II.3Рефакторинг, миграция и модернизация

html-accessibility-fixer — дообученная SnehaPriyaaMP версия модели T5-small для преобразования текста. По названию репозитория модель предназначена для исправления проблем доступности в HTML. Архитектура — T5ForConditionalGeneration, размер — 38,5 млн параметров, формат весов — safetensors; модель использует библиотеку Transformers и имеет контекст до 512 токенов. В карточке указана оценка Loss 2,7182 на тестовом наборе, однако набор данных и подробности оценки не описаны. Модель распространяется по лицензии Apache-2.0. README не содержит подробного описания возможностей или ограничений, поэтому качество исправлений и поддерживаемые виды проблем доступности по этим данным оценить нельзя.

CodeTrans for PHP — модель семейства T5, разработанная Ahmed Elnaggar и Wei Ding для генерации документации к PHP-функциям. Она принимает исходный код и формирует текстовое описание; лучше работает с токенизированными функциями, хотя поддерживает и нетокенизированный код. Модель также можно дообучить для других задач с PHP-кодом. Модель использует архитектуру encoder-decoder и собственный словарь SentencePiece. В README указано около 220 млн параметров, тогда как метаданные Hugging Face указывают 123,8 млн; контекст составляет 512 токенов. Обучение включало многоцелевую подготовку на задачах разработки ПО и неразмеченных наборах данных. Это специализированная модель для кода на PHP. Репозиторий содержит веса PyTorch и Flax; лицензия в доступных данных не приведена.

Estragon-9B — специализированная текстовая модель Blugart для генерации кода на GDScript под Godot 4.7. Это дообученная методом SFT и GRPO плотная модель семейства Qwen3.5 с 7,2 млрд параметров; для обучения с подкреплением использовалась оценка headless-сборкой Godot. Модель предназначена для написания идиоматичного кода с актуальным API Godot 4.7, включая скрипты игровой логики и выполнение технических требований в запросе. По README, на наборе GDScript-Eval v2 модель набрала 248 из 300 при одном жадном запуске и 285 из 300 при восьми попытках; результаты зависят от системного промпта, который входит в рекомендуемую настройку. Нативное окно контекста — 262 144 токена. Модель принимает текст и выдаёт текст с кодом; она ориентирована на GDScript и не является универсальным помощником. Известные слабые места — редкие методы API, длинные цепочки требований и временная логика таймеров и tween-анимаций. Лицензия — Apache-2.0.

NT-Java-1.1B-GGUF — это набор квантизированных файлов модели NT-Java-1.1B в формате GGUF, разработанной Infosys и подготовленной квантизатором Infsys. Модель предназначена для генерации исходного кода и работы с текстом, связанным прежде всего с языком программирования Java; в карточке приведён пример генерации класса HelloWorld. Это узкоспециализированная модель с архитектурой GPT BigCode и размером 1,1 млрд параметров, ориентированная на локальный запуск. Файлы доступны в вариантах квантизации от Q2_K до Q8_0 с размером примерно от 511 МБ до 1,32 ГБ. Оптимальным по соотношению качества и размера указан вариант Q4_K_M, а Q5_K_M рекомендуется как второй выбор; Q2_K имеет низкое качество и не рекомендуется для использования. Модель поддерживается llama.cpp и совместима с рядом локальных интерфейсов и библиотек, включая text-generation-webui, LM Studio и llama-cpp-python. Поддержка GPU позволяет переносить часть нагрузки из оперативной памяти в видеопамять. Модель ориентирована на сценарии с ограниченными ресурсами, включая локальную генерацию Java-кода, однако README не содержит сведений о размере контекста, точном наборе языков программирования, обучающих данных, результатах бенчмарков или ограничениях качества за пределами оценок для отдельных вариантов квантизации. Лицензия указана как BigCode OpenRAIL-M.

Qwen3.6-35B-A3B-sft-15020 — модель генерации кода, созданная командой AscendAgentOps посредством supervised fine-tuning базовой Qwen/Qwen3.6-35B-A3B. Она предназначена для генерации ядер операторов для NPU Ascend: по функциональному описанию оператора и определению его интерфейса модель формирует реализацию, например на AscendC. Обучение проводилось с помощью MindSpeed-MM. Модель основана на архитектуре Qwen3.5 MoE: в базовой модели 35 млрд параметров, из которых активируются 3 млрд. Она загружается через Transformers и распространяется в формате safetensors. Качество генерации оценивается на NPUKernelBench по успешности компиляции, численной точности и производительности ядер. Модель специализирована на коде для операторов Ascend, поэтому её общие диалоговые и программные возможности могут быть слабее базовой модели. Сгенерированный код следует компилировать и проверять на целевом оборудовании. Лицензия — Apache-2.0; также действуют условия лицензии базовой модели.

UIGEN-X-32B-0727 — дообученная Tesslate модель на архитектуре Qwen3-32B для планирования и генерации пользовательских интерфейсов. Она принимает текстовые запросы и генерирует код интерфейсов для веб-, мобильных и настольных приложений, а также Python-приложений с графическим интерфейсом. Модель поддерживает широкий набор современных фреймворков, библиотек компонентов, систем стилей и визуальных направлений; заявлены диалоговый режим и поддержка вызова инструментов. Архитектура — плотная причинная языковая модель Qwen3 с 29,7 млрд параметров и контекстом 40 960 токенов. Карточка ориентирует модель на англоязычные запросы; лицензия — Apache-2.0. Модель подходит для создания компонентов и многостраничных интерфейсов, выбора структуры приложения и дизайн-системы, а также генерации HTML, CSS и кода для популярных стеков. Её сильная сторона — сочетание планирования с реализацией и широкий охват технологий. Ограничения: рассуждения увеличивают расход токенов, а бизнес-логика, серверная интеграция и проверка сгенерированного кода требуют отдельной работы; доступность рекомендуется проверять вручную.

UIGEN-X-4B-0729 — текстовая генеративная модель Tesslate для создания пользовательских интерфейсов. Она построена на архитектуре Qwen3-4B и ориентирована на режим «только рассуждение», в котором последовательно анализирует требования, планирует архитектуру, определяет дизайн-систему и генерирует реализацию. Модель предназначена для разработки веб-интерфейсов и приложений с использованием современных фреймворков, библиотек компонентов, систем стилизации, управления состоянием, анимации и иконок. В README заявлена поддержка широкого набора технологий, включая React, Vue, Angular, Svelte, Next.js, Nuxt.js, Tailwind CSS, Material UI, shadcn/ui и другие решения для веб- и мобильной разработки. Данный репозиторий содержит GGUF-квантизации с использованием imatrix, предназначенные для локального запуска через llama.cpp и совместимые клиенты, включая KoboldCPP, LM Studio, text-generation-webui и Jan. Указан английский язык; другие языки, размер контекста и точные параметры квантизации в README не описаны. Модель рассчитана на генерацию текста и кода, но сведения о мультимодальности, бенчмарках, ограничениях качества и требованиях к ресурсам отсутствуют. Лицензия обозначена как other, без уточнения условий использования, поэтому их необходимо проверять отдельно.

WebGenAgent-LM-7B-SFT — модель luzimu для агентной генерации и доработки сайтов по инструкциям на естественном языке. Это дообученная версия Qwen/Qwen2.5-Coder-7B-Instruct с архитектурой Qwen2, 7,1 млрд параметров и контекстом 32 768 токенов; модель распространяется в формате Safetensors по лицензии MIT. Модель генерирует и редактирует код веб-сайтов, а рабочий процесс WebGen-Agent предусматривает итеративную доработку по визуальной и функциональной обратной связи: скриншот оценивает отдельная VLM, а GUI-агент проверяет работу сайта. В карточке модели указаны задачи text-generation и image-text-to-text; для сценария каталога с генерацией кода и сайтов главной задачей является генерация текста. README описывает агентный процесс и внешние компоненты, необходимые для его запуска.

Axilotal/cadquery-qwen2.5-7b-v5.2-hardened — дообученная Axilotal модель на архитектуре Qwen2 для генерации текста. Она основана на unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit и содержит 7,1 млрд параметров; заявлено обучение с помощью Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалогового взаимодействия и генерации кода; название указывает на специализацию на CadQuery, однако README не описывает конкретные возможности или результаты в этой области. Поддерживает английский язык, контекст до 32 768 токенов и поставляется в формате safetensors. Лицензия — Apache-2.0.

nuprl/MultiPL-T-StarCoderBase_1b — версия на 1 млрд параметров из семейства MultiPLCoder, разработанная на основе StarCoder и дообученная на наборе MultiPL-T. Это авторегрессионная языковая модель архитектуры GPTBigCode для генерации кода; в карточке перечислены специализированные ревизии для Lua, Racket и OCaml. Для загрузки конкретной языковой версии требуется выбрать соответствующую ревизию репозитория. Модель предназначена для генерации кода на языках с ограниченными ресурсами, в частности для написания и продолжения программ на Lua, Racket и OCaml. Она принимает текстовые запросы и выдаёт текст, включая код; заявленная длина контекста — 8192 токена. Модель распространяется по лицензии BigScience OpenRAIL-M. Ее сравнительно небольшой размер позволяет рассматривать её для экспериментов и задач генерации кода, однако качество для языков и сценариев, не упомянутых в карточке, не описано.

GPT-CSRC — языковая модель GPT-2 с 774 млн параметров, обученная автором moyix на исходном коде C и C++ из 10 000 самых популярных пакетов Debian. Перед обучением исходные файлы дедуплицировали, чтобы уменьшить количество близких копий. Модель предназначена для генерации фрагментов кода и использовалась на сайте This Code Does Not Exist. Модель имеет архитектуру GPT2LMHeadModel и принимает текстовый контекст длиной до 1024 токенов, выдавая продолжение в виде текста с кодом. Для токенизации используется отдельный словарь, обученный на этом наборе данных; он доступен в репозитории. Веса изначально обучались с Megatron-LM, затем были преобразованы в формат Hugging Face Transformers. Репозиторий распространяется по лицензии CC0 1.0. Модель обучена на коде из пакетов Debian, поэтому её генерации могут содержать ошибки, небезопасные решения или фрагменты, похожие на обучающие данные; результат следует проверять перед использованием.

QuantFactory/deepseek-coder-6.7B-kexer-GGUF — квантованная версия модели JetBrains/deepseek-coder-6.7B-kexer, созданная с использованием llama.cpp. Базовая модель Deepseek-Coder-6.7B была дообучена компанией JetBrains на 15 тысячах синтетически сгенерированных примеров из набора JetBrains/KExercises, посвящённых задачам на Kotlin. Модель предназначена прежде всего для генерации, дополнения и восстановления фрагментов исходного кода Kotlin; поддерживается режим Fill-in-the-Middle с использованием специального формата prompt. Модель относится к классу генеративных текстовых моделей для программирования, содержит около 6,7 млрд параметров и распространяется в квантованном формате GGUF. Данные о поддерживаемых языках, размере контекста и конкретном варианте квантования в README не указаны. На наборе Kotlin HumanEval модель показала Pass@1 55,28%, превысив результат базовой Deepseek-Coder-6.7B, составивший 40,99%. Основные ограничения связаны с узкой специализацией на задачах Kotlin и форматом обучающих данных: при отклонении от типичных задач модели возможны неточные или нежелательные ответы, поэтому перед применением требуется тестирование в целевом сценарии. Лицензия — Apache-2.0.

diff-codegen-350m-v2 — экспериментальная модель для генерации изменений в коде от CarperAI. Она основана на архитектуре CodeGen и дообучена от Salesforce/codegen-350m-mono на коммитах GitHub. Модель получает фрагмент кода и текстовое описание требуемого изменения, например сообщение коммита, и предлагает правки в формате Unified Diff с добавленными, изменёнными и удалёнными строками. Модель предназначена для прототипирования инструментов генерации и редактирования кода. Объём контекста составляет 2048 токенов; обучение охватывало код на разных языках программирования, включая Python, HTML, Bash, SQL и C++. Репозиторий содержит веса PyTorch, а лицензия модели — MIT. Из-за небольшого размера и короткого контекста модель может плохо справляться с крупными фрагментами и языками программирования, слабо представленными в обучающих данных. Сгенерированный код может быть ошибочным или небезопасным, поэтому модель не подходит для критически важных задач; авторы позиционируют её как исследовательский артефакт для экспериментов.

braindao/iq-code-evmind-v1-granite-8b-instruct — чат-модель для генерации текста, ориентированная на инструкции по смарт-контрактам. Это дообученная версия IBM Granite 8B Code Instruct, обученная на наборе AlfredPros/smart-contracts-instructions. Модель имеет плотную архитектуру семейства Llama, содержит 8,1 млрд параметров и принимает контекст длиной до 4096 токенов. Модель подходит для генерации и объяснения кода смарт-контрактов в диалоговом формате. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Сведений о конкретных поддерживаемых языках программирования и результатах оценки качества в доступных данных нет.

Карточка модели Axilotal/cadquery-qwen2.5-7b-v5.1-hardened на Hugging Face совпадает с карточкой Axilotal/cadquery-qwen2.5-7b-v5.2-hardened, поэтому описание составлено по ней. Axilotal/cadquery-qwen2.5-7b-v5.2-hardened — дообученная Axilotal модель на архитектуре Qwen2 для генерации текста. Она основана на unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit и содержит 7,1 млрд параметров; заявлено обучение с помощью Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалогового взаимодействия и генерации кода; название указывает на специализацию на CadQuery, однако README не описывает конкретные возможности или результаты в этой области. Поддерживает английский язык, контекст до 32 768 токенов и поставляется в формате safetensors. Лицензия — Apache-2.0.

Карточка модели Axilotal/cadquery-qwen2.5-7b-v5 на Hugging Face совпадает с карточкой Axilotal/cadquery-qwen2.5-7b-v5.2-hardened, поэтому описание составлено по ней. Axilotal/cadquery-qwen2.5-7b-v5.2-hardened — дообученная Axilotal модель на архитектуре Qwen2 для генерации текста. Она основана на unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit и содержит 7,1 млрд параметров; заявлено обучение с помощью Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалогового взаимодействия и генерации кода; название указывает на специализацию на CadQuery, однако README не описывает конкретные возможности или результаты в этой области. Поддерживает английский язык, контекст до 32 768 токенов и поставляется в формате safetensors. Лицензия — Apache-2.0.

CodeLlama-7B-Kexer — текстовая генеративная модель JetBrains, дообученная на синтетическом наборе Kotlin Exercises для генерации кода на Kotlin. Это версия CodeLlama-7B в формате Transformers с плотной архитектурой LlamaForCausalLM и 6,6 млрд параметров; контекст — до 16 384 токенов. Для заполнения пропусков в коде поддерживается формат FIM с префиксом и суффиксом. Модель подходит для генерации решений задач по Kotlin и автодополнения кода, особенно в формате упражнений HumanEval. В оценке на Kotlin HumanEval она достигла pass rate 42,24% против 26,89% у базовой CodeLlama-7B. Дообучение проводилось на 15 тысячах синтетических примеров объёмом около 3,5 млн токенов. Модель может ошибаться, особенно при запросах вне формата задач по Kotlin; результаты опубликованной оценки не гарантируют качество на других сценариях. Лицензия — Apache-2.0.

cudaLLM-8B — специализированная языковая модель ByteDance-Seed для генерации высокопроизводительных и синтаксически корректных CUDA-ядер. Она основана на Qwen/Qwen3-8B и дообучена в два этапа для задач параллельного программирования на GPU. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые запросы, выдавая текст и код. Родной контекст — 40 960 токенов. Модель предназначена для разработчиков CUDA и HPC: она помогает создавать и оптимизировать ядра для научных вычислений и задач машинного обучения, а также служит инструментом для исследований генерации и оптимизации кода с помощью ИИ. В README приведены результаты KernelBench для трёх уровней сложности и нескольких режимов генерации. Корректность, безопасность и производительность сгенерированного кода не гарантированы: результат нужно проверять и тестировать, а для конкретной GPU, размеров данных и версии компилятора может потребоваться ручная настройка. Модель специализирована на CUDA, поэтому её возможности в общем программировании и обычном диалоге ограничены. Лицензия — Apache-2.0.

MultiPL-T-StarCoderBase_15b — 15-миллиардная модель семейства MultiPLCoder, разработанная на основе StarCoder и дообученная командой NUPRL на наборе данных MultiPL-T. Она предназначена для генерации кода, особенно на языках программирования с ограниченными ресурсами: Lua, Racket и OCaml. Для этих языков в карточке приведены отдельные ревизии модели с лучшими результатами; для запуска требуется выделенный GPU. Модель использует архитектуру GPTBigCode с причинной языковой моделью и контекстом 8192 токена. Репозиторий содержит веса PyTorch и Safetensors, использовать их можно через Transformers. Лицензия — BigScience OpenRAIL-M. Карточка не приводит метрик качества или сведений о поддержке других языков программирования.

teaguesterling/qwen3.5-9b-astcss — модель на 9 млрд параметров, дообученная автором карточки методом QLoRA на базе Qwen/Qwen3.5-9B и объединённая с копией исходного чекпойнта. Она преобразует инструкции на английском языке в CSS-подобные селекторы astcss, использующие синтаксис ast_select. Модель предназначена для выбора узлов в AST по описанию; оценка селектора проводится его выполнением на тестовом примере и сравнением выбранных узлов с эталоном. В двух описанных оценках модель показала точность 88,0% на 108 парах и 87,3% на 55 более сложных примерах с реляционными селекторами. Для работы обязателен соответствующий системный prompt-карточка из проекта astcss-eval: без неё автор сообщает нулевой результат. Лицензия — Apache-2.0. Это специализированная модель для генерации селекторов, а не универсальный чат-бот и не инструмент редактирования кода. На тех же оценках меньшая модель на 4 млрд параметров показала лучшие результаты. Опубликованные оценки получены при инференсе NF4; результаты bf16 могут немного отличаться.

CodeBERTaJS — модель семейства RoBERTa, созданная Мануэлем Ромеро для работы с кодом на JavaScript. Она обучена с нуля на корпусе JavaScript из CodeSearchNet, собранном из GitHub: шестислойный трансформер с примерно 96,6 млн параметров по метаданным и контекстом до 514 токенов. Токенизатор использует byte-level BPE и кодирует примеры JavaScript компактнее, чем GPT-2 и RoBERTa на том же корпусе. Модель предназначена для masked language modeling: она предсказывает пропущенные токены в фрагментах JavaScript. Её можно применять для автодополнения кода по маске и экспериментов с языковыми представлениями кода. Репозиторий содержит веса PyTorch и Flax. Лицензия в предоставленных данных не указана.

KOMPAS-3D GUARD-34M — компактная модель-эмбеддер автора dwnmf для семантического поиска по API КОМПАС-3D. Она преобразует инженерные запросы на естественном языке и описания элементов API в векторы, чтобы находить подходящие методы, свойства и перечисления, в том числе различать близкие по смыслу сущности. Модель основана на deepvk/USER2-small и дообучена на разметке API КОМПАС-3D; использует архитектуру ModernBERT, содержит 34,4 млн параметров, формирует векторы размерности 384 и поддерживает контекст до 8192 токенов. Поддерживаются русский и английский языки. Предназначена для локального запуска на CPU и поиска по большим коллекциям документов API; для запросов и документов следует использовать префиксы «search_query: » и «search_document: ». Лицензия — CC-BY-NC-4.0. По README, на корпусе из 38 249 документов Recall@5 составляет 70,2% для обычных инженерных запросов и 67,5% для сложных случаев с похожими сущностями. Модель возвращает эмбеддинги для поиска, а не генерирует код или текст. Её качество вне домена КОМПАС-3D не гарантируется; индекс и запросы нужно кодировать одной и той же моделью и в одной точности. Корпус отражает состояние API на момент подготовки, поэтому новые элементы могут отсутствовать, а найденные кандидаты следует проверять.

AymanElFou/Qwen2.5-1.5B-Java-Expert — компактная плотная языковая модель Qwen2.5, дообученная на 500 теоретических вопросах и ответах по Java. Она предназначена для генерации ответов на вопросы о Java, включая объектно-ориентированное программирование, внутреннее устройство JVM, многопоточность, коллекции, обобщённые типы, шаблоны проектирования и возможности Java 8 и новее. Модель основана на Qwen/Qwen2.5-1.5B-Instruct, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий использует формат safetensors; модель заявлена как лёгкая для быстрого запуска на CPU или GPU. Вне тематики Java она должна отклонять запросы заданным сообщением. Лицензия — Apache-2.0.

Qwen3-4B-Router — дообученная методом SFT модель для маршрутизации следующих шагов программного агента, разработанная автором репозитория zxa11 на базе Qwen/Qwen3-4B-Instruct-2507. Перед началом нового раунда агент передаёт ей описание задачи, раннее резюме истории и недавние траектории завершённых раундов. Модель предсказывает ещё не выполненный шаг и возвращает однострочный JSON с полями phase, phase_detail и simple_type. Поле simple_type помогает выбрать модель для следующего шага: simple обозначает низкорисковое действие, которое можно направить быстрой модели, а non_simple — шаг, требующий более сильного рассуждения, диагностики или оценки вариантов. Модель имеет плотную архитектуру Qwen3 с 3,7 млрд параметров, работает с текстом и рассчитана на китайский и английский языки. Метаданные указывают контекст до 262 144 токенов; модель распространяется в формате safetensors по лицензии Apache-2.0. В описанном автором тестировании при температуре 0 полная SFT-версия достигла точности 86,2% для phase, 76,0% для phase_detail и 72,5% для simple_type. Эти показатели относятся к тестовому набору автора и не гарантируют такую же точность на других данных. Для предсказуемого маршрутизирования README рекомендует фиксированную температуру 0 и исходный системный промпт router_system_prompt.txt; изменение промпта может сместить распределение полей и значений.

Tesslate UIGEN-FX-4B-RL-Preview — экспериментальная текстовая модель генерации веб-интерфейсов от Tesslate, дообученная на базе Tesslate/UIGEN-FX-4B-Preview. Она создаёт адаптивные веб-страницы и компоненты по текстовым спецификациям, включая HTML, CSS и Tailwind-разметку; ориентирована на React, JavaScript, статические генераторы сайтов и веб-интерфейсы на Python. Модель семейства Qwen3 с плотной архитектурой содержит 3,7 млрд параметров, работает с текстом и рассчитана на контекст до 262 144 токенов по метаданным; в карточке указан эффективный контекст около 64 тыс. токенов. Для практических сценариев предусмотрены короткие генерации отдельных страниц и компонентов, а JavaScript по умолчанию используется минимально. Модель обучалась на примерах HTML, CSS, Tailwind и библиотек компонентов, а также на оценках доступности, Axe и Lighthouse. Она нацелена на семантическую структуру, адаптивную вёрстку, визуальную согласованность и более чистую разметку для дальнейшей разработки. Доступна под лицензией Apache-2.0. Это предварительная исследовательская версия: результаты требуют проверки перед публикацией; доступность и ARIA-разметка могут быть неполными, а сложные интерактивные виджеты часто требуют доработки.

nilq/baby-python-mistral-1L-tiny-lua-ft — небольшая языковая модель на архитектуре Mistral, дообученная nilq на наборе nilq/small-lua-stack. Это Lua-вариант модели из работы Tracking Universal Features Through Fine-Tuning and Model Merging. Модель предназначена для генерации текста, в частности кода на Lua. Число параметров — 18,7 млн, контекст — 2048 токенов. В README приведены результаты оценки: loss 2,4518 и accuracy 0,4941. Модель принимает текст и генерирует текст. Лицензия в предоставленных данных не указана.

DR.Kernel-14B — дообученная HKUST-NLP языковая модель для генерации и оптимизации GPU-ядер, особенно на Triton, в рамках DR.Kernel. Она основана на Qwen3-14B и использует архитектуру Qwen3ForCausalLM: плотная модель примерно на 14,8 млрд параметров с контекстом до 32 768 токенов и весами BF16. Модель принимает описание задачи с эталонной реализацией PyTorch и генерирует оптимизированную реализацию ModelNew. Обучение включает этап SFT на траекториях генерации и уточнения ядер, а затем многошаговое обучение с подкреплением. При оптимизации предполагается получать обратную связь о компиляции, корректности и производительности из среды KernelGYM, поэтому модель рассчитана на итеративную работу агента, а не только на однократную генерацию кода. Основные сценарии — исследование генерации ядер и бенчмаркинг, а также оптимизация Triton-кода. Модель не предназначена для универсальной помощи в программировании, если отсутствует оценка ядер с выполнением. Сгенерированный код требует проверки перед применением, особенно в критически важных системах. Лицензия в предоставленной карточке не описана.

Qwen3-4B-NURL — дообученная модель семейства Qwen3, созданная для генерации кода на языке программирования NURL. По описанию автора, она пишет идиоматический NURL с компактной префиксной нотацией, системой владения, проверяемой во время компиляции, и автоматическим освобождением ресурсов; базовая Qwen3-4B без дообучения склонна подменять синтаксис NURL синтаксисом, похожим на Rust. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров, принимает текст и выдаёт текст. Контекст — до 40 960 токенов. В карточке заявлен английский язык; основное назначение — написание кода на NURL. Модель можно использовать для генерации функций и других фрагментов программ на NURL через Transformers или совместимый интерфейс nurllama. Она основана на Qwen/Qwen3-4B, использует его токенизатор и конфигурацию и распространяется по лицензии Apache-2.0. Описанные преимущества относятся к синтаксису NURL; карточка не приводит оценок качества или результатов сравнительных тестов.

ShaderLLM-CodeLlama-13b-it — дообученная Sean Memery инструктивная модель семейства CodeLlama для генерации кода шейдеров. Она основана на codellama/CodeLlama-13b-Instruct-hf и дообучена на наборе данных generator. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 16 384 токенов. Модель предназначена для генерации и дополнения кода в диалоговом формате, в частности для сценариев работы с шейдерами. В карточке приведён результат оценки на тестовом наборе: loss 0,7616. Язык шейдеров, методика оценки и качество на практических задачах не описаны. Лицензия — Llama 2; применяйте модель в соответствии с её условиями.

kernel-coder-1.5b — компактная модель генерации кода на 1,5 млрд параметров, созданная на основе Qwen/Qwen2.5-Coder-1.5B-Instruct и дообученная для написания кода на C в стиле Linux kernel. Она предназначена для генерации и дополнения фрагментов ядра по документации и запросам в диалоговом формате; сохраняет способность базовой модели писать на Python. Использует архитектуру Qwen2 с плотной языковой моделью, принимает текст и выдаёт текст. Контекст — до 32 768 токенов. В тесте на 40 задачах с документацией ядра модель показала меньше стилистических нарушений checkpatch, чем указанные в README базовые модели; на 200 задачах MBPP результат на Python совпал с базовой моделью. Оценки не подтверждают функциональную корректность сгенерированного кода: проверялась преимущественно стилистика, а многие ответы оставляют часть реализации в виде комментариев-заглушек. Модель опубликована под лицензией Apache-2.0.