II.3Рефакторинг, миграция и модернизация

Это GGUF-квантизированная версия языковой модели llama3.1-8b_codeio_pp, разработанной командой hkust-nlp и подготовленной квантизатором bartowski. Модель предназначена для генерации текста, прежде всего для задач, связанных с программным кодом, и может использоваться локально в LM Studio, llama.cpp и других проектах на базе llama.cpp. Модель содержит 8 миллиардов параметров и распространяется в формате GGUF с вариантами квантизации от Q2 до Q8, включая Q4_K_M, Q5_K_M, Q6_K и Q8_0. Размер файлов составляет примерно от 3,7 до 8,5 ГБ. Квантизация выполнена с использованием imatrix и llama.cpp release b4688. Более качественные варианты требуют больше оперативной памяти, а низкобитные версии экономичнее, но могут заметно уступать в качестве генерации. README не содержит сведений о поддерживаемых языках, максимальном контексте, точной архитектуре базовой модели, лицензии или результатах независимого тестирования. Поэтому эти характеристики нельзя достоверно оценить по представленным данным. Для корректной работы следует использовать указанный формат prompt и совместимый движок инференса.

Ttimms/KAT-Coder-V2.5-Dev-REAP-50-bf16 — вариант модели KAT-Coder-V2.5-Dev, подготовленный автором репозитория как чекпойнт после прореживания на 50% методом REAP и сохранённый в формате bf16. Он служит исходными весами для создания собственных квантованных сборок, включая AWQ, EXL2, MLX и GGUF. Модель предназначена для генерации кода и агентных сценариев программирования; в каталоге отмечена поддержка диалога и кода. Архитектура связана с семейством Qwen 3.5 MoE и классом Qwen3_5MoeForConditionalGeneration; для запуска указана библиотека Transformers. Репозиторий распространяется по лицензии Apache-2.0.

Laguna-S-2.1-JANG_2L-CRACK — текстовая MoE-модель, выпущенная dealignai на основе poolside/Laguna-S-2.1. Она предназначена прежде всего для агентной разработки ПО, рассуждений и вызова инструментов. По карточке, базовая модель имеет 118 млрд параметров, 48 слоёв и контекст до 262 тыс. токенов; в метаданных указаны 6,8 млрд параметров и контекст до 1 048 576 токенов, поэтому сведения о размере и контексте расходятся. Модель подвергнута удалению отказов на уровне весов и квантована в смешанном формате JANG_2L для MLX и Apple Silicon; заявленный размер набора весов — около 41 ГБ. Поддерживаются режимы рассуждения и прямых ответов, а также интерфейс вызова инструментов. В README приведены результаты MMLU 73,7% и HarmBench 98,8% соответствия запросам; это результаты оценки автора через vMLX, а не независимая гарантия качества. README указывает лицензию как бесплатную для macOS, а метаданные обозначают её как other без конкретных условий. Карточка сообщает, что модель рассчитана на исследовательские цели и авторизованное тестирование безопасности; после удаления отказов она может выполнять широкий спектр запросов без отказа.

Llama3.1-TheiaFire-DarkFusion-8B — плотная языковая модель семейства Llama, созданная ZeroXClem слиянием четырёх моделей методом TIES. Она содержит 7,5 млрд параметров и принимает текст для генерации текстовых ответов; заявленная длина контекста — 131 072 токена. Модель рассчитана на диалог, технические рассуждения и генерацию кода, а также на анализ криптовалют и блокчейн-проектов, творческое письмо и ролевые сценарии. В карточке указаны специализация компонентов на криптовалютах, агентных задачах и коде, творческой генерации без ограничений и обобщении на новые задачи. Заявлены инструменты для поиска и вычислений, но доступность этих функций зависит от способа интеграции. README также предупреждает, что токенизатор может испытывать трудности с системными промптами в LM Studio, и отмечает риск предвзятых или неподходящих ответов. Лицензия — Apache 2.0.

Nxcode-CQ-7B-orpo-IMat-GGUF — это набор квантизованных GGUF-вариантов модели NTQAI/Nxcode-CQ-7B-orpo, подготовленный legraphista с использованием llama.cpp версии b3067. Модель предназначена для генерации текста и, судя по тегу code и названию исходной модели, ориентирована прежде всего на задачи, связанные с программным кодом. README не содержит точных сведений о поддерживаемых языках, контекстном окне и перечне специализированных сценариев. Исходная модель имеет размер 7B параметров и исходный формат BF16. Доступны варианты от BF16 и F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K, IQ4 и IQ3; размеры файлов составляют примерно от 3,05 до 14,50 ГБ. Для ряда низкобитных вариантов применена IMatrix-квантизация с использованием указанного калибровочного набора, что позволяет выбирать между качеством и требованиями к памяти. Файлы представлены в формате GGUF и предназначены для запуска в совместимой инфраструктуре, включая llama.cpp. Главные преимущества — широкий выбор уровней квантизации, возможность локального запуска и снижение требований к памяти по сравнению с полноразмерными вариантами. Ограничения связаны с тем, что квантизация может влиять на качество генерации, а README не приводит результатов оценки, сведений о мультимодальности или точных характеристик архитектуры. Для модели указана лицензия tongyi-qianwen-research; в качестве ссылки на условия лицензии приведён документ CodeQwen1.5-7B.

SC117/Ornith-1.0-35B-Heretic-MTP-APEX-GGUF — квантизированная GGUF-версия Ornith-1.0-35B от DeepReinforce AI, созданная на базе Qwen3.5 MoE. Модель ориентирована на агентное программирование, задачи рассуждения и сценарии, где требуется работа с кодом. Это экспериментальный вариант, в котором LoRA Heretic 1.4.0 Trial 63 объединена с весами BF16; также включены совместимая MTP-голова Qwen3.5, визуальный проектор BF16 и варианты APEX со смешанной точностью. Основной заявленный язык — английский. Архитектура мультимодальная, MoE: 35 млрд параметров всего, около 3 млрд активных на токен, 256 экспертов, из которых используются 8. Модель содержит 40 transformer-слоёв и один MTP-слой, поддерживает контекст до 262 144 токенов. В состав релиза входят GGUF-квантизации, предназначенные для более эффективного локального запуска, а также компоненты для обработки визуальных данных. В README не указаны конкретные результаты тестов или требования к аппаратному обеспечению. Сильными сторонами являются большое контекстное окно, MoE-архитектура с относительно небольшим числом активных параметров, поддержка мультимодальности, MTP и варианты смешанной точности. К ограничениям относятся экспериментальный характер производного релиза и возможное отличие поведения, включая отказоустойчивость и склонность к отказам, от исходной модели; перед развёртыванием требуется самостоятельная оценка. Модель распространяется по лицензии MIT.

Ornith-1.5-9B — плотная языковая модель с 9 млрд параметров, разработанная командой Ornith AI. Она создана на основе семейства Ornith и обучалась с использованием цикла самоулучшения: модель совместно оптимизирует генерацию задач, построение стратегий и выполнение решений с подкреплением вместо опоры только на заранее подготовленные человеком наборы данных и инструменты оценки. Модель предназначена прежде всего для генерации текста и задач, связанных с программированием, включая работу в терминале, исправление ошибок и решение задач из репозиториев. В README заявлены результаты на Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro и других тестах. Версия 9B позиционируется как наиболее компактная в семействе Ornith-1.5 и рассчитана на эффективный запуск на одной GPU; для мобильных устройств предусмотрена отдельная квантизованная версия Ornith-1.5-9B-Mobile. К сильным сторонам относятся компактный размер, ориентация на агентские сценарии программирования и улучшенные по сравнению с Ornith-1.0-9B результаты на указанных тестах. При этом модель уступает более крупным моделям в части приведённых сравнений, а сведения о поддерживаемых языках, размере контекста, точной базовой архитектуре, мультимодальности и ограничениях поведения в README не указаны. Лицензия также не указана, поэтому условия коммерческого и иного использования необходимо уточнять отдельно.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — модель на базе Qwen 3.8 27B, дообученная и объединённая в рамках многоэтапного пайплайна Fable Fusion и COLD FUSION с использованием Unsloth. Разработчик позиционирует её как открытую модель для потребительского оборудования. Доступны обычные и MTP GGUF-квантизации, включая варианты с точностью 4 и 8 бит. В README заявлены поддержка английского и китайского языков, а также image-text-to-text как тип задачи, однако подробности мультимодальной архитектуры не указаны. Модель предназначена для общего решения задач, рассуждений, программирования, творческого письма, создания художественных текстов, ролевых сценариев и других текстовых применений. Основной акцент сделан на сокращении объёма «размышлений» и ускорении генерации при сохранении детализации и качества ответов. Также заявлена ориентация на MTP и высокую производительность в задачах кодирования. По утверждению автора, модель превосходит базовые Qwen 3.8 27B и ряд других моделей в семи ключевых бенчмарках, включая ARC-C и ARC-E; независимое подтверждение этих результатов в предоставленных данных отсутствует. К сильным сторонам относятся сравнительно компактный размер для заявленного уровня возможностей, поддержка GGUF, наличие 4- и 8-битных вариантов, сниженное чрезмерное рассуждение и специализация на коде и творческой генерации. Ограничениями являются отсутствие точных данных о размере контекстного окна, параметрах мультимодальности, системных требованиях и реальной производительности на разных устройствах. Модель описывается как uncensored и abliterated, поэтому её поведение в вопросах безопасности может отличаться от исходной модели. Лицензия — Apache-2.0.

Qwen3.8-3.6-27B-blend — неофициальная производная модель, подготовленная JetBrains на основе моделей Qwen от Alibaba Cloud. Это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; её параметры получены линейным слиянием в пропорции 50/50 чекпойнтов Qwen3.6-27B и Qwen3.8-27B. Конфигурация, токенизатор, процессор и шаблон чата взяты от Qwen3.8-27B. Модель предназначена для диалогов, работы с изображениями и программирования; поддерживает интерфейс вызова инструментов. JetBrains приводит результаты внутреннего бенчмарка на задачах программирования, однако описание не содержит численных результатов качества. Доступны варианты BF16, GGUF, MLX 4-bit и MTP MLX 4-bit; в репозитории Hugging Face указаны веса safetensors. Дополнительного обучения или тонкой настройки не проводилось. Модель распространяется по лицензии Apache 2.0. Ограничения качества и поддерживаемые языки отдельно не описаны; применение для видео и многошаговых задач указано в сведениях о базовой модели, но карточка производной модели подтверждает только задачу image-text-to-text.

Speechless Tora Code 7B v1.0 GGUF — это языковая модель для генерации текста и программного кода, разработанная Jiangwen Su и квантованная TheBloke в формате GGUF. Модель основана на архитектуре Llama и содержит около 7 млрд параметров. В карточке указан английский язык, а исходный вариант доступен в формате PyTorch FP16. GGUF-файлы предназначены для локального запуска с использованием llama.cpp и совместимых интерфейсов и библиотек, включая text-generation-webui, LM Studio, KoboldCpp, ctransformers и llama-cpp-python. Модель ориентирована на программирование, генерацию кода и выполнение инструкций в текстовом формате. При обучении использовались наборы данных jondurbin/airoboros-2.2, Open-Orca/OpenOrca, garage-bAInd/Open-Platypus, WizardLM/WizardLM_evol_instruct_V2_196k и TokenBender/python_eval_instruct_51k. Для HumanEval указан результат pass@1 51,829%, однако он отмечен как непроверенный. Данные о размере контекста, поддерживаемых модальностях и специализированных языках программирования не приведены. Ключевое преимущество версии GGUF — возможность запуска на CPU и GPU с различными уровнями квантования от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Ограничения включают возможную потерю качества из-за квантования, отсутствие подтверждённых результатов оценки и неизвестный размер контекста. В карточке указана лицензия llama2.

StarCoderBase — авторегрессионная модель генерации кода, разработанная проектом BigCode. Она содержит 15,5 млрд параметров и обучена на 1 трлн токенов исходного кода из The Stack v1.2 на более чем 80 языках программирования. Архитектура основана на GPT-2 с Multi-Query Attention; модель обучалась с задачей Fill-in-the-Middle и принимает контекст до 8192 токенов. Модель предназначена для продолжения кода по контексту, генерации фрагментов и заполнения пропусков между частями кода. Это базовая модель, а не модель, настроенная на выполнение инструкций: запросы на естественном языке могут работать хуже, чем подсказки с кодом или специальный промпт Tech Assistant. Русский язык не указан как основной язык модели; при этом в обучающих данных преобладает английский исходный код. Сгенерированный код может содержать ошибки, быть неэффективным или уязвимым и не гарантированно работает как задумано. Модель может воспроизводить фрагменты кода из обучающих данных, поэтому необходимо проверять происхождение кода и соблюдать применимые требования атрибуции и лицензирования. Указана лицензия BigCode OpenRAIL-M.

SWE-rebench-openhands-Qwen3-30B-A3B — дообученная Nebius модель для генерации кода и работы агентом OpenHands над задачами разработки ПО. Это чекпойнт Qwen/Qwen3-30B-A3B-Instruct-2507, полученный методом rejection sampling fine-tuning на траекториях OpenHands из набора nebius/SWE-rebench-openhands-trajectories. Архитектура — MoE; метаданные указывают 2,6 млрд параметров, а в README модель описана как 30B. Контекст в метаданных — до 262 144 токенов; обучение использовало последовательности до 131 тыс. токенов. Модель предназначена для решения задач SWE-bench в агентном цикле: анализировать репозиторий, использовать инструменты и выполнять многошаговые изменения кода. В оценке с OpenHands она превзошла базовую Qwen3-30B-A3B-Instruct-2507 и на настройке в 500 ходов показала результаты на уровне или выше Qwen3-Coder-30B-A3B-Instruct на SWE-bench Verified. Датасет обучения исключал задачи SWE-bench Verified и сентябрьские задачи SWE-rebench; для SWE-bench Verified также проводилась проверка на утечку на уровне репозиториев. Репозиторий распространяется по лицензии Apache-2.0.

Terminus-Qwen3-8b — дообученная OrionLLM модель на базе Qwen/Qwen3-8B, разработанная для агентных задач в терминале. Она предназначена для рассуждений в командной строке, программной инженерии и работы с инструментами в средах вроде Codex и OpenCode. Модель с плотной архитектурой Qwen3 содержит 7,6 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Для обучения использован набор данных OrionLLM/OpenAgentInstruct. В README приведены результаты на Terminal-Bench 2.0 и SWE-Bench Verified, однако условия и воспроизводимость этих оценок не описаны. Модель распространяется по лицензии Apache-2.0.

Dingdust/VibeThinker-3B-heretic — производная модель на 3,1 млрд параметров, основанная на Qwen/Qwen2.5-Coder-3B. В карточке описана как версия VibeThinker-3B, ориентированная на проверяемые рассуждения; она предназначена для решения сложных задач по математике, программированию и STEM, а также для диалогов и следования инструкциям. Архитектура — плотная Qwen2ForCausalLM; модель работает с текстом, а нативный контекст составляет 131 072 токена. В README описаны постобучение по этапам SFT и обучения с подкреплением с проверяемыми наградами, а также результаты на математических и программных бенчмарках. Суффикс heretic и приведённые метрики отказов указывают на ослабление отказов модели; её следует оценивать отдельно для конкретных сценариев использования. Репозиторий распространяет веса в safetensors по лицензии MIT.

AlchemistCoder-DS-6.7B-GGUF — набор GGUF-квантизаций модели AlchemistCoder-DS-6.7B, первоначально разработанной командой InternLM. Квантизации подготовлены пользователем bartowski с помощью llama.cpp релиза b3024 и метода imatrix. Модель предназначена прежде всего для генерации и обработки программного кода, включая сценарии локального запуска через llama.cpp и совместимые инструменты. README не содержит сведений о поддерживаемых языках программирования и естественных языках. В набор входят варианты с разной точностью и размером: от Q8_0 объёмом 7,16 ГБ до IQ2_XS объёмом 2,03 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, тогда как низкие требуют меньше RAM или VRAM, но сильнее теряют в качестве; в README рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Архитектура, размер контекста, модальности и другие параметры исходной модели не указаны. Распространение заявлено по лицензии Apache-2.0. Для работы необходимо учитывать формат промпта, приведённый в README, и выбирать файл с учётом доступной памяти. Ограничения включают зависимость качества от уровня квантизации и отсутствие в доступных данных подробных характеристик, результатов оценки и описания исходного обучения.

CodeGen2.5-7B-instruct — авторегрессионная языковая модель для генерации программного кода, разработанная Salesforce. Модель содержит 6,7 млрд параметров, построена на плотной архитектуре Llama и обучена на инструкционных данных после CodeGen2.5-7B-mono; контекст — 2048 токенов. Предобучение семейства включало 1,4 трлн токенов StarCoderData. Модель предназначена для создания исполняемого кода по запросам на английском языке, автодополнения фрагментов программ и заполнения пропусков в коде. Она поддерживает несколько языков программирования и формат infilling. Репозиторий содержит веса PyTorch; карточка указывает исследовательское применение. Лицензия в метаданных обозначена как other, поэтому условия использования следует проверять для конкретной версии модели. Модель может воспроизводить фрагменты исходного кода из обучающих данных; лицензия такого кода может требовать указания авторства или соблюдения других условий. Качество, безопасность и корректность результатов не оценены для всех сценариев использования, поэтому сгенерированный код требует проверки.

unsloth/codellama-7b-bnb-4bit — это 4-битная версия модели CodeLlama 7B, опубликованная командой Unsloth и предназначенная для использования с библиотекой Transformers. По доступным данным, модель рассчитана прежде всего на эксперименты и дообучение: README описывает применение Unsloth для ускоренного fine-tuning моделей семейства CodeLlama, а также экспорт дообученных моделей в форматы GGUF и vLLM или загрузку на Hugging Face. Модель имеет около 7 миллиардов параметров и использует 4-битное квантование BNB, что снижает требования к памяти и делает её более подходящей для запуска и дообучения на ограниченных GPU-ресурсах. Указан английский язык, однако сведения о поддерживаемых модальностях, максимальной длине контекста и точной архитектуре в README отсутствуют. Основной сценарий — работа с задачами генерации и обработки кода на базе CodeLlama, включая дообучение на собственных наборах данных. К сильным сторонам относятся компактное 4-битное представление и совместимость с экосистемой Transformers и инструментами Unsloth для ускоренного fine-tuning. Конкретные показатели качества, ограничения модели, требования к аппаратному обеспечению и результаты тестирования не приведены. Лицензия — Apache-2.0.

DeepSeek V4 Flash 0731 for one DGX Spark — это квантованная сборка модели DeepSeek-V4-Flash-0731, разработанной командой DeepSeek и упакованная пользователем 0xSero. Модель предназначена для генерации текста и программного кода, структурированного вывода и работы через OpenAI-совместимый API. В README указана архитектура mixture-of-experts; сборка использует REAP pruning, формат EXL3/Trellis и точность около 3,0 bpw. Модель рассчитана на развёртывание на одном NVIDIA DGX Spark с GPU GB10/SM121 и 128 ГБ унифицированной памяти. Заявленный предел контекста составляет 262 144 токена. Для запуска требуется специализированный ARM64-совместимый runtime SparkInfer и опубликованный Docker-образ; стандартные vLLM, ExLlamaV3 и простой запуск с tensor parallelism 1 не поддерживаются для этого rank-sliced артефакта. Поставляемый runtime выполняет преобразование TP4-чекпойнта в TP1 и поддерживает CUDA Graphs и speculative decoding. К сильным сторонам относятся возможность локального запуска крупной MoE-модели на одном DGX Spark, проверенная генерация текста и кода, поддержка строгих JSON-схем и длинного контекста. Ограничения — жёсткая зависимость от конкретного оборудования и закреплённого runtime, значительный объём загрузки и дискового пространства, а также не полностью достигнутый целевой порог стабильной скорости декодирования: в одном из пяти измерений получено 34,30 токена в секунду. Лицензия модели указана как MIT.

Everyone-Coder-33b-Base — модель для генерации кода из серии EveryoneLLM, созданная сообществом. По карточке, это слияние дообученных версий DeepSeek Coder 33B Base; в метаданных указаны архитектура LlamaForCausalLM, 33,1 млрд параметров и формат safetensors. Модель принимает текст и генерирует текст, поддерживает диалоговый сценарий и контекст до 16 384 токенов. Модель предназначена для решения задач программирования, включая ответы на запросы о коде и прохождение задач на программирование. Автор сообщает о хороших результатах ручных сравнений, но не приводит воспроизводимого описания бенчмарков. В карточке отмечена проблема с завершением генерации: для остановки ответа предлагается специальный шаблон и стоп-строка. Лицензия в метаданных обозначена как other, без конкретных условий в предоставленных данных.

Granite-4.1-8B-TNG-Coder-V11-2800-Heretic-BF16 — объединённая модель на базе IBM Granite-4.1-8B и нескольких производных Granite-чекпойнтов. Автор карточки сообщает о дополнительном обучении на задачах серверной разработки с примерами на Haskell, Go и Python, а также о дистилляции ответов Qwen и Claude. Модель использует плотную архитектуру GraniteForCausalLM, содержит 8,4 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и кода в диалоговом режиме; режим рассуждений включён по умолчанию. Её можно применять для помощи при разработке серверной части, написания и объяснения кода и ответов на технические вопросы. В метаданных указаны библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Заявленная специализация на серверной разработке и приведённые в карточке результаты тестов не дают полной оценки качества на реальных задачах. В описании также нет подробных сведений о тестировании, рекомендуемых настройках генерации или поддерживаемых языках естественного общения.

Карточка модели zigwangles/Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated, поэтому описание составлено по ней. Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated — версия Qwen3-Coder-30B-A3B-Instruct, созданная huihui-ai методом abliteration для снижения числа отказов модели. Это инструктивная языковая модель с архитектурой Qwen3 MoE; в метаданных указано 2,4 млрд параметров и контекст до 262 144 токенов. Модель рассчитана на генерацию текста в диалоговом формате, в том числе для задач программирования и агентных сценариев, характерных для базовой модели. Модель принимает текст и выдаёт текст. В карточке указан английский язык; более подробные языковые характеристики не заявлены. README описывает abliteration как грубую реализацию для проверки концепции и предупреждает о существенно ослабленной фильтрации безопасности, из-за которой возможны чувствительные, спорные или неподходящие ответы. Репозиторий распространяется по лицензии Apache-2.0.

lexi-coder-v4.4-i1-GGUF — это набор квантизированных GGUF-версий модели reallexi/lexi-coder-v4.4, подготовленный пользователем mradermacher. Модель относится к текстовым генеративным моделям и предназначена прежде всего для задач генерации кода и другого текста. В README указана поддержка английского языка, а также наличие fine-tuning и LoRA в исходной модели, однако подробности архитектуры, количества параметров, размера контекста и используемых языков программирования не приведены. Набор включает варианты квантизации i1 с форматами IQ и Q, размером примерно от 1,3 до 3,3 ГБ. Это позволяет выбирать между меньшим потреблением памяти, скоростью работы и качеством, причём README рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S называет оптимальным по соотношению размера, скорости и качества. Более агрессивные варианты могут заметно снижать качество, что является основным ограничением квантизации. Доступен также файл imatrix для создания собственных квантов. Лицензия обозначена как other и требует соблюдения условий базовой модели и датасета; конкретные условия в README не раскрыты. Для использования необходима совместимая среда, поддерживающая GGUF.

Карточка модели SakanaAI/Llama-3-8B-Instruct-CycleQD-CS на Hugging Face совпадает с карточкой SakanaAI/Llama-3-8B-Instruct-Coding-Expert, поэтому описание составлено по ней. Sakana AI разработала Llama-3-8B-Instruct-Coding-Expert — экспериментальную авторегрессионную языковую модель семейства Llama на 7,5 млрд параметров, основанную на Llama-3-8B-Instruct. Модель предназначена для генерации текста в диалоговом режиме и ориентирована на задачи программирования; в README указаны обучающие данные Magicoder-Evol-Instruct-110K и Magicoder-OSS-Instruct-75K. Модель принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 8192 токенов. В README модель представлена как один из экспертных компонентов набора Llama-3-CycleQD. Это экспериментальный прототип для исследований и разработки: авторы не рекомендуют коммерческое использование и развертывание в критически важных средах, а качество результатов не гарантируется. Лицензия — Meta Llama 3 Community License.

Карточка модели SakanaAI/Llama-3-8B-Instruct-OS-Expert на Hugging Face совпадает с карточкой SakanaAI/Llama-3-8B-Instruct-Coding-Expert, поэтому описание составлено по ней. Sakana AI разработала Llama-3-8B-Instruct-Coding-Expert — экспериментальную авторегрессионную языковую модель семейства Llama на 7,5 млрд параметров, основанную на Llama-3-8B-Instruct. Модель предназначена для генерации текста в диалоговом режиме и ориентирована на задачи программирования; в README указаны обучающие данные Magicoder-Evol-Instruct-110K и Magicoder-OSS-Instruct-75K. Модель принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 8192 токенов. В README модель представлена как один из экспертных компонентов набора Llama-3-CycleQD. Это экспериментальный прототип для исследований и разработки: авторы не рекомендуют коммерческое использование и развертывание в критически важных средах, а качество результатов не гарантируется. Лицензия — Meta Llama 3 Community License.

OpenHands LM v0.1 — 32-миллиардная плотная языковая модель семейства Qwen2, разработанная командой OpenHands для автономных задач программной инженерии. Она дообучена на базе Qwen/Qwen2.5-Coder-32B-Instruct с использованием примеров, полученных агентом OpenHands на открытых репозиториях и успешно разрешённых в рамках RL-подхода SWE-Gym. Модель принимает текст и генерирует текст; карточка Hugging Face указывает контекст 32 768 токенов. В README заявлен контекст 128K токенов, поэтому фактическая доступная длина может зависеть от конфигурации и способа запуска. Модель предназначена для решения задач разработки ПО, особенно для исправления GitHub issues и работы в составе кодовых агентов. По заявлению разработчиков, она показала 37,2% разрешённых задач на SWE-Bench Verified и рассчитана на локальный запуск; README приводит в качестве примера одну GPU RTX 3090. Результаты относятся к указанному бенчмарку и не гарантируют такого же качества на других задачах. Модель выпущена по лицензии MIT. README отмечает, что это исследовательский предварительный релиз: она может хуже справляться с более разнообразными задачами программной инженерии, иногда повторять шаги и терять качество при сильной квантизации.

Mungert/OpenReasoning-Nemotron-14B-GGUF — GGUF-квантованная версия большой языковой модели OpenReasoning-Nemotron-14B, производной от Qwen2.5-14B-Instruct. Модель разработана на базе семейства OpenReasoning-Nemotron; данный репозиторий содержит конвертацию в формат GGUF, выполненную с использованием llama.cpp. Указанный вариант предназначен для локального запуска и генерации текста, кода и решений с применением совместимых инструментов GGUF и llama.cpp. Модель ориентирована на рассуждения в задачах математики, программирования и естественных наук. Для исходной версии заявлена оценка с длиной вывода до 64K токенов. Это текстовая, англоязычная модель с размером 14B параметров; мультимодальные возможности не указаны. Для квантования применён подход с выборочным повышением точности отдельных важных слоёв, что, по описанию автора, может улучшать точность при сохранении преимуществ уменьшенного размера файла, хотя увеличивает его размер. Конкретный тип квантования и характеристики отдельных файлов GGUF в README не приведены. Сильными сторонами являются специализация на сложном reasoning, математике, коде и научных задачах, а также возможность эффективного локального использования в квантованном формате. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантования, а также отсутствие подробных данных о контекстном окне, скорости, аппаратных требованиях и поддерживаемых языках помимо английского. Использование разрешено для коммерческих и некоммерческих исследовательских целей на условиях Creative Commons Attribution 4.0 International (CC-BY-4.0); дополнительно упоминается Apache 2.0 для базовой модели Qwen2.5.

Карточка модели open-thoughts/OpenThinkerAgent-8B-RL на Hugging Face совпадает с карточкой zurichquants/OpenThinkerAgent-8B-RL, поэтому описание составлено по ней. OpenThinkerAgent-8B-RL — модель для программной разработки и агентных задач от проекта OpenThoughts-Agent. Это финальный чекпойнт рецепта SFT→RL: модель Qwen3-8B сначала прошла холодное SFT-обучение, затем дообучалась методом обучения с подкреплением на задачах из OpenThoughts-Agent-RL-5K. В метаданных указаны 7,6 млрд параметров, архитектура Qwen3ForCausalLM и контекстное окно 40 960 токенов; веса опубликованы в формате safetensors, библиотека — Transformers. Модель предназначена для работы в среде terminus-2 как агент, который использует терминал, анализирует его вывод и выполняет задачи программной инженерии. Обучение с подкреплением проводилось на задачах набора pymethods2test-large, где решения проверялись тестами в изолированной среде. Лицензия — Apache-2.0. Модель может ошибаться в рассуждениях и командах, включая команды оболочки. Её обучение было ориентировано на распределение задач pymethods2test/SWE-Smith, поэтому качество на других типах задач может быть неравномерным; проверенные результаты бенчмарков для этого чекпойнта не опубликованы.

Etherll/Qwen2.5-CodeFIM-1.5B-v2 — дообученная модель семейства Qwen2 для генерации кода в режиме Fill-in-the-Middle (FIM): она дополняет пропущенный фрагмент, учитывая код до и после него. Модель содержит 1,5 млрд параметров, построена на архитектуре Qwen2ForCausalLM и принимает текстовый контекст длиной до 32 768 токенов. Модель предназначена для автодополнения и редактирования кода, в том числе в редакторе Continue. Для запроса используется шаблон с именем файла, префиксом и суффиксом кода. В карточке указан датасет Etherll/code-fim-v2. Лицензия в предоставленных данных не указана.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — многоэтапная fine-tune и merge-модель семейства Qwen3.8 с 27 млрд параметров, опубликованная в репозитории isihdfg на основе модели DavidAU. По README, разработка выполнена командой DavidAU с использованием методов COLD FUSION, Fable Fusion 711 и инструментов Unsloth. Модель распространяется в форматах GGUF, включая обычные и MTP-квантизации, рассчитанные на запуск на пользовательском оборудовании. Модель предназначена для решения общих задач, рассуждений, программирования, творческого письма, создания художественных текстов и ролевых сценариев. Заявлены режимы thinking, reasoning и coder, а также поддержка английского и китайского языков. Основной акцент сделан на сокращении объёма рассуждений и ускорении генерации при сохранении детализации ответа; README также заявляет улучшение результатов на ряде ARC-бенчмарков по сравнению с базовыми моделями, однако эти показатели приведены автором и могут зависеть от режима, квантизации и методики оценки. К сильным сторонам относятся ориентация на программирование и творческие задачи, уменьшенное избыточное рассуждение, наличие вариантов для устройств с ограниченными ресурсами и заявленная поддержка MTP. Ограничения включают отсутствие в README точных данных о размере контекстного окна, полном наборе поддерживаемых модальностей и системных требованиях; заявленная «uncensored» и «abliterated» настройка также может означать ослабленные ограничения безопасности. Лицензия модели указана как Apache-2.0.

Shark-Coder-9b — слитая модель на архитектуре Mistral, созданная powermove72 с помощью LazyMergekit из powermove72/Shark-1 и S-miguel/The-Trinity-Coder-7B. Она предназначена для генерации и дополнения кода, а также ответов на запросы по программированию в формате текстового диалога. Модель содержит 8,9 млрд параметров и поддерживает контекст длиной до 32 768 токенов; веса опубликованы в формате safetensors. Слияние выполнено методом passthrough с объединённым токенизатором; в конфигурации указана точность float16. В доступных материалах не описаны результаты оценки качества, конкретные языки программирования или поддержка вызова инструментов. Лицензия не указана в предоставленных данных.