II.3Рефакторинг, миграция и модернизация

Это преобразованная версия CodeGen2-1B от Salesforce, подготовленная Майклом Файлем для FauxPilot. Веса CodeGen2 представлены в архитектуре GPT-J и доступны в форматах PyTorch и Safetensors; модель относится к семейству GPT-J с плотной архитектурой GPTJForCausalLM. Контекст составляет 2048 токенов. Модель предназначена для генерации кода по текстовым подсказкам и продолжения незавершённых фрагментов, включая заполнение пропусков внутри кода. README указывает поддержку C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Обучение проводилось на разрешающей подвыборке дедуплицированного Stack v1.1; для infilling используются специальные токены CodeGen2. Качество генерации и корректность кода требуют проверки; заявленное назначение — программный синтез, особенно по подсказкам на английском языке. Лицензия — Apache-2.0.

duyntnet/DeepCoder-14B-Preview-imatrix-GGUF — GGUF-квантизированные версии DeepCoder-14B-Preview, разработанного на базе DeepSeek-R1-Distilled-Qwen-14B с применением распределённого обучения с подкреплением. Модель предназначена прежде всего для генерации, анализа и решения задач программирования, включая соревнования по написанию кода, автоматическое создание решений и рассуждения по тестам. Указанный репозиторий содержит квантизированные варианты модели для локального запуска. Модель имеет 14 млрд параметров и поддерживает английский язык. Она обучалась на примерно 24 тысячах пар задач и тестов из Taco-Verified, PrimeIntellect SYNTHETIC-1 и LiveCodeBench v5. Благодаря итеративному увеличению длины контекста модель обучалась на 16K и 32K токенах и обобщается на контекст до 64K токенов. В качестве сильных сторон заявлены показатели 60,6% Pass@1 на LiveCodeBench v5, рейтинг 1936 на Codeforces и 92,6% на HumanEval+. Ограничениями являются ориентация преимущественно на задачи программирования, возможное усечение длинных ответов при ограничении длины генерации 16K токенами и отсутствие подробных данных о конкретных параметрах отдельных GGUF-квантизаций. Для запуска доступны llama.cpp, KoboldCPP, Ollama, text-generation-webui, Jan, GPT4All, LM Studio и другие совместимые средства, а для серверного развёртывания указаны vLLM, Hugging Face TGI, SGLang и TensorRT-LLM. Рекомендуются temperature 0,6, top_p 0,95 и max_tokens не менее 64000; системный промпт добавлять не рекомендуется. Лицензия обозначена как other, без дополнительных условий в представленном README.

noctrex/GLM-4.7-Flash-i1-MXFP4_MOE_XL-exp-GGUF — экспериментальная GGUF-квантизация GLM-4.7-Flash, подготовленная автором noctrex. В ней применяется смешанная точность MXFP4_MOE: для тензоров с высокой оценкой важности используются BF16, со средней — Q8_0, с низкой — MXFP4; оценки важности рассчитаны с помощью imatrix. Автор ориентирует вариант на задачи программирования. Модель предназначена для генерации текста в диалоговом формате, включая помощь с кодом. В качестве основы указана zai-org/GLM-4.7-Flash — диалоговая MoE-модель Z.ai для генерации текста, рассуждений и программирования с длинным контекстом. В карточке этого варианта не приведены отдельные значения размера модели и длины контекста. Формат файлов — GGUF. Квантизация экспериментальная; автор не сообщал о проведённых бенчмарках, поэтому её преимущество перед основной версией MXFP4_MOE не подтверждено. Сведения о лицензии в предоставленных данных отсутствуют.

hokar3361/gpt-oss-coderjs-v0.1 — экспериментальная модель генерации кода на JavaScript, созданная hokar3361 на базе openai/gpt-oss-20b. Это причинная языковая модель архитектуры GPT-OSS с MoE; её дообучили методом LoRA на небольшом отобранном наборе JavaScript-кода, а веса адаптера объединили с базовой моделью. В метаданных указан размер 1,6 млрд параметров и контекст до 131 072 токенов; для запуска автор рекомендует vLLM и длину контекста 16 000 токенов. Модель предназначена для дополнения и генерации фрагментов кода на JavaScript ES6+, небольших рефакторингов, исправления ошибок, написания тестовых заготовок и JSDoc. Для взаимодействия рекомендуются запросы на английском языке. Первичная оценка на небольшом наборе задач показала улучшение относительно базовой модели, однако полная проверка качества ещё продолжается. Модель выпущена по лицензии Apache-2.0. Из-за малого объёма данных обучения она может хуже справляться с редкими библиотеками и API, придумывать несуществующие API или типы и генерировать неполный либо небезопасный код; результаты следует проверять перед использованием.

IndustrialCoder-Thinking — диалоговая языковая модель для генерации кода и пошагового решения сложных инженерных задач; карточка описывает её как reasoning-вариант семейства InCoder, разработанный Multilingual-Multimodal-NLP. Модель использует плотную архитектуру IQuestCoderForCausalLM с 31,6 млрд параметров и контекстом до 131 072 токенов. В README указаны 64 слоя и размер скрытого представления 5 120. Модель предназначена для генерации, отладки и оптимизации кода, в том числе RTL для проектирования микросхем, GPU-ядер на CUDA и Triton, а также встроенного ПО. В режиме thinking она формирует промежуточный ход решения в тегах `...`, а режим без рассуждений подходит для более простых запросов. Карточка приводит результаты на общих и отраслевых бенчмарках, но не описывает независимую проверку этих оценок. Модель принимает текстовые запросы и выдаёт текст, включая код. Основной язык карточки — код; поддерживаемые естественные языки не перечислены. Указаны интерфейс чата и интерфейс вызова инструментов. Лицензия — Apache-2.0. README предупреждает, что рассуждения могут содержать ошибки, а сгенерированный код — быть некомпилируемым, функционально неверным или неоптимальным; отдельно отмечены пробелы в знаниях API для встроенного ПО. Код следует проверять и тестировать перед использованием.

OpenHands LM v0.1 — языковая модель для разработки программного обеспечения, выпущенная командой OpenHands. Версия на 7,1 млрд параметров дообучена на основе Qwen/Qwen2.5-Coder-7B-Instruct с использованием рецепта OpenHands LM 32B и данных SWE-Gym/SWE-Gym. Модель предназначена для работы в агентных сценариях: анализа задач разработки и генерации кода для их решения. Архитектура — плотная Qwen2, поддерживаются чат и интерфейс вызова инструментов; контекстное окно составляет 32 768 токенов. Лицензия — MIT. Модель рассчитана прежде всего на задачи программной инженерии, в том числе решение задач и ошибок из GitHub. Карточка базовой модели указывает английский язык. Известные ограничения версии OpenHands LM включают возможное повторение шагов и более слабую работу на задачах, отличающихся от решения GitHub issues; производительность также чувствительна к низким уровням квантизации.

Replit Code v1.5 — языковая модель Replit для автодополнения и продолжения программного кода. В этом репозитории размещены файлы модели в формате GGUF; исходная модель основана на архитектуре MPT и содержит 3,3 млрд параметров. Модель обучалась на коде 30 языков программирования, а также на отфильтрованных текстах из Markdown, reStructuredText и Stack Exchange. Контекст составляет 4096 токенов. Она подходит для дополнения кода по его началу и генерации продолжения в редакторах и приложениях для разработки. Веса представлены в вариантах GGUF BF16 и F32. Модель рассчитана на задачи работы с кодом, однако качество вывода может различаться между языками и сценариями. В обучающих данных могли сохраниться оскорбительные или неприемлемые материалы, поэтому результаты требуют проверки перед применением. Лицензия — Apache-2.0; README указывает на возможность прикладной настройки без строгих ограничений коммерческого использования.

TAQ Qwen3-Coder-Next outlier_4bit — исследовательский чекпойнт на основе Qwen/Qwen3-Coder-Next, созданный в рамках Tail-Aware Quantization. Архитектура — MoE-декодер для генерации текста; в метаданных указано 2,3 млрд параметров и контекст до 262 144 токенов. Модель ориентирована на задачи кодирования и работу в диалоговом режиме с интерфейсом вызова инструментов. Несмотря на обозначение 4-bit, репозиторий содержит деквантизированные тензоры BF16/FP16 для оценки, а не упакованный 4-битный формат: README не заявляет снижения занимаемого места на диске или VRAM. Для чекпойнта приведено значение PPL 12,38 на WikiText-2; сопоставимые оценки на HumanEval+ и MBPP+ ещё ожидаются. Лицензия — Apache-2.0.

laion/tt-x4_temperature-t1p0-45-30B — исследовательский контрольный снимок, опубликованный LAION как шаг 45 эксперимента TaskTrove X4 с температурой генерации 1,0. Это дообучение Qwen/Qwen3-Coder-30B-A3B-Instruct методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; обучение было ориентировано на многофайловые задачи программирования, а контрольный снимок выбран по скользящему среднему награды. Архитектура — MoE на базе Qwen3; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Модель принимает текст и генерирует текст в диалоговом режиме. Карточка описывает завершённый двухэпоховый эксперимент и сообщает метрики выбранного снимка: среднюю награду 0,2305 и pass@8 0,375. Эти результаты относятся к конкретной экспериментальной настройке и не гарантируют аналогичного качества на других задачах. Модель распространяется по лицензии Apache-2.0.

Webby Wahle 33B V1 — языковая модель, разработанная ibivibiv как дообучение DeepSeek Coder 33B с уклоном в веб-программирование. Она предназначена для генерации ответов и помощи в технических задачах, особенно связанных с веб-технологиями. Модель построена на плотной архитектуре Llama и содержит 33,1 млрд параметров. Она принимает текст, поддерживает диалоговый режим и имеет контекстное окно до 16 384 токенов. В карточке указана поддержка английского языка. Веса опубликованы в формате safetensors. Модель ориентирована на задачи веб-разработки, однако README не приводит результатов оценки качества или подробностей о конкретных фреймворках и языках программирования. Условия распространения указаны как MIT с включённой лицензией DeepSeek; при использовании необходимо учитывать обе лицензии.

XORTRON — мультимодальная диалоговая модель семейства Qwen3.5, опубликованная darkc0de. По метаданным, это результат слияния coder3101/Qwen3.5-27B-heretic и двух моделей XORTRON; она поддерживает анализ изображений, диалог и интерфейс вызова инструментов. Автор позиционирует её как uncensored-модель с сильными возможностями программирования и агентной работы, рассчитанную на быстрые ответы при локальном запуске. Модель принимает текст и изображения и выдаёт текст. Репозиторий использует Transformers и формат Safetensors. Лицензия — WTFPL. В карточке заявлены общие возможности, но подробных оценок качества, требований к оборудованию и результатов тестирования нет.

Это набор GGUF-квантизаций модели braindao/iq-code-evmind-v2-llama3-code-8b-instruct, подготовленный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста, прежде всего для задач, связанных с программным кодом, в формате instruct-взаимодействия. Базовая модель построена на архитектуре Llama 3 и имеет около 8 миллиардов параметров. В репозитории представлены варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 3 до 8 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью работы и потенциальным качеством генерации. Поддерживаются только текстовые входы и выходы; сведения о языках, размере контекста, результатах тестирования и конкретных языках программирования в README не приведены. Сильной стороной модели является возможность локального запуска через совместимые с GGUF инструменты при выборе подходящего уровня квантизации. Ограничения включают возможные потери качества из-за квантизации и отсутствие подтверждённых данных о производительности, мультиязычности и применимости к конкретным сценариям. Лицензия модели в README не указана.

North-Mini-Code-1.0-UD-Q4_K_XL-layers — пакет GGUF-слоёв модели семейства North, подготовленный Mesh LLM для распределённого запуска на локальном кластере. Он производен от unsloth/North-Mini-Code-1.0-GGUF и сохраняет исходную модель UD-Q4_K_XL в виде отдельных артефактов по слоям. Пакет предназначен для локального и приватного чат-инференса, в том числе на нескольких машинах, когда полная модель не помещается на одном узле. Через Mesh LLM модель можно подключить к локальному API с интерфейсом OpenAI Chat Completions. В метаданных указаны GGUF, поддержка генерации текста и чат-возможности; подробности об архитектуре, размере, контексте, языках и лицензии следует сверять с карточкой исходной модели.

PowerMoE-3B — разреженная языковая модель с архитектурой Mixture-of-Experts (sMoE), разработанная IBM Research. Несмотря на обозначение 3B, при обработке каждого токена она активирует около 800 млн параметров. Модель обучена с планировщиком скорости обучения Power на смеси открытых и проприетарных наборов данных; в метаданных указаны архитектура Granite MoE, 352,3 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста, включая ответы на вопросы с выбором варианта, генерацию кода и математические рассуждения. README сообщает об обнадёживающих результатах на бенчмарках по сравнению с плотными моделями, активирующими вдвое больше параметров, но не приводит конкретных метрик. Для запуска требуется версия Transformers из исходного кода. Модель распространяется по лицензии Apache-2.0.

Refact-1.6B-fim — плотная авторегрессионная языковая модель Refact AI для генерации и дополнения кода. Она предназначена прежде всего для заполнения пропусков в коде по контексту до и после места вставки (Fill-in-the-Middle), например в IDE; также поддерживает диалоговый формат для вопросов о программировании. Модель содержит 1,6 млрд параметров, построена на архитектуре GPTRefact с multi-query attention, ALiBi и LayerNorm и принимает контекст длиной до 4096 токенов. Модель дообучена на синтетических примерах и отфильтрованных наборах инструкций для кода; в карточке отмечены датасеты The Stack Dedup и CommitPackFT. По заявлению авторов, настройка улучшила генерацию коротких, однострочных и многострочных дополнений, в том числе пустых. Основной язык обучающих текстовых данных — английский, хотя в комментариях к коду встречаются другие языки; качество на неанглийском языке ниже. Лицензия — BigScience OpenRAIL-M.

usermma/Vibe-Coding-Claude-Fable-5-mlx-fp16 — конвертированная в формат MLX версия модели sakmkmk2/Vibe-Coding-Claude-Fable-5. По метаданным это плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов. Репозиторий предназначен для запуска с mlx-lm на совместимых устройствах Apple Silicon; карточка указывает версию mlx-lm 0.31.2. Модель ориентирована на генерацию текста и, судя по названию базовой модели, на сценарии вайб-кодинга. Метаданные также помечают её как text-classification, однако классификатор каталога определяет основную задачу как text-generation. Поддерживаемый язык карточки — английский. Лицензия — Apache-2.0.

AutoDev Coder DeepSeek 6.7B Finetunes — разговорная модель генерации текста на архитектуре Llama с 6,6 млрд параметров и контекстом до 16 384 токенов. README указывает на дообучение для AutoDev, но не содержит подробностей о сценариях и обучении. Модель предназначена для генерации текста в чате; её название указывает на применение в разработке кода и IDE-плагине. В метаданных перечислены английский и китайский языки, формат весов Safetensors и библиотека Transformers. Лицензия указана как other, поэтому условия её использования следует уточнить у автора модели.

FairyR1-32B — плотная языковая модель с архитектурой Qwen2, разработанная командой PKU-DS-LAB на базе DeepSeek-R1-Distill-Qwen-32B. Модель содержит 32 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста с рассуждениями, прежде всего для решения математических задач и написания программного кода. Разработчики обучили отдельные варианты модели для математики и программирования на отфильтрованных цепочках рассуждений, а затем объединили их с помощью ArceeFusion. В README заявлены результаты на AIME 2024/2025 и LiveCodeBench, однако они относятся к выбранным бенчмаркам и не гарантируют аналогичного качества в других областях. Карточка называет английский и китайский языки. Модель распространяется по лицензии Apache-2.0.

KernelLLM — языковая модель, разработанная для генерации GPU-ядер на Triton по коду PyTorch. Это дообученная методом supervised instruction tuning модель Llama 3.1 8B Instruct с архитектурой LlamaForCausalLM; в метаданных указан размер 7,5 млрд параметров и контекст до 131 072 токенов. Модель принимает и выдаёт текст. Обучение проводилось на парах кода PyTorch и Triton, включая примеры из KernelBook и синтетические данные; оценка выполнялась на KernelBench-Triton. Модель предназначена для подготовки кандидатов Triton-ядер и сопровождающего вызывающего кода, в том числе при переводе модулей PyTorch в реализации для GPU. README заявляет высокие результаты на KernelBench-Triton, но генерации требуют проверки: модель может ошибаться в синтаксисе и API, форме тензоров, типах и численной точности, а также не всегда следует инструкциям и может создавать код без содержательной реализации ядра. Карточка указывает коммерческое и исследовательское применение на английском языке; подробности лицензии приведены в LICENSE.pdf, а в метаданных лицензия обозначена как other. В README также указаны ограничения на использование вне английского языка и требования соблюдать применимые условия лицензирования и допустимого использования.

Модель merged-schema-forg-ai разработана Эдсоном Карвальо Интурией для генерации и преобразования схем API в экосистеме TypeScript. Это объединённая плотная языковая модель на архитектуре Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; она принимает текстовые описания, JSON и спецификации OpenAPI, а генерирует код Zod и zod-to-openapi, а также спецификации OpenAPI в JSON и YAML. Модель предназначена для автоматизации подготовки схем запросов и ответов, компонентов, параметров и описаний REST API. Модель обучалась на синтетических примерах преобразования JSON, Zod и OpenAPI и специализируется на этих задачах, а не на общей генерации кода. README описывает её как образовательный исследовательский проект. Репозиторий распространяется по лицензии Apache-2.0.

Это экспериментальная версия MiniMax M3 от Spark Arena: веса модели представлены в формате NVFP4 с калибровкой, которая пока дорабатывается, а REAP сокращает модель на 25%, чтобы разместить её на двух узлах DGX Spark вместо четырёх. Базовая MiniMax M3 — мультимодальная модель примерно с 428 млрд параметров, из которых активируется около 23 млрд; она использует разреженное внимание MiniMax Sparse Attention и заявленный контекст до 1 млн токенов. Модель предназначена для диалогов с изображениями и видео, программирования и агентных сценариев с вызовом инструментов. В README отмечены возможности анализа длинного контекста и ускорения обработки, однако качество этой экспериментальной сборки и влияние REAP на него проверены не полностью. Для правильного применения калибровки NVFP4 требуется совместимая поддержка в среде запуска. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

OpenCoder-8B-Base — базовая языковая модель для кода из семейства OpenCoder, разработанного командой OpenCoder. Модель размером 7,4 млрд параметров построена на архитектуре Llama и обучена с нуля на 2,5 трлн токенов: около 90% составил исходный код, остальное — веб-данные о программировании. Для этой версии заявлена длина контекста 8192 токена. Модель предназначена для генерации кода и исследовательской разработки систем искусственного интеллекта для программирования. Она поддерживает английский и китайский языки; в README приведены результаты на HumanEval(+), MBPP(+) и BigCodeBench. В репозитории указаны форматы PyTorch и Safetensors и лицензия other; конкретные условия лицензии следует проверять в файлах репозитория.

LiteRT-LM-вариант модели Qwen/Qwen2.5-Coder-3B-Instruct, распространяемый сообществом LiteRT и предназначенный для генерации текста на устройствах. Модель ориентирована прежде всего на задачи программирования и другие сценарии, где требуется локальная генерация текста с использованием LiteRT-LM, включая интеграцию в мобильные и периферийные приложения. В метаданных указан английский язык. Модель имеет размер 3B параметров и поставляется в виде квантованного артефакта Qwen2.5_Coder_3B_It.litertlm объёмом 3,4 ГБ с рецептом dynamic_wi8_afp32. Архитектура и максимальная длина контекста в README не указаны. Заявлена оптимизация для работы на устройстве; приведены результаты для CPU и GPU на Apple M4 Max и Samsung Galaxy S26. На Galaxy S26 GPU-режим показывает более высокую скорость предварительной обработки и генерации, а также существенно меньшее пиковое потребление памяти по сравнению с CPU. Сильными сторонами являются локальная работа без обязательной отправки запросов на сервер, поддержка аппаратного ускорения и готовность к интеграции через LiteRT-LM. Ограничения включают неизвестную длину контекста, отсутствие подробных сведений о поддерживаемых языках и зависимость производительности и потребления памяти от конкретного устройства и backend. Модель распространяется по лицензии Apache 2.0.

Qwen3.8-Flash-Next REAP-288 (bf16) — контрольная точка модели Qwen, опубликованная sh0wie на Hugging Face. Это версия с прореженными экспертами REAP: в каждом MoE-слое сохранено 288 из исходных 512 экспертов. По README, модель относится к классу 180 млрд параметров: 125 млрд параметров основной модели и 51 млрд в таблице n-грамм; указаны 48 слоёв с чередованием Gated DeltaNet и разреженного внимания Qwen. Веса сохранены в нативном bf16 без внесённой квантизацией погрешности, размер файлов — около 232 ГБ. Модель предназначена прежде всего как источник для дальнейшей квантизации и дообучения, а также для запуска с максимальным качеством при наличии достаточной памяти и инфраструктуры. Карточка сообщает, что отбор экспертов калибровали на примерно 686 тысячах токенов трафика агентного программирования. Метаданные указывают на генерацию текста, диалог и интерфейс вызова инструментов; README описывает совместимый с OpenAI серверный интерфейс. Поддержка визуального ввода после прореживания не проверена. Для запуска исходной bf16-версии нужен запас памяти и механизм подкачки весов; README описывает будущий движок pmlx для Apple Silicon, тогда как 4-битная сборка доступна отдельно. Модель использует лицензию с обозначением «other»; конкретные условия следует проверять в карточке Hugging Face.

SemCoder S 1030 — языковая модель для генерации кода, представленная проектом SemCoder из лаборатории ARiSE. Она предназначена для сценариев, где требуется создавать код с учётом семантики и рассуждений о программе. Модель основана на архитектуре Llama, содержит 6,6 млрд параметров и поддерживает контекст до 16 384 токенов; доступна в формате safetensors для библиотеки Transformers и имеет возможность диалогового взаимодействия. Модель обучалась на синтетических данных, созданных моделями OpenAI. README отсылает за подробным описанием к репозиторию проекта; конкретные поддерживаемые языки программирования и результаты оценки здесь не приведены. В метаданных указана лицензия other, поэтому перед использованием следует проверить условия лицензии и учитывать условия OpenAI, относящиеся к синтетическим данным и наборам данных.

Duyntnet/stable-code-instruct-3b-imatrix-GGUF — набор imatrix-квантизованных версий модели Stable Code Instruct 3B, разработанной Stability AI. Модель предназначена для генерации текста и выполнения инструкций, связанных прежде всего с программированием, например для написания HTML-кода и других фрагментов программ. Поддерживаемый язык — английский. Модель содержит около 3 миллиардов параметров и распространяется в формате GGUF, что ориентировано на запуск с использованием совместимых локальных средств инференса. В README не указаны точная архитектура, размер контекстного окна, перечень поддерживаемых модальностей и конкретные варианты квантизации. Пример использования предусматривает диалоговый шаблон, генерацию до 1024 новых токенов и настройку параметров sampling. Сильной стороной модели является специализация на инструкциях для задач программирования и возможность локального запуска в квантизованном формате. Ограничения включают англоязычную специализацию, отсутствие заявленной поддержки других модальностей и неполное описание технических характеристик. В метаданных указана лицензия other, однако её точные условия в README не приведены.

Карточка модели refactai/starcoderbase-1b на Hugging Face совпадает с карточкой bigcode/starcoderbase-1b, поэтому описание составлено по ней. StarCoderBase-1B — авторегрессионная языковая модель для генерации программного кода, разработанная проектом BigCode. Это версия семейства StarCoderBase с 1 млрд параметров, основанная на архитектуре GPT-2 с Multi-Query Attention. Модель обучалась на корпусе The Stack v1.2, содержащем код более чем на 80 языках программирования, с целью Fill-in-the-Middle на 1 трлн токенов. Контекстное окно составляет 8192 токена. Модель предназначена для продолжения кода по заданному фрагменту и заполнения пропусков между частями кода. Она не является моделью, настроенной на выполнение инструкций: запросы на естественном языке вроде просьбы написать функцию могут работать хуже, чем подсказки с контекстом кода. Генерации могут содержать ошибки, быть неэффективными или уязвимыми. Код может дословно воспроизводить фрагменты из обучающих данных, поэтому следует проверять его происхождение и соблюдать применимые условия лицензии. Лицензия модели — BigCode OpenRAIL-M.

Jebadiah/Tess-coder-ruby-p6 — слитая языковая модель, созданная с помощью mergekit методом DARE linear на основе Jebadiah/Tess-coder-ruby-p5 с добавлением NeverSleep/Llama-3-Lumimaid-8B-v0.1. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM, предназначенная для генерации текста в формате диалога и программного кода, включая Ruby. Размер составляет 7,5 млрд параметров, контекст — до 8192 токенов; модель работает через Transformers и опубликована в формате safetensors. Модель подходит для написания и продолжения кода, помощи с Ruby и ведения диалогов. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковую поддержку нельзя уточнить. Базовая модель семейства рассчитана также на ролевые диалоги и эротический контент. Лицензия в предоставленных данных не указана.

Yi-Coder-1.5B-GGUF — это GGUF-квантизированная версия базовой модели Yi-Coder-1.5B, разработанной компанией 01-ai. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена прежде всего для автодополнения и генерации программного кода, а не для диалогового общения; у неё нет встроенного шаблона prompt. Модель обучалась на 52 основных языках программирования и поддерживает контекст длиной до 128 тысяч токенов. В README не указаны точный размер GGUF-файлов, используемый метод или уровень квантизации, а также дополнительные модальности, поэтому её следует рассматривать как текстовую модель для работы с кодом. Длинный контекст может быть полезен при анализе и дополнении крупных исходных файлов, однако как базовая модель она может требовать корректного форматирования входных данных и не гарантирует точность, безопасность или работоспособность сгенерированного кода. Модель распространяется по лицензии Apache-2.0. LM Studio не является её разработчиком или владельцем и не гарантирует полноту, точность, безопасность или пригодность результатов. Для коммерческого и иного использования необходимо учитывать условия лицензии и самостоятельно проверять сгенерированный код.

DeepSeek-V4.1-Flash-UNCENSORED-DwarfStar-Q2 — независимая общественная конверсия модели DeepSeek-V4.1-Flash, разработанной DeepSeek AI, и производного abliterated-чекпойнта dealignAI. Конверсию, упаковку и локальное тестирование выполнил pyrodog; обучение, дообучение, слияние моделей и дополнительная abliteration не проводились. Модель предназначена для генерации текста и программного кода, а также для сценариев с вызовом инструментов, что было проверено через OpenCode. Это текстовая модель с вводом и выводом в виде текста, представленная в специальном формате Q2 GGUF для inference engine DwarfStar. Файл занимает около 340,6 GiB; используются различные схемы квантования, включая IQ2_XXS, Q2_K, Q8_0, F16 и F32. Визионные веса и веса для speculative decoding DSpark удалены, поэтому данная сборка не поддерживает соответствующие возможности исходного чекпойнта. Языки, точный размер архитектуры и полный перечень параметров в карточке не указаны. В примерах запуска задан контекст до 262 144 токенов. Главные особенности — существенно меньший размер по сравнению с исходным чекпойнтом, возможность работы на Apple Silicon с SSD-streaming и поддержка инструментов через DwarfStar. Ограничения включают нестандартную раскладку тензоров: файл не предназначен для llama.cpp, Ollama, LM Studio и других обычных GGUF-рантаймов. Для работы требуются DwarfStar с поддержкой DeepSeek V4.1, быстрый локальный SSD и значительный объём дискового пространства; на тестовой системе Apple M5 Max с 128 GB unified memory основные веса превышали доступную оперативную память и загружались потоково. Качество не гарантируется эквивалентным опубликованной activation-calibrated Q2-сборке. Распространение указано под лицензией MIT.