II.3Рефакторинг, миграция и модернизация

jk1 — дообученная модель на базе DeepSeek Coder 1.3B Base, опубликованная пользователем stojchet. Это плотная авторегрессионная языковая модель архитектуры Llama с 1,3 млрд параметров; метаданные указывают контекст до 16 384 токенов. Она предназначена для генерации текста, а базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде. Карточка сообщает о дообучении и приводит метрики оценки, но не описывает датасет, методику обучения или целевые сценарии jk1. Модель опубликована в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

jk5 — дообученная модель на 1,3 млрд параметров, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. В карточке указано обучение на наборе данных None с использованием KTO; архитектура относится к семейству Llama, веса опубликованы в формате safetensors. Контекст составляет до 16 384 токенов. Модель предназначена для генерации текста. Базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде, но карточка jk5 не описывает её конкретные сценарии применения и не сообщает, насколько сохранились или изменились эти возможности после дообучения. В карточке также приведены метрики оценки, но без описания набора данных и методики их интерпретация ограничена. Лицензия в доступных данных не указана.

stojchet/k2 — дообученная модель для генерации текста на основе deepseek-ai/deepseek-coder-1.3b-base. В метаданных указаны архитектура семейства Llama, 1,3 млрд параметров и контекст до 16 384 токенов; веса опубликованы в формате safetensors. Карточка сообщает результаты оценки, но не раскрывает обучающий набор данных и подробное назначение модели. Базовая модель предназначена для продолжения и автодополнения кода, поэтому k2 может быть полезна для генерации кода и работы с текстом, однако эти сценарии не подтверждены описанием конкретной специализации дообучения. Лицензия в предоставленных данных не указана.

Fast Code Pruner — модель классификации токенов для сокращения контекста в инструментах программирования и coding-агентах. Она дообучена irotem98 на базе Qwen/Qwen2.5-Coder-0.5B и использует архитектуру Qwen2 с плотными весами; в README указаны 17 слоёв, 389,6 млн параметров и контекст до 32 768 токенов. Модель оценивает токены кода и контекста, помогая отбирать полезные фрагменты для дальнейшей обработки агентом. Для развёртывания предусмотрен путь обслуживания через vLLM. README сообщает точность 85,94% и F1 82,48% на валидационном наборе из 6 119 примеров, а также высокую пропускную способность в тестах на RTX PRO 6000 Blackwell. Входы длиннее 8 192 токенов автоматически разбиваются на перекрывающиеся фрагменты. Модель обучалась с hard labels без дистилляции; обновления LoRA ранга 8 объединены с плотными весами. Лицензия — MIT.

stojchet/jd8 — дообученная модель генерации текста на основе deepseek-ai/deepseek-coder-1.3b-base. Она предназначена для генерации и продолжения текста; базовая модель ориентирована на автодополнение кода и заполнение пропусков, однако README не уточняет специализацию этого дообучения. Модель использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров. Указанная длина контекста — 16 384 токена. Модель опубликована в формате safetensors и обучалась на наборе данных generator. README не приводит результатов оценки качества или подробностей о целевых сценариях. Лицензия в предоставленных данных не указана.

Rezak AI Coder OMEGA 67B — специализированная причинно-языковая модель компании Semyaware Systems для разработки систем на Roblox Luau. Она предназначена для генерации кода и ответов в диалоге по архитектуре игровых систем Roblox, включая строго типизированный Luau, серверную валидацию сетевых событий, современные физические ограничения, управление ресурсами и сохранение данных через ProfileService. Модель построена на архитектуре Qwen2ForCausalLM, содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Метаданные указывают поддержку английского и русского языков; модель поставляется в формате safetensors и рассчитана на работу через Transformers. В README заявлены рекомендации по `--!strict`, очистке ресурсов через Trove или Maid и отказу от устаревших BodyMovers. Лицензия — Apache-2.0.

VibeThinker-1.5B-f32-GGUF — компактная плотная языковая модель с 1,5 млрд параметров, разработанная WeiboAI и представленная в формате GGUF со сборкой F32. Она создана на основе Qwen2.5-Math-1.5B и дообучена специально для соревновательной математики и алгоритмического программирования. Указанный вариант предназначен для генерации текста; заявлен английский язык. Модель использует подход Spectrum-to-Signal Principle: сначала увеличивает разнообразие решений при supervised fine-tuning, затем закрепляет корректные пути рассуждений с помощью reinforcement learning. Модель ориентирована на решение сложных математических задач, генерацию и анализ кода, а также сценарии, требующие длинных рассуждений — с длиной вывода примерно до 40 000 токенов. Для версии F32 размер файла составляет около 7,11 ГБ. Среди заявленных результатов — 80,3 на AIME24, 74,4 на AIME25, 50,4 на HMMT25 и 55,9/51,1 на LiveCodeBench v5/v6; в README утверждается, что модель превосходит значительно более крупные системы на отдельных математических тестах и сопоставима с ними в программировании. Сильные стороны модели — небольшое число параметров, открытость, специализация на математике и коде и поддержка длинных ответов. Ограничения связаны с узкой специализацией: README не подтверждает универсальную эффективность, мультимодальность или поддержку языков, кроме английского; также не указаны точное максимальное окно контекста, системные требования и подробности инференса. Рекомендуются умеренные температуры сэмплирования. Модель распространяется по лицензии MIT.

Code Search-Query Generator — компактная языковая модель Qwen2.5 1.5B, дообученная авторами репозитория Ishaan Ranjan полным циклом supervised fine-tuning на базе Qwen/Qwen2.5-1.5B-Instruct. Она преобразует словесный запрос разработчика в исполняемое поисковое регулярное выражение и предназначена для одной узкой подзадачи агента верифицированного программного инструментария. Модель имеет плотную архитектуру Qwen2ForCausalLM, 1,5 млрд параметров и контекст до 32 768 токенов; работает с текстом и выдаёт текст в формате, ограниченном заданной JSON-схемой. В карточке указана поддержка английского языка. В оценке на до 250 примерах из не встречавшихся при обучении репозиториев HTTPX и Jinja2 доля успешных ответов составила 77,2% после одной попытки обратной связи по схеме и столько же с первой попытки; валидность JSON на первом проходе — 100%. Авторы оценивают эту подзадачу как нерешённую и отмечают, что некоторые подобные запросы надёжнее выполнять детерминированными правилами. Модель специализирована на закрытой JSON-схеме, поэтому не подходит как универсальный помощник по программированию или диалоговая модель. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт проекта bonsai: модель Qwen3-30B-A3B-Base дообучена автором на исходном коде TypeScript с помощью LoRA, после чего адаптер объединён с базовыми весами. Архитектура — Qwen3 MoE; в карточке указано 2,6 млрд параметров, а у базовой модели — 30,5 млрд всего и около 3 млрд активных. Модель принимает текст и предназначена для генерации и продолжения кода TypeScript в контексте до 32 768 токенов. Дообучение проведено на 6 000 примерах TypeScript за одну эпоху; использовались только проекции внимания, а обучаемыми были около 0,044% параметров базовой модели. Валидационная потеря снизилась до 0,8346, но результаты HumanEval-TS и MBPP-TS пока не опубликованы, поэтому практическое качество генерации кода не подтверждено этими тестами. Репозиторий распространяется по лицензии Apache-2.0.

CodeTrans — модель семейства T5, разработанная Ahmed Elnaggar и Wei Ding для автоматической генерации документации к функциям и методам JavaScript. Она принимает исходный код и формулирует его описание; лучше всего работает с токенизированными функциями, хотя может обрабатывать и нетокенизированный код. Модель также можно дообучать для других задач с JavaScript. Карточка описывает transfer-learning предварительное обучение на семи неразмеченных наборах данных из области разработки ПО, а затем дообучение на задаче генерации документации для JavaScript. Архитектура — encoder-decoder T5; в метаданных указаны 38,5 млн параметров и контекст 512 токенов. Карточка приводит другие значения размера и контекста для этапа обучения, поэтому эти сведения могут относиться к конфигурации обучения, а не к опубликованному чекпойнту. Модель специализируется на JavaScript и выдаёт текстовые описания кода. В карточке приведены оценки BLEU на наборе задач генерации документации, включая результат для JavaScript, но универсальные гарантии качества не заявлены. Лицензия в предоставленных данных не указана.

KernelLLM-GGUF — это GGUF-версия специализированной большой языковой модели KernelLLM, разработанной Unsloth на основе Llama 3.1 8B Instruct от Meta. Модель дообучена для генерации GPU-ядер на Triton и преобразования PyTorch-модулей в Triton-реализации вместе с соответствующим вызывающим кодом. Обучение проводилось на примерно 25 000 пар PyTorch-модулей и Triton-ядер, дополненных синтетическими примерами, с использованием supervised instruction tuning. Модель предназначена для автоматизации разработки высокопроизводительных GPU-ядер, генерации кандидатов Triton и ускорения экспериментов с реализациями операций и модулей PyTorch. Её работу рекомендуется проверять с помощью юнит-тестов на случайных входных данных; для повышения вероятности корректного результата можно генерировать несколько вариантов и выбирать лучший по результатам тестирования. На KernelBench-Triton Level 1 модель показала score 20,2 при pass@1, 51,8 при pass@10 и 57,1 при pass@20, однако эти результаты относятся к специализированной задаче генерации ядер и не характеризуют универсальные диалоговые способности. Ключевые характеристики: 8 млрд параметров, архитектура на базе Llama 3.1 Instruct, специализация на коде PyTorch и Triton, формат распространения GGUF с динамической квантизацией Unsloth Dynamic 2.0. Сильной стороной является высокая эффективность на задачах генерации Triton-ядер по сравнению с существенно более крупными универсальными моделями. Ограничения включают узкую специализацию, необходимость проверки корректности и производительности сгенерированного кода, а также отсутствие в предоставленных данных сведений о размере контекста, поддерживаемых естественных языках и конкретных вариантах квантизации. В метаданных указана лицензия «other», но её точные условия не приведены.

albertge/llada-8b-dllm-registers-mix60k-r4 — экспериментальный чекпойнт проекта dLLM Registers, созданный дообучением базовой модели GSAI-ML/LLaDA-8B-Base. Это плотная диффузионная языковая модель на архитектуре LLaDA для генерации текста; в карточке Hugging Face указан класс LLaDAModelLM и формат safetensors. Модель обучена на 60 тысячах примеров из OpenMathInstruct-2 и OpenCodeInstruct. Четыре непрерывных регистра служат каналом переноса состояния между окнами денойзинга; при обучении использовались окна по 128 токенов и dropout подсказки с вероятностью 0,3. Для корректного использования этого канала при генерации нужны параметры `num_registers=4`, `channel_mode=registers`, `tail_length=0` и `use_mask_token_for_registers`. Модель подходит для генерации текста в сценариях, связанных с математикой и программированием. Метаданные указывают английский язык и возможность диалога. Репозиторий распространяется по лицензии Apache-2.0. Для запуска автор рекомендует использовать свой evaluator и wrapper; отдельные результаты качества в карточке не приведены.

CodeBERTa-small-v1 — модель семейства RoBERTa, разработанная для работы с исходным кодом и обученная с нуля на корпусе CodeSearchNet из GitHub. Это плотный трансформер для masked language modeling: модель принимает последовательность токенов с замаскированными фрагментами и предсказывает пропущенные токены. В карточке описана небольшая версия с 6 слоями и 84 млн параметров; метаданные репозитория указывают 96,6 млн параметров и контекст до 514 токенов. Модель подходит для восстановления пропущенных частей кода и изучения представлений кода в поддерживаемых языках: Go, Java, JavaScript, PHP, Python и Ruby. Byte-level BPE-токенизатор обучен на корпусе кода и, согласно карточке, кодирует его компактнее, чем токенизаторы GPT-2 и RoBERTa. Репозиторий содержит варианты весов для PyTorch, TensorFlow и Flax. Условия лицензии в предоставленных данных не описаны.

teaguesterling/qwen3.5-4b-astcss — текстовая модель на архитектуре Qwen3.5, дообученная автором репозитория для преобразования запросов на английском языке в селекторы astcss проекта sitting_duck с помощью ast_select. Модель содержит 3,4 млрд параметров, использует плотную архитектуру Qwen3_5ForCausalLM и поддерживает контекст до 262 144 токенов. Это слияние QLoRA-адаптера ранга 16, обученного в NF4, с базовыми весами Qwen3.5-4B; для работы адаптер не нужен. В тестах автор сообщает точность 88,9% на наборе из 108 пар селекторов и 65,5% на более сложном наборе из 55 реляционных селекторов. Модель предназначена для генерации astcss-селекторов по краткому описанию и должна получать системную карточку словаря конкретного языка; без неё результаты тестирования составили 0%. Это не универсальный чат-бот. Модель текстовая: при сохранении отброшены зрительная башня и голова многотокенного предсказания. Результаты приведены для NF4; вывод в fp16 может немного отличаться. Лицензия — Apache-2.0.

CodeGPT-small-java — авторегрессионная языковая модель Microsoft на архитектуре GPT-2, обученная работать с кодом Java. Она предназначена для продолжения фрагментов кода и генерации кода по текстовому описанию; модель доступна для генерации текста через Transformers. Контекстное окно — 1024 токена. Модель принимает текстовый ввод и генерирует текст, включая исходный код Java. Карточка Hugging Face не содержит подробных сведений о лицензии и оценках качества.

KBBridge-v3 — дообученная модель Qwen/Qwen3.8-27B от разработчиков KBBridge, специализирующаяся на программировании для GeneXus и генерации объектов в нативном формате .gxSource. Она предназначена для генерации и дополнения объектов GeneXus, объяснения существующего кода и ответов на вопросы по документации. Модель содержит 27 млрд параметров, использует плотную гибридную архитектуру с 48 слоями Gated DeltaNet и 16 слоями полного внимания; контекст составляет 262 144 токена. В репозитории также сохранены без изменений модуль обработки изображений и голова предсказания нескольких токенов базовой модели. Для генерации .gxSource рекомендуется отключать reasoning, явно указывать формат в запросе и выделять не менее 4096 токенов. При объяснении существующего кода reasoning помогает снизить долю неподтверждённых утверждений. Модель не знает содержимое конкретной Knowledge Base: передавайте нужный код в контексте и проверяйте результат в GeneXus IDE. Она хуже базовой модели справляется с общими задачами, а в объяснениях заметен уклон в испанский. README сообщает о лицензии Apache-2.0.

KernelZero-CUDA-7B — дообученная модель для генерации CUDA-ядер и расширений CUDA из модулей PyTorch. Она разработана авторами KernelZero на основе Qwen/Qwen2.5-Coder-7B-Instruct и обучена в рамках конвейера KernelZero; архитектура — плотная Qwen2, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для создания CUDA-кода и оценки вариантов ядер в задачах оптимизации вычислений на GPU. В статье KernelZero приведены результаты на KernelBench: pass@1 составляет 75,8% для задач Level 1 и 69,6% для Level 2; при генерации десяти кандидатов pass@10 достигает 100% и 97% соответственно. Для воспроизводимой оценки README рекомендует использовать шаблон запросов и среду валидации KernelZero. Модель работает с текстовыми запросами и выдаёт текст кода; поддерживаемые языки естественного общения отдельно не заявлены. Лицензия — Apache-2.0.

teaguesterling/qwen3.5-0.8b-astcss-t5 — дообученная на корпусе tier-5 модель на базе Qwen3.5-0.8B, созданная для преобразования запросов на английском языке в селекторы astcss библиотеки sitting_duck. Она использует плотную архитектуру Qwen3.5 с 581,4 млн параметров, работает через Transformers и имеет контекстное окно 262 144 токена. Модель получена дообучением LoRA-адаптера (r=16, α=32) с последующим слиянием с базовыми весами в формате fp16; отдельный адаптер при запуске не нужен. Для выдачи селектора модели необходима системная карточка словаря для соответствующего языка из проекта astcss-eval. В описанных авторами тестах она показала точность 82,4% на наборе из 108 примеров и 83,6% на 55 более сложных примерах с реляционными селекторами; второй результат измерен сравнением выбранных узлов, а не строк селекторов. Модель рассчитана на узкую задачу, а не на свободный диалог. По README она текстовая: при сохранении через AutoModelForCausalLM базовая башня обработки изображений не включается. Лицензия — Apache-2.0.

Trinity-Mini-Base-Pre-Anneal — базовая языковая модель компании Arcee AI из семейства Trinity. Это причинная MoE-модель на архитектуре AfmoeForCausalLM: 26 млрд параметров всего, из них 3 млрд активны при генерации; использует 128 экспертов, включая 8 активных и один общий. Контекст составляет 4096 токенов. Модель обучена на 8,8 трлн токенов, включая значительные объёмы математических и программных данных. Это предобученный чекпойнт до этапа anneal, поэтому он предназначен для дальнейшего обучения и адаптации под конкретную область, а не для диалогов или общего использования без дообучения. Поддерживаемые языки включают английский, испанский, французский, немецкий, итальянский, португальский, русский, арабский, хинди, корейский и китайский. Модель распространяется в формате Safetensors по лицензии OpenMDW-1.1; метаданные Hugging Face обозначают лицензию как other.

SEBIS/code_trans_t5_base_code_documentation_generation_php — модель CodeTrans, созданная Ahmed Elnaggar и Wei Ding для генерации документации к функциям на PHP. Она основана на архитектуре T5-base и дообучена на корпусе PHP из CodeSearchNet в режиме одной задачи. Модель содержит 123,8 млн параметров и использует собственный словарь SentencePiece; максимальная длина контекста составляет 512 токенов. Модель принимает исходный код PHP и генерирует его текстовое описание. Она рассчитана прежде всего на функции, особенно на токенизированный код, для которого авторы ожидают лучшую производительность; также её можно дообучать для других задач с PHP. В репозитории представлены варианты весов PyTorch и Flax. Лицензия в предоставленных данных не указана.

DR.Kernel-8B-ColdStart — контрольная точка модели hkust-nlp для генерации и уточнения GPU-ядр на Triton. Это плотная авторегрессионная модель Qwen3ForCausalLM на 7,6 млрд параметров, полученная дообучением Qwen/Qwen3-8B-Base на многошаговых диалоговых данных supervised fine-tuning. Для работы предусмотрен контекст до 32 768 токенов и формат запросов DR.Kernel, в котором модель преобразует описание Model в реализацию ModelNew. Модель предназначена прежде всего для генерации кода ядер и служит начальной контрольной точкой перед дальнейшим обучением с подкреплением; её также можно использовать как SFT-базу и для сравнительных экспериментов с контрольными точками после RL. Она обучена на наборе hkust-nlp/drkernel-coldstart-8k; в карточке также указаны источники задач CUDA LLM и бенчмарка KernelBench. Это промежуточная контрольная точка без этапов RL, поэтому её ответы требуют проверки и не подтверждают заявлений о финальных результатах DR.Kernel. Модель распространяется в формате safetensors; лицензия в предоставленных сведениях не указана.

iCoder-27B — модель на 27 млрд параметров от i-Coder для промышленного программирования. Она основана на Qwen/Qwen3.6-27B и дообучена в несколько этапов: с применением supervised fine-tuning, само-дистилляции и обучения с подкреплением на проверяемых наградах, где результат оценивается компиляцией и запуском сгенерированного кода. Модель предназначена прежде всего для проектирования RTL на Verilog и оптимизации GPU-ядер на Triton. В README приведены результаты на RTL- и kernel-бенчмарках, включая RTLLM, VerilogEval, TritonBench-G и KernelBench; заявленные показатели относятся к оценкам в указанном тестовом контуре и не гарантируют результат на произвольном проекте. Репозиторий использует архитектуру Qwen3_5ForConditionalGeneration и формат safetensors; метаданные также отмечают возможности чата и работы с кодом. Лицензия — Apache-2.0. README не сообщает длину контекста и перечень естественных языков; модель ориентирована на код, поэтому языки программирования не перечисляются как естественные языки.

ishaanranjan разработал компактную плотную языковую модель на архитектуре Qwen2 для узкой подзадачи агентной разработки: по неточному упоминанию пути определить канонический путь в репозитории или воздержаться от ответа. Это полнопараметрическая модель Qwen/Qwen2.5-1.5B-Instruct, дообученная supervised fine-tuning на 2000 примерах; она предназначена для запуска внутри проверенного программного контура, который формирует специализированный запрос, разбирает строгий JSON, при необходимости повторяет запрос с обратной связью по схеме и применяет детерминированные проверки и резервные правила. Модель принимает текст и выдаёт текст в JSON-схеме. В тесте на отложенных репозиториях HTTPX и Jinja2 доля успешных ответов после одной попытки с повтором составила 96,8%, а валидность схемы с первой попытки — 100%. Контекст модели — 32 768 токенов, однако обучающие последовательности ограничивались 2048 токенами. Модель специализирована и не предназначена для общего программирования или широкого диалога; автор отмечает, что некоторым подзадачам лучше подходят детерминированные правила. Лицензия — Apache-2.0.

BigScience Small Testing — небольшая тестовая языковая модель, опубликованная BigScience. Она создана для проверки преобразования моделей между Megatron-LM и Transformers и отладки соответствующего скрипта. Модель имеет плотную архитектуру семейства BLOOM, класс BloomModel и около 16,2 млн параметров; в README её также описывают как похожую на GPT-2. Максимальная длина контекста — 20 токенов. Репозиторий содержит веса PyTorch и SafeTensors. Модель предназначена для интеграционных тестов и отладки совместимости инструментов, а не для обычной генерации текста. Метаданные указывают задачу text-generation и язык английский. Лицензия в предоставленных данных не указана.

CodeGPT-small-java-adaptedGPT2 — модель Microsoft для авторегрессионной генерации исходного кода, ориентированная прежде всего на Java. Она доступна в экосистеме Hugging Face и используется через Transformers для задачи text-generation. Модель основана на decoder-only архитектуре GPT-2: 12 слоёв, 12 attention heads, размер скрытого представления 768 и словарь из 50 260 токенов. Максимальная длина контекста составляет 1 024 токена. Вариант adaptedGPT2 дообучен для работы с кодом Java и применяется для автодополнения фрагментов, генерации кода по контексту и экспериментов с моделями программного кода. Сильные стороны модели — компактность по сравнению с крупными современными кодовыми LLM, поддержка стандартных реализаций PyTorch, TensorFlow и JAX и специализация на Java-коде. Ограничения включают короткий контекст в 1 024 токена и узкую специализацию; модель не является мультимодальной или диалоговой системой и требует проверки сгенерированного кода. Сведения о лицензии в доступных источниках не приведены.

KernelZero-CUDA-SFT-7B — инструкционная языковая модель на архитектуре Qwen2, разработанная для генерации CUDA-ядер и используемая как начальный чекпойнт CUDA Coder в проекте KernelZero. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекстное окно 32 768 токенов. Она дообучена на 42 454 примерах генерации CUDA-кода на основе Qwen/Qwen2.5-Coder-7B-Instruct; опубликованные веса объединены из SFT-чекпойнта 3606. Модель предназначена для генерации CUDA-расширений по модулям PyTorch. В статье KernelZero приведены результаты на KernelBench с несколькими сэмплами-кандидатами; для воспроизводимой оценки README рекомендует использовать промпт KernelZero и среду валидации проекта. Это специализированный генератор кода, поэтому его результаты следует проверять и запускать в целевой среде. Модель распространяется по лицензии Apache-2.0.

Mercury7353/MetaAgent-X — модель на основе плотной архитектуры Qwen3 с 7,6 млрд параметров, предназначенная для проектирования и выполнения многоагентных систем. Она обучена сквозным обучением с подкреплением: одна общая модель подбирает роли агентов, схему взаимодействия и стратегию выполнения задачи, а затем использует эту систему для решения задачи. Модель ориентирована на сложные задачи программирования и математических рассуждений и поддерживает сценарии автономной генерации многоагентных систем. Контекст составляет до 40 960 токенов. В карточке заявлены результаты на бенчмарках кода LiveCodeBench, APPS и CodeContests; указанный формат весов — safetensors. Основной язык карточки — английский. Лицензия — Apache-2.0. Результаты заявлены авторами карточки и сами по себе не гарантируют качество на других задачах.

Модель malek391/my-custom-flutter-coder — дообученная malek391 версия Qwen2.5-Coder-7B-Instruct-bnb-4bit, созданная с помощью Unsloth и библиотеки TRL от Hugging Face. Это плотная языковая модель архитектуры Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; название указывает на специализацию на коде Flutter, однако README не приводит примеров или подробностей об этой специализации. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 32 768 токенов. Весы представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает результаты оценки качества и не уточняет, какие версии Flutter или языки программирования охватывает дообучение.

AutoTriton — языковая модель, представленная авторами работы «AutoTriton: Automatic Triton Programming with Reinforcement Learning in LLMs», предназначенная для генерации программ на Triton и оптимизации вычислительных ядер для глубокого обучения. Модель построена на архитектуре Llama, содержит 7,6 млрд параметров и работает с контекстом до 65 536 токенов. Модель последовательно дообучили на примерах кода Triton, а затем с помощью обучения с подкреплением по алгоритму GRPO. Награда учитывала правила и результаты выполнения кода. В испытаниях на TritonBench и KernelBench модель показала результаты, сопоставимые с рядом крупных языковых моделей. AutoTriton принимает текстовые запросы и выдаёт текст, в том числе код. Она предназначена для задач программирования Triton; в репозитории указана лицензия Apache-2.0. Карточка не описывает аппаратные требования и практические ограничения генерации кода.

DeepSeek Coder 1.3B Kexer — языковая модель для генерации и автодополнения программного кода, разработанная JetBrains на базе DeepSeek Coder 1.3B. Модель предназначена прежде всего для использования в качестве помощника программиста и инструмента завершения кода в IDE, с настройкой под язык Kotlin. Модель содержит около 1,3 млрд параметров и обучена на 15 тысячах синтетически сгенерированных упражнений по Kotlin из набора JetBrains/KExercises. Она поддерживает сценарий Fill-in-the-Middle (FIM), позволяющий генерировать код между заданным префиксом и суффиксом. Для модели не предусмотрены prompt template и system prompt; её следует использовать в режиме автодополнения. В README не указаны контекстное окно, перечень поддерживаемых языков помимо Kotlin и другие модальности, поэтому основное применение ограничено Kotlin-кодом. GGUF-квантизация выполнена bartowski на основе llama.cpp. На наборе MultiPL-HumanEval (Kotlin) указано значение pass@1 36,65. Сильной стороной модели является специализация на Kotlin и поддержка FIM, однако небольшой размер и ориентация на узкий сценарий могут ограничивать качество сложной генерации и работы с другими языками. Модель распространяется по лицензии Apache-2.0.