II.3Рефакторинг, миграция и модернизация

Code Llama 70B Instruct — генеративная языковая модель Meta для написания и понимания кода, настроенная следовать инструкциям и вести диалог. Репозиторий содержит вариант на 70 млрд параметров в форматах PyTorch и Safetensors; архитектура — авторегрессионный трансформер. Модель принимает и генерирует текст, включая запросы на естественном языке и код. Модель предназначена для генерации кода, его дополнения и ответов на вопросы по программированию. Она рассчитана на английский язык и распространённые языки программирования; карточка отмечает поддержку диалогового режима и работы с инструкциями. Настройка проводилась с контекстом до 16 тысяч токенов; этот вариант не поддерживает контекст до 100 тысяч токенов. Модель разработана Meta и выпущена по пользовательской лицензии Meta Llama 2; условия использования определяются этой лицензией. Качество ответов и корректность сгенерированного кода могут различаться, поэтому результаты следует проверять.

CodeLoxa-4B — компактная языковая модель для генерации кода, представленная frameai. Это плотная авторегрессионная модель семейства Llama на 4 млрд параметров, доступная в формате safetensors и рассчитанная на работу с контекстом до 131 072 токенов. Модель поддерживает диалоговый режим и интерфейс вызова инструментов. Она предназначена для помощи в разработке: генерации шаблонного кода, рефакторинга и оптимизации существующих фрагментов, а также обучения программированию. В карточке заявлена точность 96%, но методика и набор тестов не приведены, поэтому результат следует проверять и тестировать. Метаданные указывают английский язык. Модель распространяется по проприетарной лицензии согласно README; условия следует уточнить у разработчика.

Salesforce/codet5-small — небольшая предварительно обученная модель CodeT5, разработанная Salesforce Research и представленная в статье о моделях кодирования и генерации кода с учетом идентификаторов. Это плотный энкодер-декодер Transformer семейства T5 с 38,5 млн параметров и контекстом до 512 токенов; модель распространяется в формате PyTorch. Она обучена на CodeSearchNet и дополнительных корпусах C/CSharp, чтобы поддерживать задачи понимания и генерации кода. Модель предназначена прежде всего для дальнейшей настройки под конкретную задачу: суммаризации, генерации и перевода кода, его рефакторинга, обнаружения дефектов и поиска клонов. Также её можно применять для предсказания замаскированных фрагментов. CodeT5 использует специализированный для кода BPE-токенизатор и связывает программный код с естественно-языковыми комментариями. Это предварительно обученная базовая модель, а не готовое решение для конкретной прикладной задачи, поэтому качество в целевом сценарии зависит от дообучения и проверки. Карточка отмечает, что модель не оценивалась для всех вариантов применения и рекомендует проверять точность и безопасность перед внедрением. Лицензия — Apache 2.0.

Deepseek Coder 33B Instruct GPTQ — квантизированная версия языковой модели DeepSeek Coder 33B Instruct, разработанная DeepSeek и подготовленная TheBloke. Модель ориентирована на задачи программирования и компьютерных наук: генерацию, объяснение и обсуждение программного кода в формате инструкций. Согласно шаблону запросов, она предназначена прежде всего для ответов на вопросы, связанные с computer science, и может отказываться от политически чувствительных, связанных с безопасностью и конфиденциальностью, а также других вопросов вне этой области. Модель содержит 33 млрд параметров и использует архитектуру DeepSeek; README не уточняет поддерживаемые языки программирования, естественные языки, максимальный контекст и набор доступных модальностей. Репозиторий включает GPTQ-файлы с несколькими вариантами квантования, отличающимися разрядностью и параметрами group size, act order и другими настройками. Квантование позволяет адаптировать модель к различным аппаратным ограничениям, но может снижать точность по сравнению с исходной неквантизированной fp16-версией. Модель предназначена для локального GPU-инференса и совместима, в частности, с text-generation-webui, KoboldAI United, LoLLMS Web UI и Hugging Face Text Generation Inference. Указана лицензия DeepSeek с типом other и ссылкой на файл LICENSE; конкретные условия README не раскрывает, поэтому перед использованием необходимо ознакомиться с лицензией репозитория.

DeepSeek-Coder-V2-Instruct — диалоговая модель для программирования от DeepSeek AI, дообученная на базе DeepSeek-Coder-V2-Base. Это вариант семейства DeepSeek-Coder-V2 на архитектуре DeepSeekMoE; в карточке репозитория указано 18,1 млрд параметров, а README сообщает о версиях семейства с 16 млрд и 236 млрд параметров, из которых активно используются соответственно 2,4 млрд и 21 млрд. Контекст модели по метаданным составляет 163 840 токенов. Модель предназначена для генерации и дополнения кода, вставки фрагментов в существующий код, диалоговой помощи при разработке и решения задач на математические рассуждения. Семейство поддерживает 338 языков программирования и заявляет улучшенные способности к кодированию при сохранении возможностей в задачах на естественном языке. README приводит сравнительные результаты на бенчмарках, но не уточняет их методику для данного конкретного варианта. Для запуска в формате BF16 README указывает требование к оборудованию 8 GPU с 80 ГБ памяти каждый. Репозиторий содержит веса Safetensors. Лицензия в метаданных обозначена как «other», поэтому конкретные условия использования следует проверять в файлах лицензии репозитория.

DeepSeek-Coder-V2-Lite-Instruct — языковая модель для кода от DeepSeek, построенная на архитектуре Mixture-of-Experts семейства DeepSeek-V2. Модель содержит 16 млрд параметров, из которых при работе активны около 2,4 млрд; метаданные каталога указывают 2,5 млрд параметров. Это вариант Instruct для диалогового взаимодействия и выполнения инструкций, доступный в формате safetensors и поддерживаемый библиотекой Transformers. Модель предназначена для генерации и дополнения кода, вставки фрагментов в существующий код и ответов на запросы в формате чата. Семейство обучалось на дополнительных 6 трлн токенов и расширило поддержку до 338 языков программирования; README указывает контекст 128K токенов, а метаданные — 163 840 токенов. Также заявлено улучшение математических рассуждений при сохранении возможностей для общих языковых задач. Для локального инференса в BF16 README приводит требование 8 GPU по 80 ГБ, что делает такую конфигурацию требовательной к ресурсам. В метаданных лицензия обозначена как other; конкретные условия следует проверить в файлах лицензии репозитория.

Devstral-Small-2505 — языковая модель для агентной разработки программного обеспечения, созданная Mistral AI совместно с All Hands AI. Версия в этом репозитории дообучена на основе mistralai/Devstral-Small-2505; её архитектура — плотная MistralForCausalLM, размер — 23,4 млрд параметров. Модель принимает и генерирует текст, поддерживает вызов инструментов и контекст до 131 072 токенов. Модель предназначена для программных агентов, которые исследуют кодовые базы, редактируют несколько файлов и помогают решать задачи разработки. В README приведён результат 46,8% на SWE-bench Verified. Заявлена поддержка множества языков, включая русский, английский, французский, немецкий, испанский, китайский и японский; отдельный основной язык не выделен. Репозиторий распространяется под лицензией Apache 2.0, допускающей коммерческое и некоммерческое использование и модификацию. Модель текстовая, без обработки изображений. Для локального запуска и агентного сценария README рекомендует OpenHands и vLLM; фактическая производительность зависит от оборудования и конфигурации запуска.

Devstral-Small-2507-GGUF — квантованная версия Devstral Small 1.1 (2507), разработанная Mistral AI совместно с All Hands AI и преобразованная в формат GGUF пользователем brittlewis12. Модель предназначена для задач программной инженерии и создания агентных систем: она умеет работать с инструментами, исследовать кодовые базы и редактировать несколько файлов. Модель ориентирована прежде всего на генерацию и анализ текста и кода, а её исходная версия показывает результат 53,6% на SWE-bench Verified в связке с OpenHands Scaffold. Модель дообучена на базе Mistral-Small-3.1-24B-Base-2503 и имеет контекстное окно до 128 000 токенов. Это текстовая модель без поддержки изображений: перед дообучением визуальный энкодер был удалён. В README явно указан английский язык. Формат GGUF предназначен для локального запуска в совместимом программном обеспечении, включая llama.cpp. Ограничения включают текстовую модальность и зависимость производительности от выбранного квантования и аппаратной конфигурации; конкретный размер файлов и параметры квантования в предоставленных данных не указаны. Лицензия — Apache 2.0.

Gemini 2.5 Pro — модель Google для сложных задач рассуждения, программирования, математики и науки. В карточке модели указана возможность «thinking», предназначенная для более точной проработки ответов. Модель подходит для решения сложных вопросов, помощи с кодом и математическими задачами, а также научной работы. Метаданные каталога классифицируют её как image-text-to-text, однако предоставленные материалы не описывают поддержку изображений, архитектуру, размер, контекст, языки или условия использования, поэтому эти характеристики здесь не уточняются.

Gemini 3.8 Flash — модель Google из семейства Gemini Flash. В карточке указаны улучшения по сравнению с Gemini 3.7 Flash в задачах разработки программного обеспечения, агентных сценариях и многошаговых рассуждениях. Метаданные каталога классифицируют модель как image-text-to-text. Имеющихся сведений недостаточно, чтобы описать её размер, контекст, языковую поддержку, условия лицензии или ограничения; эти характеристики здесь не предполагаются.

GLM-5.1 — флагманская модель Z.ai для агентной разработки и инженерных задач. Это языковая модель с архитектурой GLM MoE DSA и 30,4 млрд параметров; она доступна в формате safetensors и совместима с Transformers. Модель принимает текст и предназначена для генерации кода, решения задач по разработке программного обеспечения и работы с инструментами в длительных сессиях. GLM-5.1 рассчитана на сложные и неоднозначные задачи: она может разбивать работу на этапы, проводить эксперименты, анализировать результаты и менять стратегию в ходе многократных итераций. Разработчик сообщает о сильных результатах на SWE-Bench Pro, NL2Repo и Terminal-Bench 2.0. Модель поддерживает английский и китайский языки и контекст до 202 752 токенов. Для локального запуска перечислены SGLang, vLLM, xLLM, Transformers и KTransformers. Модель распространяется по лицензии MIT. Описание подчёркивает её возможности в агентных сценариях и бенчмарках, но не приводит независимых оценок качества или гарантий результата; практическая работа с инструментами зависит также от используемой системы запуска.

GPT-5.2 Pro — модель OpenAI, представленная как развитие GPT-5 Pro с улучшениями в агентном программировании и работе с длинным контекстом. Она предназначена для сложных задач, требующих пошаговых рассуждений, включая программирование и сценарии с использованием ИИ-агентов. Данных об архитектуре, размере, модальностях, поддерживаемых языках, длине контекста и лицензии в предоставленных источниках нет.

GPT-5.3-Codex — агентная модель OpenAI для программирования. В карточке она описана как сочетание возможностей GPT-5.2-Codex в разработке ПО с более широкими способностями к рассуждению и профессиональными знаниями GPT-5.2. Модель предназначена для задач разработки программного обеспечения и сценариев, где агент должен применять рассуждение при работе с кодом. README заявляет передовые результаты, но не приводит в предоставленном фрагменте конкретных оценок или технических характеристик. Сведения о лицензии, размерах модели, длине контекста и ограничениях применения в доступных материалах отсутствуют.

GRM-3.2-Sky — модель OrionLLM для длительных агентных задач и сложных рассуждений. Она предназначена для многошагового планирования, сложного программирования, математики и логических задач, включая продолжительные сессии работы с кодом и инструментами. Модель основана на дообученной Ornith-1.0-35B: это MoE-архитектура на 35 млрд параметров с примерно 3 млрд активных параметров. Метаданные указывают поддержку чата и изображений; задача модели в каталоге — image-text-to-text. Модель распространяется в формате safetensors по лицензии Apache 2.0. В README заявлены устойчивое следование цели в длинных рабочих процессах, планирование и решение сложных задач с кодом, математикой и логикой. Эти характеристики приведены разработчиком; в доступной карточке сравнительная таблица бенчмарков опущена. Длина контекста и поддерживаемые естественные языки не указаны в предоставленных данных.

JANGQ-AI/Laguna-S-2.1-JANG_6M — квантованная для Apple Silicon сборка текстовой MoE-модели Poolside Laguna-S-2.1, подготовленная Jinho Jang и предназначенная для запуска в vMLX. Модель имеет 118 млрд параметров, из которых активно около 8 млрд; архитектура включает 48 слоёв, 256 маршрутизируемых экспертов с выбором top-10 и общий эксперт. Заявленный контекст — до 1 048 576 токенов. Сборка использует 6-битное AWQ-квантование основных весов экспертов, а attention, router, общий эксперт и нормализации оставлены в высокой точности. По данным README, на M5 Max модель показала скорость декодирования 30,7 токена в секунду; автор также сообщает о полном совпадении top-1 при проверке кэша длинного контекста на указанном тестовом проходе. Модель ориентирована на агентное программирование, диалог и длительные задачи разработки с вызовом инструментов. README описывает шаблон рассуждений GLM-style с переключателем thinking. В карточке указаны английский язык и интерфейс вызова инструментов; основной сценарий — генерация текста для разработки и агентных рабочих процессов. Модель унаследовала базовую Poolside Laguna-S-2.1 и распространяется по лицензии OpenMDW-1.1. Для запуска требуются совместимый MLX/vMLX-стек и загрузчик, учитывающий настройки квантования по модулям; приведённые показатели производительности относятся к указанной конфигурации Apple Silicon.

Карточка модели rbinrs/Laguna-XS-2.1 на Hugging Face совпадает с карточкой poolside/Laguna-XS-2.1, поэтому описание составлено по ней. Laguna XS 2.1 — текстовая модель семейства Laguna от Poolside, предназначенная прежде всего для агентного программирования и длительных задач разработки ПО. Это архитектура Mixture-of-Experts с 33 млрд параметров в общей сложности и примерно 3 млрд активируемых на токен; в репозитории Hugging Face указано 2,6 млрд параметров. Модель состоит из 40 слоёв, использует смесь скользящего и глобального внимания, поддерживает контекст до 262 144 токенов и интерфейс вызова инструментов. Модель подходит для работы с кодом, выполнения терминальных задач и взаимодействия с инструментами в агентных сценариях. README сообщает об улучшении результатов относительно Laguna XS.2 на SWE-bench Multilingual и терминальных задачах, однако бенчмарки не гарантируют аналогичного качества на конкретных проектах. Модель принимает и выдаёт текст; карточка не указывает поддерживаемые естественные языки. Веса доступны под лицензией OpenMDW-1.1, которую разработчик описывает как разрешающую коммерческое и некоммерческое использование и модификацию. Для применения следует учитывать условия лицензии и политики допустимого использования Poolside. Для локального запуска заявлена поддержка Transformers, vLLM, SGLang, Llama.cpp, Ollama и других перечисленных в карточке средств.

Laguna XS 2.1 — языковая модель Poolside для агентного программирования и длительных рабочих сценариев на локальном компьютере. Это текстовая модель text-to-text, представленная в формате GGUF для llama.cpp и совместимая с vLLM и SGLang. Она предназначена прежде всего для задач разработки программного обеспечения, включая работу с терминалом, вызов инструментов и многошаговое выполнение задач. Модель использует архитектуру Mixture-of-Experts: 33 млрд параметров всего, из которых 3 млрд активируются на каждом токене. В ней 40 слоёв, 256 экспертов и один общий эксперт; 30 слоёв используют sliding window attention с окном 512 токенов, а 10 — глобальное внимание. Поддерживаются интерleaved reasoning между вызовами инструментов, сохранение рассуждений и включение или отключение режима рассуждений для отдельных запросов. Контекстное окно составляет до 262 144 токенов, а KV-кэш хранится в формате FP8 для снижения требований к памяти. К сильным сторонам относятся сочетание большого общего числа параметров с малым числом активных параметров, поддержка длинного контекста, инструментального взаимодействия и локального запуска. Для локального использования рекомендована квантизация Q4_K_M размером 20,3 ГБ; полноточная версия BF16 занимает 66,9 ГБ. Ограничением является то, что поддержка Laguna XS 2.1 на момент публикации README ещё не включена в основную ветку llama.cpp и требует сборки из специальной ветки или pull request. Модель рассчитана на программную инженерию и агентные сценарии, поэтому её пригодность для других задач следует проверять отдельно. Модель распространяется по лицензии OpenMDW-1.1, допускающей свободное использование и модификацию модели и связанных материалов в коммерческих и некоммерческих целях при соблюдении условий лицензии и политики допустимого использования Poolside.

LongCat-2.0 — большая языковая модель семейства LongCat, представленная разработчиками проекта LongCat. Это модель архитектуры MoE с классом LongcatCausalLM; в метаданных репозитория указано 42,1 млрд параметров, тогда как README описывает полную версию с 1,6 трлн параметров и примерно 48 млрд активируемых на токен. Репозиторий содержит веса в формате safetensors и использует лицензию MIT. Модель предназначена для диалоговой генерации текста, программирования, понимания кода и репозиториев, выполнения задач агентами и работы с инструментальными сценариями. README сообщает об обучении на данных с контекстом до 1 млн токенов и об архитектурном механизме LongCat Sparse Attention для длинных последовательностей; метаданные указывают нативный контекст 262 144 токена. В карточке также заявлены чат и интерфейс вызова инструментов. README особо выделяет задачи с длинным горизонтом, редактирование кода на уровне репозитория и автоматизацию действий; развёртывание описано для GPU и NPU. Модель не оценивалась всесторонне для всех возможных прикладных сценариев. Условия лицензии — MIT.

LongCat-2.0 — большая языковая модель с разреженной архитектурой MoE, разработанная Meituan. В README указано 1,6 трлн общих параметров и около 48 млрд активируемых на токен; метаданные Hugging Face указывают размер 42,1 млрд параметров. Эти сведения расходятся, поэтому размер следует считать неясным. Репозиторий содержит веса в формате safetensors, а метаданные указывают контекстное окно 262 144 токена и поддержку диалогового режима и интерфейса вызова инструментов. Модель предназначена для генерации текста, программирования, работы с репозиториями, автоматизированного выполнения задач и агентных сценариев. В README описаны LongCat Sparse Attention, обучение на данных с контекстом до 1 млн токенов и многотокенное предсказание для ускорения декодирования. Модель можно развернуть на GPU и NPU; заявлена интеграция с Claude Code, OpenClaw и Hermes. Лицензия репозитория — MIT. README предупреждает, что модель не разрабатывалась и не оценивалась для всех возможных прикладных задач; языки обучения или поддержки отдельно не перечислены.

Morph V3 Large — модель Morph для точного применения сложных изменений к коду. Она предназначена для преобразования исходного кода по инструкции, когда нужно внести правки в существующий фрагмент программы. В README заявлены скорость около 4 500 токенов в секунду и точность 98% для точных преобразований; это заявления разработчика, для которых карточка не приводит методику измерения. Модель ожидает запрос в формате «инструкция, затем исходный код». Сведения об архитектуре, размере, поддерживаемых языках программирования и лицензии в доступных данных отсутствуют, поэтому условия использования определить нельзя.

North-Mini-Code-1.0 — модель с открытыми весами от Cohere и Cohere Labs для генерации кода, агентной разработки программного обеспечения и выполнения задач в терминале. Это decoder-only Transformer с разреженной архитектурой Mixture-of-Experts: всего 30 млрд параметров, из которых активны 3 млрд; применяются 128 экспертов, 8 из которых выбираются для каждого токена. Модель дообучена в два этапа: supervised fine-tuning и обучение с подкреплением на проверяемых наградах. Контекст модели рассчитан на 256 тысяч токенов, максимальная длина генерации — 64 тысячи токенов. Модель принимает текст и генерирует текст. Она обучена использовать инструменты в агентных сценариях программирования и поддерживает соответствующий интерфейс через шаблоны чата Transformers. В карточке также описана чередующаяся схема внимания: скользящее окно с RoPE и глобальное внимание. Для запуска README рекомендует актуальные исходные версии Transformers либо vLLM и приводит параметры генерации temperature=1.0 и top_p=0.95. Модель предназначена для программирования и работы с терминалом; её оценивали на бенчмарках агентного кодирования и генерации кода. Лицензия — Apache 2.0. Метаданные каталога указывают размер 1,2 млрд параметров, однако README указывает 30 млрд параметров всего и 3 млрд активных; эти сведения о размере расходятся.

Orion-9B-Agentic-CodeCore-Merge — экспериментальная объединённая модель на 9 млрд параметров от prithivMLmods, созданная на основе Qwen3.5-9B с добавлением MiMo-V2.6-Distill-Qwen-9B, OxCoder-9B и Ornith-1.5-9B. Это плотная архитектура семейства Qwen3.5, рассчитанная на генерацию кода, пошаговое решение задач и агентные сценарии разработки ПО. Модель поддерживает диалог и интерфейс вызова инструментов; основная задача в каталоге — генерация текста. Использовать её можно для написания и понимания кода, внесения изменений, отладки и многошаговых рабочих процессов с инструментами. Модель загружается через Transformers; в репозитории представлены веса safetensors, лицензия — Apache-2.0. Карточка описывает её как экспериментальную и предупреждает о возможных артефактах. Вариант GGUF не сохраняет головы Multi-Token Prediction и работает как обычный авторегрессионный декодер с генерацией по одному токену за шаг.

OxCoder-9B — модель для программирования и агентных задач, разработанная OrionLLM на основе Qwen/Qwen3.5-9B. Она дообучена на траекториях агентного программирования и диалогах из Fable-5.1 и GLM-5.3, связанных с Claude Code, OpenCode и Codex. Модель предназначена для разработки ПО, работы в терминале и многошагового рассуждения при решении инженерных задач. Модель содержит 9 млрд параметров и имеет контекстное окно 262 144 токена. В карточке заявлены навыки работы с многофайловыми кодовыми базами, чтения кода перед изменениями, обработки диагностик LSP и внесения точечных правок. Также отмечены задачи агентного программирования и рассуждения о фронтенд-логике, компонентах и веб-интерфейсах. Модель принимает текстовые запросы и генерирует текст, включая код и ответы в диалоге. Заявленные преимущества и результаты бенчмарков приведены разработчиком; таблица результатов в предоставленном README опущена. Выпущена по лицензии Apache 2.0.

OxCoder-9B GGUF — языковая модель для генерации кода, разработанная Pink Pixel на базе Qwen/Qwen3.5-9B. Она предназначена прежде всего для долгих агентных сценариев разработки программного обеспечения и работы в терминале: решения задач в репозиториях, генерации и изменения кода, устранения ошибок и автоматизации инженерных процессов. При обучении использовались траектории работы передовых coding-агентов, включая Fable-5.1 и GLM-5.3 в средах Claude Code, OpenCode и Codex. Модель содержит около 9 млрд параметров, поддерживает текстовую модальность и заявлена для английского языка. Архитектура — Qwen 3.5 с гибридными слоями linear attention и full self-attention, interleaved MRoPE и поддержкой контекста до 262 144 токенов. В репозитории доступны GGUF-квантизации от BF16 до Q2_K размером примерно от 16,69 до 3,56 ГБ; вариант Q4_K_M указан как рекомендуемый по умолчанию, а Q8_0 — как близкий к исходному качеству при достаточном объёме памяти. Для запуска требуются llama.cpp или совместимые среды с поддержкой Qwen 3.5, включая Ollama, LM Studio и Jan. Сильные стороны модели — ориентация на агентную разработку, работу с терминалом, восстановление после ошибок вызовов инструментов, предварительный просмотр файлов перед изменениями и формирование минимальных diff. В README приведены результаты бенчмарков Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro, NL2Repo и GPQA Diamond, однако фактическое качество зависит от выбранной квантизации и среды запуска. Более компактные варианты экономят память, но могут заметно уступать по качеству; Q2_K прямо предназначен для тестирования при жёстких ограничениях памяти. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-14B-Instruct-GGUF — GGUF-квантизированные варианты инструкционной модели Qwen2.5-Coder-14B-Instruct, разработанной Qwen и опубликованной в формате квантований пользователем bartowski. Модель предназначена прежде всего для генерации, понимания и редактирования программного кода, а также для диалогового взаимодействия с инструкциями. Указан английский язык; поддержка других языков и мультимодальность в README не описаны. Базовая модель имеет размер 14B параметров, а опубликованные варианты используют форматы F16 и различные методы квантования llama.cpp: от Q8_0 и Q6 до Q3 и IQ-вариантов. Размер файлов составляет примерно от 7,34 до 29,55 ГБ. Квантования с более высокой точностью обеспечивают лучшее сохранение качества, а компактные варианты требуют меньше памяти, но могут заметно уступать в качестве. README не содержит сведений о размере контекстного окна и архитектурных деталях базовой модели. Модель подходит для локального запуска, в том числе через LM Studio и совместимые инструменты на базе llama.cpp. Для работы рекомендуется использовать шаблон сообщений Qwen с ролями system, user и assistant. Лицензия базовой модели — Apache 2.0; отдельные условия для квантованных файлов в README не указаны.

Qwen2.5-Coder-14B-Instruct-MLX-4bit — 4-битная MLX-квантизация инструкционной языковой модели Qwen2.5-Coder-14B-Instruct. Исходную модель разработала команда Qwen, квантизацию предоставил bartowski на основе инструментов mlx-examples; модель распространяется в рамках программы Community Models LM Studio. Она предназначена для генерации и анализа программного кода, диалогового взаимодействия с разработчиком и использования в code agents. Модель содержит 14B параметров, работает с текстом и ориентирована на английский язык. Заявлена поддержка длинного контекста до 128K токенов с масштабированием RoPE методом YaRN с коэффициентом 4,0. При обучении использовалось до 5,5 трлн токенов, включая исходный код, данные для сопоставления текста и кода и синтетические данные. Формат MLX рассчитан на совместимость с компьютерами Mac на Apple Silicon, а 4-битная квантизация снижает требования к памяти по сравнению с полноразмерной моделью. Сильными сторонами являются специализация на программировании, поддержка длинного контекста и применимость к агентным сценариям разработки. Ограничения включают зависимость от оборудования Apple Silicon, возможные ошибки, неточность или небезопасность генерируемого содержимого, а также отсутствие в README подробностей о фактической производительности, системных требованиях и полном наборе поддерживаемых языков. Лицензия модели — Apache 2.0.

bartowski/Qwen2.5-Coder-32B-GGUF — это набор квантизованных версий модели Qwen2.5-Coder-32B, разработанной командой Qwen. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена прежде всего для генерации и обработки программного кода, включая локальный запуск через llama.cpp и LM Studio. Модель содержит около 32 млрд параметров и распространяется в формате GGUF с различными уровнями квантизации от Q8_0 до более компактных вариантов Q2_K_L. Доступны версии размером примерно от 13 до 35 ГБ; варианты Q5 и Q6 обеспечивают очень высокое качество, а Q4_K_M предлагается как сбалансированный вариант для большинства сценариев. README указывает английский язык, текстовую модальность и формат prompt-шаблона для диалоговой генерации, но размер контекста и полный набор поддерживаемых языков не указаны. Сильной стороной является широкий выбор квантизаций, позволяющий подобрать компромисс между качеством, размером файла и требованиями к памяти. Некоторые варианты оптимизированы для ARM-инференса, однако требуют соответствующих аппаратных инструкций; отдельные ARM-варианты не рекомендуются для Mac и Windows. Низкобитные версии экономят память, но обладают более низким качеством, а Q4_0 отмечен как устаревший формат. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-7B-Instruct-MLX-8bit — это 8-битная MLX-квантизация инструкционно дообученной языковой модели Qwen2.5-Coder-7B-Instruct. Базовую модель разработала команда Qwen, квантизацию предоставил bartowski на основе инструментов mlx-examples. Модель предназначена для генерации текста и кода, диалогового взаимодействия, задач программирования и использования в code agent-сценариях, в частности на компьютерах Mac с Apple Silicon. Модель обучалась на объёме до 5,5 триллиона токенов, включая исходный код, данные для связывания текста и кода и синтетические данные. Заявлена поддержка длинного контекста до 128 000 токенов с масштабированием RoPE через YaRN с коэффициентом 4,0. В карточке явно указан английский язык; другие языки и дополнительные модальности не заявлены. Ключевое ограничение — специализация на текстовых и кодовых задачах, а также необходимость совместимого оборудования Apple Silicon для данной MLX-версии. Как и другие языковые модели, она может генерировать неточный, вредный или нежелательный контент. Модель распространяется по лицензии Apache-2.0. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность, доступность или соответствие конкретным требованиям.

Карточка модели magicworld7/Qwen-3.6-27B-onlyu на Hugging Face совпадает с карточкой Qwen/Qwen3.6-27B, поэтому описание составлено по ней. Qwen3.6-27B — открытая модель с весами от команды Qwen, представленная как постобученная модель в формате Hugging Face Transformers. Это причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров; она поддерживает чат и интерфейс вызова инструментов. Модель предназначена для программирования, агентных сценариев и работы с изображениями, а README также описывает ввод видео. Указанная длина контекста — 262 144 токена с возможностью расширения до 1 010 000 токенов. В README отмечены задачи на уровне репозитория, разработка интерфейсов и сохранение контекста рассуждений между сообщениями. Модель можно запускать через Transformers и использовать с vLLM, SGLang и KTransformers; для высоких нагрузок авторы рекомендуют специализированные серверы инференса. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Qwen3.6-27B-Text-NVFP4-MTP (GGUF) — производная текстовая сборка Qwen3.6-27B, подготовленная для запуска через llama.cpp на NVIDIA DGX Spark. Разработчик убрал модуль обработки изображений и квантовал веса в NVFP4 с помощью nvidia-modelopt; голова MTP сохранена в BF16 для спекулятивного декодирования. Репозиторий также объединяет эту сборку с Qwen3.6-27B и sakamakismile/Qwen3.6-27B-Text-NVFP4-MTP. Модель предназначена прежде всего для программирования и рассуждений в платформе .init: она подходит для помощи при разработке ПО, анализа кодовых баз и работы с длинными техническими документами. README заявляет контекст до 128K токенов и скорость около 40 токенов в секунду на DGX Spark при коротком контексте и включённом спекулятивном декодировании; для длинного контекста указано около 25–35 токенов в секунду. Это показатели для конкретной конфигурации оборудования и настроек. Это текстовая модель с поддержкой чата; обработка изображений отключена. README описывает английский язык, но не подтверждает поддержку других языков. Лицензия — Apache-2.0. Сборка ориентирована на llama.cpp и DGX Spark; заявленные характеристики скорости и использования памяти зависят от оборудования и параметров запуска.