II.3Рефакторинг, миграция и модернизация

Ornith-1.5-27B-A3B-Coder — языково-модельный чекпойнт для генерации кода, созданный ManniX-ITA на основе Ornith-1.5-35B-A3B. Это разрежённая MoE-модель семейства Qwen3.5, полученная сокращением числа экспертов с 256 до 184 в каждом из 40 слоёв; активируются 3B параметров, а общий размер составляет около 26,7B. Маршрутизатор, механизм внимания, нормализации и голова MTP для спекулятивного декодирования сохранены без изменений. Веса представлены в BF16 и формате safetensors. Модель предназначена прежде всего для генерации и дополнения кода. В описанных разработчиком тестах она показала улучшение относительно исходной модели на ряде кодовых бенчмарков, но снижение результата на GPQA; README рекомендует для выбора между этой моделью и родственной CoderX начать с CoderX. Также заявлены возможности чата и интерфейс вызова инструментов, однако точность параметров при формировании структурированных вызовов инструментов отмечена как слабое место. Контекстная длина и конкретный набор поддерживаемых языков программирования в предоставленных данных не приведены. Лицензия — Apache-2.0. README называет модель исследовательским чекпойнтом и отмечает ограничения измерений: большинство результатов получены в одном прогоне, а для некоторых сравнений использовалась разная измерительная база.

Fastiraz/Ornith-1.5-9B-GGUF — квантованное представление модели Ornith-1.5-9B, разработанной командой Ornith AI. Это плотная языковая модель с 9 млрд параметров, предназначенная для эффективного развёртывания на одной GPU; мобильная квантованная версия также ориентирована на запуск на периферийных устройствах и смартфонах. Модель относится к классу генеративных текстовых моделей и предназначена прежде всего для программирования, решения инженерных задач и работы с инструментами командной строки. Ornith-1.5 развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным непрерывным предварительным обучением, промежуточным обучением и постобучением. В новой версии совместно оптимизируются генерация задач, построение scaffolding и rollouts решений с применением reinforcement learning и цикла самоулучшения. По заявленным результатам модель показывает сильные показатели в задачах разработки программного обеспечения: 70,6 на SWE-bench Verified, 47,5 на SWE-bench Pro и 46,2–47 на Terminal-Bench 2.1 в зависимости от используемого агента. Ключевыми преимуществами являются компактный размер, возможность локального запуска и специализация на агентных сценариях программирования. README не содержит сведений о поддерживаемых языках, длине контекста, точных параметрах квантования, мультимодальности, устойчивости к ошибкам или ограничениях качества вне приведённых тестов, поэтому эти характеристики требуют дополнительной проверки. Модель распространяется по лицензии MIT; карточка указывает pipeline для генерации текста.

OxCoder-9B-MERNIK-GGUF — это набор GGUF-квантизированных сборок модели OxCoder-9B, разработанной OrionLLM и дообученной для агентного программирования. Модель предназначена для генерации кода и решения задач программирования; в README приведены результаты на HumanEval, где лучшая сборка показывает pass@1 90,24% (148 из 164 заданий). Модель рассчитана на использование с llama.cpp и поддерживает формат GGUF. Базовая модель имеет около 9 млрд параметров, языком заявлен английский, а заявленный контекст составляет 262K токенов. Квантизация MERNIK использует распределение битности на основе imatrix с учётом perplexity, KLD относительно эталона и результатов на оцениваемых задачах. Доступны сборки размером 5,36 ГБ (Q4) и 6,83 ГБ (Q8); для сравнения приведена стандартная Q6_K размером 7,36 ГБ. Сильной стороной является высокая эффективность на HumanEval, однако показатели зависят от конкретной сборки, а результаты на нестандартном тесте GPQA-recognition ниже, чем у некоторых альтернатив, поэтому они не характеризуют полноценные рассуждения. Модель распространяется по лицензии Apache-2.0.

Phi-4-reasoning-plus — открытая языковая модель Microsoft Research для генерации ответов с развернутыми рассуждениями. Эта производная от microsoft/Phi-4-reasoning-plus модель содержит 14,1 млрд параметров и использует плотный декодерный Transformer семейства Phi-3. Она принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена прежде всего для англоязычных задач, где важны рассуждения и логика: решения задач по математике и науке, программирование, планирование и следование инструкциям. Её можно использовать как основу для генеративных функций в условиях ограниченных вычислительных ресурсов. Дообучение включало supervised fine-tuning на цепочках рассуждений и обучение с подкреплением; модель в среднем генерирует примерно на 50% больше токенов, что может повышать задержку. Карточка предупреждает, что модель проверялась прежде всего для математических рассуждений и не оценивалась специально для всех вариантов применения. Ответы требуют проверки, особенно в высокорисковых сценариях. Репозиторий распространяется по лицензии MIT.

unsloth/Qwen2.5-Coder-1.5B-bnb-4bit — 4-битная версия базовой языковой модели Qwen2.5-Coder, разработанной командой Qwen. Модель предназначена прежде всего для генерации, анализа и исправления исходного кода, задач code completion и fill-in-the-middle, а также для построения кодовых агентов. Это базовая модель после предварительного обучения, поэтому она не рекомендуется для непосредственного использования в диалогах без дополнительного дообучения или постобучения. Модель относится к causal language models и использует архитектуру на базе transformers с RoPE, SwiGLU, RMSNorm, смещениями в QKV-слоях внимания и связанными эмбеддингами слов. Она содержит около 1,54 млрд параметров, включая 1,31 млрд параметров без учёта эмбеддингов, 28 слоёв и групповое запросное внимание с 12 головами Q и 2 головами KV. Заявлена поддержка контекста до 131 072 токенов, однако исходная конфигурация рассчитана на 32 768 токенов; для более длинных входов требуется настройка YaRN. В README указан английский язык и библиотека Transformers. К сильным сторонам относятся компактный размер, сниженные требования к памяти благодаря 4-битному представлению и специализация на программном коде при сохранении математических и общих языковых способностей базовой серии Qwen2.5-Coder. Ограничения включают отсутствие instruction tuning, потенциально менее стабильное диалоговое поведение и возможное ухудшение производительности на коротких текстах при включении статического масштабирования YaRN. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-3B-GGUF — базовая языковая модель для работы с исходным кодом, созданная командой Qwen. Это GGUF-квантизация оригинальной модели Qwen2.5-Coder-3B, подготовленная bartowski на основе llama.cpp. Модель предназначена прежде всего для генерации и автодополнения текста и кода, а не для диалогового использования в формате instruct или chat. Модель имеет около 3 миллиардов параметров и поддерживает контекст длиной до 32 000 токенов. При обучении использовано 5,5 триллиона токенов. В метаданных указана поддержка английского языка и сценарии, связанные с программированием. Формат GGUF и совместимость с llama.cpp делают модель подходящей для локального запуска в приложениях и инструментах, поддерживающих этот формат. К сильным сторонам относятся специализация на коде, большой контекст и возможность локального использования в компактном размере. Ограничение состоит в том, что это базовая модель: она не оптимизирована для обычного общения и выполнения инструкций в диалоговом режиме, поэтому для таких задач может потребоваться дополнительное форматирование запросов или другая модель. Указанная лицензия — qwen-research; перед использованием следует ознакомиться с условиями лицензии по ссылке на оригинальную модель.

czlll/Qwen2.5-Coder-7B-CL — языковая модель для локализации кода, разработанная на основе Qwen и предназначенная для поиска файлов, классов и функций, относящихся к описанию задачи на естественном языке. README описывает подход LocAgent: модель анализирует графовое представление кодовой базы и связи между её компонентами; её можно встроить в IDE и инструменты разработки. Метаданные указывают на архитектуру Qwen2 dense с 7,1 млрд параметров, контекст до 131 072 токенов, поддержку чата и интерфейса вызова инструментов. Модель принимает текст и выдаёт текст; README указывает английский как основной естественный язык, а также ориентированность на код. Модель заявлена как дообученная версия Qwen-2.5-Coder-Instruct-32B, хотя это расходится с идентификатором репозитория и метаданными архитектуры и размера. Основание для связи с этой базовой моделью — только README. Лицензия по метаданным — MIT. Точность локализации зависит от полноты и корректности графа кодовой базы, сложности проекта и ясности описания задачи; возможны унаследованные смещения обучающих данных.

Qwen2.5-Coder-7B-Instruct-4bit — 4-битная версия модели для генерации кода из семейства Qwen2.5-Coder, подготовленная mlx-community. README указывает, что модель преобразована в формат MLX из Qwen/Qwen2.5-Coder-7B-Instruct с помощью mlx-lm 0.18.1; в метаданных базовой моделью указана Qwen/Qwen2.5-Coder-7B. Это плотная причинная языковая модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов. Модель предназначена для генерации кода в диалоговом формате и подходит для помощи при написании и анализе программ. Репозиторий распространяется по лицензии Apache-2.0. README описывает конвертацию в MLX, а метаданные указывают на дообучение базовой модели для кода; представленных сведений недостаточно, чтобы точно описать качество по языкам программирования или результаты оценок.

Qwen2.5-Coder-7B-VN-Master-Polymath — дообученная чат-модель автора khoin68 на базе Qwen2.5-Coder-7B-Instruct. Это полноразмерная версия в формате 16-битных весов Safetensors с архитектурой Qwen2 и 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации и анализа кода, работы в роли ReAct-агента с инструментами, а также для ответов на вопросы о Вьетнаме. Среди заявленных сценариев — разработка на C++20/23 и Python, создание веб-приложений на React, Vite и Tailwind, поиск и исправление уязвимостей по CWE, ответы о провинциях, истории и законодательстве Вьетнама, а также написание стихов в форме луат бат. В карточке указаны вьетнамский и английский языки, интерфейс для вызова инструментов и лицензия Apache-2.0. Описание обучения на более чем 150 000 примерах и перечисленные возможности приведены автором; независимые оценки качества не представлены.

Tendrun выпустил дообученную на базе Qwen/Qwen3.6-27B модель для локальных задач программирования с упором на Python и Django. Модель обучена методом LoRA на наборе из более чем 24 тысяч записей, подготовленных по коду Python/Django-репозиториев, и предназначена для работы в цикле разработки с coding-agent инструментами. Модель помогает создавать Django-приложения и backend-функции, разбирать трассировки ошибок, исправлять код в нескольких компонентах проекта и выполнять итеративный ремонт. Релиз представлен в формате GGUF с квантизацией Q4_K_M для локального запуска через совместимые инструменты, включая llama.cpp. Метаданные указывают лицензию Apache-2.0 и английский язык карточки; интерфейс модели принимает и генерирует текст и код. В ручных локальных проверках автор отмечает полезность для разработки backend-функций и исправления ошибок Django, однако стандартизированного публичного бенчмарка не проводилось. Модель ориентирована на backend: качество дизайна интерфейсов может быть базовым, а сгенерированный код, особенно валидацию, платежную логику и функции безопасности, необходимо проверять.

Qwen3.8-Flash-Coder Selective INT8 — сжатая версия модели Qwen3.8-Flash-Next, опубликованная Jab1718 и предназначенная для генерации кода и диалогового использования. Это языковая MoE-модель с 48 слоями, 128 экспертами на слой и выбором восьми активных экспертов. По README, матрицы маршрутизации и внимания сохранены в BF16, а параметры FFN-экспертов сжаты до INT8; файлы Safetensors занимают около 19,7 ГБ. Метаданные указывают 5,1 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации и дополнения кода, в том числе на Python и Rust, а также для программных диалогов. README заявляет прохождение всех четырёх проверок на стандартных тестах Python и Rust; это ограниченный набор оценок и не гарантирует качество на других языках программирования и задачах. Указанная лицензия — Apache 2.0.

seldonium-2x7b-MoE-v0.1 — языковая модель архитектуры Mixture of Experts (Mixtral), созданная объединением Locutusque/Hercules-4.0-Mistral-v0.2-7B и Open-Orca/Mistral-7B-OpenOrca с помощью LazyMergekit. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и сочетает специализацию компонентов на программировании, логических задачах и анализе. Её можно использовать для написания функций и алгоритмов, работы со структурами данных, решения логических задач и оценки аргументов. Базовая модель Open-Orca ориентирована на инструкции и генерацию текста на английском языке; карточка этой модели не подтверждает отдельную поддержку других языков. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0.

second-state/StarCoder2-3B-GGUF — это квантованная в формате GGUF версия языковой модели StarCoder2 3B, разработанной командой BigCode и подготовленной к распространению компанией Second State Inc. Модель предназначена для генерации и дополнения программного кода, а также других сценариев работы с текстом, связанных с программированием. В карточке указана интеграция с библиотекой Transformers и назначение text-generation. Модель основана на bigcode/starcoder2-3b и имеет размер 3 миллиарда параметров. Доступны варианты квантования от 2 до 8 бит с размером файлов примерно от 1,15 до 3,22 ГБ. Заявленный размер контекста — 3072 токена. Представлены различные уровни компромисса между размером файла и качеством: Q4_K_M, Q5_K_M и Q5_K_S отмечены как рекомендуемые, тогда как варианты с более низкой разрядностью могут заметно терять в качестве. Основное преимущество модели — возможность локального запуска при относительно небольшом объёме памяти, особенно в низкоразрядных вариантах. Ограничения включают потерю качества из-за квантования, наиболее выраженную у Q2 и Q3, а также отсутствие в README сведений о поддерживаемых языках программирования и естественных языках, точной архитектуре, мультимодальности и результатах оценки. Указана лицензия bigcode-openrail-m.

StarCoderBase-7B — базовая языковая модель для кода, разработанная проектом BigCode. Она содержит 7 млрд параметров и построена на архитектуре GPT-2 с Multi Query Attention. Модель обучена на корпусе The Stack v1.2, включающем более 80 языков программирования, с использованием цели Fill-in-the-Middle на 1 трлн токенов; длина контекста составляет 8192 токена. Модель предназначена для генерации и продолжения кода по контексту, в том числе для заполнения пропусков внутри фрагмента кода. Это базовая модель, а не модель, настроенная на выполнение инструкций: запросы на естественном языке могут работать хуже, чем подсказки с кодом или техническим контекстом. Генерация может содержать ошибки, уязвимости или неэффективные решения. Возможны дословные фрагменты из обучающих данных, поэтому следует проверять происхождение и лицензионные требования к сгенерированному коду. Лицензия — BigCode OpenRAIL-M.

SWE-agent-LM-7B — языковая модель команды SWE-bench для задач программной инженерии и работы в SWE-agent. Авторы дообучили Qwen/Qwen2.5-Coder-7B-Instruct на 5 тысячах траекторий, созданных SWE-agent совместно с Claude 3.7 Sonnet с помощью инструментария SWE-smith. Модель построена на архитектуре Qwen2 с плотной causal language model, содержит 7,1 млрд параметров и принимает текстовый ввод, выдавая текст. Контекстное окно — 32 768 токенов. Модель предназначена для интеграции с SWE-agent и может применяться в агентных сценариях разработки ПО, включая анализ задач и работу с кодом. В карточке указана совместимость с SWE-agent и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.

SWE-Dev-32B — открытая модель для агентных задач разработки программного обеспечения, представленная авторами проекта SWE-Dev в исследовательской статье. Она дообучена на базе Qwen/Qwen2.5-Coder-32B-Instruct и построена на плотной архитектуре Qwen2; для работы с ней указаны Transformers и формат safetensors. Модель поддерживает диалоговый интерфейс и интерфейс вызова инструментов, а контекст составляет 32 768 токенов. Модель предназначена для программных агентов, которые находят нужный код в репозитории, разбирают задачи и помогают вносить и проверять изменения. В README описан конвейер подготовки данных из GitHub с задачами локализации кода, генерации тестов и оценки. В SWE-bench-Verified для SWE-Dev-32B сообщается показатель решения 36,6%; результат зависит от числа раундов вывода и качества данных. Лицензия — MIT.

Jebadiah/Tess-coder-ruby-p7 — модель генерации текста на основе архитектуры Llama, созданная слиянием предварительно обученных моделей с помощью mergekit. В слиянии использованы Jebadiah/Tess-coder-ruby-p6 и ChaoticNeutrals/Puppy_Purpose_0.69; применён метод DARE linear. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалоговой генерации текста и кода, включая задачи с Ruby. Она принимает текст и выдаёт текст; в метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

Tiel-Coder-35B-A3B-Genesis-Hermes-GGUF — языково-кодовая модель в формате GGUF, разработанная LuffyTheFox на основе Ornith-1.5-35B-A3B, с использованием компонентов Tiel-Coder и Hermes-файнтюнинга. Модель дополнительно обработана методом Genesis, который автор описывает как численную коррекцию шумов и дефектов в весах без переобучения. Указана лицензия MIT. Модель предназначена для программирования, агентных сценариев, вызова функций и задач, требующих следования инструкциям. Поддерживаются текстовые и визуальные сценарии, однако для работы с изображениями требуется отдельный файл mmproj. В README заявлена поддержка английского, китайского и многоязычного ввода. Архитектура гибридная: Gated DeltaNet с линейным вниманием сочетается с полным softmax-вниманием в соотношении 3:1. Всего модель содержит около 35 млрд параметров, из которых примерно 3 млрд активируются за один проход; используется MoE-схема с 256 экспертами, 8 маршрутизируемыми и 1 общим экспертом на токен, а также 40 слоями. Для сохранения возможностей рассуждения рекомендуется контекст не менее 128K токенов и запуск через llama.cpp с флагом --jinja. Модель ориентирована на эффективный инференс, но требует значительных вычислительных ресурсов, особенно при использовании длинного контекста и визуального режима. README не содержит независимых результатов бенчмарков, поэтому заявленные улучшения стабильности, качества и снижения галлюцинаций следует считать утверждениями автора, а не подтверждёнными измерениями.

laion/tt-x4_temperature-t0p7-45-30B — экспериментальный чекпойнт модели, созданный в рамках гиперпараметрического перебора TaskTrove. Он получен дообучением Qwen/Qwen3-Coder-30B-A3B-Instruct методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; контроль кампании применял shaping по pass_ratio. В метаданных указана архитектура Qwen3 MoE для генерации текста, поддержка чата, 2,6 млрд параметров и контекст до 262 144 токенов. Модель ориентирована на генерацию кода и работу с многофайловыми задачами; README описывает выбор шага 45 как лучшего сохранённого чекпойнта по скользящей EMA награды. Обучение остановили на шаге 66 из 80 из-за роста энтропии политики; шаг 45 предшествует этому ухудшению, но результат обучения не достиг полного горизонта. Данных о языках, кроме английского в карточке, недостаточно для вывода о более широкой языковой поддержке. Лицензия — Apache-2.0.

zen4-coder-i1-GGUF — это набор GGUF-квантизированных версий модели zenlm/zen4-coder, подготовленный пользователем mradermacher. Модель предназначена прежде всего для генерации и обработки программного кода, а также для сценариев локального запуска через совместимые инструменты, поддерживающие формат GGUF. В метаданных указана поддержка английского языка и библиотека Transformers. Доступны варианты с различными типами и уровнями квантизации — от IQ1 и IQ2 до Q6_K — размером примерно от 16,3 до 65,6 ГБ. README не содержит сведений об архитектуре, общем числе параметров, длине контекста, точных возможностях программирования, результатах тестирования или поддерживаемых модальностях, поэтому эти характеристики нельзя определить достоверно. Варианты различаются компромиссом между размером, скоростью и качеством: наиболее компактные квантизации могут заметно терять в качестве, тогда как Q4_K_M отмечен как быстрый и рекомендуемый, а IQ-варианты часто предпочтительнее сопоставимых по размеру стандартных квантизаций. Модель подходит для локального инференса при наличии достаточного объёма оперативной или видеопамяти, причём требования зависят от выбранного файла. Ограничениями являются возможное ухудшение качества на низких уровнях квантизации и отсутствие подробных данных о базовой модели. В метаданных указана лицензия Apache-2.0; квантизации подготовлены mradermacher.

Aroow-Rust-Coder-9B — специализированная модель для помощи в программировании на Rust, разработанная Convence на основе дообучения Qwen/Qwen3.5-9B. Она предназначена для генерации и дополнения кода, редактирования по схеме fill-in-the-middle, объяснения фрагментов и подготовки модульных тестов в редакторах, ноутбуках и сценариях локального или агентного запуска. Модель работает с функциями, структурами, перечислениями, трейtами, модулями и типичными конструкциями Rust, включая владение и заимствование, обработку ошибок через Result и Option, а также стандартную библиотеку. Репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers. Лицензия — Apache 2.0. README рекомендует проверять сгенерированный код компилятором, тестами, форматированием и ревью. Как и другие генеративные модели кода, она может предлагать ошибочные или небезопасные решения; заявленная специализация на Rust не подтверждает качество для других языков и задач.

legraphista/codegeex4-all-9b-IMat-GGUF — это набор GGUF-версий модели THUDM/codegeex4-all-9b, подготовленный пользователем legraphista. Модель предназначена для генерации текста, включая задачи, связанные с программированием; в метаданных указаны китайский и английский языки. Исходная модель использует формат BF16, а опубликованные файлы представлены в вариантах BF16, F16 и разных уровнях квантования. Модель содержит около 9 миллиардов параметров. Доступны квантизации Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K, IQ4 и IQ3, что позволяет выбирать между качеством, размером файла и требованиями к ресурсам. Для ряда вариантов применена IMatrix-квантизация, предназначенная для снижения потерь качества при уменьшении точности. Файлы рассчитаны на использование с инструментами, поддерживающими формат GGUF, включая llama.cpp; также опубликован файл imatrix.dat. Преимуществами являются широкий выбор уровней квантования и наличие вариантов размером примерно от 4 до 10 ГБ, что облегчает локальный запуск на системах с разными ресурсами. Ограничения включают отсутствие в предоставленных данных сведений об архитектуре, размере контекста, мультимодальности, точных возможностях модели и результатах оценки качества; поэтому её следует рассматривать как текстовую модель без подтверждённой поддержки других модальностей. Лицензия обозначена как codegeex4; подробные условия доступны по ссылке на лицензию исходной модели THUDM/codegeex4-all-9b.

CodeGemma 1.1 7B IT — это инструкционно дообученная языковая модель для генерации и работы с программным кодом, разработанная Google. Данная версия опубликована в формате GGUF и квантизирована bartowski с использованием llama.cpp и метода imatrix. Размер исходной модели — 7 миллиардов параметров. Модель предназначена для сценариев, связанных с программированием, включая генерацию кода по описанию задачи; в README приведён пример создания функции на Python для вычисления числа Фибоначчи. Для работы требуется специальный формат prompt с маркерами ролей CodeGemma. Модель не поддерживает system prompt. Сведения о поддерживаемых языках программирования, естественных языках и размере контекстного окна в предоставленных данных отсутствуют. Доступно множество вариантов квантизации с разным соотношением качества и требований к памяти: от Q8_0 размером 9,07 ГБ до компактных вариантов семейства IQ и Q2. В README наиболее рекомендуемыми названы Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и некоторые IQ-квантизации; варианты с более низкой разрядностью экономят память, но могут заметно уступать по качеству. Модель распространяется по лицензии Gemma, условия которой указаны по ссылке Google.

CodeLlama-13B-MORepair-GGUF — это набор квантизированных моделей в формате GGUF на основе CodeLlama-13B-MORepair, подготовленный пользователем bartowski с использованием llama.cpp и метода imatrix. Исходная модель разработана barty; README не содержит подробной информации о её архитектуре, обучении или поддерживаемых языках. Доступны варианты от полноточного F16 до квантизаций Q8, Q6, Q5, Q4, Q3 и Q2, включая форматы IQ. Размер файлов составляет примерно от 5,36 до 26,03 ГБ. Модель предназначена для локального текстового вывода, прежде всего для задач, связанных с программным кодом и его исправлением, что следует из названия MORepair и базовой модели CodeLlama. GGUF-варианты рассчитаны на запуск через llama.cpp и совместимые приложения, включая LM Studio. Более качественные варианты Q6 и Q5 обеспечивают минимальные потери относительно исходных весов, тогда как Q4 предлагают компромисс между качеством и требованиями к памяти; варианты с более сильным сжатием требуют большей осторожности из-за снижения качества. В README не указаны контекстное окно, точный набор языков программирования, мультимодальные возможности, результаты оценки, системные требования для конкретных конфигураций или рекомендованный формат промпта. Модель распространяется по лицензии Llama 2; условия исходной модели и возможные ограничения её применения следует проверять отдельно.

CodeQwen1.5-7B-OpenDevin — языковая модель для программирования, разработанная OpenHandsCommunity. Это дообученная версия CodeQwen1.5-7B на задачи агента OpenDevin; модель построена на архитектуре Qwen2 и содержит 6,9 млрд параметров. Она предназначена для генерации и понимания кода, а также для разработки, отладки и итеративного исправления программных проектов. Поддерживает контекст до 65 536 токенов и доступна в формате PyTorch; для запуска авторы рекомендуют развернуть её на GPU и обращаться через OpenAI API. В оценке SWE-Bench-Lite в среде OpenDevin CodeAct 1.3 модель решила 4 задачи, создав pull request с исправлениями. Авторы отмечают, что это эксперимент дообучения и что её результаты значительно уступают GPT-4. Лицензия в предоставленных данных не указана.

TroyDoesAI/Codestral-21B-Pruned — прореженная версия Codestral, созданная TroyDoesAI. Из исходной модели удалены два слоя: автор сообщает, что размер сократился с 22,2 до 21,5 млрд параметров без заметной потери качества. Метаданные указывают 21,3 млрд параметров, архитектуру MistralForCausalLM и контекст до 32 768 токенов. Модель предназначена для генерации текста и кода, в том числе для локального запуска при ограниченной памяти. Репозиторий содержит веса Safetensors для библиотеки Transformers. Указана лицензия Apache-2.0. Карточка не приводит результатов тестов, поэтому заявление о сохранении качества не подтверждено сравнительными оценками.

Deepthink-Reasoning-7B-GGUF — это набор GGUF-квантизаций 7-миллиардной текстовой генеративной модели Deepthink-Reasoning-7B, разработанной prithivMLmods и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на задачи рассуждений, решения алгоритмических задач и генерации кода, включая Python. Заявлен английский язык; поддерживается только текстовый ввод и вывод. Формат prompt использует шаблон ChatML с ролями system, user и assistant. Доступны варианты от F16 до низкобитных Q2 и IQ3, размером примерно от 3,35 до 15,24 ГБ. Более высокие уровни квантования сохраняют качество, но требуют больше памяти; Q6_K_L, Q6_K, Q5 и Q4_K_M указаны как рекомендуемые варианты для разных компромиссов между качеством и размером. Низкобитные варианты экономичнее по памяти, но могут заметно уступать в качестве. Контекстное окно и точные архитектурные характеристики в README не указаны. Модель предназначена для локального запуска через llama.cpp и LM Studio. Лицензия — CreativeML OpenRAIL-M.

jasperan/embeddinggemma-code-search — дообученная модель эмбеддингов на базе google/embeddinggemma-300m для семантического поиска по коду. Она обучалась на graded retrieval traces из сессий coding-агента: запросы на естественном языке сопоставлялись с фрагментами кода, размеченными по степени релевантности. Модель предназначена для поиска нужных функций и фрагментов в кодовой базе по описанию задачи или намерения. Модель использует плотную текстовую архитектуру Gemma 3 и библиотеку Sentence Transformers; содержит 302,8 млн параметров и принимает до 2048 токенов. Поддерживает Matryoshka-эмбеддинги с усечением до 128, 256 или 768 измерений, что позволяет выбирать баланс между качеством поиска и стоимостью индекса. В README приведены результаты на отложенных запросах по recall@5: после дообучения качество выросло на всех указанных размерностях, особенно при усечении до 128 измерений. Модель принимает текстовые запросы и фрагменты кода и выдаёт эмбеддинги для поиска по близости; метаданные также указывают задачу sentence-similarity. README описывает эксперимент на одной реальной Python-кодовой базе и не подтверждает качество на других корпусах или языках программирования. Лицензия — Gemma.

FastApply-1.5B-v1.0 — языковая модель Kortix для быстрого применения изменений к коду. Она дообучена на базе unsloth/Qwen2.5-Coder-1.5B-Instruct-bnb-4bit и использует плотную архитектуру Qwen2 с 1,5 млрд параметров. Модель принимает текст с исходным кодом и фрагментом изменений, а в ответ формирует полный обновлённый файл, сохраняя его структуру, порядок, комментарии и отступы. Модель предназначена для AI-редакторов кода и инструментов, которым нужно быстро объединять изменения в файлах, в том числе в сценариях Fast Apply. Заявленная длина контекста — 32 768 токенов; README сообщает о скорости около 340 токенов в секунду при запуске у быстрых провайдеров, но эта скорость зависит от среды выполнения. Карточка указывает английский язык, однако он не определяет язык программирования, который можно редактировать. Модель распространяется по лицензии Apache-2.0. Она специализирована на редактировании кода и выдаёт результат в виде текста; качество и скорость могут зависеть от провайдера, формата запроса и кода. Данных о конкретных ограничениях применения в карточке не приведено.

fuse-1 Lite — языковая модель для генерации текста с усиленными возможностями программирования, разработанная Akahsizrr. Она объединяет базовую модель LiquidAI/LFM2.5-2.6B с перенесёнными экспертами для кода из Qwen/Qwen3.6-35B-A3B и обучаемым маршрутизатором, который выбирает экспертов для токенов, связанных с программированием. В метаданных указано 2,6 млрд параметров, а в README — 5,72 млрд; README описывает архитектуру Fuse3 с экспертными дополнениями, тогда как в метаданных архитектура обозначена как dense. Контекст — до 131 072 токенов; модель доступна в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации кода, помощи при программировании и агентных сценариев. README сообщает, что базовые веса и эксперты заморожены, а обучались только маршрутизатор и масштабы экспертных слоёв на 55 примерах, поэтому качество маршрутизации может быть нестабильным на разнообразных задачах. Для загрузки требуется доверенное выполнение пользовательского кода модели (`trust_remote_code=True`); README также отмечает ограничения совместимости с vLLM и необходимость специальной поддержки для вариантов GGUF. Лицензия — Apache-2.0.