II.3Рефакторинг, миграция и модернизация

Карточка модели ANGELOSEGRETO/Qwen3-Coder-Next на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Карточка модели ArchiveStudio/Qwen3-Coder-Next на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Карточка модели dudi2016b/Qwen3-Coder-Next на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Карточка модели XXXMARK/Qwen3-Coder-Next на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

cyankiwi/Qwen3-Coder-Next-AWQ-4bit — это 4-битная AWQ-квантизованная версия Qwen3-Coder-Next, базовой модели, разработанной командой Qwen. Модель представляет собой авторегрессионную языковую модель для генерации текста, ориентированную прежде всего на программирование, coding agents и локальную разработку. Модель предназначена для написания и анализа кода, длительных агентных сценариев, использования инструментов, работы с CLI и IDE, а также восстановления после ошибок выполнения. Она имеет 80 млрд параметров всего, из которых активируются 3 млрд, 79 млрд приходятся на параметры без эмбеддингов. Архитектура включает 48 слоёв с гибридным сочетанием Gated DeltaNet, Gated Attention и Mixture of Experts: 512 экспертов, 10 активируемых экспертов и один общий эксперт. Нативная длина контекста составляет 262 144 токена. Модель работает только в режиме без рассуждений и не генерирует блоки <think></think>; поддержка модальностей и список языков в README не указаны. Сильными сторонами являются высокая вычислительная эффективность за счёт малого числа активируемых параметров, большой контекст и развитые возможности для агентного взаимодействия и вызова инструментов. Ограничения включают необходимость совместимого программного обеспечения и аппаратных ресурсов для эффективного запуска крупной модели, несмотря на квантизацию; при нехватке памяти рекомендуется уменьшать длину контекста. Модель распространяется по лицензии Apache-2.0.

Карточка модели ArchiveStudio/Qwen3-Coder-Next-Base на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next-Base, поэтому описание составлено по ней. Qwen3-Coder-Next-Base — базовая языковая модель компании Qwen, предназначенная для разработки кодовых агентов и локальной работы с кодом. Это предварительно обученная авторегрессионная модель семейства Qwen3-Next с гибридной архитектурой: чередует Gated DeltaNet, Gated Attention и разреженные Mixture of Experts. В README указано 80 млрд параметров всего и 3 млрд активируемых; метаданные Hugging Face указывают 2,3 млрд параметров, поэтому размерные сведения источников расходятся. Модель рассчитана на генерацию кода и использование как основы для последующего обучения и создания агентных систем. Заявлены возможности вызова инструментов, адаптации шаблонов и каркасов проектов, а также поиска и восстановления после ошибок. Нативная длина контекста — 262 144 токена; README заявляет поддержку более 370 языков, в том числе языков программирования. Модель работает только в режиме без рассуждений (non-thinking) и не генерирует блоки разметки рассуждений. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0.

YOYO-AI/QwQ-coder-32B — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом SCE из Qwen/Qwen2.5-Coder-32B, Qwen/QwQ-32B и Qwen/Qwen2.5-Coder-32B-Instruct. Модель содержит 32 млрд параметров и принимает текстовые запросы, генерируя текст, включая программный код; доступны интерфейсы чата и вызова инструментов. Модель предназначена для генерации и анализа кода, помощи в программировании и создания кодовых агентов. Заявленная длина контекста — 131 072 токена. Веса опубликованы в формате Safetensors и используются через Transformers. В метаданных не перечислены поддерживаемые естественные языки. Модель распространяется по лицензии, сведения о которой в предоставленных данных отсутствуют.

Seed-Coder-8B-Instruct — инструкционно настроенная языковая модель для кода, разработанная ByteDance Seed. Она предназначена для генерации и редактирования кода, рассуждений по программным задачам и помощи в разработке ПО по запросам пользователя. Модель построена на архитектуре Llama с причинным языковым моделированием и содержит 7,6 млрд параметров. Модель дообучена на основе Seed-Coder-8B-Base; при обучении использовались публичные и синтетические данные. Контекст составляет 32 768 токенов. Разработчик сообщает о результатах на наборах тестов для генерации кода, рассуждений и инженерии ПО; язык модели в материалах не перечислен. Модель распространяется по лицензии MIT.

Seed-Coder-8B-Instruct — инструкционно настроенная языковая модель для кода, размещённая Unsloth на Hugging Face и основанная на ByteDance-Seed/Seed-Coder-8B-Instruct. Это плотная причинная модель архитектуры Llama с 7,6 млрд параметров, предназначенная для генерации, объяснения и редактирования кода по запросам на естественном языке. Карточка описывает предварительное и последующее обучение на открытых и синтетических данных; контекст составляет 32 768 токенов. Модель подходит для помощи при программировании, рассуждений о коде и задач программной инженерии. В README заявлены сравнительные результаты среди открытых моделей сопоставимого размера на тестах кода. Репозиторий использует формат safetensors и библиотеку Transformers; указана лицензия MIT.

Tess-4-27B-GGUF — набор GGUF-квантизаций модели Tess-4-27B, разработанной Migel Tissera и построенной на базе Qwen/Qwen3.6-27B от команды Qwen. Это агентная модель с поддержкой рассуждений, которая адаптирует глубину рассуждения к сложности задачи. Модель предназначена для диалогов, программирования, рефакторинга кода, структурированного вывода, решения сложных задач и создания локальных AI-агентов. Модель имеет размер 27B параметров и поставляется в вариантах Q4_K_M, Q6_K и Q8_0 с размерами примерно от 16,5 до 28 ГБ. Основной формат — GGUF, ориентированный на локальный запуск через llama.cpp, LM Studio и Ollama. Для обработки изображений предусмотрен отдельный vision projector mmproj, что добавляет мультимодальный режим с поддержкой входных изображений. Также доступны MTP-головы для speculative decoding: они могут ускорять генерацию примерно в 1,5–2 раза на подходящих задачах без изменения результата. Используется шаблон чата семейства Qwen3.5 с выделенным блоком рассуждений, однако поддерживаемые языки и размер контекстного окна в карточке не указаны. Сильные стороны модели — агентный характер, масштабирование рассуждений по сложности, поддержка кода и структурированного вывода, локальная работа и мультимодальный режим при подключении projector. Ограничения связаны с высокими требованиями к оперативной памяти или VRAM, потерями точности при использовании более агрессивной квантизации и необходимостью современного runtime llama.cpp для распознавания архитектуры qwen35. Для запуска требуется выбрать подходящий вариант квантизации, а для изображений и ускорения — установить дополнительные файлы. Модель распространяется по лицензии Apache 2.0.

UltiMerge — текстовая причинно-следственная MoE-модель, созданная OliviaRossi геометрическим слиянием четырёх чекпойнтов на архитектуре Qwen 3.6. Среди исходных моделей указаны Qwen-AgentWorld-35B-A3B, KAT-Coder-V2.5-Dev, Qwopus3.6-35B-A3B-Coder и Ornith-1.5-35B-A3B. Модель предназначена для агентного программирования, инженерии программных репозиториев, рассуждений, планирования и работы с инструментами. Архитектура сочетает MoE с 256 маршрутизируемыми экспертами, из которых активны восемь, и одним общим экспертом; в README также описаны 30 слоёв Gated DeltaNet и 10 слоёв GQA. Всего модель содержит около 34,8 млрд параметров, из них примерно 3,1 млрд активны на токен. Карточка указывает контекст до 262 144 токенов. Мультимодальные веса зрения и головы предсказания нескольких токенов удалены; модель работает с текстом, включая код, и заявлена поддержка английского и китайского языков. Слияние объединяет способности к использованию инструментов, работе с кодом и репозиториями, рассуждениям и самокоррекции. Для запуска README описывает варианты Transformers, vLLM, SGLang и llama.cpp; метаданные указывают формат safetensors. Модель распространяется по лицензии Apache-2.0. Указанные в README характеристики и качество объединения основаны на описании автора; независимые результаты оценки не приведены.

Карточка модели dendriteholdings/albedo-qwen3.6-35b-king-LXXXII на Hugging Face совпадает с карточкой Qwen/Qwen3.6-35B-A3B, поэтому описание составлено по ней. Qwen3.6-35B-A3B — открытая модель весов от Qwen, представленная как языковая модель с энкодером изображений и архитектурой смеси экспертов. В ней 35 млрд параметров, из которых при генерации активируются около 3 млрд; конфигурация включает 40 слоёв и 256 экспертов. Модель предназначена для диалогов, программирования и работы с изображениями, а также поддерживает вызов инструментов через соответствующий интерфейс. Основные сценарии — агентное программирование, анализ репозиториев, создание веб-интерфейсов и итеративная разработка с сохранением контекста рассуждений между сообщениями. Модель принимает текст и изображения и генерирует текст. Нативное окно контекста составляет 262 144 токена, с расширением до 1 010 000 токенов. В README приведены англоязычные и китайскоязычные примеры оценки веб-разработки; полная таблица поддерживаемых языков опущена. Веса доступны в формате Safetensors и совместимы с Transformers, vLLM, SGLang и другими указанными средами. Для работы с длинным контекстом требуются значительные вычислительные ресурсы; README рекомендует уменьшать окно при нехватке памяти и современные серверные движки для производительных нагрузок. Лицензия — Apache 2.0.

CodeLlama-34B-Instruct-fp16 — преобразованная в формат Transformers/Hugging Face копия модели Code Llama 34B Instruct от Meta AI, подготовленная TheBloke. Это авторегрессионная плотная Transformer-модель с 33,5 млрд параметров для следования инструкциям, генерации и понимания кода, в том числе для создания помощников по программированию. Модель принимает и выдаёт текст; карточка указывает английский язык и поддержку контекста 16 384 токена. В репозитории представлены веса safetensors в формате FP16. Для корректной загрузки этих весов README требует параметр trust_remote_code=True из-за изменения RoPE Theta. Модель рассчитана на коммерческое и исследовательское применение по условиям лицензии Llama 2; перед внедрением следует проверить точные условия лицензии. Она может выдавать неточный или нежелательный текст, а заявленное тестирование проводилось на английском языке.

NousResearch/CodeLlama-7b-hf — версия базовой модели Code Llama, разработанной Meta и опубликованной NousResearch в формате Hugging Face. Это авторегрессионная языковая модель на основе оптимизированной архитектуры Transformer с 6,6 млрд параметров, предназначенная для генерации и понимания программного кода. Модель принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов и используется через Transformers и PyTorch. Модель предназначена для синтеза, дополнения, объяснения и анализа кода, а также может адаптироваться к различным задачам программирования. Она ориентирована на английский язык и релевантные языки программирования; версия является базовой, а не специализированной instruct-моделью. Доступна по лицензии Llama 2 с условиями Meta и ограничениями Acceptable Use Policy. Модель статична и обучена на офлайн-данных. Она может генерировать неточный, небезопасный или нежелательный код, поэтому результаты требуют проверки, тестирования и настройки под конкретное приложение. Использование в языках, отличных от английского, ограничено условиями модели.

TheBloke/deepseek-coder-33B-instruct-AWQ — это 4-битная AWQ-квантизированная версия DeepSeek Coder 33B Instruct, разработанной компанией DeepSeek и опубликованной TheBloke. Модель предназначена для задач программирования и компьютерных наук: генерации и объяснения кода, ответов на технические вопросы и работы в сценариях ассистента программиста. Согласно шаблону запросов, она ориентирована только на вопросы, связанные с computer science, и может отказываться отвечать на политически чувствительные, связанные с безопасностью и приватностью, а также другие нетехнические вопросы. Модель основана на архитектуре DeepSeek с 33B параметров и представлена в формате AWQ с 4-битными весами, групповым размером 128 и длиной последовательности 16 384 токена. Файлы поставляются в виде шардированных safetensors; указанный размер репозитория составляет около 18,01 ГБ. Это текстовая модель без заявленной поддержки изображений или других модальностей. Языки обучения и полный перечень поддерживаемых языков в README не указаны. К сильным сторонам относятся сниженные требования к памяти и высокая скорость инференса при сохранении качества, сопоставимого с распространёнными настройками GPTQ. Модель рассчитана на GPU-инференс и поддерживает AutoAWQ, text-generation-webui и Hugging Face Text Generation Inference; сведения о совместимости vLLM в README ограничены моделями Llama и Mistral. Лицензия обозначена как other с названием deepseek; подробные условия следует уточнять в файле LICENSE исходного репозитория.

QuantFactory/deepseek-coder-6.7b-instruct-GGUF — квантизированная версия модели deepseek-ai/deepseek-coder-6.7b-instruct, созданная QuantFactory с использованием llama.cpp. Базовую серию DeepSeek Coder разработала команда DeepSeek; модель предназначена для генерации, дополнения и анализа программного кода, включая ответы на инструкции, проектное автодополнение и заполнение пропусков в коде. Модель содержит 6,7 млрд параметров, инициализирована на основе deepseek-coder-6.7b-base и дообучена на 2 млрд токенов инструкционных данных. Семейство DeepSeek Coder обучалось на 2 трлн токенов, из которых 87% составлял код и 13% — естественный язык на английском и китайском языках. Для поддержки задач на уровне проектов использовалось окно контекста 16K и специальная задача fill-in-the-blank. Формат GGUF и квантизация ориентированы на запуск через llama.cpp и более эффективное использование ресурсов, однако конкретный тип и уровень квантизации в README не указаны. Сильными сторонами являются специализация на программировании, поддержка генерации кода по инструкциям и заявленные высокие результаты среди открытых моделей на HumanEval, MultiPL-E, MBPP, DS-1000 и APPS. Ограничения включают неизвестные параметры квантизации и связанные с ней возможные компромиссы между качеством и потреблением памяти, а также отсутствие в README подробностей о точном наборе поддерживаемых языков программирования. Использование регулируется Model License DeepSeek; при этом для моделей заявлена поддержка коммерческого использования. Репозиторий исходного кода лицензирован по MIT, но для самой модели действует отдельная лицензия.

DeepSeek Coder 7B Instruct v1.5 GGUF — это набор GGUF-квантованных версий модели DeepSeek Coder 7B Instruct v1.5, разработанной DeepSeek и преобразованной для локального запуска в репозитории Edmon02. Модель предназначена прежде всего для генерации и редактирования кода, работы локальных ассистентов в IDE и CLI, автономных агентов и офлайн-разработки без API-ключей. Для запуска подходят llama.cpp, LM Studio, KoboldCPP, llamafile и другие GGUF-совместимые среды. Модель относится к семейству архитектур LLaMA, имеет размер 7B параметров и поддерживает контекст до 4096 токенов. Это текстовая instruct-модель с шаблоном общения через секции «### Instruction» и «### Response». В репозитории представлены 14 вариантов квантования IQ и K, включая Q2_K, Q4_K_M, Q6_K и Q8_0, с размером примерно от 2,5 до 7,35 ГБ. Q4_K_M позиционируется как оптимальный баланс качества и размера, а Q8_0 — как вариант с наивысшим качеством среди доступных. Сильными сторонами являются возможность автономного запуска, широкий выбор квантований под разные объёмы VRAM и специализация на задачах программирования. Ограничения включают контекст 4096 токенов, возможное снижение точности синтаксиса у низкобитных квантований на длинном коде, небольшие различия между версиями квантования и отсутствие гарантированного соответствия облачным API DeepSeek. Модель не предназначена для тонкой настройки непосредственно в формате GGUF и может отказываться от запросов, не связанных с кодом. Лицензия указана как other с названием deepseek; подробные условия приведены в лицензии DeepSeek.

bartowski/DeepSeek-Coder-V2-Instruct-0724-GGUF — набор GGUF-квантизаций модели DeepSeek-Coder-V2-Instruct-0724, разработанной deepseek-ai и квантизированной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель относится к классу генеративных text-generation-моделей и предназначена прежде всего для работы с программным кодом и инструкциями, включая локальный запуск через llama.cpp или LM Studio. Доступны варианты квантизации от Q8_0 до IQ1_M, размером примерно от 52,68 до 250,62 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, но требуют больше оперативной или видеопамяти; в README рекомендуются Q6_K, Q5_K_M, Q4_K_M и IQ4_XS. Для отдельных вариантов эмбеддинги и выходные веса сохраняются в формате Q8_0, что может влиять на качество. Указаны специальный формат prompt и необходимость учитывать его при интеграции. В README не приведены точные сведения об архитектуре исходной модели, числе параметров, максимальном контексте, поддерживаемых языках и мультимодальности. Модель распространяется по лицензии deepseek-license; подробные условия находятся в файле LICENSE.

DeepSeek-Coder-V2-Lite-Instruct-GGUF — квантованная версия модели DeepSeek-Coder-V2-Lite-Instruct, разработанной DeepSeek-ai и преобразованной в формат GGUF компанией Second State Inc. Это инструкционная модель типа deepseek, ориентированная на работу с программным кодом и взаимодействие в формате диалога. Модель предназначена для генерации, дополнения и анализа кода, а также для решения задач разработки через текстовые инструкции. В README указана поддержка контекста до 128 000 токенов при запуске через LlamaEdge версии 0.12.3 и выше. Данные о точном размере модели, языках программирования и естественных языках, а также о поддержке мультимодальности не приведены. Доступно несколько вариантов квантования от Q2_K до Q8_0 и f16. Q4_K_M рекомендован как сбалансированный вариант, а Q5_K_M и Q5_K_S — как варианты с малой потерей качества; более низкая разрядность уменьшает размер файла, но может существенно ухудшать качество. Размеры файлов варьируются от 6,43 ГБ для Q2_K до 31,4 ГБ для f16. Использование регулируется лицензией deepseek-license; в метаданных она обозначена как other.

Devstral-Small-2505-GGUF — GGUF-квантизированная версия модели Devstral-Small-2505, разработанной Mistral AI. Квантизация выполнена mattjcly на базе llama.cpp; модель распространяется в формате GGUF и предназначена для локального запуска в совместимых инструментах. Модель ориентирована на программную инженерию и агентные задачи: исследование кодовых баз с использованием инструментов, редактирование нескольких файлов и выполнение сложных изменений для исправления проблем. Согласно README, при компактном размере в 24 миллиарда параметров она показывает высокие результаты в агентном программировании и была представлена как лидер среди открытых моделей на SWE-bench. Известная техническая характеристика — контекстное окно до 131 072 токенов. README не уточняет архитектуру, поддерживаемые языки программирования и естественные языки, модальности или конкретные требования к оборудованию. Ограничения включают возможные неточности, вредные или неподходящие ответы, характерные для генеративных моделей. Модель распространяется по лицензии Apache-2.0.

Devstral Small 1.1 — языковая модель для агентных задач в разработке программного обеспечения, созданная в сотрудничестве Mistral AI и All Hands AI. Модель предназначена для работы с программными кодовыми базами: она умеет исследовать проекты с помощью инструментов, редактировать несколько файлов и служить основой программных агентов. Рекомендуемый сценарий использования — интеграция с OpenHands; также доступны API и локальное развертывание. Модель дообучена на базе Mistral-Small-3.1 и содержит 24 млрд параметров. Она работает только с текстом: визуальный энкодер был удалён до этапа дообучения. Поддерживается контекст до 128 тысяч токенов, используется токенизатор Tekken со словарём размером 131 тысяча токенов, а также формат function calling Mistral. В метаданных README указана поддержка языков от английского и французского до русского, китайского, японского, арабского и других языков. Сильные стороны модели — специализация на агентном программировании, улучшение относительно Devstral Small 1.0 и возможность запуска на одной RTX 4090 или Mac с 32 ГБ оперативной памяти. В SWE-Bench Verified она получила 53,6% при использовании OpenHands Scaffold. Ограничения включают текстовую, а не мультимодальную обработку и необходимость учитывать ресурсы для локального запуска. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое и некоммерческое использование и модификацию.

unsloth/Devstral-Small-2507-unsloth-bnb-4bit — 4-битная версия Devstral Small 1.1, подготовленная Unsloth на основе моделей Mistral AI. Devstral разработана в сотрудничестве Mistral AI и All Hands AI как агентная языковая модель для задач программной инженерии, включая исследование кодовых баз, вызов инструментов, редактирование нескольких файлов и работу в составе coding-агентов. Модель содержит 24 миллиарда параметров, использует текстовую модальность и поддерживает контекст до 128 тысяч токенов. Она поддерживает формат function calling Mistral и особенно ориентирована на использование с OpenHands. Заявлена поддержка английского, французского, немецкого, испанского, португальского, итальянского, японского, корейского, русского, китайского, арабского и ряда других языков. Токенизатор Tekken имеет словарь размером 131 тысяча токенов. Сильными сторонами модели являются специализация на агентном программировании, большой контекст, поддержка инструментов и возможность локального запуска, в том числе на одной RTX 4090 или Mac с 32 ГБ оперативной памяти. В SWE-Bench Verified указано качество 53,6% при использовании OpenHands Scaffold. Ограничения включают текстовую природу модели без поддержки изображений и необходимость корректной настройки шаблона запросов и инструментального взаимодействия. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое и некоммерческое использование и модификацию.

DolphinCoder StarCoder2 15B — языковая модель для генерации кода и диалоговой помощи в программировании, разработанная на базе StarCoder2-15B. Она дообучена методом qLoRA в течение трёх эпох на наборах данных для программирования и инструкционного диалога; в карточке указана архитектура StarCoder2 с 21,7 млрд параметров и контекстом 16 384 токена. Модель использует формат запросов ChatML и рассчитана прежде всего на англоязычные сценарии. Модель подходит для генерации и дополнения кода, ответов на вопросы по программированию и выполнения инструкций разработчика. Автор описывает её как uncensored и предупреждает о высокой готовности выполнять запросы, включая небезопасные; при предоставлении доступа через сервис рекомендуется добавить собственный слой фильтрации. Лицензия — BigCode OpenRAIL-M.

ManniX-ITA/gemma-4-A4B-98e-v6-coder-it-GGUF — это набор GGUF-квантизаций модели ManniX-ITA/gemma-4-A4B-98e-v6-coder-it, созданной на основе Gemma 4 26B-A4B. Модель ориентирована прежде всего на генерацию и анализ кода, рассуждения, агентные сценарии с вызовом инструментов и задачи с изображениями. В карточке указаны английский язык и поддержка визуальных входных данных; тип конвейера — image-text-to-text. Архитектура — MoE с примерно 20,45 млрд параметров, из которых около 4 млрд активны при обработке токена; в слоях используется 98 экспертов. Модель поставляется в различных вариантах квантизации от 2 до 8 бит, а также в F16, с применением imatrix для большинства низкоразрядных вариантов. Для llama.cpp в примере использования задан контекст 32 768 токенов, а для режима рассуждений требуется параметр reasoning-budget. Сильные стороны модели — высокая эффективность в задачах программирования при существенно меньшем объёме активных параметров и широкий выбор вариантов по балансу качества, размера и требований к памяти. По приведённым тестам HumanEval+ лучшие результаты показывают Q6_K и Q8_0 — 93,29%, а рекомендуемым компромиссом названа IQ4_XS размером 11,01 ГБ; вариант IQ2_XS заметно теряет качество. Для многошаговых агентных сценариев в репозитории исправлен дефект шаблона чата, вызывавший повторение рассуждений. Модель распространяется по лицензии Gemma. Для запуска необходим совместимый движок, например llama.cpp, и корректно настроенный шаблон чата; без reasoning-budget Gemma 4 может генерировать некорректные служебные токены. Выбор конкретной квантизации определяет требования к дисковому пространству, памяти и степень сохранения исходного качества.

IQuest-Coder-V1-40B-Base — базовая модель семейства кодовых больших языковых моделей IQuestLab для анализа и генерации кода. Она предназначена для задач программной инженерии, включая работу с кодовыми базами, понимание изменений в репозиториях и решение сложных задач разработки. Модель содержит 39,4 млрд параметров, использует плотную архитектуру IQuestCoderForCausalLM с Grouped Query Attention и поддерживает контекст до 131 072 токенов. Для работы с моделью указана библиотека Transformers и формат весов safetensors; README рекомендует Transformers версии 4.52.4 или новее и отмечает использование пользовательского кода моделирования через auto_map. Модель обучалась по многоэтапному подходу code-flow, учитывающему эволюцию репозиториев, переходы между коммитами и преобразования кода. Семейство ориентировано на автономную программную инженерию, программирование и работу с инструментами; эта карточка относится к варианту Base, а не к специализированным Thinking или Instruct вариантам. Основной язык в метаданных — английский. Лицензия указана как other, без уточнения условий в доступных данных. Модель не исполняет сгенерированный код; ответы могут содержать правдоподобные ошибки, а качество может снижаться на узкоспециализированных или закрытых фреймворках.

IQuest-Coder-V1-40B-Instruct — инструктивная модель для программирования из семейства IQuest-Coder-V1, разработанного IQuestLab. Она предназначена для помощи в разработке программного обеспечения: генерации и изменения кода, ответов на вопросы о коде и работы с инструментами в диалоговом режиме. Модель содержит 39,4 млрд параметров и использует плотную архитектуру IQuestCoderForCausalLM с Grouped Query Attention. Она поддерживает контекст до 131 072 токенов и представлена в формате safetensors для Transformers. Семейство обучалось по многоэтапной парадигме code-flow на данных об изменениях репозиториев и преобразованиях кода. В README приведены результаты семейства на SWE-Bench Verified, BigCodeBench и LiveCodeBench; эти показатели не следует считать отдельной оценкой именно данного чекпойнта. Модель ориентирована на код, а метаданные карточки указывают английский язык. Она генерирует код, но не исполняет его; результат может быть ошибочным, особенно для узкоспециализированных или проприетарных технологий, поэтому его следует проверять. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Abiray/KAT-Coder-V2.5-Dev-Imatrix-GGUF — набор GGUF-квантизаций модели KAT-Coder-V2.5-Dev, разработанной командой KwaiKAT и основанной на Qwen3.6-35B-A3B. Это текстовая open-weight модель-кодировщик с архитектурой Mixture-of-Experts: всего 35 млрд параметров, из которых 3 млрд активируются для каждого токена. Репозиторий содержит версии с 3-, 4-, 5-, 6- и 8-битной квантизацией, оптимизированные с помощью importance matrix для сохранения качества при уменьшении требований к памяти. Модель предназначена для агентного программирования, генерации и анализа кода, автоматизации задач разработки и работы с инструментами в многошаговых сценариях. Она поддерживает английский и китайский языки, работает только с текстом и не включает компоненты для зрения или других мультимодальных режимов. Доступный контекст может достигать 262 144 токенов при использовании совместимого ПО, например llama.cpp. Среди заявленных сильных сторон — результаты на SWE-bench Verified до 69,40%, поддержка сохранения исторического контекста рассуждений и снижение повторов, нештатных вызовов инструментов и зацикливания. К ограничениям относятся необходимость значительных ресурсов даже для квантизированных вариантов, зависимость качества и скорости от выбранного уровня квантизации и отсутствие мультимодальности. Модель распространяется по лицензии Apache-2.0.

Kimi K2-Instruct-0905 — языковая модель, разработанная Moonshot AI. Это обновлённая версия Kimi K2, ориентированная на агентное программирование, выполнение длительных задач и работу с инструментами. Модель особенно предназначена для разработки и анализа кода, задач coding agent, а также создания frontend-приложений с улучшенным вниманием к эстетике и практичности интерфейсов. Модель использует архитектуру Mixture-of-Experts (MoE) с 1 трлн общих параметров и 32 млрд активируемых параметров. Она содержит 61 слой, 384 эксперта, из которых для каждого токена выбираются 8, 64 attention head, механизм внимания MLA и функцию активации SwiGLU. Размер словаря составляет 160 тысяч токенов, а контекстное окно — 256 тысяч токенов, что подходит для анализа больших репозиториев и продолжительных многошаговых сценариев. README не указывает полный перечень поддерживаемых языков и модальностей; по представленным данным это языковая, а не мультимодальная модель. Сильные стороны модели — улучшенные результаты в задачах агентного программирования и поддержка очень длинного контекста. В README приведены результаты на SWE-Bench, SWE-Bench Multilingual, Multi-SWE-Bench, Terminal-Bench и SWE-Dev, однако они зависят от условий тестирования и не гарантируют аналогичную эффективность в каждом проекте. К ограничениям относятся высокая вычислительная сложность полной модели и необходимость специализированных inference-движков; рекомендованы vLLM, SGLang, KTransformers и TensorRT-LLM. Доступны checkpoint в формате block-fp8 и API с OpenAI- и Anthropic-совместимыми интерфейсами. Лицензия указана как modified MIT.

Laguna M.1 — языковая модель Poolside для агентного программирования и выполнения длительных задач с помощью инструментов. Это текстовая модель типа Mixture-of-Experts: по карточке README, в ней 225 млрд параметров, из которых активируются 23 млрд на токен; архитектура включает 70 слоёв, 256 экспертов и глобальное внимание. Метаданные Hugging Face указывают 17,1 млрд параметров, поэтому сведения о размере расходятся; контекстное окно составляет 262 144 токена. Модель предназначена для работы в цикле агента: анализа кода и репозиториев, внесения изменений и выполнения задач в терминале. README сообщает о поддержке рассуждений между вызовами инструментов и приводит результаты на SWE-bench Verified, SWE-bench Multilingual, SWE-bench Pro и Terminal-Bench 2.0. Она принимает и выдаёт текст; сведения о конкретных поддерживаемых естественных языках не приведены. Для запуска указана поддержка vLLM, SGLang и Transformers. Лицензия — Apache 2.0, допускающая коммерческое и некоммерческое использование и модификацию.