II.3Рефакторинг, миграция и модернизация

DeciCoder-6B — авторегрессионная модель для дополнения и генерации программного кода, разработанная компанией Deci. Она основана на декодерном трансформере DeciLMForCausalLM с 6,7 млрд параметров и переменным Grouped Query Attention; архитектуру создали с помощью технологии AutoNAC. Обучение на подмножестве StarCoder Training Dataset использовало цель Fill-in-the-Middle, поэтому модель может продолжать код и заполнять пропуски внутри фрагмента. Модель предназначена для работы с Python, Java, JavaScript, Rust, C++, C, C# и Go. Контекст составляет 2 048 токенов. Весы опубликованы в формате safetensors, лицензия — Apache 2.0. Модель можно применять для генерации фрагментов кода по контексту и автодополнения в редакторах. В README приведены результаты pass@1 для нескольких языков, но они не гарантируют правильность конкретного результата: сгенерированный код может содержать ошибки, быть неоптимальным или небезопасным.

Карточка модели elyza/ELYZA-japanese-CodeLlama-7b на Hugging Face совпадает с карточкой elyza/ELYZA-japanese-CodeLlama-7b-instruct, поэтому описание составлено по ней. ELYZA-japanese-CodeLlama-7b-instruct — компания ELYZA дообучила на базе Code Llama дополнительным предварительным обучением, чтобы расширить поддержку японского языка. Это плотная авторегрессионная модель семейства Llama для генерации текста, включая ответы на инструкции и создание кода. Модель содержит 6,6 млрд параметров и поддерживает контекст длиной до 16 384 токенов. В карточке указаны японский и английский языки. Модель подходит для генерации и объяснения кода, а также для ответов на текстовые запросы на японском и английском языках. Модель распространяется в формате safetensors по лицензии Llama 2. Карточка не приводит оценки качества или подробные ограничения; результаты генерации кода и фактические ответы следует проверять.

english_code_retriever — модель Sentence Transformers, разработанная fyaronskiy на основе answerdotai/ModernBERT-base и дообученная на наборе code_search_net с функцией потерь MultipleNegativesRankingLoss. Она предназначена для поиска фрагментов кода по текстовому запросу и для ранжирования найденных результатов. Модель строит плотные векторы размерности 768 с mean pooling; релевантность можно оценивать косинусным сходством. Максимальная длина входной последовательности — 8192 токена, размер модели — 149 млн параметров. Модель ориентирована на английский язык и поиск по коду; в карточке перечислены Python, Java, Go и PHP. README приводит результаты на бенчмарках RTEB и COIR, но они не гарантируют такого же качества на других данных. Модель распространяется по лицензии MIT.

Gemma-4 12B Coder — SFT v5 + abliterated (GGUF) — это локальная квантизированная версия кодовой модели семейства Gemma-4, разработанная на базе модели tpls/gemma-4-12B-coder-fable5-composer2.5-v1-sft-v5-abliterated и подготовленная triplezrobotics. Модель распространяется в формате GGUF для запуска через llama.cpp и Ollama; заявленный основной язык — английский. Модель предназначена для генерации кода, текстовых задач и агентских сценариев с использованием инструментов и function calling. Она сочетает дообучение SFT v5, abliteration и imatrix-квантизацию. Доступны варианты от IQ4_XS и Q3_K_M до Q8_0; Q4_K_M обозначен как сбалансированный вариант для примерно 12 ГБ видеопамяти. В README приведён пример запуска с контекстом 16 384 токена. Ключевое преимущество модели — поддержка вызова инструментов и локального развёртывания. В тесте на наборе из восьми случаев заявлен результат 8/8 при использовании recovery shim, преобразующего нативную разметку Gemma-4 в стандартные tool_calls; без shim-парсера llama.cpp показатель составил 0,125 из-за неполной обработки формата. Ответы могут содержать ошибки или вымышленные данные, поэтому аргументы инструментов необходимо проверять до выполнения. Вариант является uncensored: из весов удалено направление отказа, поэтому защитные ограничения существенно ослаблены. Это делает модель непригодной для сценариев, где обязательна встроенная политика отказа, и требует контроля со стороны пользователя. В README указана лицензия Gemma.

GLM-5.1-FP8 — квантованная в формате FP8 версия языковой модели GLM-5.1, разработанной командой Z.ai. Модель предназначена для генерации текста и ориентирована прежде всего на агентные инженерные задачи, включая программирование, создание репозиториев по естественно-языковому описанию, работу с терминалом и длительные многошаговые сессии с использованием инструментов. Заявлена поддержка английского и китайского языков; модель подключается через библиотеку Transformers и относится к задачам text generation. Ключевая сильная сторона GLM-5.1 — работа над сложными задачами на протяжении сотен итераций и тысяч вызовов инструментов: модель умеет декомпозировать неоднозначные проблемы, проводить эксперименты, анализировать результаты, находить блокирующие факторы и пересматривать стратегию. В README приведены высокие результаты на SWE-Bench Pro, NL2Repo, Terminal-Bench 2.0, CyberGym и BrowseComp. При этом размер модели, базовая архитектура, длина контекста, точные характеристики FP8-квантизации и поддерживаемые модальности не указаны. Ограничения также связаны с тем, что приведённые показатели зависят от используемых инструментов и условий тестирования, а таблица бенчмарков в представленном README обрывается. Модель распространяется по лицензии MIT. README также указывает на доступность API-сервисов GLM-5.1 на платформе Z.ai, однако конкретные требования к аппаратному обеспечению и инструкции по локальному запуску для этой версии не приведены.

Grug-35b — дообученная модель семейства Qwen3.5 MoE от ProCreations, созданная на основе deepreinforce-ai/Ornith-1.0-35B. Это чат-модель для генерации текста, написания кода и работы в роли агента с вызовами инструментов. По README, разработчик восстановил исходный шаблон чата без стилевых инструкций и дообучил веса, чтобы лаконичный стиль Grug и рассуждения проявлялись при обычных запросах и агентских сценариях с инструментами. Модель хранится в формате SafeTensors и использует архитектуру Qwen3_5MoeForConditionalGeneration; README описывает BF16 LoRA-дообучение с замороженными MoE-экспертами. В README приведены результаты локальных тестов: 80,5% на HumanEval, 88% на MBPP и до 95% правильных действий в широком тесте выбора инструментов. Автор отмечает компромисс: после корректировки стиля результат HumanEval снизился, а MBPP и выбор инструментов улучшились. Лицензия — MIT. Длина контекста и список естественных языков в доступных данных не указаны.

ProCreations/grug-v1.1-qwen-3.8-27b-qgguf — это GGUF-версия модели grug-v1.1-qwen-3.8-27b, разработанная ProCreations для локального запуска через llama.cpp. Модель предназначена для генерации текста, программирования и агентских сценариев, включая работу с инструментами. Заявлена поддержка английского языка и режим text-generation. Модель имеет размер 27B и поставляется в нескольких вариантах квантования: Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q3_K_M, занимающих примерно от 13,3 до 28,6 ГБ. Для работы с изображениями предусмотрен отдельный multimodal-проект mmproj в формате F16 размером около 0,9 ГБ, используемый вместе с llama-mtmd-cli. Размер контекста в README не указан. Ключевая особенность модели — оптимизированное рассуждение: в описании заявлено существенно меньшее число токенов в блоке размышлений по сравнению с базовой моделью. Для большинства случаев рекомендуется средний уровень reasoning effort; режим xhigh может ухудшать выбор инструментов. Квантование позволяет подобрать баланс между качеством и требованиями к памяти, но более компактные варианты могут уступать полноразмерным весам по качеству. Все варианты, согласно README, проверены с помощью llama-bench. Модель распространяется по лицензии Apache-2.0. Для запуска требуется совместимое окружение llama.cpp; конкретные требования к оперативной памяти, производительности и максимальному контексту не указаны.

Hy3-GGUF — набор GGUF-квантизаций модели Tencent Hy3, подготовленный пользователем vcruz305. Это MoE-модель для генерации текста, диалогов, программного кода и задач рассуждения. Базовая модель имеет 295 млрд параметров, из которых 21 млрд активируются на токен, использует 192 эксперта с выбором top-8, включает 80 основных слоёв и дополнительный MTP/NextN-слой объёмом 3,8 млрд параметров. Заявлена длина контекста до 256K токенов. Модель работает с текстом; сведения о поддерживаемых языках в README не указаны. Репозиторий содержит варианты от IQ1_M и IQ2_M до Q8_0 размером примерно от 92 до 318 ГБ, рассчитанные на системы с большим объёмом памяти и, для некоторых вариантов, на конфигурации из двух узлов. Квантизации используют importance matrix, рассчитанную на корпусе с примерами программирования, рассуждений и диалогов. Для части вариантов проверена генерация кода и диалогов на реальном оборудовании; также поддерживается speculative decoding через MTP, которое в приведённых измерениях заметно повышало скорость генерации. Для запуска требуется llama.cpp с поддержкой архитектуры Hy3: до включения соответствующих изменений в основную ветку необходима специальная ветка с PR #25364. Для корректного применения шаблона чата требуется параметр --jinja. Ограничениями являются значительные требования к памяти, необходимость совместимого оборудования и специальной сборки llama.cpp; часть квантов не проходила индивидуальное нагрузочное тестирование. Модель распространяется по лицензии Apache-2.0.

INF-o1-pi0 — языковая модель для рассуждений, разработанная командой INF-o1 компании INFLY TECH (Shanghai) Co., Ltd. Это начальный контрольный чекпойнт проекта, созданный для оценки конвейера подготовки данных перед дальнейшим обучением с подкреплением. Модель дообучена на базе Qwen/Qwen2.5-32B-Instruct, имеет плотную архитектуру Qwen2 и 32 млрд параметров; работает через Transformers и принимает текст, выдавая текст. Контекстное окно составляет 32 768 токенов. Модель предназначена для генерации развёрнутых рассуждений и решения задач по математике, программированию, логике, безопасности и SQL. В README приведены результаты сравнений на математических, логических и SQL-бенчмарках; они показывают сильные результаты на отдельных наборах, но не гарантируют точность в прикладных задачах. Карточка описывает этот выпуск как исходный чекпойнт для оценки конвейера данных и основы будущего обучения с подкреплением. Языковые теги метаданных охватывают китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Лицензия в предоставленных данных не указана.

LateOn-Code-pretrain — модель LightOn из коллекции PyLate LateOn-Code, предназначенная для поиска по коду. Это предварительно обученная модель позднего взаимодействия ColBERT на архитектуре ModernBERT: она формирует многовекторные представления запросов и фрагментов кода для поиска релевантных результатов. В репозитории указаны веса размером 149 млн параметров, контекст до 8192 токенов и форматы Safetensors и ONNX. Модель обучена на данных CoRNStack для поиска кода и рассчитана на английский язык и программный код. Она подходит для поиска фрагментов кода по текстовому запросу и интеграции в системы извлечения информации; README приводит результаты бенчмарков MTEB Code. Это именно предварительно обученная версия: последующая настройка на наборах CoIR описана для модели LateOn-Code. Модель распространяется по лицензии Apache-2.0.

Это квантованная версия MXFP4_MOE модели trohrbaugh/Ling-3.0-flash-heretic в формате GGUF, подготовленная для запуска через llama.cpp. Базовая модель — вариант Ling-3.0-flash с аблитерацией, предназначенный для диалоговой генерации текста, программирования и агентных задач с длинным контекстом. Модель принимает текст и генерирует текст в диалоге. В README приведено сравнение с исходной моделью: KL-дивергенция составляет 0,0526, а в тесте из 100 запросов зафиксировано 0 отказов против 87 у оригинала. Эти результаты относятся только к указанному сравнению; размер модели, поддерживаемые языки и длина контекста в доступных данных не приведены. README рекомендует использовать актуальную версию llama.cpp. Лицензия в доступных данных не указана.

Macaron-V1-Coding-Venti-MLX-Q4i — квантизированная версия модели Macaron-V1-Coding-Venti для генерации текста и помощи в программировании. Согласно метаданным, модель связана дообучением с zai-org/GLM-5.2 и использует архитектуру GLM MoE DSA. Репозиторий рассчитан на библиотеку MLX; README сообщает о тестировании на M3 Ultra с 512 ГиБ памяти и скорости около 14,7 токена в секунду при генерации на 1000 токенов. Модель предназначена для диалогового использования и задач генерации кода. Объём параметров указан как 30,4 млрд, контекст — до 1 048 576 токенов. Метаданные указывают английский язык. Лицензия в предоставленных сведениях не указана. Ответы модели могут быть неточными или неуместными; результаты следует проверять перед использованием в важных решениях.

Macaron-V1-Tall — модель MindLab Research из семейства Macaron-V1, построенная на Qwen3.6-35B-A3B. Она предназначена для персональных агентных сценариев, работы с инструментами, программирования и генерации интерфейсов GenUI. Модель использует архитектуру Mixture of LoRA: четыре текстовых адаптера для чата, агентных задач, кода и GenUI, а маршрутизатор выбирает специалиста для каждого пользовательского запроса. Для запуска заявлена библиотека Transformers; опубликован чекпойнт BF16 с адаптерами LoRA и контекстом 262K токенов. Базовая модель также обладает мультимодальными возможностями, но специалисты Macaron настроены только для текста. В карточке приведены результаты сравнения системы с базовой конфигурацией, однако они не устанавливают вклад отдельных компонентов или преимущества между вариантами семейства. Известные ограничения включают слабую обработку зависимых вызовов инструментов, маршрутизацию всего хода к одному специалисту и качественное ухудшение стабильности характера в очень длинных сессиях после смены предпочтений. Отдельная оценка безопасности не проводилась; модель не рекомендуется для самостоятельных решений в критически важных областях. Лицензия — MIT.

MiniMax-M3-REAP32-Coder — созданная JANGQ-AI версия MiniMax-M3 для программирования, агентных сценариев и мультимодального диалога. Это MoE-модель с архитектурой MiniMaxM3SparseForConditionalGeneration; в карточке указаны 60 слоёв и сохранённая поддержка изображений. Модель предназначена для запуска через vMLX на компьютерах Apple Silicon и требует vMLX версии 1.5.67 или новее. Веса упакованы в формат JANG: применены смешанная аффинная квантизация, AWQ и сокращение числа маршрутизируемых экспертов методом REAP. В README заявлены результат HumanEval pass@1 100% на случайно перемешанной половине набора (82 задания) и улучшение на небольшом тесте арифметики и рассуждений. Это результаты авторской проверки, а не гарантия качества на других задачах. Базовая MiniMax-M3 описана как модель с контекстом до 1 млн токенов, но README не подтверждает, что такой контекст доступен этой сборке. Для загрузки необходимы JANG loader и M3 runtime из vMLX; модель несовместима с обычными загрузчиками Transformers, vLLM и MLX. Лицензия указана как other, поэтому условия использования следует уточнить по карточке модели и сопутствующим лицензиям базовой модели и компонентов.

Nondzu/Mistral-7B-code-16k-qlora — экспериментальная модель для генерации кода и помощи в роли copilot, созданная автором репозитория на основе семейства Mistral. В карточке указано обучение на наборе nickrosh/Evol-Instruct-Code-80k-v1 с шаблоном запросов Alpaca; модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров. Модель принимает текстовые инструкции и генерирует текстовые ответы, включая код. В README автор приглашает пользователей тестировать модель и приводит сравнение с исходной Mistral, поэтому качество и пригодность для конкретных задач следует оценивать на собственных примерах. Метаданные указывают контекст до 32 768 токенов; лицензия — Apache-2.0.

motherlode-code-small-en-v0.1 — англоязычная модель эмбеддингов, разработанная RiverRider для поиска и сопоставления кода и текста. Она предназначена, в частности, для ранжирования файлов репозитория, связанных с описанием задачи, поиска кода по запросу и семантического поиска. По README, модель получена усреднением весов двух дообученных вариантов BAAI/bge-small-en-v1.5: один обучали находить файлы для изменения по GitHub issue, другой — воспроизводить геометрию эмбеддингов gte-modernbert-base. В метаданных указано 40 млн параметров; README указывает 33,4 млн. Архитектура — плотная BERT, выход CLS размерности 384; контекст — до 512 токенов. Поддерживаются sentence-transformers, ONNX и GGUF F16. Для применения в поисковом индексе README приводит пример нормализации эмбеддингов и сравнения косинусной близости. README сообщает о лучших результатах ранжирования файлов на SWE-bench Verified по сравнению с BGE-small в описанных авторами настройках, а также приводит результаты поиска кода на CoIR; часть оценок помечена как probe из-за возможного пересечения обучающих данных. Лицензия в метаданных обозначена как other, поэтому условия использования следует сверить с карточкой репозитория. Модель рассчитана на английский язык; входные длинные тексты обрезаются до лимита токенов. Для сопоставления величин косинусных оценок README рекомендует центрирование эмбеддингов, но отмечает, что в приведённых экспериментах оно не улучшило ранжирование.

SirSahOl подготовил 16-битную конверсию диалоговой модели TokenRhythm/NeoHorse-1-9B для локального запуска на Apple Silicon через MLX. Это плотная авторегрессионная модель семейства Qwen3.5 с 7,2 млрд параметров по метаданным и контекстом до 262 144 токенов; README указывает 9 млрд параметров. Репозиторий содержит веса safetensors в формате MLX и распространяется по лицензии Apache-2.0. Модель предназначена для многоходового чата, генерации текста и кода, следования инструкциям, рассуждений и работы с инструментами в агентных сценариях. Конверсия сохраняет bf16-точность исходных весов и рассчитана на GPU Apple Silicon; README оценивает занимаемую память примерно в 20 ГБ и рекомендует не менее 32 ГБ объединённой памяти. Для длинных контекстов требуется достаточный запас объединённой памяти, а фактическая скорость зависит от устройства и длины контекста. В карточке нет подтверждённых сведений о поддерживаемых естественных языках; характеристики задач и качества унаследованы от базовой модели.

OpenBuddy-deepseekcoder-33b-v16.1-32k — OpenBuddy әзірлеген көптілді чат-модель. Ол LlamaForCausalLM архитектурасына негізделген, dense құрылымды және 33,1 млрд параметрі бар autoregressive модель; Hugging Face карточкасында text-generation міндеті көрсетілген. Карточкадағы атау 32k контекстті меңзегенімен, метадеректерде native контекст ұзындығы 16 384 токен деп берілген. Модель мәтіндік диалог пен кодқа қатысты сұрауларға жауап беруге арналған. Карточкада қытай, ағылшын, француз, неміс, жапон, корей, итальян, орыс және фин тілдері көрсетілген; көптілді чат-сценарийлерде қолдануға болады. Модельдің күшті жақтары — үлкен параметр саны мен бірнеше тілді қолдауы, бірақ README нақты бағалау нәтижелерін сипаттамайды. Лицензия метадеректерде «other», ал README-де «deepseek» деп көрсетілген; пайдалану шарттарын бастапқы лицензиядан тексеру қажет. README модельдің қате, зиянды немесе жағымсыз жауаптар беруі мүмкін екенін ескертеді және медициналық, қаржылық, құқықтық не өзге де жоғары тәуекелді шешімдер үшін пайдаланбауды ұсынады.

opencsg-starcoder2-3b-v0.1 — модель генерации кода от исследовательской команды OpenCSG, полученная полнопараметрической донастройкой StarCoder2. Она предназначена для генерации и дополнения программного кода; исходное семейство обучалось на данных более чем по 80 языкам программирования из The Stack. Модель имеет плотную архитектуру StarCoder2ForCausalLM, содержит 4,2 млрд параметров и поддерживает контекст до 16 384 токенов. В карточке приведён результат 42,68% pass@1 на HumanEval для Python при жадном декодировании; авторы отмечают, что результат зависит от метода декодирования и параметров. Данные бенчмарка ограничены задачами HumanEval и не устанавливают качество для всех языков и сценариев разработки. Указана лицензия BigCode OpenRAIL-M.

OPSD-PI Qwen3.5-9B Strong Trailing — update 4 — это непосредственно загружаемый объединённый чекпойнт семейства Qwen3.5, опубликованный LSW142857. Репозиторий содержит плотную модель класса Qwen3_5ForConditionalGeneration в формате safetensors; в метаданных указана библиотека Transformers и задача text-generation. Модель прошла четыре обновления оптимизатора на запуске Strong PI trailing_user с 1024 строками на восьми RTX A6000. Чекпойнт объединяет экспертную SFT-инициализацию, обновления LoRA основной модели и MTP, а также обученные тензоры full-MTP; дополнительный адаптер или шаг слияния для загрузки не требуется. Модель предназначена для генерации текста в диалоговом режиме и задач с кодом. В README описаны происхождение и структура весов, но не приведены результаты на отложенных наборах данных; автор рекомендует оценивать студента без PI на задачах, не входивших в обучающие 1024 строки. Лицензия в предоставленных сведениях не указана.

Myric/Ornith-1.5-35B-A3B-APEX-GGUF — это набор квантизированных GGUF-вариантов модели Ornith-1.5-35B-A3B, разработанной ornith-ai. Модель предназначена для генерации текста, агентного программирования и работы с изображениями через отдельный vision projector; запуск ориентирован на llama.cpp. Лицензия — MIT. Архитектура представляет собой MoE-модель с 35,5 млрд общих параметров и примерно 3 млрд активных параметров: используется 256 маршрутизируемых экспертов с выбором top-8, гибридная gated-delta-net с полным attention в каждом четвёртом слое, 40 основных слоёв и контекст до 262 144 токенов. Также сохранён однос layer MTP-блок для speculative decoding. Доступны варианты i-quality размером 21,67 ГБ, i-compact размером 16,58 ГБ и i-mini размером 12,55 ГБ; они используют разные уровни квантизации и рассчитаны соответственно на качество или экономию памяти. Сильные стороны модели — большой контекст, низкая нагрузка KV-кэша благодаря преобладанию рекуррентных слоёв, поддержка vision через проектор издателя и возможность ускорения генерации с помощью MTP. В заявленном тесте agentic coding вариант i-quality решил 9 из 9 задач и прошёл 154 из 154 проверок, а в пяти perception-задачах с изображениями дал 5 успешных ответов из 5. Эти результаты получены на DGX Spark с llama.cpp в одном прогоне и не являются универсальным сравнительным бенчмарком. Для запуска требуется совместимый llama.cpp, значительный объём памяти и отдельный файл vision projector; README не указывает языковой охват модели и не приводит систематических данных о качестве на разных языках.

Qwen2.5-7B-CySecButler-v0.1 — объединённая языковая модель, созданная с помощью mergekit на основе Qwen/Qwen2.5-7B и четырёх других моделей: Vapor_v2_7B, Qwen-2.5-7b-TitanFusion-v5-Exp, Qwen2.5-7B-HyperMix и WhiteRabbitNeo-2.5-Qwen-2.5-Coder-7B. Разработчик позиционирует её для задач программирования и кибербезопасности. Модель имеет архитектуру Qwen2 dense с 7,1 млрд параметров и контекстом до 131 072 токенов; работает с текстом и поддерживает диалоговый интерфейс. Карточка не приводит отдельного описания измеренных возможностей или качества для конкретных задач. Модель может использоваться для генерации кода, ответов на вопросы по кибербезопасности и диалогового взаимодействия по техническим темам. Метаданные перечисляют поддержку китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Доступна по лицензии Apache-2.0.

mlx-community/Qwen2.5-Coder-1.5B-8bit — 8-битная версия модели для генерации текста и кода, подготовленная сообществом mlx-community. README сообщает, что веса преобразованы в формат MLX из Qwen/Qwen2.5-Coder-1.5B с помощью mlx-lm версии 0.18.1; метаданные указывают архитектуру Qwen2, плотную авторегрессионную модель Qwen2ForCausalLM размером 1,5 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации и продолжения кода, а также диалоговой генерации текста. Метаданные отмечают возможности работы с кодом, чатом и интерфейсом вызова инструментов; карточка указывает английский язык. Лицензия — Apache-2.0. README описывает преобразование в MLX, тогда как метаданные указывают файлы Safetensors; особенности запуска и качество могут зависеть от используемой реализации и задачи.

ApolloRaines/Qwen2.5-Coder-3B-Instruct-Jbliterated — дообученная инструктивная языковая модель на архитектуре Qwen2 с 3,1 млрд параметров, созданная на основе Qwen/Qwen2.5-Coder-3B-Instruct. Она предназначена для генерации текста и кода по запросам, а также для диалогового взаимодействия. Модель принимает текст и поддерживает контекст до 32 768 токенов; в карточке указаны английский и китайский языки. Автор сообщает, что изменены все слои трансформера, базовый формат весов — bfloat16, а выпуск является демонстрационной версией с намеренно ограниченной силой возможностей. Карточка также описывает запуск на маломощной видеокарте с переносом слоёв между GPU, оперативной памятью и диском; это характеристика заявленного способа запуска, а не отдельная возможность самой модели. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.5-28B — производная модель 0xSero на архитектуре Qwen3.5 MoE, созданная из Qwen/Qwen3.5-35B-A3B методом REAP (Router-weighted Expert Activation Pruning). Из 256 экспертов сохранены 205, то есть удалено около 20%; модель содержит 28 млрд параметров и распространяется в формате BF16. Лицензия — Apache-2.0. Модель предназначена для диалоговой генерации текста, рассуждений и задач программирования. В карточке приведены результаты на HumanEval, MMLU и WikiText-2; по сравнению с исходной моделью после pruning показатели на этих тестах снизились. Основное заявленное преимущество — меньший объём памяти: около 53 ГБ вместо 71 ГБ у исходной BF16-модели. Измерения пропускной способности показывают, что ускорение зависит от размера пакета и может отсутствовать.

AEON-7 Qwen3.6-27B-AEON-Ultimate-Uncensored-BF16 — дообученная версия мультимодальной модели Qwen3.6-27B с архитектурой Qwen3_5ForConditionalGeneration и 27 млрд параметров. Разработчик применил abliteration: удалил направление отказа, чтобы модель реже отказывалась и продолжала рассуждение на темах, ограничиваемых обычным выравниванием. Карточка также сообщает о восстановлении исходной MTP-головы для спекулятивного декодирования в vLLM. Модель предназначена для диалогов, генерации текста, программирования, рассуждений, агентных сценариев и задач с изображениями. В метаданных указана мультиязычная поддержка, включая английский и китайский; контекст описан как длинный, но его точная длина не приведена. Весы доступны в BF16 в формате safetensors, лицензия — Apache-2.0. Отключение отказов может привести к выдаче вредоносного или небезопасного контента, а заявления о сохранении возможностей и сравнительных преимуществах основаны на данных карточки и не являются независимой оценкой. Автор указывает, что модель устарела и рекомендует более новую линейку Qwen3.8.

replit-code-v1-3b — языковая модель Replit, Inc. с архитектурой MPT и примерно 2,7 млрд параметров, предназначенная прежде всего для автодополнения кода. Она обучена на 525 млрд токенов из смеси данных, основанной на очищенной дедуплицированной версии The Stack; среди языков и форматов в обучающей смеси указаны Python, JavaScript, Java, TypeScript, SQL, C++, Rust, Go, HTML и Markdown. Модель использует токенизатор SentencePiece Unigram с кодо-ориентированным словарём на 32 768 токенов и позиционные встраивания ALiBi. Модель подходит как базовая для прикладной тонкой настройки и для дополнения фрагментов кода в редакторах и инструментах разработчика. В README отмечены возможные неподходящие или оскорбительные фрагменты в обучающих данных и рекомендация проверять результаты перед использованием в производственных системах. Лицензия — CC BY-SA 4.0.

SFR-Embedding-Code-2B_R — плотная модель эмбеддингов от Salesforce Research для многоязычного поиска по коду и тексту. Она предназначена для получения векторных представлений, которые можно использовать для поиска и сопоставления запросов с фрагментами кода или текстами. Модель содержит 2,7 млрд параметров, принимает последовательности длиной до 8192 токенов и распространяется в формате safetensors. В README сообщается о результатах на нескольких задачах поиска по коду и о среднем показателе CoIR 67,4 NDCG@10; модель показала более высокие результаты, чем приведённые в сравнительной таблице открытые модели для эмбеддингов кода. Карточка описывает семейство как многоязычное и многозадачное, но конкретные естественные языки не перечисляет. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; разработчики также рекомендуют оценивать точность, безопасность и справедливость перед применением, особенно в сценариях высокого риска.

SFR-Embedding-Code-400M_R — модель встраиваний Salesforce Research для поиска по коду и тексту. Версия содержит около 433,9 млн параметров, поддерживает контекст до 8192 токенов и распространяется в форматах Safetensors и ONNX. Модель предназначена для многоязычного и многозадачного поиска: она преобразует текстовые запросы и код в эмбеддинги, которые можно использовать для поиска релевантных фрагментов кода и других задач извлечения информации. В README семейство SFR-Embedding-Code описано как превосходящее ряд открытых моделей на задачах поиска по коду; приведённый результат CoIR относится к модели на 2 млрд параметров, поэтому его нельзя напрямую считать оценкой этой версии на 400 млн параметров. Модель разработана Salesforce Research. README указывает, что выпуск предназначен для исследований и требует самостоятельной оценки точности, безопасности и справедливости перед применением. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

speechless-coding-7b-16k-tora — языковая модель для генерации кода, представленная автором карточки как дообучение llm_agents/tora-code-7b-v1.0. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом до 16 384 токенов; для работы используется библиотека Transformers и формат PyTorch. Модель обучалась на инструкционных примерах для программирования, рассуждений и планирования из наборов Airoboros, OpenOrca, Open-Platypus, WizardLM и Python Eval. Она принимает запросы в формате Alpaca и предназначена для генерации кода и ответов на инструкции по программированию. В README приведены результаты HumanEval и MultiPL-E, включая задачи на Python, Java и JavaScript. Модель распространяется по лицензии Llama 2. Результаты бенчмарков не гарантируют качество на произвольных задачах; ответы с кодом следует проверять и тестировать.