II.3Рефакторинг, миграция и модернизация

Это пакет Mesh LLM с весами Kimi-K2.7-Code в формате GGUF, подготовленный для распределённого инференса. Он разбивает исходный GGUF на артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин; пакет рассчитан на локальную приватную работу и совместим с чат-интерфейсом Mesh LLM и API формата OpenAI. Модель принимает текстовые запросы и выдаёт текстовые ответы в режиме чата. Репозиторий указывает исходную модель unsloth/Kimi-K2.7-Code-GGUF и вариант квантования UD-Q4_K_XL; архитектурные подробности, размеры, языки и длина контекста в предоставленных данных не описаны. Для лицензии и рекомендаций по использованию README отсылает к карточке исходной модели, поэтому условия лицензии этого пакета по имеющимся сведениям определить нельзя.

Ornith-1.5-9B-OBLITERATED — модифицированная версия модели Ornith-1.5-9B, разработанной DeepReinforce. Модель подготовлена проектом OBLITERATUS и создана с применением abliteration — хирургического удаления направлений, связанных с отказами модели. Она предназначена для генерации текста, программирования, рассуждений, агентских задач, исследований выравнивания и red teaming, где требуется менее фильтруемое поведение. Заявлена поддержка английского языка. Модель построена на гибридной архитектуре Qwen3.5 с Gated DeltaNet и полноразмерными механизмами внимания и содержит около 9 млрд параметров. Доступны веса bf16 и варианты GGUF от Q2_K до Q8_0; также указан vision encoder, однако возможности мультимодального применения в описании подробно не раскрыты. Поддерживается режим рассуждений, но для общего использования рекомендуется отключать его. Для запуска доступны Transformers и llama.cpp, рекомендуемый размер контекста в примере llama.cpp — 8192 токена. Сильной стороной является существенно сниженная склонность к отказам: в приведённых тестах модель показала высокую готовность отвечать на ограниченные запросы, сохранив результаты в генерации кода и агентских сценариях. Ограничения включают снижение MMLU примерно на 4 процентных пункта относительно базовой модели, частично ухудшенную поддержку function calling, возможные дополнительные отказы в низкобитных квантизациях и риск галлюцинаций в сложных химических и синтетических задачах. Удаление защитных механизмов повышает риски небезопасного использования, поэтому результаты требуют независимой проверки. Лицензия — MIT.

Qwen3.8-Flash-Next REAP-384 (bf16) — полноточный чекпойнт, опубликованный sh0wie на основе Qwen/Qwen3.8-Flash-Next. Это разрежённая MoE-модель семейства Qwen: в 48 слоях чередуются Gated DeltaNet и разрежённое внимание Qwen, а в каждом MoE-блоке из исходных 512 экспертов оставлены 384 с маршрутизацией top-10. Модель относится к классу 180 млрд параметров: 125 млрд в основной модели и таблица n-грамм на 51 млрд параметров. Веса хранятся в bf16 без предварительной квантизации; репозиторий занимает около 294 ГБ. Чекпойнт предназначен прежде всего для генерации текста и диалогового использования, а также как источник для дальнейшей квантизации, дообучения или высококачественного инференса при наличии подходящей инфраструктуры. Отбор экспертов REAP калибровали примерно на 686 тысячах токенов агентного программирования; автор приводит для родственной 4-битной сборки результат 92,1% на HumanEval, но это не оценка bf16-версии. Данные о контексте и языках в предоставленных источниках не приведены. Метаданные указывают интерфейс вызова инструментов и мультимодальную базовую модель с анализом изображений, однако README предупреждает, что зрительный ввод после pruning не тестировался. Для непосредственного запуска нужны значительные ресурсы: чекпойнт размером 294 ГБ не помещается в память одного Mac и требует механизма подкачки, например pmlx, либо другой инфраструктуры для крупных моделей; скорость ниже, чем у 4-битной версии. Калибровка выполнена на данных агентного программирования, поэтому качество в других областях может снижаться. Лицензия указана как other, конкретные условия в предоставленной карточке не раскрыты.

UniXcoder — унифицированная предобученная модель для представления программного кода, разработанная командой Microsoft. Она объединяет код, комментарии и абстрактные синтаксические деревья (AST) при обучении и поддерживает режимы encoder-only, decoder-only и encoder-decoder. Модель основана на архитектуре RoBERTa, содержит 152,7 млн параметров и принимает последовательности длиной до 1026 токенов. Модель предназначена для извлечения признаков кода и применяется для поиска фрагментов кода по текстовому запросу, дополнения кода, предсказания имён функций, рекомендации API и суммаризации кода. В карточке приведены примеры для английского языка; метаданные указывают английский как язык модели. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0. В метаданных основная задача обозначена как feature-extraction, поэтому генеративные сценарии следует рассматривать как дополнительные режимы применения, описанные в карточке, а не как отдельные pipeline-задачи.

USER2-1C-code — модель эмбеддингов от PruhaNLP для семантического поиска по коду и решениям на 1С:Предприятие и BSL. Это би-энкодер на базе ModernBERT, дообученный на парах «вопрос — код 1С» с помощью sentence-transformers; он кодирует запросы и фрагменты кода в векторы для сравнения по cosine similarity. Контекст модели — до 8192 токенов, базовая размерность эмбеддингов — 768, также доступны размерности 512, 384, 256, 128, 64 и 32 благодаря Matryoshka-обучению. Для запросов и документов применяются префиксы search_query и search_document. Модель предназначена для поиска релевантных фрагментов кода 1С по вопросам на естественном языке, включая поиск по форумам и библиотекам сниппетов. В описанном авторами бенчмарке 1C-Ebench она показала средний nDCG@10 0,599; усечённые эмбеддинги до 256 измерений сохраняли близкое качество. Поддерживает русский язык и код BSL. Лицензия — Apache-2.0; авторы предупреждают, что проект независим от ООО «1С» и предоставляется без гарантий.

llmfan46/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-uncensored-heretic-GGUF — это GGUF-квантизации текстовой генеративной модели на базе llmfan46/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-uncensored-heretic. Модель разработана независимым автором llmfan46 и предназначена для задач программирования, агентного взаимодействия, работы с терминалом, использования инструментов, рассуждений и генерации текста. В README также указано, что она основана на Gemma 4 с размером 12 млрд параметров. Это декензурированная версия исходной модели yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF, обработанная с помощью Heretic 1.4.0 и варианта метода Magnitude-Preserving Orthogonal Ablation. Изменения затрагивают компоненты attn.o_proj и mlp.down_proj. По приведённым данным, частота отказов снизилась с 99 до 13 отказов из 100 при KL-дивергенции 0,0367; для исходной модели указана точность MMLU 71,56%, однако отдельные результаты именно этой версии не приведены. Модель может быть полезна для локального запуска сценариев, связанных с кодом, терминальными командами и вызовом инструментов, но README не содержит сведений о поддерживаемых языках, длине контекста, конкретной архитектуре GGUF-квантизаций, системных требованиях или совместимых рантаймах. Декензурирование означает сниженный уровень отказов и может сопровождаться дополнительными рисками безопасности и менее предсказуемым поведением, поэтому результаты требуют проверки. Лицензия — Apache-2.0.

Maq-1.0-4B-SWE — текстовая модель Waylon J. Brown для диалогов по разработке программного обеспечения, созданная дообучением Gemma 4 E4B Instruct. Автор выполнил LoRA SFT на выборке из наборов данных для кодирования, SWE-траекторий и агентных сценариев, а затем объединил адаптер с базовыми весами в чекпойнт BF16 для Transformers. Репозиторий содержит модель примерно на 4,5 млрд эффективных параметров (около 8 млрд с учётом послойных эмбеддингов); исходная Gemma 4 — мультимодальная, но эта версия обучалась только на тексте. Модель предназначена для помощников по программированию, диалогов «задача — план — исправление», агентных сценариев с использованием инструментов, а также задач соревновательного программирования и рассуждений о коде. Она принимает текст и генерирует текст; обучение проводилось с контекстом 1024 токена, хотя базовая модель поддерживает более длинный контекст. Обучение было коротким: 400 шагов на 4096 примерах, без отложенной оценки и опубликованных результатов SWE-Bench или LiveCodeBench. Это экспериментальная специализированная настройка, а не универсальный чат-бот или замена крупным SWE-агентам. README предупреждает, что фильтрация отказов в части обучающих данных могла ослабить защитные ограничения. Веса модели доступны по Apache 2.0; лицензии использованных наборов данных различаются, поэтому для коммерческого использования нужно проверить условия каждого источника.

Atomic-Germ/Qwable-Claude-Fable-5-Distilled-NPU2 — это квантованный порт модели empero-ai/Qwable-9B-Claude-Fable-5, подготовленный разработчиком Atomic-Germ для инференса на NPU AMD XDNA. Модель собрана в формате Q4NX для среды выполнения FastFlowLM и не является файлом GGUF. Указанный размер исходной модели — 9 млрд параметров, размер файла весов model.q4nx — 7,11 ГБ. Модель поддерживает языковые и визуальные входы и ориентирована на агентное программирование, работу с кодом и мультимодальные сценарии, включая анализ изображений. В репозитории также присутствуют отдельные веса vision-модуля, токенизатор и шаблон диалога. Для работы требуется FastFlowLM версии 1.0.1 и совместимое оборудование AMD XDNA NPU; запуск предусмотрен через утилиту flm-add и runtime FastFlowLM. Ключевое преимущество модели — адаптация под локальный NPU-инференс с использованием квантования Q4NX, что может снизить требования к памяти и повысить практичность запуска на совместимом оборудовании. Ограничения включают зависимость от FastFlowLM и AMD XDNA, отсутствие совместимости с GGUF, а также отсутствие в карточке сведений о поддерживаемых языках, размере контекстного окна, точных характеристиках архитектуры и результатах оценки качества. Лицензия в предоставленном README не указана.

Etherll/Qwen2.5-Coder-1.5B-CodeFIM — дообученная модель семейства Qwen2.5-Coder для генерации кода в формате Fill-in-the-Middle (FIM): она дополняет код, вставляя фрагмент между заданным префиксом и суффиксом. README рекомендует использовать её с Continue и передавать имя файла, префикс и суффикс в формате {{{filename}}}{{{prefix}}}{{{suffix}}}. Модель построена на архитектуре Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса Safetensors и предназначен для генерации текста, в частности кода. Лицензия в предоставленных данных не указана.

Rain-2x7B-MoE-32k-v0.2 — экспериментальная языковая модель с архитектурой Mixtral MoE, опубликованная yuuko-eth. Она объединяет два эксперта размером 7B: Breeze-7B-Instruct-v0_1 для китайского языка и CodeNinja-1.0-OpenChat-7B для задач программирования; в README базой указан Marcoro14-7B-slerp. Модель предназначена для генерации текста, диалогов на китайском языке и помощи с кодом. Поддерживает контекст до 32 768 токенов и использует формат safetensors; для работы предлагаются шаблоны запросов базовых моделей. В версии v0.2 обновлены параметры токенизатора. Модель экспериментальная: автор рекомендует оценить её перед применением в рабочем конвейере. Условия лицензирования в доступных данных не определены.

TechxGenus/starcoder2-7b-AWQ — AWQ-квантованная версия StarCoder2-7B, разработанная проектом BigCode. Это авторегрессионная модель генерации текста, ориентированная прежде всего на работу с исходным кодом: автодополнение, генерацию фрагментов, редактирование и задачи Fill-in-the-Middle. Модель не является instruction-моделью, поэтому прямые запросы на естественном языке, например просьбы написать функцию, могут обрабатываться неудовлетворительно. Модель содержит около 7 миллиардов параметров и обучена более чем на 3,5 триллиона токенов, включая данные The Stack v2, а также отдельные источники вроде arXiv и Wikipedia. Она поддерживает 17 языков программирования, использует Grouped Query Attention, контекстное окно 16 384 токена и Sliding Window Attention с окном 4 096 токенов. Квантирование AWQ снижает требования к памяти и делает модель более подходящей для локального запуска, сохраняя назначение базовой модели для генерации кода. К ограничениям относятся отсутствие instruction-настройки, возможное воспроизведение фрагментов обучающих данных и необходимость проверять лицензии сгенерированного кода; для этого рекомендуется использовать индекс поиска по исходным данным. Модель распространяется по лицензии BigCode OpenRAIL-M. В карточке также приведены результаты на бенчмарках HumanEval, HumanEval+, DS-1000, CruxEval-I, GSM8K (PAL) и RepoBench-v1.1, однако они относятся к StarCoder2-7B и не обязательно отражают точные показатели AWQ-версии.

CodeMate-v0.1 — языковая модель и программный помощник, разработанный CodeMate. Она предназначена для генерации решений задач по программированию и принимает запросы в формате инструкций Alpaca/Vicuna. Модель основана на архитектуре Llama, имеет 33,5 млрд параметров и работает с контекстом до 16 384 токенов. По заявлению разработчика, модель дообучена на внутреннем наборе из 1,8 млрд токенов с задачами по программированию и решениями; поддерживает Python, C/C++, TypeScript, Java и другие языки программирования. Это версия 0.1, проверенная в ограниченном объёме. Используется лицензия Llama 2.

Intel опубликовала версию DeepSeek-Coder-1.3B-Base, преобразованную в формат OpenVINO IR и оптимизированную с помощью Optimum CLI с INT8-квантованием весов. Это плотная авторегрессионная модель семейства LLaMA с 1,3 млрд параметров и контекстом 16 384 токена, предназначенная для генерации и дополнения кода. Она обучена на корпусе кода уровня проектов и поддерживает заполнение пропусков в коде, завершение фрагментов и дополнение с учётом репозитория; в карточке указано применение для автодополнения кода в Visual Studio Code через расширение OpenVINO Code Completion. Основной язык — английский. Лицензия — MIT с дополнительными ограничениями использования, перечисленными в карточке исходной модели; перед внедрением следует свериться с LICENSE-MODEL.

Fwizzer v3 Titan RU — русскоязычная чат-модель для генерации текста и рассуждений, созданная разработчиком Fwizzer на базе LiquidAI/LFM2.5-VL-3B. По карточке, модель использует гибридную архитектуру Liquid Neural Network с backbone LFM2 размером 2,69 млрд параметров и дообучена на приватном датасете fwizzer-v3-titan-agentic, включающем примеры цепочек рассуждений и игровые проекты. Заявленное контекстное окно — до 32 768 токенов. Модель предназначена для ответов на вопросы, пошагового решения задач и генерации кода, в том числе автономных HTML5/WebGL-игр, приложений, скриптов на GDScript и Python для Blender. Доступны веса Safetensors и квантизированные сборки GGUF для локального запуска через LM Studio и Ollama. Метаданные указывают русский и английский языки; мультимодальность базовой модели не подтверждена для этой дообученной версии. Лицензия указана как other, поэтому условия использования следует проверять в репозитории.

MassivDash/Gemma-4-RUST-CODER-12B — специализированная дообученная версия Google Gemma-4-12B-it, разработанная для задач программирования на Rust. Модель обучалась с использованием QLoRA, Unsloth Studio и набора данных Fortytwo-Network/Strandset-Rust-v1. Она ориентирована на системное программирование, отладку, разработку высокопроизводительных приложений и генерацию лаконичных ответов с акцентом на код. Модель улучшена в области идиоматичного Rust, включая работу с Result и Option, обработку ошибок, правилами borrow checker, lifetimes, трейты Send и Sync, а также асинхронными runtime, такими как Tokio. Заявлен размер базовой модели — 12B параметров. В README не указаны контекстное окно, полный список поддерживаемых языков и модальностей; по назначению модель ориентирована прежде всего на текстовые запросы и код на Rust. Сильными сторонами являются специализация на экосистеме Rust, понимание паттернов безопасности памяти, конкурентного и асинхронного программирования. При этом возможна деградация качества в других языках программирования и вне технических задач из-за узкой специализации. Модель не гарантирует компилируемость и корректность сгенерированного кода, поэтому результаты необходимо проверять и тестировать. Указанная лицензия — MIT.

Grug 35B A3B — экспериментальная компактная донастройка модели Qwen/Qwen3.6-35B-A3B, созданная автором репозитория. Это текстовая MoE-модель для генерации ответов и диалогов, настроенная выдавать короткие, насыщенные рассуждения с сохранением ограничений, вычислений, проверок и важных граничных случаев. По карточке, в архитектуре 35 млрд параметров, из которых примерно 3 млрд активируются на токен; используются 40 текстовых слоёв, 256 экспертов и до 8 маршрутизируемых экспертов вместе с общим экспертным путём. Нативная длина контекста — 262 144 токена. Модель обучена с помощью QLoRA/PEFT LoRA и опубликована со слитыми весами в формате Transformers/safetensors; отдельный адаптер для загрузки не требуется. В обучении использованы наборы для общего рассуждения, математики и программирования. По README, обучение было небольшим, а проверка ограничивалась локальными smoke-тестами, поэтому качество не подтверждено широкими бенчмарками. Модель может чрезмерно сокращать объяснения в задачах, где нужны длинные выводы, и наследует ограничения базовой модели. Лицензия репозитория — Apache-2.0.

IndustrialCoder — открытая модель генерации кода InCoder-32B, представленная авторами работы «InCoder-32B: Code Foundation Model for Industrial Scenarios». Это плотный decoder-only Transformer семейства IQuestCoder с 31,6 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для генерации, дополнения и анализа кода, особенно в промышленных сценариях: проектировании микросхем на Verilog и SystemVerilog, оптимизации GPU-ядер на CUDA и Triton, встроенных системах на C/C++ и 3D-моделировании на CadQuery. Поддерживаются чатовый режим и интерфейс вызова инструментов; модель также умеет дополнять код внутри фрагмента с использованием Fill-in-the-Middle. Обучение включало предварительное обучение на коде, расширение контекста и дообучение на задачах с проверкой через инструментальные цепочки. В README сообщается о сильных результатах на общих и специализированных бенчмарках, однако качество зависит от задачи. Модель может использовать неизвестные или недоступные функции HAL/CMSIS, генерировать компилируемый, но логически неверный RTL и предлагать корректные, но неоптимальные GPU-ядра; сгенерированный промышленный код требует проверки специалистом и тестирования. Репозиторий распространяется по лицензии Apache-2.0.

Это языковая модель на архитектуре Mistral, созданная сообществом с помощью слияния SLERP двух моделей: beowolx/CodeNinja-1.0-OpenChat-7B и yanolja/EEVE-Korean-Instruct-10.8B-v1.0. Модель содержит 7,1 млрд параметров, работает с библиотекой Transformers и имеет контекст до 8192 токенов. Модель предназначена для генерации текста в диалоговом формате. В слиянии объединены возможности модели для задач программирования и корейской модели, обученной следованию инструкциям; точные сравнительные результаты и гарантии качества в карточке не приводятся. Модель принимает и выдаёт текст. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Qiskit/Qwen2.5-Coder-14B-Qiskit — специализированная языковая модель, разработанная для работы с кодом на Qiskit и основанная на Qwen2.5-Coder-14B-Instruct. Модель дообучена для генерации, анализа и исправления кода с учётом API и синтаксиса Qiskit 2.0; её можно применять в кодовых агентах. Она также сохраняет возможности работы с математикой и общими задачами. Разработчики описывают её как причинную трансформерную модель с 14,7 млрд параметров и контекстом до 131 072 токенов; метаданные каталога указывают контекст 32 768 токенов. Модель рассчитана на диалоговую работу с текстом и кодом. Она совместима с библиотекой Transformers, а веса опубликованы в формате Safetensors. Репозиторий использует лицензию Apache-2.0. В README указано, что модель не проходила выравнивание безопасности; сгенерированный код может содержать ошибки или нежелательные результаты, поэтому его следует проверять перед использованием. Также отмечен риск дословного воспроизведения фрагментов обучающих данных.

ToRA Code 34B v1.0 GGUF — это квантизированная версия большой языковой модели ToRA Code 34B v1.0, разработанной LLM-Agents и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре LLaMA, содержит около 34 миллиардов параметров и предназначена для локального запуска через llama.cpp и совместимые интерфейсы и библиотеки. Основные сценарии применения — генерация и анализ кода, а также решение математических задач. В качестве обучающих или оценочных наборов указаны GSM8K и Competition Math; заявленный язык — английский. Модель работает в режиме text-generation и использует шаблон запроса ToRA с ролями пользователя и ассистента. Данные о размере контекста, поддерживаемых модальностях, фактическом качестве и конкретных возможностях работы с инструментами не указаны. Формат GGUF поддерживает различные варианты квантизации от 2 до 6 бит, что позволяет выбирать компромисс между размером модели, требованиями к памяти и качеством. Файлы рассчитаны на инференс с использованием CPU и GPU и совместимы с llama.cpp и рядом сторонних приложений. Ограничения включают зависимость качества от выбранного уровня квантизации, высокие требования к ресурсам для 34B-модели и отсутствие гарантии корректности ответов, особенно в программировании и математике. Указана лицензия Llama 2.

Это контрольная точка дообучения laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink, опубликованная LAION. Модель основана на архитектуре Qwen3 с плотной causal language model, содержит 7,6 млрд параметров и принимает текст, выдавая текст. Она предназначена для решения задач SWE: работы с кодом Python и доведения изменений до прохождения тестов в среде выполнения. Контрольная точка получена методом RL с алгоритмом SkyRL GRPO на датасете DCAgent/exp_rpt_pymethods2test-large. В этой абляции использовалась награда по доле пройденных тестов, а не бинарная награда за прохождение всех тестов. Опубликован шаг 45 из 80; его выбрали по EMA средней сырой награды. Контекст модели составляет 40 960 токенов. Репозиторий содержит веса Safetensors и конфигурацию запуска для воспроизводимости; README также указывает на сопутствующий набор обучающих трасс open-athena/ablation-pymethods2test-shaped. Лицензия в предоставленных данных не описана.

Jebadiah/Aria-ruby-v3 — созданная с помощью mergekit слитая языковая модель на архитектуре Mistral с 7,1 млрд параметров. В линейном слиянии использованы Jebadiah/Aria-diamond-v2 и Jebadiah/Tess-coder-ruby-p7; веса сохранены в формате safetensors, исходная конфигурация слияния задаёт float16. Модель предназначена для генерации текста и кода. Контекстное окно составляет 32 768 токенов. В карточке базовой модели упоминается диалоговая генерация и код на Ruby, однако отдельные языки и специализированные возможности этой версии не подтверждены. Лицензия в предоставленных данных не указана. Качество и ограничения модели в README не описаны; результаты генерации следует проверять.

unsloth/codegemma-2b-bnb-4bit — 4-битная версия модели CodeGemma с примерно 2 млрд параметров, опубликованная в экосистеме Unsloth для использования с библиотекой Transformers. В README также упоминается поддержка Unsloth для дообучения моделей Gemma, однако конкретные сведения о разработчике исходной модели CodeGemma в предоставленных данных отсутствуют. Модель предназначена прежде всего для задач, связанных с программным кодом, включая генерацию и продолжение текста кода, а также эксперименты с дообучением. Указан английский язык. Архитектура и размер контекста в README не описаны; по идентификатору модели можно определить только вариант с 2 млрд параметров и 4-битным квантованием BNB. Ключевое преимущество версии — сниженные требования к памяти по сравнению с полноразмерными вариантами, что может упростить локальный запуск и дообучение. Ограничения связаны с малым размером модели, возможным снижением качества по сравнению с более крупными версиями и отсутствием в предоставленных данных подробных результатов оценки. Лицензия указана как Apache-2.0.

jk3 — дообученная модель для генерации текста на базе deepseek-ai/deepseek-coder-1.3b-base. Она содержит 1,3 млрд параметров, использует плотную архитектуру семейства Llama и принимает контекст длиной до 16 384 токенов. Модель сохранена в формате safetensors. В карточке приведены метрики оценки, включая loss 0,4190 и разницу оценок выбранных и отклонённых ответов 9,0528. Датасет указан как None, а сведения о назначении, обучающих данных и ограничениях не раскрыты. Лицензия в доступных данных не указана.

Mtreelva Dune 12B — экспериментальная текстовая генеративная модель на 12 млрд параметров, созданная слиянием моделей команд CompiwerAI, MuXodious и Reelva с помощью mergekit и метода flux. Архитектура — Gemma 4 12B; веса опубликованы в формате safetensors и доступны через Transformers. Лицензия — Apache-2.0. Модель предназначена для диалогов, задач рассуждения, программирования и многошаговых агентных сценариев. В описании заявлена поддержка индонезийского, английского, арабского, французского и марокканского дариджа; базовые модели дополнительно заявляют возможности для компаньонского общения и настраиваемую глубину рассуждения. Карточка также описывает мультимодальные возможности семейства Gemma 4, включая входные изображения, аудио и видео, однако не подтверждает их отдельно для этого слитого чекпойнта. Автор характеризует модель как экспериментальную и частично снявшую ограничения безопасности: защитные отказы всё ещё встречаются, но их можно обходить. Производительность и поведение могут отличаться от базовых моделей; карточка не приводит независимых оценок качества.

TinyR1-32B-Preview — экспериментальная модель рассуждений, разработанная командой Qihoo 360 на основе DeepSeek-R1-Distill-Qwen-32B. Это плотная языковая модель семейства Qwen2 с 32 млрд параметров; она принимает текст и генерирует текст, а нативная длина контекста составляет 131 072 токена. Модель создана объединением трёх специализированных вариантов, дообученных на математике, программировании и науке, и предназначена для решения задач в этих областях. В README сообщается о высоких результатах на отдельных тестах по математике, программированию и научным вопросам. Модель доступна в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка характеризует её как preview-релиз и предупреждает, что она не предназначена для общего пользовательского применения. Возможны повторяющиеся циклы генерации при неподходящих настройках; авторы рекомендуют temperature 0.6 и top-p 0.95. Модель может выдавать чрезмерно длинные цепочки рассуждений, имеет ограничения в маркерах начала рассуждения и требует дополнительных мер безопасности; опубликованные оценки охватывают ограниченный набор тестов.

didula-wso2/gemma4_1-0-8_sft_16bit_vllm — дообученная Didula WSO2 мультимодальная модель Gemma 4 E4B Instruct для диалогов и генерации текста по текстовым или визуальным запросам. Модель основана на unsloth/gemma-4-E4B-it; адаптер LoRA r16/alpha32 обучен на языковых модулях и затем объединён с базовой моделью. Обучение проведено за одну эпоху на 9 182 примерах для задач Ballerina. Репозиторий содержит веса safetensors в 16-битном формате и использует библиотеку Transformers. Хотя базовая архитектура поддерживает зрение, аудио LoRA-веса не обучались; модель предназначена прежде всего для задач генерации кода на Ballerina. В приведённом HumanEval-подобном бенчмарке Ballerina результат составил 90 из 159, а Python HumanEval pass@1 — 94,3% при трёх генерациях; эти результаты зависят от заданного промпта и параметров выборки. Лицензия в предоставленных данных не указана.

SHS-Lab/Kimi-K3-Abliterated — открытая мультимодальная модель на основе Kimi K3, обработанная методом abliteration для ослабления отказов, связанных с механизмами выравнивания. Она предназначена для исследований механизмов отказа, red-team-оценки и контролируемых экспериментов. Архитектура унаследована от базовой модели: Mixture-of-Experts с 2,8 трлн параметров, Kimi Delta Attention и Attention Residuals; модель поддерживает контекст до 1 млн токенов, изображения и видео наряду с текстом. Модель подходит для программирования, многошаговых агентных задач, анализа документов и работы с визуальными данными. По заявлению карточки, ослабление отказов нацелено на запросы на английском и японском языках и не добавляет новых знаний или возможностей; возможны небольшие изменения тона и формулировок. Независимая оценка этой версии не проводилась, поэтому точность для конкретных задач следует проверять отдельно. Модель распространяется с весами для самостоятельного развёртывания по лицензии Kimi K3 License; карточка не рекомендует её для неконтролируемого использования в пользовательских продуктах или там, где обязательна модерация контента.

bartowski/all-hands_openhands-lm-1.5b-v0.1-GGUF — это набор GGUF-квантизаций модели openhands-lm-1.5b-v0.1, разработанной all-hands и подготовленной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, прежде всего для задач программирования и агентных сценариев, связанных с разработкой программного обеспечения. В качестве датасета указана SWE-Gym/SWE-Gym. Модель имеет размер 1,5 млрд параметров, поддерживает текстовый ввод и вывод и ориентирована на английский язык. README не содержит сведений об архитектуре исходной модели и размере контекста. Доступны варианты от BF16 до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ; размеры файлов составляют примерно от 0,76 до 3,09 ГБ. Квантизированные версии можно запускать через LM Studio, llama.cpp и совместимые проекты. Более высокие уровни квантизации обычно обеспечивают лучшее качество, тогда как варианты Q3 и некоторые низкобитные форматы экономят оперативную память за счёт снижения качества. Модель распространяется по лицензии MIT. README не приводит результатов бенчмарков, подробных сведений о сильных и слабых сторонах исходной модели, поддерживаемых языках помимо английского или максимальной длине контекста, поэтому эти характеристики нельзя надёжно оценить по имеющимся данным.

NVIDIA CUDA Autocomplete — дообученная NVIDIA модель для автодополнения программного кода, в первую очередь CUDA, в расширении Nsight Copilot для VS Code и Cursor. Она основана на Qwen/Qwen2.5-Coder-7B: трансформер Qwen2 с 7,1 млрд параметров, который генерирует продолжение кода по контексту до и после курсора в формате fill-in-the-middle. Длина контекста — 32 768 токенов. Модель предназначена для вставки одной или нескольких строк кода в месте курсора. Обучающие данные включают открытый исходный код из The Stack v2 и синтетический CUDA-код; проверка проводилась также на внутренних примерах CUDA и HPC-кода NVIDIA. Модель принимает и генерирует текстовый код, преимущественно с англоязычными идентификаторами и комментариями. Карточка заявляет готовность к коммерческому и некоммерческому использованию; лицензия в метаданных обозначена как other, поэтому перед распространением следует проверить применимые условия NVIDIA. Модель ориентирована на запуск на NVIDIA GPU, а карточка указывает vLLM и поддержку H100 и DGX Spark под Linux. Предсказания автодополнения могут содержать ошибки и требуют проверки, особенно для внутренних библиотек, API и критичного к корректности кода применения.