II.3Рефакторинг, миграция и модернизация

Prox 7B DPO — языковая модель OpenVoid AI на архитектуре Mistral, дообученная на базе Mistral-7b-v0.2. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов; в репозитории доступны веса Safetensors. Карточка указывает английский язык и лицензию Apache-2.0. Модель предназначена для генерации и объяснения кода, документирования, вопросов о кибербезопасности и методах взлома, а также помощи в проектах по программированию. Она дообучалась на материалах по кодированию и кибербезопасности, включая наборы данных для DPO; README также упоминает собственный набор OpenVoid AI. Ответы модели могут содержать ошибки и требуют проверки специалистом. Разработчик предостерегает от использования её для критически важных задач безопасности и незаконной деятельности. Лицензия репозитория — Apache-2.0.

Qwen2.5.1-Coder-1.5B-Instruct-GGUF — это GGUF-квантизованная версия инструкционной модели Qwen2.5-Coder-1.5B-Instruct, подготовленная bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации и обработки программного кода, диалогового взаимодействия и выполнения инструкций, связанных с задачами разработки. В README явно указан английский язык; поддержка других языков не заявлена. Модель относится к текстовым моделям и не предназначена для работы с изображениями или другими мультимодальными данными. Размер исходной модели — 1,5 млрд параметров. Доступны варианты квантования от F16 до IQ3_M с размером файлов примерно от 0,78 до 3,09 ГБ, что позволяет запускать модель на устройствах с ограниченными ресурсами. Более сильные стороны высокоточных вариантов — сохранение качества при локальном запуске и совместимость с llama.cpp и LM Studio; варианты с меньшим числом бит требуют меньше оперативной памяти, но могут заметнее терять в качестве. Контекст модели в README не указан, поэтому его характеристики нельзя подтвердить. Модель распространяется по лицензии Apache 2.0.

ypszn/Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-dormant_omnivorous_walrus — компактная текстовая генеративная модель из семейства Qwen2.5-Coder, опубликованная на Hugging Face пользователем ypszn. По метаданным, она содержит около 494 млн параметров, работает через библиотеку Transformers и поддерживает контекст длиной до 32 768 токенов. Модель предназначена для инструкционного текстового вывода, включая сценарии, связанные с генерацией и обработкой программного кода.

Agnuxo/Qwen2-7B-Instruct_CODE_Python_Spanish_English_Asistant-16bit — локальная чат-модель для генерации кода, представленная Francisco Angulo de Lafuente в рамках экосистемы P2PCLAW. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. В README заявлена помощь с Python, JavaScript, TypeScript, Rust, Go и C++, а также с научными вычислениями и библиотеками NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Модель предназначена для диалоговой генерации кода и помощи при разработке, в том числе локально через Ollama или Transformers. Карточка заявляет поддержку английского и испанского языков. Лицензия — Apache-2.0. README также содержит указание перенаправлять запросы на написание научных статей в P2PCLAW; качество кода, языковое покрытие за пределами заявленных языков и результаты независимой оценки в предоставленных данных не подтверждены.

Qwen3.8-27B-Abliterated-IQ4-MIX-MTP-GGUF — это GGUF-квантизация модели Qwen3.8-27B-Abliterated, разработанной windowsxp811203 на основе Qwen/Qwen3.8-27B. Модель предназначена для локальной генерации текста и высокопроизводительного инференса, включая агентские сценарии программирования, на GPU с 16 ГБ видеопамяти. Вариант поддерживает работу через llama.cpp и рассчитан на спекулятивное декодирование с использованием встроенной головы MTP (Multi-Token Prediction), поэтому отдельная draft-модель не требуется. Размер файла составляет около 13,26 GiB, эффективная точность — 4,17 BPW. Используется смешанная квантизация: основные группы тензоров представлены форматами IQ4_XS, IQ3_S и Q4_K, эмбеддинги — IQ2_S, выходной слой — Q5_K, а MTP-блоки сохранены в более высокой точности Q6_K и Q8_0 для поддержания качества черновой генерации и приемки токенов. Заявлена поддержка английского и китайского языков. В README не указаны архитектурные детали исходной модели и максимальный контекст, однако протестированы конфигурации с выделением контекста до 64K токенов. Сильные стороны модели — относительно небольшой размер для класса 27B, возможность полного размещения слоёв на GPU с 16 ГБ памяти и ускорение генерации за счёт MTP. На AMD Radeon RX 9070 XT в среде Windows с Vulkan и llama.cpp зафиксирована скорость около 49–50 токенов в секунду на коротком активном контексте, но при росте истории до 25–30 тысяч токенов скорость снижалась примерно до середины диапазона 20 токенов в секунду. Показатели зависят от оборудования, размера контекста и рабочей нагрузки. Модель распространяется по лицензии Apache-2.0.

Seed-Coder-8B-Reasoning — причинная языковая модель для кода от ByteDance-Seed, созданная на основе Seed-Coder-8B-Base. Модель прошла предварительное обучение и последующее обучение с применением reinforcement learning для усиления рассуждений. Это плотная архитектура семейства Llama с 7,6 млрд параметров; заявленная длина контекста — 65 536 токенов. Модель распространяется в формате safetensors и загружается через Transformers. Модель предназначена для генерации кода и решения сложных задач программирования, включая задачи соревновательного программирования, требующие пошагового анализа. В README заявлены результаты на IOI 2024 и Codeforces, однако подробные методика и показатели приведены во внешнем техническом отчёте. Модель ориентирована на код; README указывает на общедоступные обучающие данные и описывает подход к их отбору. Лицензия — MIT.

Sheikh-F1 — плотная трансформерная языковая модель на 355 млн параметров, разработанная Likhon Sheikh для сообщества разработчиков Бангладеш. Она предназначена для генерации кода и помощи в программировании на английском, бенгальском письме и бенглийском (бенгальском языке, записанном латиницей). В карточке заявлены возможности анализа и отладки кода, планирования и работы с инструментами; метаданные также указывают поддержку диалогового режима. Модель обучена на корпусах кода, программирования и вопросов и ответов, включая CodeParrot, The Stack и CodeSearchNet. Контекст составляет 1024 токена. Репозиторий содержит веса в формате safetensors, лицензия MIT разрешает коммерческое использование, изменение и распространение. В README приведены высокие результаты на задачах генерации и анализа кода, однако методики и подробные результаты в предоставленных данных отсутствуют.

abacaj/starcoderbase-1b-sft — дообученная модель семейства GPTBigCode для генерации текста и кода. В карточке указано, что при обучении использован набор данных theblackcat102/evol-codealpaca-v1; модель работает в формате PyTorch и поддерживает контекст до 8192 токенов. Её можно применять для генерации фрагментов кода и текстовых ответов на инструкции, связанных с кодом. Карточка не содержит сведений о размере модели, результатах оценки качества или условиях лицензии, поэтому эти характеристики нельзя подтвердить. README также не описывает ограничения и конкретные языки программирования, на которых модель работает лучше всего.

SWE-Fixer-Retriever-7B — дообученная командой InternLM модель Qwen2.5-7B для поиска файлов исходного кода, относящихся к задаче на исправление GitHub issue. Она входит в конвейер SWE-Fixer retrieve-then-edit: сначала определяет релевантные файлы в репозитории, затем отдельный компонент редактирует код. Модель имеет архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. Веса опубликованы в формате safetensors; базовая модель распространяется по лицензии MIT.

BenevolenceMessiah/Yi-Coder-9B-Chat-Instruct-TIES-MoE-v1.0 — экспериментальная MoE-модель генерации текста, созданная сообществом BenevolenceMessiah с помощью mergekit. В README описано объединение моделей Yi-Coder-9B, Yi-Coder-9B-Chat и производных от них; карточка и метаданные указывают архитектуру MixtralForCausalLM, 8,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена прежде всего для генерации кода на разных языках программирования и диалоговой помощи при разработке: например, для создания фрагментов кода и решений по подробным техническим запросам. Метаданные указывают задачу text-generation, библиотеку Transformers и формат Safetensors. Естественные языки, специально поддерживаемые моделью, не перечислены. Автор README характеризует проект как экспериментальный и предполагаемые преимущества объединения — сочетание навыков генерации кода и диалога — как гипотетические. Поэтому качество, безопасность и готовность сгенерированного кода к эксплуатации следует проверять. Лицензия — Apache-2.0.

claude-yolo-vibes-v4 — промежуточный чекпойнт supervised fine-tuning модели Qwen2.5-Coder-7B-Instruct, разработанный davidnichols-ops. Модель предназначена для генерации кода в диалоговом формате и добавляет к базовой модели индивидуальный стиль общения. Это этап до DPO-выравнивания; автор указывает, что итоговая DPO-версия предназначена для использования в производстве. Модель имеет плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и выдаёт текст. Контекстное окно — 32 768 токенов; в метаданных указан английский язык. Автор сообщает результат 88,4% pass@1 на HumanEval как для базовой модели, так и для этого SFT-чекпойнта, однако это значение приведено в README и не сопровождается описанием методики оценки. Модель распространяется в формате safetensors по лицензии Apache-2.0.

CoDA-v0-Instruct — инструкциялық диалог пен код генерациясына арналған Salesforce AI Research әзірлеген 1,7 млрд параметрлі CoDA тобының диффузиялық тілдік моделі. Ол код жазу және толықтыру кезінде сол және оң жақтағы контексті бірдей ескеретін екібағытты дискретті диффузияны қолданады. Модель код генерациясы мен аяқтауына оңтайландырылған, сондай-ақ чат және құралдарды шақыру интерфейсін қолдайды. Карточкада HumanEval, MBPP және EvalPlus сияқты код тапсырмаларындағы нәтижелері келтірілген; сенімділікке негізделген іріктеу сапа мен жылдамдықты теңестіруге арналған. Модель өлшемі 1,7 млрд параметр, контекст ұзындығы 40 960 токен, Transformers кітапханасындағы safetensors пішімінде жарияланған. Негізгі қолданылуы — код жазуға көмекші ретінде жұмыс істеу: функциялар құру, берілген кодты толықтыру және бағдарламалау сұрақтарына жауап беру. Карточкада ағылшын тілі көрсетілген. Лицензиясы CC BY-NC 4.0, сондықтан коммерциялық қолдануға арналмаған; нақты өнімге енгізер алдында лицензия шарттарын тексеру қажет.

CodeFuse-DeepSeek-33B — языковая модель для программирования, разработанная командой CodeFuse. Это модель семейства Llama с плотной архитектурой и 33,1 млрд параметров, дообученная с помощью QLoRA на базе DeepSeek-Coder-33B для нескольких задач, связанных с кодом. Она принимает текстовые запросы и генерирует текст, включая программный код; поддерживает диалоговый формат и контекст до 16 384 токенов. Модель предназначена для генерации кода и помощи в задачах программирования. В карточке сообщается результат 78,65% pass@1 на HumanEval при жадном декодировании. Указаны языковые метки английского и китайского; отдельный список поддерживаемых языков программирования и подробная оценка ограничений в README отсутствуют. Модель опубликована в форматах PyTorch и Safetensors, используется через Transformers. Лицензия указана как other, поэтому конкретные условия следует уточнить в карточке репозитория.

Карточка модели unsloth/codegemma-7b на Hugging Face совпадает с карточкой unsloth/codegemma-7b-it, поэтому описание составлено по ней. unsloth/codegemma-7b-it — разговорная версия CodeGemma от Google, представленная Unsloth в виде модели для генерации текста. Репозиторий содержит плотную авторегрессионную модель Gemma с 8,2 млрд параметров, рассчитанную на диалог и дополнение текста; максимальный контекст составляет 8192 токена. В метаданных указана поддержка английского языка и формат safetensors. Модель подходит для диалоговых приложений и генерации продолжений текста, в частности в сценариях, связанных с кодом, для которых предназначено семейство CodeGemma. Карточка Unsloth описывает ноутбуки для дообучения Gemma и форматы шаблонов ChatML и Vicuna, но не приводит результатов оценки качества именно этого чекпойнта. Модель распространяется по лицензии Apache-2.0.

unsloth/codegemma-7b-it — разговорная версия CodeGemma от Google, представленная Unsloth в виде модели для генерации текста. Репозиторий содержит плотную авторегрессионную модель Gemma с 8,2 млрд параметров, рассчитанную на диалог и дополнение текста; максимальный контекст составляет 8192 токена. В метаданных указана поддержка английского языка и формат safetensors. Модель подходит для диалоговых приложений и генерации продолжений текста, в частности в сценариях, связанных с кодом, для которых предназначено семейство CodeGemma. Карточка Unsloth описывает ноутбуки для дообучения Gemma и форматы шаблонов ChatML и Vicuna, но не приводит результатов оценки качества именно этого чекпойнта. Модель распространяется по лицензии Apache-2.0.

CodeGen2 — авторегрессионная языковая модель Salesforce для синтеза программного кода. Эта версия содержит 3,7 млрд параметров, построена на плотной архитектуре CodeGenForCausalLM и работает с контекстом до 2048 токенов. Модель принимает текстовые подсказки на естественном языке и фрагменты кода, продолжает код и умеет заполнять пропуски внутри него. Модель обучена на очищенном наборе Stack v1.1 и рассчитана на генерацию исполняемого кода по подсказкам на английском языке, а также на дополнение существующих фрагментов. В карточке перечислены C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Веса доступны в формате PyTorch; лицензия — Apache 2.0. Результаты генерации следует проверять: модель может выдавать ошибочный или небезопасный код, а авторы рекомендуют оценивать точность и риски перед внедрением. Карточка указывает исследовательское назначение выпуска; это само по себе не означает, что чекпойнт является промежуточным исследовательским экспериментом.

michaelfeil/codegen2-7B-gptj — конвертированная версия CodeGen2-7B, подготовленная для использования с FauxPilot. Веса CodeGen2 представлены как GPT-J; метаданные указывают архитектуру GPT-J с causal language modeling. Конверсия выполнена 22 мая 2023 года из Salesforce/codegen2-7B. Модель содержит 7 млрд параметров, работает с контекстом до 2048 токенов и распространяется в форматах PyTorch и Safetensors. Модель предназначена прежде всего для генерации программ по текстовым инструкциям и комментариям, продолжения кода и заполнения пропусков внутри кода. В обучающих данных представлены C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Лучше всего она подходит для синтеза кода по англоязычным запросам; лицензия Apache-2.0.

CodeT5+ 770M — разработанная Salesforce модель для понимания и генерации кода. Она использует архитектуру encoder-decoder семейства T5 и предназначена для задач преобразования текста и кода, включая генерацию кода по описанию, дополнение кода, поиск соответствий между текстом и кодом и генерацию с использованием найденных фрагментов. Модель загружается через T5ForConditionalGeneration; предобучение включало span denoising, causal language modeling, contrastive learning и сопоставление текста с кодом. Чекпойнт обучен на очищенной выборке GitHub-кода с разрешительными лицензиями и поддерживает C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. Метаданные указывают 385,2 млн параметров и контекст длиной 512 токенов. Лицензия репозитория — BSD-3-Clause. Модель оценивалась на задачах понимания и генерации кода, однако приведённые в карточке отдельные результаты для HumanEval относятся к InstructCodeT5+ 16B, а не к этому чекпойнту. Авторы позиционируют выпуск для исследований и рекомендуют проверять точность и безопасность перед применением; ошибки возможны, особенно в сценариях с высокими последствиями.

DeepSeek-V4-Flash-Vision-Exp — экспериментальная мультимодальная модель семейства DeepSeek-V4, созданная разработчиками DeepSeek на основе DeepSeek-V4-Flash с добавлением визуальных модулей и дополнительным обучением. Она предназначена для понимания изображений и работы с мультимодальными агентными задачами, сохраняя сопоставимые возможности базовой версии в текстовых агентных сценариях. В карточке приведены результаты на отдельных текстовых агентных тестах, включая Terminal Bench 2.1 и NL2Repo. Модель имеет плотную архитектуру DeepseekV4ForCausalLM, содержит 10,7 млрд параметров и принимает изображения вместе с текстом, выдавая текст. Заявленная длина контекста — 1 048 576 токенов. Репозиторий включает веса safetensors в формате FP8, токенизатор и минимальную реализацию инференса; в README также описано использование с vLLM и SGLang. Лицензия — MIT.

Это дообученная и затем модифицированная абляцией отказов версия Gemma-4 12B Coder, опубликованная tpls. Модель предназначена для генерации кода и агентных сценариев с вызовом инструментов. Веса доступны в формате safetensors; README также указывает на отдельные готовые GGUF-квантизации. Архитектура — плотная Gemma4 Unified. Размер 12 млрд параметров указан в названии модели. Модель обучена методом SFT с QLoRA для работы с нативной разметкой вызова инструментов Gemma-4, после чего из весов удаляли направление отказа. Для обработки вызовов инструментов в llama.cpp требуется серверный shim: без него парсер может не распознать нативную разметку. Автор сообщает о прохождении 8 тестовых сценариев с shim, но это ограниченная выборка, а не общая оценка качества. Поддерживаемый язык карточки — английский. Лицензия — Gemma. Ответы и аргументы инструментов могут быть ошибочными или вымышленными, поэтому их следует проверять до выполнения. Из-за существенно ослабленных защитных механизмов модель не подходит для систем, где требуется поведение отказа.

JANGQ-AI выпустила JANGH2 — квантизированный вариант GLM-5.3-Flash для запуска на компьютерах Mac с 128 ГБ памяти. В основе — модель класса 300 млрд параметров с архитектурой MoE: 288 маршрутизируемых экспертов, из которых активируются восемь вместе с общим экспертом. Также используются линейное внимание KDA, разреженное внимание и отдельные компоненты для обработки изображений и видео. Эксперты квантизированы до 2–3 бит с калибровкой GPTQ и матрицей важности; остальные веса преимущественно хранятся в 8-битном формате, а визуальная башня — в bf16. Модель доступна в формате MLX safetensors и требует vMLX версии 1.6.68 или новее. Модель предназначена для диалогов, рассуждений, задач с кодом, вызова инструментов и анализа изображений и видео. README приводит сравнительные измерения согласованности с исходной моделью и сообщает, что вторая ревизия лучше завершает длинные цепочки рассуждений, чем первая. Эти результаты получены на тестовых наборах и не гарантируют такое же качество на произвольных запросах. Распознавание содержимого видео описано как несовершенное: модель может принять текст наложения или перехода за часть самого клипа. Лицензия — MIT.

aysinghal/ide-code-retrieval-qwen3-0.6b-inbatch — модель Sentence Transformers, дообученная на базе Qwen/Qwen3-Embedding-0.6B для поиска исходного кода в IDE. Она кодирует запросы на естественном языке, например сообщения коммитов, описания ошибок и функций, и документы с кодом в общее пространство эмбеддингов; релевантность оценивается косинусным сходством. Размер модели — 507,6 млн параметров, размерность нормализованных эмбеддингов — 1024. Метаданные указывают контекст до 32 768 токенов, тогда как в README заявлена максимальная длина последовательности 1024 токена. Модель обучена на датасете code-retrieval-training-dataset с явными трудными отрицательными примерами и дополнительными внутрипакетными отрицательными примерами. Она предназначена для индексации файлов или функций и поиска ближайших по смыслу фрагментов к запросу на естественном языке. Это промежуточный чекпойнт на шаге 9000 из 9150; качество может отличаться от более позднего чекпойнта. В README отмечено, что длинные файлы обрезаются и обобщение на разные языки программирования и стили запросов может быть ограничено. Лицензия — Apache-2.0.

winglian/llama-3-8b-256k-PoSE — производная модель семейства Llama 3, опубликованная пользователем winglian на основе Meta Llama 3. Это плотная авторегрессионная трансформерная языковая модель примерно с 7,5 млрд параметров; репозиторий содержит веса Safetensors. В названии заявлено расширение контекста методом PoSE, а метаданные указывают нативную длину контекста 524 288 токенов. Модель принимает текст и генерирует текст, включая код. Она подходит для продолжения текста, генерации кода и других сценариев генерации на английском языке; базовая карточка Llama 3 также описывает диалоговые сценарии для инструктивно настроенных вариантов. Для этой конкретной модели README повторяет общую карточку Llama 3 и не подтверждает отдельные результаты или качество настройки PoSE. Использование регулируется пользовательской коммерческой лицензией Llama 3 и связанными правилами допустимого использования; базовая карточка ориентирует применение на английский язык.

Nondzu/Mistral-7B-codealpaca-lora — адаптер LoRA для Mistral-7B, разработанный для помощи в программировании. Модель генерирует код и ответы на инструкции по шаблону Alpaca; карточка связывает обучение с набором theblackcat102/evol-codealpaca-v1 и приводит результаты оценки HumanEval+. Архитектура — плотная MistralForCausalLM на 7,1 млрд параметров с контекстом до 32 768 токенов; метаданные указывают форматы PyTorch и safetensors и лицензию Apache-2.0. Модель подходит для генерации и дополнения кода, ответов на вопросы разработчиков и решения задач программирования в диалоговом интерфейсе. Опубликованные результаты оценки свидетельствуют о проверке на задачах HumanEval+, но карточка не описывает подробные условия тестирования или гарантии качества. Для запуска адаптера может потребоваться совместимая базовая модель.

Kukedlc разработал экспериментальную языковую модель NeuralExperiment-7b-MagicCoder-v7.5 на архитектуре Mistral с 7,1 млрд параметров. Это дообученная версия Kukedlc/NeuralExperiment-7b-dare-ties: автор обучал модель, начиная с последнего слоя, на данных по математике, программированию и логическим задачам. В метаданных указан контекст до 32 768 токенов. Модель предназначена для генерации текста, в частности для ответов на математические задачи, решения логических головоломок и генерации или понимания кода. Автор сообщает о предварительных обнадёживающих результатах на математических задачах с неочевидными условиями, но отмечает, что оценка влияния обучения ещё продолжается. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

OpenCodeReasoning-Nemotron-32B — языковая модель NVIDIA для генерации и пошагового решения задач программирования. Это дообученная для рассуждений в задачах генерации кода версия Qwen2.5-32B-Instruct; модель построена на плотном декодерном Transformer с архитектурой Qwen2 и содержит 32 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана на сценарии с программированием, включая задачи соревновательного уровня. Для обучения использован набор OpenCodeReasoning из 736 тысяч примеров с задачами по программированию и ответами, сгенерированными DeepSeek-R1. В метаданных заявлены диалоговый режим, работа с кодом и интерфейс вызова инструментов. Модель предназначена для разработчиков и исследователей, создающих приложения на основе LLM. В README указана готовность к коммерческому и некоммерческому использованию; лицензия — Apache-2.0. Она оптимизирована для NVIDIA GPU, а README рекомендует запуск на Linux с NeMo или vLLM. Оценки из README приведены по 64 запускам на бенчмарк, поэтому фактическое качество может различаться в зависимости от задачи и условий запуска.

OpenThinker-Agent-v1-SFT — модель baerquants, созданная в рамках открытого проекта OpenThoughts-Agent для выполнения агентных задач. Это этап supervised fine-tuning модели Qwen/Qwen3-8B: обучение проводилось на трассах OpenThoughts-Agent-v1-SFT, а последующее RL-дообучение есть в отдельной версии OpenThinker-Agent-v1. Модель с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Модель ориентирована на агентные сценарии разработки и работы в терминале: формирование shell-команд, выполнение задач Terminal-Bench и исправление программных ошибок, включая задачи по C# и Java из набора InferredBugs. В карточке проекта сообщаются результаты бенчмарков для версии после SFT и RL, а не этой SFT-версии отдельно. Репозиторий использует формат Safetensors, библиотеку Transformers и лицензию Apache-2.0.

Это квантизированная GGUF-версия языковой модели Ornith-1.5-9B, подготовленная wepiqx методом ASHQ1 с учётом Multi-Token Prediction (MTP). В основе — дообученная Ornith-1.5-9B на архитектуре Qwen3.5-9B: 32 слоя, GQA, SSM и контекст до 262 тыс. токенов. Голова MTP сохранена в Q8_0, а основные слои распределены по уровням квантования для заданного размера; для варианта ASHQ1-6500 README указывает размер около 6,4 ГБ и потребность примерно в 7,5 ГБ VRAM при контексте 8192. Модель предназначена для генерации текста в чат-сценариях, включая программирование и агентные задачи. Репозиторий описывает также компактный вариант ASHQ1-4500, но отмечает для него ухудшение метрик относительно 6500. В приведённом сравнении качество по KLD уступает Remix Quality-36pc; результаты основаны на ограниченной проверке с контекстом 512×64, поэтому они не гарантируют качество на других задачах. Метаданные указывают лицензию Apache-2.0, тогда как README заявляет MIT; лицензионные сведения расходятся, их следует сверить с файлами репозитория перед использованием.

AnkitAI/Parable-Qwen3-4B-Claude-Fable-5-GGUF — компактная локальная языковая модель для генерации текста, программирования и агентских сценариев. Она дообучена на базе Qwen/Qwen3-4B автором Ankit Aglawe с использованием QLoRA и данных о реальных многошаговых сессиях Claude Fable 5, а также транскриптов gpt5.5-terminal. Модель распространяется в формате GGUF и предназначена для запуска через llama.cpp, Ollama и LM Studio. Модель имеет около 4 млрд параметров и ориентирована на планирование, выбор инструментов, терминальные рабочие процессы и решение задач программирования. Рекомендуемая квантизация Q4_K_M занимает около 2,5 ГБ, доступны также варианты Q5_K_M, Q6_K, Q8_0 и F16. По приведённым оценкам, версия v3.1 сопоставима или превосходит базовую Qwen3-4B на тестах HumanEval, MBPP и их расширенных вариантах, а также чаще выдаёт содержательные ответы без чрезмерного скрытого рассуждения. Сильные стороны модели — небольшой размер, возможность офлайн-запуска, выраженная специализация на агентском поведении и структурированных задачах разработки. Ограничения включают меньшую точность в некоторых сценариях вызова функций по сравнению с базовой Qwen3-4B и отсутствие в README сведений о поддерживаемых языках, размере контекста и мультимодальности; заявлена только текстовая генерация. Базовая модель распространяется по лицензии Apache-2.0, однако при использовании производной модели необходимо учитывать условия лицензий обучающих наборов: AGPL-3.0 для Fable-5-traces и MIT для gpt5.5-terminal, а также возможные ограничения поставщиков исходных трасс.

Shaurya-saini дообучил модель unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit на архитектуре Qwen2.5 Coder. Это плотная авторегрессионная модель с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; базовая модель ориентирована на задачи программирования. Модель принимает текст и формирует текстовые ответы, поддерживает контекст до 32 768 токенов и английский язык. Модель подходит для диалоговых сценариев с запросами по коду и генерацией текста. В карточке не описаны обучающие данные и конкретная специализация дообучения, поэтому качество для отдельных задач и отличие от базовой модели оценить нельзя. Распространяется по лицензии Apache-2.0.