентирована прежде всего на Rust и может быть менее универсальной, чем общие модели программирования. Лицензия — Apache-2.0.

Jebadiah/Tess-coder-ruby-p4 — объединённая модель для генерации текста и кода, созданная с помощью mergekit. В качестве базовой использована Jebadiah/Tess-Qwen-ruby-p3, в слияние также включена rombodawg/Llama-3-8B-Instruct-Coder; применён метод DARE linear. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для диалоговой генерации и помощи с программированием, включая создание и дополнение кода. Она доступна в формате safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.

Trinity-2-Codestral-22B — специализированная для программирования языковая модель из серии Trinity, созданной Migel Tissera; вычислительные ресурсы для модели предоставила KindoAI. Это дообученная версия Codestral-22B-v0.1 от Mistral AI с плотной архитектурой MistralForCausalLM и 22 млрд параметров. Модель предназначена для генерации кода и диалоговых запросов, поддерживает контекст до 32 768 токенов и использует формат промптов ChatML. В репозитории опубликованы веса safetensors. В README приведены результаты Open LLM Leaderboard: средний балл 21,82, IFEval — 42,02, BBH — 36,41; остальных строк таблицы недостаточно для оценки. Метаданные указывают лицензию other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория. Модель может ошибаться в коде и ответах; перед применением результаты стоит проверять.

wavecoder-ultra-6.7b-GGUF — это GGUF-квантизация модели wavecoder-ultra-6.7b, разработанной Microsoft и опубликованной в исходном виде на Hugging Face. Квантизации подготовлены пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации и обработки программного кода; в метаданных указаны задачи text-generation, набор данных HumanEval и метрика code_eval. Модель содержит 6,7 млрд параметров и поставляется в нескольких вариантах квантования от Q8_0 до IQ1_S, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS; их размер составляет примерно от 3,62 до 5,52 ГБ. Для работы используется формат GGUF и llama.cpp. Ожидаемый формат запроса близок к DeepSeek Coder или Alpaca: системная инструкция, блок «Instruction» и блок «Response». Сильной стороной модели является возможность локального запуска на широком диапазоне оборудования благодаря множеству уровней квантования, включая варианты для систем с ограниченным объёмом RAM. Более агрессивное квантование уменьшает размер и требования к памяти, но снижает качество генерации. README не содержит сведений об архитектуре, поддерживаемых языках программирования и естественных языках, размере контекстного окна, результатах сравнительных тестов или ограничениях безопасности. Указана лицензия other с license_name deepseek; точные условия лицензии следует уточнять в исходной карточке модели.

DCAgent/a1-magicoder — дообученная на базе Qwen/Qwen3-8B языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров. Модель предназначена для диалоговой генерации текста; название и обучающие данные указывают на настройку для задач, связанных с программированием и следованием инструкциям. В README указан датасет Magicoder-Evol-Instruct-110K с обучающими примерами и трассами GLM 4.7. Модель использует формат safetensors и поддерживает контекст до 40 960 токенов. Базовая Qwen3-8B многоязычна и рассчитана на генерацию текста, рассуждения, инструкции, код и вызов инструментов, но отдельные языки и возможности этой производной модели в карточке не подтверждены. Лицензия обозначена как other; конкретные условия использования следует проверять в репозитории модели.

Absolute_Zero_Reasoner-Coder-14b-GGUF — это квантованная версия языковой модели Absolute_Zero_Reasoner-Coder-14b, разработанной andrewzh. Квантование выполнил bartowski с использованием llama.cpp и метода imatrix; модель распространяется в формате GGUF и предназначена для запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель относится к классу text-generation и ориентирована на задачи рассуждений и генерации программного кода. Известен размер базовой модели — 14 млрд параметров. В карточке не указаны архитектура, поддерживаемые языки, контекстное окно и мультимодальные возможности, поэтому подтвердить эти характеристики нельзя. Доступны варианты от BF16 до различных квантований Q8, Q6, Q5, Q4, Q3 и IQ. Более высокие уровни квантования сохраняют лучшее качество, но требуют больше памяти; варианты Q4 и Q5 описаны как сбалансированные по качеству и размеру, а Q3 предназначены для систем с ограниченным объёмом RAM. Квантованные файлы удобны для локального запуска, однако снижение точности по сравнению с исходной моделью зависит от выбранного варианта. Лицензия в README не указана.

Jebadiah/Aria-diamond-ruby-v1 — модель генерации текста семейства Llama, созданная автором Jebadiah линейным слиянием предварительно обученных моделей Jebadiah/Aria-p1-sand-stone и Jebadiah/Tess-coder-ruby-p7 с помощью mergekit. Она содержит 7,5 млрд параметров, построена на архитектуре LlamaForCausalLM и предназначена для диалоговой генерации текста и кода, включая Ruby. Модель принимает текст и выдаёт текст; поддерживает контекст до 8192 токенов и рассчитана на использование с библиотекой Transformers. В карточке и метаданных не описаны специальные домены или языки, поэтому они не уточняются. Репозиторий распространяет веса в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели TechxGenus/CursorCore-Yi-9B 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-MLX-oQ4e — квантованная MLX-версия модели CyberTiel, разработанная peculiar-ragdoll на базе Huihui-Ornith-1.5-35B-A3B-abliterated от huihui-ai. Это MoE-модель класса 35B-A3B с 4-битной квантизацией oMLX oQ4e, адаптированная для Apple Silicon и запуска через MLX. В модель также добавлена голова multi-token prediction (MTP) для ускорения генерации, а веса откалиброваны на специализированном корпусе для задач кибербезопасности и программирования. Указаны английский и китайский языки; README также помечает модель как vision и image-text-to-text, однако подробности поддерживаемых визуальных входов и размер контекста не приведены. Модель предназначена прежде всего для агентного программирования, автономного исправления ошибок в крупных кодовых базах, решения задач SWE и offensive security, включая CTF. По заявлению разработчика, она сочетает высокую способность к решению задач со скоростью, подходящей для маломощного оборудования и ограниченной памяти; размер файла составляет примерно 23 ГБ. Модель abliterated и uncensored, поэтому может генерировать контент, от которого другие модели отказываются, включая потенциально опасные инструкции. Это расширяет применимость в легитимных исследованиях безопасности, но повышает риски и требует изолированной среды, мониторинга и ответственного использования. Сборочные тесты и приведённые численные результаты относятся к другой, GGUF-версии, а не непосредственно к этому MLX-файлу, поэтому их нельзя считать точными измерениями данной сборки. Для запуска с MTP рекомендуется использовать oMLX. MTP-сборка некорректно работает в LM Studio и выдаёт бессмысленные многоязычные токены; для LM Studio следует выбрать GGUF-версию или MLX-сборку без MTP. Распространение разрешено по лицензии MIT.

Ektome-Qwen2.5-Coder-7B-Instruct-PristinelyUncensored — текстовая instruction-модель, разработанная Zynerji на основе Qwen/Qwen2.5-Coder-7B-Instruct. Она предназначена для генерации текста и решения задач программирования, следования инструкциям, рассуждений, арифметики и работы с общими знаниями. В README указана поддержка английского языка и размер 7B параметров; сведения о длине контекста и мультимодальности не приведены. Модель подвергнута процедуре Ektome, которая, согласно описанию, удаляет компонент, связанный с отказами, без дополнительного обучения и с сохранением общих возможностей. Для неё заявлен сертифицированный результат PASS в сравнении с исходной моделью на 2800 примерах: проверялись арифметика, следование инструкциям, знания и рассуждения, при пределе ухудшения 3%. Доступны GGUF-квантизации от 3 до 8 бит, включая варианты с imatrix. Модель является uncensored и по замыслу не отказывается от запросов, поэтому не предоставляет встроенных гарантий безопасности; ответственность за применение лежит на пользователе. Сертификат подтверждает только сохранение возможностей и не гарантирует безопасность, фактическую точность или пригодность для конкретных задач. Для модели не записаны отдельные проверки качества генерации и receipt по compliance/MMLU. Лицензия — Apache-2.0.

fable-coder-35B-A3B — модель для агентного программирования, созданная Dappit Labs на основе Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated. Это модель семейства Qwen3.5 MoE с 35 млрд параметров и примерно 3 млрд активных параметров; она дообучена методом LoRA на примерах агентной работы с кодом и вызовами инструментов в стиле Claude Code. Модель генерирует текст и интерфейсные вызовы инструментов для работы в агентной оболочке. Она предназначена для написания и редактирования кода, выполнения тестов и итеративного исправления ошибок. По описанию авторов, дообучение улучшает результаты на MBPP относительно базовой модели, сохраняя её способности к рассуждению; показатели приведены на собственной тестовой системе и не сопоставимы напрямую с официальными таблицами лидеров. Контекст модели — до 256 тысяч токенов. Модель основана на ослабленной в отказах (abliterated) версии базовой модели, поэтому отказы в ней в значительной мере удалены. Обучающие примеры преимущественно охватывают разработку веб-приложений, игр и Web3; на задачах вне этого распределения результаты могут быть нестабильными. Названия инструментов не привязаны к фиксированной схеме, а оценка SWE-bench Lite ещё не представлена. Лицензия репозитория — Apache-2.0.

FastContext-1.0-4B-SFT — плотная языковая модель для исследования репозиториев кода в роли вспомогательного агента для LLM-систем разработки. Это вариант на 3,7 млрд параметров, дообученный методом SFT на базе Qwen/Qwen3-4B-Instruct-2507; модель семейства Qwen3 использует архитектуру Qwen3ForCausalLM и принимает контекст до 262 144 токенов. Она анализирует запрос разработчика, ищет релевантные файлы и фрагменты через операции чтения и поиска, а затем возвращает компактные пути и диапазоны строк с цитатами, чтобы основной агент мог решать задачу с меньшим объёмом нерелевантного контекста. Модель рассчитана на работу как субагент с инструментами чтения и поиска, включая параллельные вызовы инструментов; её карточка также описывает сбор доказательств в несколько шагов и генерацию точных ссылок на строки. README сообщает об улучшении результатов решения задач и снижении расхода токенов при интеграции с Mini-SWE-Agent, но это показатели конкретных бенчмарков и конфигураций. Модель распространяется в формате Safetensors по лицензии MIT; заявленный язык — английский.

Hemlock2-Coder-7B-i1-GGUF — это квантизированная версия языковой модели для генерации и обработки программного кода Hemlock2-Coder-7B. Базовую модель разработала команда hemlang, а квантизацию выполнил mradermacher. Модель распространяется в формате GGUF и предназначена для локального запуска в совместимых инструментах вывода. Модель содержит около 7 миллиардов параметров и ориентирована прежде всего на задачи кодинга и текстовой генерации. В метаданных указан английский язык; сведения о поддерживаемых языках помимо английского, контекстном окне, точной архитектуре и мультимодальности отсутствуют. В качестве связанного набора данных указан hemlang/Hemlock2-DPO, а среди тегов упоминается ORPO, однако подробности обучения и результаты тестирования не приведены. Доступны варианты квантизации от очень компактных IQ1 и IQ2 до более качественного Q6_K. Это позволяет выбирать между требованиями к памяти, скоростью и качеством генерации; для баланса размера, скорости и качества в README рекомендуются варианты i1-Q4_K_S и особенно i1-Q4_K_M. Сильной стороной является широкий выбор GGUF-квантизаций для локального использования, однако низкобитные варианты могут заметно терять в качестве. Лицензия модели в README не указана, поэтому условия использования необходимо уточнять отдельно у разработчиков базовой модели и автора квантизации.

RemySkye/KAT-Coder-V2.5-Dev-GGUF — это набор GGUF-квантизаций модели KAT-Coder-V2.5-Dev, разработанной Kwaipilot и подготовленной для использования с llama.cpp пользователем RemySkye. Модель предназначена для генерации кода и агентских сценариев программирования, включая работу с инструментами и автоматизацию задач разработки, однако подробные сведения о возможностях исходной модели в представленном README отсутствуют. Доступны варианты от BF16 размером 64,61 GiB до квантизаций Q2_K размером 12,05 GiB, а также форматы Q3, Q4, Q5, Q6 и Q8. Квантизация позволяет выбирать компромисс между требованиями к памяти и сохранением качества, но более компактные варианты могут уступать полноразмерной версии. Модель относится к архитектуре mixture-of-experts; также заявлены поддержка текстовой генерации и кодовых задач. Языки, размер исходной модели, контекстное окно и модальности в README не указаны. Распространяется по лицензии Apache-2.0. Ограничения и условия использования, кроме лицензии, должны уточняться в документации исходной модели Kwaipilot/KAT-Coder-V2.5-Dev.

Это квантованная в формате MXFP4 версия модели Kwaipilot/KAT-Coder-V2.5-Dev с MTP. Модель предназначена для генерации текста в диалоге и агентного программирования; в каталоге для базовой модели указана поддержка вызова инструментов. Для запуска требуется актуальная версия llama.cpp. Репозиторий представлен в формате GGUF. В README и метаданных нет сведений о размере, длине контекста, поддерживаемых языках и лицензии.

Kimi-Dev-72B — открытая языковая модель для инженерных задач с программным обеспечением, разработанная командой Kimi-Dev. Она дообучена на базе Qwen/Qwen2.5-72B и представляет собой плотную причинную модель Qwen2 с 71,5 млрд параметров. Модель предназначена для решения задач по реальным репозиториям, в частности для поиска и исправления ошибок по описанию проблемы; разработчики сообщают о результате 60,4% на SWE-bench Verified среди открытых моделей. Модель оптимизирована масштабным обучением с подкреплением: она вносит исправления в репозитории в Docker и получает вознаграждение, если проходит весь набор тестов. Поддерживаются генерация текста и интерфейс вызова инструментов; заявленная длина контекста — 131 072 токена. Модель доступна в формате safetensors через Transformers и распространяется по лицензии MIT. Карточка не сообщает о поддержке естественных языков; основное назначение модели — работа с кодом.

Kimi-K2-Base — базовая языковая модель, разработанная Moonshot AI. Это фундаментальная версия семейства Kimi K2, предназначенная для исследователей и разработчиков, которым нужен контроль над дообучением и созданием специализированных решений. Модель ориентирована на задачи работы с текстом, рассуждения, программирования, использования инструментов и построения автономных агентных систем. Модель использует архитектуру Mixture-of-Experts (MoE) с 1 трлн общих параметров и 32 млрд активируемых параметров. Она содержит 61 слой, включая один плотный слой, 384 эксперта, из которых для каждого токена выбираются 8, один общий эксперт, 64 attention-головы, скрытую размерность внимания 7168, размерность MoE-эксперта 2048 и словарь из 160 тысяч токенов. Используются механизм внимания MLA и функция активации SwiGLU; длина контекста составляет 128K токенов. Модель предварительно обучена на 15,5 трлн токенов с использованием оптимизатора MuonClip. README не указывает поддерживаемые языки и мультимодальные возможности, поэтому модель следует рассматривать как текстовую без подтверждённой мультимодальности. В отличие от готовой инструкционной версии, Base требует дополнительной настройки под конкретные сценарии и не предназначена прежде всего для непосредственного использования в чат-интерфейсе. Лицензия указана как modified MIT.

Laguna-S-2.1-JANG_4M-CRACK — текстовая MoE-модель, подготовленная dealignai на основе poolside/Laguna-S-2.1 для агентного программирования, рассуждений и вызова инструментов. Веса подвергнуты CRACK-abliteration, удаляющей поведение отказа, и смешанной низкоразрядной квантизации JANG для MLX на Apple Silicon. Метаданные указывают 6,8 млрд параметров, тогда как README описывает исходную Laguna-S-2.1 как модель на 118 млрд параметров; размер активной части MoE отдельно не уточнён. Модель принимает текст и генерирует текст. В README заявлены режимы рассуждения и прямых ответов, сохранённый интерфейс вызова инструментов и контекст 262 тыс. токенов; метаданные каталога указывают нативный контекст 1 048 576 токенов. Предназначена прежде всего для агентных задач разработки и работы с инструментами. README приводит результаты MMLU и HarmBench, полученные через vMLX, но они не гарантируют качество на других задачах или средах. Модель рассчитана на запуск через vMLX либо совместимую среду MLX с поддержкой Laguna; сборка JANG занимает около 63 ГБ и ориентирована на Apple Silicon. Указана лицензия «other», поэтому конкретные условия использования следует сверять с карточкой модели. README сообщает об удалении отказов безопасности и заявляет, что модель будет выполнять запросы разных категорий; это ограничивает её безопасное применение.

Llama 3.1 Future Code Ja — языковая модель примерно на 7,5 млрд параметров, разработанная на основе Meta Llama 3.1. Она предназначена прежде всего для генерации и дополнения кода: модель прошла продолжительное предобучение на данных с кодом и преимущественно японским текстом, затем была объединена с instruct-вариантом Llama 3.1 и дообучена на инструкциях по программированию с помощью SFT и DPO. Модель поддерживает японский и английский языки, более 40 языков программирования, а также заполнение пропусков в коде с учётом контекста до и после пропуска (Fill-in-the-Middle). Контекст составляет до 131 072 токенов. Модель также справляется с общими инструкциями и задачами на японском и английском языках. В карточке приведены результаты тестирования генерации кода и языковых задач; они показывают сильные результаты в ряде сценариев, но не гарантируют качество для конкретного проекта. Модель не обучалась на специфичных данных организаций и нестандартных задачах разработки; её ответы могут содержать ошибки и требуют проверки. Для таких задач авторы рекомендуют дополнительное дообучение. Лицензия — Llama 3.1.

LongLLaMA-Code-7B — языковая модель для генерации кода, разработанная командой LongLLaMA во главе с Шимоном Творковским. Это плотная авторегрессионная модель LongLLaMAForCausalLM на 6,6 млрд параметров, построенная на основе Code Llama и дообученная методом Focused Transformer (FoT) для работы с длинным контекстом. Репозиторий содержит веса PyTorch; модель выпущена как исследовательский предварительный релиз. Модель предназначена для генерации и продолжения кода, а также для рассуждений над длинными текстовыми и программными входами. В README указано, что обучение FoT проводилось на контекстах до 32 тысяч токенов, а механизм памяти позволяет расширять эффективный контекст; для LongLLaMA-Code приведён пример извлечения данных из последовательностей до 256 тысяч токенов. Метаданные каталога указывают нативный контекст в 4096 токенов. Метод обрабатывает длинные входы окнами и использует кэш памяти в выбранных слоях. В README отмечено улучшение результата на GSM8K с 13% до 17,4% после продолжения предобучения без дообучения на данных этой задачи. Модель ориентирована на код, однако количественные характеристики контекстного извлечения не гарантируют такое же качество на всех задачах и длинах. Лицензия указана как Llama 2; перед использованием следует проверить её условия и применимость к конкретному сценарию.

Nondzu/Mistral-7B-Instruct-v0.2-code-ft — дообученная авторами репозитория языковая модель для помощи в программировании и работы в формате чат-ассистента. В основе лежит mistralai/Mistral-7B-Instruct-v0.2; модель дообучена методом QLoRA на диалоговом датасете ajibawa-2023/Code-74k-ShareGPT. Архитектура — плотная авторегрессионная MistralForCausalLM с 7,1 млрд параметров; метаданные указывают контекст до 32 768 токенов. Модель предназначена для генерации кода, ответов на вопросы по программированию и сценариев помощника-разработчика. Карточка приводит результат Eval Plus 0,421, но не уточняет методику и условия оценки. Для запуска доступны веса PyTorch и Safetensors; указан шаблон диалога ChatML. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов на условиях лицензии.

Ornith-1.0-35B-GGUF — открытая языковая модель семейства Ornith-1.0, разработанная командой проекта Ornith и ориентированная на агентное программирование. Модель предназначена для генерации кода, автономного выполнения задач разработки и работы в инструментах командной строки, включая сценарии, оцениваемые в Terminal-Bench и SWE-bench. Версия 35B позиционируется как облегчённый вариант семейства для эффективного развёртывания на одной GPU. Модель относится к текстовым моделям генерации; точная архитектура, размер контекстного окна и перечень поддерживаемых языков в карточке не указаны. В описании семейства упоминается обучение с подкреплением, в ходе которого оптимизируются как траектории решения, так и управляющие их scaffolds, что должно улучшать поиск решений и качество результатов. Для Ornith-1.0-35B заявлены результаты 64,2 в Terminal-Bench 2.1 (Terminus-2), 62,8 в Terminal-Bench 2.1 (Claude Code), 75,6 в SWE-bench Verified и 50,4 в SWE-bench Pro. Сильными сторонами модели являются специализация на агентных задачах программирования, открытый исходный доступ и заявленная эффективность развёртывания. Ограничения включают отсутствие в карточке подробностей о языках, контексте, точной архитектуре и возможностях за пределами текстового программирования; приведённые показатели зависят от используемого агента и методики оценки. Модель распространяется по лицензии MIT без региональных ограничений.

Ornith-1.0-9B-GGUF — компактная открытая языковая модель семейства Ornith-1.0, разработанная командой Deep Reinforce. Модель ориентирована на агентное программирование и предназначена для эффективного развёртывания на одной GPU. Это 9B-Dense-вариант, созданный на базе Gemma 4 и Qwen 3.5 с последующим обучением методом reinforcement learning. Поддержка формата GGUF указана в идентификаторе модели. Ключевая особенность Ornith-1.0 — самоулучшаемое обучение, при котором модель оптимизирует не только последовательность действий для решения задачи, но и scaffold, управляющий этим решением. Такой подход нацелен на улучшение поисковых траекторий и качества выполнения сложных задач разработки программного обеспечения. По заявленным результатам модель показывает высокую эффективность среди открытых моделей сопоставимого размера: 43,1 на Terminal-Bench 2.1 с Terminus-2, 40,6 с Claude Code, 69,4 на SWE-bench Verified и 42,9 на SWE-bench Pro. Сильными сторонами являются специализация на агентном кодинге, сравнительно небольшой размер и возможность локального запуска на одной GPU. Ограничения связаны с тем, что README не содержит сведений о размере контекста, поддерживаемых языках, мультимодальности, точных требованиях к оборудованию и качестве вне задач программирования; заявленные показатели также зависят от используемого агентного окружения. Модель распространяется по лицензии MIT и заявлена как доступная без региональных ограничений.