II.3Рефакторинг, миграция и модернизация

Sky-T1-32B-Preview — 32-миллиардная плотная языковая модель NovaSky Team из Sky Computing Lab Калифорнийского университета в Беркли. Её дообучили на базе Qwen/Qwen2.5-32B-Instruct на 17 тысячах примеров с проверенными ответами по математике и программированию, а также на научных данных из работы Still-2. Модель предназначена для диалоговой генерации текста и решения задач по математике, программированию и науке. В карточке приведены результаты оценивания на Math500, AIME2024 и LiveCodeBench-Easy; авторы сообщают о результатах на уровне o1-preview по математике и программированию. Архитектура — Qwen2ForCausalLM, поддерживаемый контекст — 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Результаты из карточки относятся к указанным тестам и не гарантируют сопоставимого качества на других задачах. Сведения о поддерживаемых языках ограничены меткой английского языка в метаданных.

SwarmDo-A2-merged — готовые объединённые веса модели SwarmDo-A2, созданные командой SwarmDo на базе Qwen/Qwen3.6-27B. Это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; в объединённой версии сохранена визуальная часть модели. Репозиторий содержит веса safetensors, рассчитанные на запуск через Transformers и vLLM. Модель предназначена для диалоговой разработки программного обеспечения: она помогает находить и исправлять ошибки в коде, а также создавать код по изображениям, включая визуальные макеты и рендеры. В README заявлены проверка исправлений исполнением кода и проверка визуального результата рендерингом. Для визуального программирования можно передавать изображение вместе с запросом. Заявлены поддержка инструментального интерфейса и совместимый с OpenAI формат сервера vLLM. Базовая модель содержит 27 млрд параметров. Карточка описывает главным образом работу с кодом и изображениями на английском языке. Известное ограничение: веса не следует подключать как LoRA в vLLM из-за зависания JIT на модулях gated-DeltaNet; README также предупреждает, что текстовая конверсия в GGUF теряет визуальную часть. Модель распространяется по лицензии Apache-2.0.

WaveCoder Ultra 1.1 6.7B — это языковая модель для генерации и обработки программного кода, разработанная Microsoft. Представленная версия — GGUF-квантизации оригинальной модели microsoft/wavecoder-ultra-6.7b, подготовленные пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для выполнения инструкций, связанных с программированием, включая генерацию кода и задачи, оцениваемые на наборе HumanEval. Модель имеет около 6,7 млрд параметров, работает в формате GGUF и поддерживает англоязычные сценарии. Для взаимодействия рекомендуется шаблон инструкций с секциями «Instruction» и «Response». Доступны варианты квантизации от Q8_0 до IQ1_S, различающиеся размером файлов и качеством: Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S обозначены как рекомендуемые, а Q8_0 обеспечивает максимально доступное качество при большем размере. Основное преимущество этой версии — возможность локального запуска с выбором компромисса между качеством и требованиями к памяти; наиболее компактные варианты занимают менее 2 ГБ, тогда как Q8_0 — около 7,16 ГБ. Более низкие уровни квантизации снижают качество и могут быть пригодны только при ограниченных ресурсах. Архитектура, размер контекста, поддерживаемые языки программирования и мультимодальные возможности в README не указаны. Распространение заявлено по лицензии MIT.

Whittle-Next-27B-A3B — экспериментальная языковая модель, созданная автором проекта Whittle на основе Qwen3.6-35B-A3B и предыдущей Whittle-Next-26B-A3B. Это причинная модель генерации текста архитектуры Qwen4-Next (qwen4_exp) с архитектурой mixture-of-experts: около 2,9 млрд параметров по метаданным, примерно 3 млрд активных на токен и дополнительная хешированная память n-грамм на 2 млрд строк. Контекст — до 262 144 токенов. Модель обучалась с дистилляцией рассуждений от Qwen3.8-27B и предназначена как исследовательская основа для дальнейшей работы с этой архитектурой, в том числе для генерации кода и математических рассуждений. Карточка сообщает о запуске на штатном llama.cpp и рекомендует включать режим рассуждений; результаты полной оценки актуальной версии v4.4 ещё не представлены, а опубликованная оценка v3 не подтверждает качество v4.4 в полном масштабе. Модель распространяется под лицензией Apache-2.0.

BTL-4 — 35-миллиардная мультимодальная модель, разработанная badtheorylabs и представленная в формате GGUF с квантованиями от bartowski. Модель предназначена для работы с текстом и изображениями; для обработки изображений требуется отдельный файл mmproj. В описании также заявлены сценарии агентной работы, использования инструментов, программирования и решения задач, требующих рассуждений. Модель запускается через llama.cpp и доступна в вариантах от BF16 до низкобитных квантований Q8, Q6, Q5, Q4 и Q3, включая форматы IQ. Размер файлов составляет примерно от 14,87 до 69,38 ГБ, поэтому выбор варианта позволяет балансировать между качеством, скоростью и требованиями к памяти. Для большинства сценариев рекомендуется Q4_K_M размером 21,39 ГБ, а для более высокого качества — Q5 или Q6. В README не указаны архитектура, поддерживаемые языки и размер контекста; также отсутствуют результаты бенчмарков. К сильным сторонам относятся поддержка текста и изображений, ориентация на код, tool use и reasoning, а также широкий выбор квантований. Ограничениями являются значительные требования к памяти, возможное снижение качества в низкобитных вариантах и необходимость совместимого рантайма llama.cpp, а для мультимодальной работы — файла mmproj. Распространение указано по лицензии Apache-2.0.

CodeGemma 2B — компактная языковая модель для генерации и обработки исходного кода, представленная Google и распространяемая в GGUF-квантизации пользователем bartowski. Данная версия предназначена для локального запуска через llama.cpp и поставляется в нескольких вариантах квантизации с разным соотношением качества, размера файла и требований к памяти. Модель ориентирована на задачи программирования и генерации текста; исходная модель codegemma-2b доступна на Hugging Face. В README не указаны точная архитектура, длина контекста, поддерживаемые языки программирования или естественные языки, а также мультимодальные возможности. Формат GGUF и отсутствие специального формата промпта упрощают использование в совместимых локальных инструментах. Размер файлов варьируется примерно от 0,77 до 2,66 ГБ; наиболее качественными и рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M. Сильная сторона модели — возможность локального запуска на устройствах с ограниченными ресурсами благодаря широкому выбору квантизаций; при этом низкие уровни квантизации заметно уступают по качеству и некоторые из них не рекомендуются. Квантизация выполнена с использованием llama.cpp и imatrix. Для доступа к исходной модели на Hugging Face требуется принять лицензию Google Gemma; применимая лицензия — Gemma.

Code Llama 13B — базовая авторегрессионная языковая модель Meta для генерации и понимания кода. Это модель с 13 млрд параметров на оптимизированной архитектуре Transformer, представленная в формате Transformers; она принимает текст и генерирует текст. Модель поддерживает автодополнение кода и заполнение пропусков в коде, но не предназначена для следования инструкциям или диалогового использования. Модель подходит для генерации фрагментов кода и помощи при редактировании программ. Она рассчитана на английский язык и языки программирования; README не приводит отдельный перечень поддерживаемых языков программирования. Модель обучена на статическом офлайн-наборе данных, а её ответы могут быть неточными или нежелательными, поэтому перед внедрением в приложение требуется проверка и настройка под конкретный сценарий. Модель разработала Meta. Использование регулируется лицензией Meta Llama 2; README указывает, что доступна специальная коммерческая лицензия, поэтому условия следует сверять с лицензионным соглашением.

crane-30b-i1-GGUF — это квантованная версия модели crane-30b, разработанной пользователем или организацией zmzfpc и опубликованной в формате GGUF пользователем mradermacher. По метаданным, модель связана с объединением моделей, семейством Qwen3, архитектурой MoE и задачами генерации кода и рассуждений. Указан английский язык. Точное число активных и общих параметров, размер контекста, поддерживаемые модальности и подробности исходного обучения в README не приведены. Модель предназначена для локального запуска через совместимые инструменты, поддерживающие формат GGUF, включая различные варианты квантования с разным компромиссом между размером, скоростью и качеством. Доступны файлы размером примерно от 6,5 до 25,2 ГБ; среди рекомендуемых вариантов отмечен i1-Q4_K_M как быстрый, а i1-Q4_K_S — как сбалансированный по размеру, скорости и качеству. Низкобитные варианты могут заметно уступать в качестве, тогда как i1-Q6_K заявлен как практически сопоставимый со статическим Q6_K. В репозитории также доступен imatrix-файл для самостоятельного создания квантованных версий. Лицензия модели указана как Apache-2.0. README не содержит результатов бенчмарков, подробной документации по применению, системного промпта или ограничений исходной модели, поэтому качество на конкретных задачах и точные требования к аппаратным ресурсам следует оценивать отдельно.

Карточка модели SakanaAI/Llama-3-8B-Instruct-DB-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.

Parable-Qwen3-4B-Claude-Fable-5 — локальная языковая модель для программирования и агентных задач, разработанная AnkitAI на основе Qwen/Qwen3-4B. Это плотная архитектура Qwen3ForCausalLM примерно на 3,7 млрд параметров с контекстом до 40 960 токенов; модель принимает и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. В README описано дообучение QLoRA на многошаговых сессиях агентов и терминальных трассах с добавлением примеров общих инструкций; веса объединены с базовой моделью. Репозиторий содержит веса safetensors, а также README упоминает сборку GGUF для локального запуска. Модель предназначена для локальной генерации кода, планирования действий агента и работы с терминальными сценариями. Автор сообщает об улучшении подстройки к агентным трассам и более стабильной выдаче ответов по сравнению с базовой моделью; при этом в приведённом HumanEval-164 результат ниже, чем у Qwen3-4B. Для задач максимальной точности вызова функций автор рекомендует базовую модель. Лицензия модели — Apache-2.0; README также указывает, что условия лицензий исходных обучающих данных и поставщиков сторонних трасс могут влиять на коммерческое использование производных систем.

ProCreations_grug-9b-GGUF — квантизированная версия модели grug-9b, разработанной ProCreations и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp. Модель основана на датасете ProCreations/grug-think; в карточке указаны направления применения, связанные с кодом, агентами, использованием инструментов, рассуждениями и эффективным выводом. Pipeline обозначен как image-text-to-text, однако подробности о поддерживаемых визуальных возможностях не приведены. Модель имеет размер 9 млрд параметров в исходной версии. Доступны варианты от BF16 до различных уровней квантования, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M и более компактные форматы. Квантизация выполнена с применением imatrix, что позволяет выбирать компромисс между качеством, размером файла и требованиями к оперативной памяти. Для запуска указаны llama.cpp, LM Studio, KoboldCpp, Jan, Text Generation Web UI и другие совместимые приложения; используется специальный шаблон prompt с системными и пользовательскими сообщениями и секцией рассуждений. Сильными сторонами являются широкий выбор квантованных вариантов, возможность локального запуска и ориентация на задачи программирования, агентное взаимодействие и tool use. Качество зависит от выбранного формата: высокобитные варианты ближе к исходной модели, а самые компактные экономят память ценой снижения качества. Данные о языках, размере контекста, точных архитектурных характеристиках, результатах тестирования и ограничениях безопасности в README отсутствуют. Лицензия — MIT.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — открытая многоэтапно дообученная и объединённая версия модели Qwen3.8-27B, опубликованная пользователем biennequants на основе модели DavidAU. В README указаны языки английский и китайский, а также варианты GGUF-квантования с точностью 4 и 8 бит, включая версии с MTP и imatrix. Модель создана с применением методов Cold Fusion, Fable Fusion и инструментов Unsloth; заявленная цель — повысить способности к рассуждению и программированию, сократить объём внутренних рассуждений и ускорить генерацию на потребительском оборудовании. Модель предназначена для решения общих задач, анализа и рассуждений, программирования, творческого письма, создания художественных текстов и ролевых сценариев. Автор заявляет о высоких результатах на тестах ARC-C и ARC-E, превосходстве базовых моделей в ряде бенчмарков и сохранении близкой производительности 4-битной версии к 8-битной, однако эти показатели представлены в README и не подтверждены независимой проверкой. К сильным сторонам относятся сокращённое «мышление», высокая детализация ответов и доступность квантованных вариантов для локального запуска; ограничения включают отсутствие точных сведений о размере контекста, мультимодальных возможностях и системных требованиях, а также потенциально неконтролируемый или откровенный характер ответов, на что указывают обозначения uncensored и heretic. Лицензия — Apache-2.0.

SOCO-Java-CODEBERTA-MNRL-TRIPLETS-E1-B16 — модель Sentence Transformers, созданная дообучением huggingface/CodeBERTa-small-v1 на наборе soco_train_java. Она кодирует текст в плотные векторы размерностью 768 для вычисления семантического сходства и поиска по смыслу, в том числе в задачах с исходным кодом Java. Архитектура основана на RoBERTa: модель усредняет представления токенов, максимальная длина последовательности — 512 токенов (метаданные указывают 514 токенов контекста), функция сходства — cosine similarity. Обучение использовало MultipleNegativesRankingLoss. Модель подходит для семантического поиска, поиска похожих фрагментов кода и кластеризации текстов или кода. Она выдаёт эмбеддинги, а не готовые ответы или метки; качество зависит от соответствия входных данных обучающему набору Java. Лицензия в предоставленных данных не указана.

QuantFactory/starcoder2-7b-GGUF — квантованная версия модели StarCoder2-7B, разработанной проектом BigCode и преобразованной с использованием llama.cpp. Модель предназначена для генерации и дополнения программного кода, включая сценарии автодополнения, редактирования кода и работы с фрагментами в режиме Fill-in-the-Middle. Она не является instruction-моделью, поэтому плохо подходит для выполнения команд, сформулированных как обычные инструкции на естественном языке. Модель содержит около 7 млрд параметров и обучена более чем на 3,5 трлн токенов из набора The Stack v2, включая данные на 17 языках программирования; также использовались отдельные материалы из Arxiv и Wikipedia. Она использует Grouped Query Attention, контекстное окно 16 384 токена и sliding window attention размером 4 096 токенов. Квантование снижает требования к памяти по сравнению с полноразмерной версией, что упрощает локальный запуск, однако конкретные характеристики зависят от варианта квантования. В README приведены результаты на задачах генерации и понимания кода, включая HumanEval, HumanEval+, DS-1000, CruxEval-I и RepoBench. К ограничениям относятся слабая пригодность для диалогового следования инструкциям, возможные ошибки и небезопасные или неэффективные фрагменты кода, а также потери качества, связанные с квантованием. Для модели указана лицензия bigcode-openrail-m.

classifiedshadow/Trying — языковая модель для генерации текста и программного кода, опубликованная пользователем classifiedshadow. Она основана на Qwen2.5-Coder-3B-Instruct и предназначена для диалогового взаимодействия и решения задач, связанных с кодом.

DCAgent/a1-crosscodeeval_typescript — дообученная DCAgent модель на основе Qwen/Qwen3-8B, созданная на наборе обучающих примеров CrossCodeEval для TypeScript. Это плотная языковая модель с 7,6 млрд параметров, предназначенная для генерации текста и диалоговых сценариев; каталог указывает поддержку чата. Модель принимает текст и генерирует текст, а базовое семейство Qwen3 рассчитано на работу с кодом и инструкциями. В карточке указано дообучение на подготовленных примерах CrossCodeEval, однако подробности поведения, оценки качества и конкретные ограничения не приведены. Контекстное окно составляет 40 960 токенов. Модель опубликована в формате safetensors; лицензия обозначена как other, поэтому условия использования следует уточнить на странице репозитория.

AlchemistCoder-L-7B-GGUF — это набор GGUF-квантизаций языковой модели AlchemistCoder-L-7B, опубликованный bartowski и созданный на основе исходной модели internlm/AlchemistCoder-L-7B с использованием llama.cpp и метода imatrix. Модель предназначена прежде всего для генерации кода и запуска локального текстового вывода через совместимые движки, включая llama.cpp. В README не указаны точные сведения о разработчике исходной модели, архитектуре, поддерживаемых языках, длине контекста и мультимодальности. Доступны варианты с разным уровнем квантизации: от Q8_0 размером 7,16 ГБ до Q2_K размером 2,53 ГБ, включая рекомендуемые Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Более качественные варианты требуют больше памяти, а низкобитные занимают меньше места ценой качества; Q3_K_S отмечен как нерекомендуемый, тогда как некоторые I-кванты могут обеспечивать выгодное соотношение размера и производительности в определённых конфигурациях оборудования. Формат приглашений в README не подтверждён и может быть некорректным. Модель распространяется по лицензии Apache-2.0. Ограничения включают отсутствие подробной информации об исходной модели, языках и контексте, а также зависимость доступного качества и скорости от выбранной квантизации и используемого оборудования. Для IQ-квантов важна совместимость с конкретным backend: в README отдельно отмечено ограничение для Vulkan.

openhands-lm-7b-v0.1-GGUF — это квантизированная GGUF-версия языковой модели openhands-lm-7b-v0.1, разработанной all-hands и подготовленной bartowski с использованием llama.cpp. Модель предназначена для генерации текста и сценариев, связанных с агентным программированием и разработкой программного обеспечения; среди указанных данных обучения присутствует SWE-Gym. Поддерживаемый язык — английский. Модель имеет размер 7B параметров и поставляется в нескольких вариантах точности, включая BF16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K. Квантизация позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти: рекомендуемые варианты обеспечивают высокое или хорошее качество, а варианты с меньшим размером экономят ресурсы за счёт снижения качества. Доступны запуск через LM Studio, llama.cpp и другие проекты на базе llama.cpp; для работы следует использовать указанный формат промпта с ролями system, user и assistant. Сильными сторонами являются специализация на задачах программирования, агентных сценариях и возможность локального запуска в различных квантизированных конфигурациях. Ограничения включают отсутствие сведений о точной архитектуре, размере контекста, мультимодальности и результатах оценки; модель заявлена только для английского языка. Лицензия — MIT.

CDLM-0.5B — компактная языковая модель для генерации и исправления кода, созданная на основе fredzzp/open-dcoder-0.5B авторами проекта Corrective Diffusion Language Models. Модель содержит около 494 млн параметров, использует архитектуру Qwen2 с маскированной диффузией и двунаправленным вниманием; её дообучили на 2 000 шагов с целью, учитывающей уверенность модели в видимых искажённых токенах. Для работы требуется реализация диффузионной модели из репозитория проекта: обычная загрузка через AutoModelForCausalLM даст некорректные результаты. Модель предназначена для генерации и корректировки программного кода по текстовым запросам. В метаданных указано контекстное окно 32 768 токенов; карточка также связывает обучение с набором данных NVIDIA Nemotron Pretraining SFT v1. README описывает особенности вычисления градиентов в использованном обучающем коде, которые могут влиять на эффект весов целевой функции. Модель распространяется по лицензии MIT.

MaziyarPanahi/codegemma-2b-GGUF — это набор файлов модели в формате GGUF, созданный MaziyarPanahi на основе модели google/codegemma-2b, разработанной Google. Модель предназначена для генерации текста и может использоваться в сценариях, связанных с обработкой и генерацией кода, а также для локального запуска через совместимые инструменты и библиотеки. Модель имеет размер 2 миллиарда параметров и распространяется в нескольких вариантах квантования: от 2-битного до 8-битного, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K. GGUF поддерживается, в частности, llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python, что позволяет запускать модель локально с использованием CPU или GPU в зависимости от выбранного окружения. Сведения о языках, размере контекста и поддержке мультимодальности в README не указаны. К сильным сторонам относятся компактный размер, широкий выбор уровней квантования и совместимость с популярными средствами локального инференса. К ограничениям относятся возможная потеря качества при более агрессивном квантовании и отсутствие в предоставленных данных подробных характеристик качества, языковой поддержки и контекстного окна. Модель распространяется с лицензией Gemma; точные условия следует уточнять в лицензии исходной модели Google.

Josiefied-Qwen2.5-Coder-14B-Instruct-abliterated-v1 — дообученная Gökdeniz Gülmez модель Qwen2.5-Coder-14B-Instruct с архитектурой Qwen2ForCausalLM и 14 млрд параметров. Она предназначена для генерации кода и диалогового взаимодействия; автор описывает её как модель, дополнительно дообученную на пользовательском наборе данных для менее ограниченных ответов. Модель принимает текст и генерирует текст, поддерживает английский и немецкий языки. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса safetensors; в README также упоминаются квантизированные версии GGUF. Лицензия — Apache 2.0. Модель может давать менее ограниченные ответы, поэтому результаты требуют проверки. Автор отдельно предупреждает об использовании на собственный риск; подробности набора данных и оценки качества в карточке не приведены.

Kimi K2.75 Code — экспериментальный объединённый чекпойнт, созданный автором репозитория на основе moonshotai/Kimi-K2.7-Code и moonshotai/Kimi-K2.6. Веса объединены методом SLERP с разными коэффициентами для attention, MLP и прочих тензоров, затем чекпойнт был прорежен и упакован в safetensors. Модель предназначена для генерации текста в сценариях, связанных с программированием. Её архитектура обозначена как Kimi K2.5, класс — KimiK25ForConditionalGeneration; в метаданных указан формат safetensors и библиотека Transformers. Репозиторий помечен лицензией other, поэтому перед использованием следует проверить условия лицензии. Качество модели ещё не оценено полностью. Автор рекомендует проверять результаты перед практическим применением; конвертация в GGUF, квантизация и smoke-тестирование на момент публикации могли продолжаться.

mradermacher/lexi-coder-v4.4-GGUF — это набор статически квантизованных файлов модели lexi-coder-v4.4, базовая версия которой разработана reallexi. Репозиторий подготовлен mradermacher в формате GGUF для запуска модели в совместимом локальном программном обеспечении. В метаданных указан английский язык, а название указывает на специализацию исходной модели в задачах, связанных с кодом, однако подробное описание её назначения в README отсутствует. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16 объёмом примерно от 1,8 до 7,8 ГБ. Более сильное квантование обычно уменьшает требования к памяти, но может снижать качество; README отдельно отмечает Q4_K_S и Q4_K_M как быстрые рекомендуемые варианты, Q6_K как вариант очень хорошего качества, а Q8_0 — как быстрый вариант наилучшего качества. Архитектура, число параметров, размер контекста, поддерживаемые модальности и точные языковые возможности не указаны. Модель подходит для локального инференса в приложениях, поддерживающих GGUF, при выборе компромисса между размером файла, скоростью и качеством. Для weighted/imatrix-квантований приведена отдельная коллекция. Лицензия обозначена как other с условием inherits-base-model-and-dataset-terms, поэтому использование должно соответствовать лицензиям базовой модели и использованных наборов данных.

LSDA-3B-Turkish-Dev — языковая модель на 3,1 млрд параметров, разработанная umitaksoylu на базе Qwen2.5-3B и дообученная для задач современной full-stack разработки. Она предназначена для генерации кода и технических объяснений, особенно для C# и .NET, SQL и React; заявлены примеры совместной работы backend API и frontend-компонентов, генерации запросов по схемам, LINQ и современных шаблонов .NET, а также React Hooks и Context. Модель использует плотную архитектуру Qwen2ForCausalLM, принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Карточка заявляет двуязычную работу на английском и турецком языках и рекомендует использовать именно их. Веса опубликованы в формате Safetensors; лицензия — Apache-2.0. Качество и надёжность результатов зависят от запроса, а заявленная специализация не гарантирует корректность кода или SQL.

M2H AI UnSensored 8B — разговорный ИИ-ассистент, созданный Prince Kumar из M2H Web Solution на основе Dolphin 2.9 Llama 3 8B. Это дообученная модель семейства Llama 3 с архитектурой Meta Llama 3; репозиторий содержит GGUF-версию для локального запуска через Ollama и совместимые инструменты. Размер базовой модели — 8 млрд параметров. Модель предназначена для помощи в программировании и веб-разработке, работе с API и Linux, а также для задач кибербезопасности. Она поддерживает диалог и позиционируется автором как модель с менее ограниченными ответами. В карточке указан английский язык; максимальная длина контекста не приведена. Для запуска автор рекомендует локальную среду, совместимую с GGUF, и указывает минимум 16 ГБ оперативной памяти и видеокарту RTX 3050 с 6 ГБ памяти. Модель распространяется на условиях лицензии Meta Llama 3; использование должно соответствовать её условиям и применимому законодательству. Ответы модели могут быть неточными, особенно в задачах кибербезопасности и при выдаче инструкций для командной строки, поэтому результаты требуют проверки.

PLBART-base — базовая предварительно обученная модель UCLA NLP для совместного понимания и генерации кода и связанного с ним естественного языка. Это encoder-decoder Transformer семейства BART, обученный восстанавливать исходные последовательности после внесения шума; метаданные репозитория указывают 95 млн параметров и контекст до 1024 токенов. В исследовательской статье описано обучение на Java, Python и английских текстах из Stack Overflow; модель рассчитана на последующую настройку для задач разработки ПО, включая создание кратких описаний кода, генерацию и перевод кода, исправление программ и классификацию. Для применения к конкретной задаче обычно требуется дообучение: репозиторий представляет базовый чекпойнт, а не готовую специализированную систему. Архитектура принимает и генерирует текстовые последовательности, включая код. Карточка Hugging Face не содержит подтверждённых сведений о лицензии, поэтому условия использования по доступным источникам установить нельзя. В статье отмечено, что для обнаружения уязвимостей графовые модели в проведённых сравнениях показывали лучшие результаты.

Qwen2.5-Coder-32B-Instruct-NP-Abliterated-i1-GGUF — квантованная в формате GGUF версия модели Nabbers1999/Qwen2.5-Coder-32B-Instruct-NP-Abliterated, подготовленная mradermacher. Это инструкционная conversational-модель семейства Qwen2.5-Coder с 32 млрд параметров, предназначенная для генерации текста, диалога и задач, связанных с программированием. В репозитории представлены варианты квантования i1, включая IQ- и QK-форматы, с размером файлов примерно от 7,4 до 22,7 ГБ; для баланса скорости и качества рекомендуются i1-Q4_K_M и i1-Q4_K_S. Модель ориентирована преимущественно на англоязычные сценарии, однако README не содержит полного перечня поддерживаемых языков, сведений об архитектуре на уровне компонентов или размера контекстного окна. Квантование позволяет запускать модель с меньшими требованиями к памяти, но более агрессивные варианты могут заметно снижать качество; качество также зависит от выбранного формата. Модель распространяется по лицензии Apache-2.0. README не приводит отдельных результатов тестирования, поэтому делать выводы о фактической точности и преимуществах в конкретных задачах нельзя.

Qwen3.8-27B-OBLITERATED — языковая модель для генерации текста на базе Qwen/Qwen3.8-27B, разработанная сообществом OBLITERATUS. Модель модифицирована методом abliteration: из весового пространства удалены направления, связанные с отказами и защитными отступлениями. Она предназначена для локального текстового и кодового взаимодействия, исследовательских задач, red-team-тестирования, агентных сценариев и генерации ответов без типичных отказов на ограниченные запросы. Модель относится к семейству Qwen3, имеет размер 27B параметров и поддерживает текстовую генерацию. Заявлены режимы с рассуждением и без него, а также совместимость с форматами GGUF, Safetensors и MLX. Для версии V3 указана оценка MMLU 82,3% против 84,5% у исходной модели; по данным автора, она сохраняет близкие к базовой модели возможности, но теряет около 2,1 процентного пункта качества. Для стабильной работы рекомендуются температура 0, repetition_penalty 1,15 и не менее 2048 новых токенов; системный промпт лучше не задавать. Сильная сторона модели — снижение числа жёстких отказов и безопасностных отступлений при сохранении высокой способности к генерации кода и работе в агентных сценариях. Ограничения включают некоторое снижение качества относительно исходной Qwen3.8-27B, склонность к зацикливанию без repetition_penalty и возможное увеличение длины ответов в режиме рассуждения. Длина контекста и перечень поддерживаемых языков в README не указаны. Модель распространяется по лицензии Apache-2.0.

buelfhood/SOCO-Java-CodeBERTa-MNRL-Triplets-100 — Sentence Transformer, дообученный разработчиком buelfhood на наборе soco_train_java на базе huggingface/CodeBERTa-small-v1. Модель использует архитектуру RoBERTa с усреднением токенных представлений и преобразует текст в плотные векторы размерностью 768; сходство оценивается косинусной мерой. Максимальная длина входа — 512 токенов (514 токенов контекстного окна по метаданным). Модель предназначена для сравнения семантической близости текстов, семантического поиска, поиска перефразировок, классификации и кластеризации. Обучение на данных Java ориентирует её на тексты и фрагменты, связанные с Java-кодом; выходные векторы можно использовать в системах поиска и ранжирования. Это не генеративная модель: она выдаёт эмбеддинги, а не готовые ответы или код. Лицензия в предоставленных данных не указана.

AutoCoder_S_6.7B-IMat-GGUF — GGUF-квантизированная версия модели Bin12345/AutoCoder_S_6.7B, подготовленная пользователем legraphista с помощью llama.cpp b3010. Модель предназначена для генерации текста и, исходя из названия базовой модели, ориентирована прежде всего на задачи, связанные с написанием и обработкой кода, однако подробные сведения о специализации отсутствуют. Модель содержит около 6,7 млрд параметров в исходном формате BF16 и доступна в форматах GGUF с различными уровнями точности: от BF16 и F16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантов. Для ряда вариантов применена IMatrix-квантизация на основе отдельного калибровочного набора. Файлы имеют размер примерно от 2,04 до 13,48 ГБ, поэтому модель можно адаптировать под разные ограничения по памяти и скорости инференса. К сильным сторонам относятся широкий выбор форматов, возможность локального запуска в экосистеме llama.cpp и использование IMatrix для некоторых низкобитных вариантов, что может помочь сохранить качество при уменьшении размера. Ограничения включают неизбежный компромисс между размером, скоростью и качеством при квантизации, а также отсутствие в README данных о поддерживаемых языках, размере контекста, конкретной архитектуре, результатах тестирования и сравнении с другими моделями. Модель распространяется по лицензии Apache-2.0.