II.3Рефакторинг, миграция и модернизация

NVIDIA Nemotron-H-56B-Base-8K — базовая большая языковая модель для продолжения заданного текста, предназначенная для разработчиков и исследователей, создающих и адаптирующих LLM. Она использует гибридную архитектуру Nemotron-H на основе Mamba-2 и MLP с десятью слоями Attention и содержит 56 млрд параметров. Модель принимает и генерирует текст, поддерживает контекст до 8 тысяч токенов и обучалась на английском, немецком, испанском, французском, итальянском, корейском, португальском, русском, японском и китайском языках; в обучающих данных также был код. Модель подходит для продолжения текста и последующей адаптации под генерацию кода, математические задачи, ответы на вопросы и другие сценарии. NVIDIA сообщает об оценках на наборах для здравого смысла, программирования и математики. Для запуска описана интеграция с NeMo и поддержка GPU NVIDIA H100-80GB и A100; карточка рекомендует инструменты NeMo для дообучения и выравнивания. Это базовая модель без обязательного формата промпта, поэтому готовое поведение чат-ассистента не гарантируется. Модель выпущена NVIDIA для исследований и разработок. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Известные ограничения включают возможность токсичных, предвзятых, неточных, нерелевантных или избыточных ответов, а также уязвимость к некоторым вариантам косвенной prompt injection.

SC117/Nex-N2-mini-template-fix-APEX-GGUF — неофициальная сборка Nex-N2-mini от SC117 в формате GGUF с квантованием APEX и изменённым шаблоном чата. Она предназначена для запуска в стандартной версии llama.cpp, когда нужен режим рассуждений без передачи шаблона отдельным файлом; модель также поддерживает работу с изображениями через mmproj. Исходная Nex-N2-mini — агентная MoE-модель Nex-AGI на базе Qwen3.5, рассчитанная на программирование, вызов инструментов и выполнение продолжительных задач с обратной связью от среды. APEX применяет смешанную точность с учётом типов тензоров и их чувствительности, а в репозитории представлены варианты GGUF BF16 и F16. Разработчик исходной модели рекомендует использовать оригинальный шаблон чата с пропатченной версией llama.cpp: модификация шаблона может снизить качество ответов. Сборка помечена как временная и неофициальная; лицензия — Apache-2.0.

Qwen2.5-Coder-1.5B-Instruct-heretic — декензурированная версия Qwen2.5-Coder-1.5B-Instruct, опубликованная saidutta69 и созданная RACER IS OP с использованием Heretic 1.4.0. Модель ориентирована на генерацию и анализ кода, локальные coding agents, copilot-сценарии и прямые ответы на программные запросы. Базовая модель разработана командой Qwen; в карточке указана поддержка английского языка. Модель содержит 1,5 млрд параметров и поставляется в формате GGUF, включая варианты от F16 до Q2_K, что позволяет запускать её на CPU, Apple Silicon и видеокартах с небольшим объёмом VRAM. Она совместима с llama.cpp, Ollama, LM Studio, Jan, Transformers, vLLM и SGLang. Декензурирование выполнено направленным изменением весов в проекциях attention и MLP без дообучения, поэтому заявляется сохранение большей части исходных знаний и следования инструкциям. Размер контекста в README не указан. Ключевая особенность — подавление отказов: в приведённом сравнении модель отказала в 5 из 100 тестовых запросов против 95 из 100 у исходной версии. Это может быть полезно для локальной разработки и экспериментов, но одновременно означает отсутствие встроенной фильтрации безопасности и повышенный риск нежелательной генерации. Модель сохраняет фактические ограничения и предвзятость базовой версии, а небольшой размер может ограничивать качество сложных задач. Лицензия — Apache-2.0.

Tuwhy/Qwen3-4B-OPSA-Code — дообученная языковая модель для генерации кода, созданная на основе Qwen/Qwen3-4B с применением метода On-Policy Self-Adaptation (OPSA). Это плотная causal language model семейства Qwen3 с 3,7 млрд параметров; репозиторий содержит полные веса BF16 в Safetensors, конфигурацию и токенизатор. Модель предназначена для генерации кода в диалоговом формате и может использоваться через Transformers; заявленное окно контекста — 40 960 токенов. Контрольная точка соответствует шагу 259, после 260 обновлений оптимизатора, поэтому это ранний чекпойнт, а не свидетельство зрелого качества для практического развертывания. Базовая модель поддерживает многоязычные задачи, но карточка этого варианта указывает только кодовую специализацию, не уточняя языки программирования или конкретные языки запросов. Лицензия — Apache 2.0, как у базовой модели.

snsnc/qwen3.5-4B-super-coder-MLX-4bit — 4-битная версия модели для генерации текста и кода в формате MLX. Модель подготовлена на основе unsloth/Qwen3.5-4B с объединённым LoRA-адаптером jica98/qwen3.5-4B-super-coder; дополнительное обучение не проводилось. Разработчик адаптации — пользователь или организация с идентификатором snsnc, а исходные компоненты предоставлены unsloth и jica98. Модель предназначена прежде всего для задач программирования, включая генерацию исполняемого кода, например реализации асинхронного ограничителя запросов. Она поддерживает текстовый ввод и вывод; сведения о языках программирования и естественных языках, размере контекста и точной архитектуре в README не указаны. Использует архитектуру Qwen3_5ForConditionalGeneration и 4-битное квантование, что должно уменьшать требования к памяти при запуске в MLX, однако может ограничивать качество по сравнению с полноразмерной версией. В шаблоне чата предусмотрен режим рассуждений, который можно отключить. Для запуска используется библиотека mlx-lm и платформа MLX. Модель распространяется по лицензии Apache-2.0. README не содержит данных о результатах тестирования, качестве на конкретных наборах, аппаратных требованиях или ограничениях применения, поэтому её эффективность для отдельных задач следует проверять отдельно.

TIMPS-Coder-7B — созданная разработчиком sandeeprdy1729 модель для генерации программного кода. Она дообучена на Qwen2.5-Coder-7B-Instruct в три этапа: SFT, GRPO и DPO. Модель имеет плотную архитектуру Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; для запуска в карточке приведён пример с Transformers и шаблоном чата. Модель предназначена для генерации кода по запросам на естественном языке и других сценариев программирования. В README приведены результаты HumanEval и MBPP, однако показатели MBPP заметно расходятся с указанными для базовой модели, поэтому результаты бенчмарков следует проверять самостоятельно. Модель распространяется под лицензией Apache-2.0.

Tinytron TinyLlama Instruct Code Python Spanish English Assistant 16Bit V2 — чат-модель для генерации кода, опубликованная Francisco Angulo de Lafuente (Agnuxo) в экосистеме P2PCLAW. Это плотная авторегрессионная модель семейства Llama с примерно 1 млрд параметров и контекстом 2048 токенов; веса представлены в формате safetensors и предназначены для локального запуска. Модель ориентирована на помощь с программированием: в карточке заявлены Python, JavaScript, TypeScript, Rust, Go и C++, научные вычисления с NumPy, SciPy и Pandas, а также задачи машинного обучения с PyTorch, TensorFlow и JAX. README называет английский и испанский языки; метаданные подтверждают языковые коды en и es. Указана лицензия Apache-2.0. Компактный размер подходит для локального использования, однако контекст ограничен 2048 токенами; независимые результаты оценки качества в предоставленных данных отсутствуют.

laion/tt-x16-entropy0p003-42-30B — экспериментальный чекпойнт шагa 42, созданный в ходе исследования TaskTrove X16. Это дообучение инструктивной MoE-модели Qwen3-Coder-30B-A3B-Instruct методом GRPO с бонусом энтропии 0,003; модель предназначена для генерации текста и диалогового взаимодействия, в том числе для программирования и агентных сценариев. Использует архитектуру Qwen3 MoE, содержит 2,6 млрд параметров и поддерживает контекст до 262 144 токенов. Чекпойнт выбран как лучший по скользящей EMA награды среди сохранённых шагов этого запуска. Эксперимент остановили на шаге 92 из 400 после снижения награды и энтропии; README характеризует результат как отрицательный контроль: бонус энтропии не удержал исследование на данном расписании обучения. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Wichtelchen-Qwen3.5-9B — модель schneewolflabs на архитектуре Qwen3.5-9B, дообученная для локальной работы с инженерными задачами и делегирования работы кодовому агенту. Она поддерживает диалог, работу с кодом и изображениями; в метаданных указан формат safetensors и библиотека Transformers. README сообщает о результатах 56,1% на hembench и 10/10 по делегированию в тесте egirl, однако это результаты внутренних бенчмарков разработчика. Модель предназначена для сценариев, где ассистент использует инструменты и передаёт инженерные задачи агенту egirl. README характеризует использование инструментов как одноходовое и привязанное к схеме инструментов egirl. Лицензия — Apache-2.0.

Salesforce AI Research CoDA-v0-Base — базовая языковая модель на основе дискретной диффузии с плотной архитектурой CoDA и 1,7 млрд параметров. Она предназначена прежде всего для генерации и дополнения кода, а также для дальнейшего дообучения и обучения с подкреплением. Двунаправленный контекст позволяет учитывать токены как до, так и после позиции генерации; для выборки используется управление по уверенности. Модель работает с текстом и рассчитана на английский язык; максимальная длина контекста — 40 960 токенов. Карточка приводит результаты CoDA-Base на HumanEval, HumanEval+ и MBPP, но не описывает их как гарантию качества для конкретного кода или проекта. Модель опубликована в формате safetensors для Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Это конвертированная версия CodeGen2 3.7B, подготовленная Michael Feil для FauxPilot: веса Salesforce/codegen2-3_7B преобразованы для совместимости с архитектурой GPT-J. Модель авторегрессионная, с архитектурой GPTJForCausalLM и 3,7 млрд параметров; использует формат PyTorch/Safetensors и контекст до 2048 токенов. Конверсия датирована 22 мая 2023 года. Модель предназначена прежде всего для генерации и дополнения программного кода по текстовым инструкциям на английском языке, а также для заполнения пропусков внутри фрагмента кода. В обучении использован разрешительный дедуплицированный поднабор Stack v1.1; заявлена поддержка C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, shell, SQL, Swift, TypeScript и Vue. Лицензия репозитория — Apache-2.0. Качество результата может зависеть от точности англоязычного запроса и предоставленного контекста; сгенерированный код следует проверять и тестировать. Модель описана как наиболее подходящая для синтеза программ и может извлекать признаки из текстов, но карточка не приводит конкретных оценок качества.

DeepSeek Coder 1.3B Base — базовая языковая модель для кода от DeepSeek. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 1,3 млрд параметров; она принимает текстовые последовательности и генерирует продолжение. Модель обучена с нуля на корпусе, состоящем из кода и естественного языка на английском и китайском. В карточке серии указано обучение на 2 трлн токенов, а для этой версии отдельно приведено 1 трлн токенов. Модель предназначена для автодополнения кода, вставки фрагментов в заданное место и продолжения кода с учётом контекста проекта. Задача заполнения пропусков и окно контекста 16 384 токена поддерживают работу с крупными фрагментами кода. Это базовая модель, а не специализированный чат-ассистент; качество ответов в диалоге и выполнение инструкций не заявлены как её основное назначение. Доступны веса PyTorch. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с лицензией в репозитории модели.

Карточка модели AISE-TUDelft/java-usage-classifier на Hugging Face совпадает с карточкой AISE-TUDelft/java-deprecation-classifier, поэтому описание составлено по ней. AISE-TUDelft/java-deprecation-classifier — модель на основе MPNet, опубликованная AISE-TUDelft и распространяемая в формате PyTorch через Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. В карточке указано обучение с функцией потерь CosineSimilarityLoss; модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Название указывает на классификацию устаревших Java API, однако README описывает модель как средство построения эмбеддингов, а метаданные относят её к sentence-similarity и feature-extraction. Поэтому её можно применять для поиска и группировки текстов о Java-депрекациях, но карточка не подтверждает выдачу меток классов или специальную точность такой классификации. Лицензия в предоставленных данных отсутствует.

LFM2.5-2.6B-Fable5-Coding-Agent-heretic — компактная языковая модель для генерации текста и работы в роли coding agent. Она создана автором RACER IS OP как decensored-вариант модели AyoubChLin/lfm2.5-2.6b-fable5-coding-agent, которая, в свою очередь, является полноразмерной SFT-модификацией LiquidAI/LFM2.5-2.6B на датасете saidutta69/fable-5-premium. Модель предназначена для генерации кода, многошагового диалога, следования инструкциям и формирования tool calls. Модель содержит около 2,6 млрд параметров и использует гибридную архитектуру LFM2 с комбинацией свёрточных и attention-компонентов. Указана поддержка английского языка и текстовой модальности. Доступны веса в форматах GGUF, включая F16 и варианты квантования от Q2_K до Q8_0; модель рассчитана на локальный запуск через llama.cpp, Ollama, LM Studio или Transformers. Заявленная особенность — подавление отказов с помощью направленной абляции весов в attention output и MLP down-projections без дополнительного fine-tuning. По данным README, доля отказов в тесте снижена с 96 до 7 из 100 при KL-дивергенции 0,014. Сильными сторонами являются небольшой размер, быстрый локальный inference, поддержка генерации кода, tool-use и многоходового поведения ассистента. При этом это не улучшение базовых возможностей, а та же модель с удалёнными защитными ограничениями. В README прямо предупреждается, что дополнительной фильтрации безопасности нет и модель может выполнять опасные или нежелательные запросы, поэтому ответственность за применение и развёртывание лежит на пользователе. Лицензия обозначена как other; приведена ссылка на лицензию базовой модели LiquidAI/LFM2.5-2.6B.

TensorVizion/MiMo-V2.6-Distill-Qwen-Abliterated — производная версия мультимодальной модели MiMo-V2.6-Distill-Qwen-9B от Xiaomi, представленная в карточке как 2-битная конверсия для MLX. Метаданные указывают архитектуру Qwen3.5 и класс Qwen3_5ForConditionalGeneration; модель принимает текст и изображения и генерирует текст. Она предназначена для диалоговых и агентных сценариев, программирования, использования инструментов и анализа изображений. README сообщает, что исходная модель преобразована в формат MLX с помощью mlx-lm 0.31.3; метаданные указывают лицензию MIT. В метаданных также отмечена дистилляция исходной базовой модели, но сведения о конкретном процессе дообучения или об «abliterated»-изменениях не приведены. Доступная информация не подтверждает языковой охват и длину контекста. 2-битное представление ограничивает точность чисел, а конкретные последствия для качества в карточке не описаны.

OASIS-code-1.3B — модель для создания векторных представлений кода, разработанная Kwaipilot. Она предназначена для поиска фрагментов кода по смыслу и построения систем кодового поиска, сопоставляющих запрос с релевантными фрагментами в разных программных контекстах. Модель основана на плотной архитектуре Llama и содержит 1,3 млрд параметров; для работы с текстом и кодом использует контекст до 1024 токенов. При обучении применялись анализ программ на уровне репозитория, синтетические данные OASIS-instruct и специальная функция потерь для поиска. В README сообщается о результатах на бенчмарках поиска кода. Модель опубликована в формате safetensors, библиотека загрузки — Sentence Transformers. Лицензия MIT. Для запуска авторы предупреждают о проблеме совместимости PyTorch 2.5.0 при загрузке с bfloat16 и рекомендуют версии 2.4.1 или ниже либо 2.5.1 и выше.

Quillan-Ronin — диалоговая модель генерации текста от CrashOverrideX, представленная как смесь экспертов (MoE) и предназначенная для работы на потребительском оборудовании. В карточке описаны разреженная маршрутизация экспертов, тернарное квантование BitNet и инструменты для агентных сценариев, однако метаданные указывают 177,3 млн параметров и архитектуру QuillanOniForCausalLM, тогда как README приводит другие, противоречивые характеристики; поэтому подробности о слоях и размере из README нельзя считать подтверждёнными. Модель заявлена для диалогов, генерации кода и автономных агентных сценариев с инструментами и памятью, а также для исследований квантования и рекурсивного вывода. Метаданные перечисляют объединение с Qwen/Qwen3.5-0.8B, Llama-3.2-1B-Instruct и BitNet b1.58-2B-4T, но не позволяют установить, как именно устроено это объединение. Указаны английский язык и контекст 512 токенов; поддержка изображений, аудио и видео отмечена в тегах README, но основная задача и каталог классифицируют модель как генерацию текста. Лицензия — Apache-2.0. Среди заявленных ограничений — возможные отказы на некоторых запросах, повышенная задержка и вариативность в Mini-Ronin, а также галлюцинации мультимодальных компонентов на данных вне обучающего распределения. README отдельно предостерегает от применения в медицинских и иных критически важных сценариях.

Qwen3.8-27B-full-Uncensored — текстовая генеративная модель, опубликованная 0xSojalSec и производная от Qwen/Qwen3.8-27B. Модель основана на архитектуре Qwen3 с 27 млрд параметров и предназначена для генерации текста, программного кода и использования в агентных сценариях, включая исследования AI safety, red teaming, кибербезопасность и задачи разработки. Доступны форматы GGUF, safetensors и MLX; поддерживаемые языки и размер контекстного окна в README не указаны. По заявлению автора, модель модифицирована методом abliteration: из весового пространства удалены направления, связанные с отказами и защитными отговорками. Версия V3 сочетает итеративное уточнение и целевую обработку данных. Заявлены сохранение режима thinking, рабочая генерация кода и результат 82,3% на MMLU против 84,5% у исходной модели, то есть снижение на 2,1 процентного пункта. Для генерации рекомендуются температура 0, repetition_penalty 1,15 и не менее 2048 новых токенов; системный промпт лучше не использовать. Ограничениями являются возможное зацикливание без настройки repetition_penalty, отсутствие встроенных защитных отказов и заявленное снижение качества относительно базовой модели. Приведённые оценки основаны на тестах автора и могут не отражать результаты независимой проверки. Модель распространяется по лицензии Apache-2.0. Поскольку защитные механизмы были намеренно ослаблены или удалены, её применение требует дополнительной оценки рисков, особенно в публичных и агентных системах.

Карточка модели Gen-Verse/ReasonFlux-Coder-14B на Hugging Face совпадает с карточкой Gen-Verse/ReasonFlux-Coder-7B, поэтому описание составлено по ней. ReasonFlux-Coder-7B — языковая модель для генерации кода, представленная разработчиками семейства ReasonFlux-Coders. В README указано, что модели семейства обучены с помощью алгоритма CURE, который совместно развивает способности к написанию кода и генерации модульных тестов; отдельные численные результаты для версии 7B не приведены. Модель предназначена для генерации кода и тестов, а также для использования в агентных сценариях программирования и подходах с масштабированием вычислений на этапе вывода. Это плотная причинная модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают на поддержку чата и интерфейса вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия MIT. README не сообщает об ограничениях качества или поддерживаемых естественных языках; заявленное сравнение с другими моделями относится к семейству в целом и не позволяет установить результаты именно версии 7B.

RivetCoder-9B-A4B — экспериментальная модель генерации кода от HCHs, построенная на замороженной 30-слойной основе LiquidAI/LFM2.5-2.6B с добавленными 480 замороженными FFN-экспертами из zai-org/GLM-5.3-Flash. Для каждого слоя основы выбираются четыре из 16 кандидатов на токен; маршрутизаторы, токеновые гейты и ограниченные масштабы остаточных связей обучались отдельно. Модель рассчитана на диалоговую генерацию кода и агентные сценарии. Она имеет 2,6 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В README описана проверка маршрутизации на небольшом наборе кодовых диалогов, но результаты стандартных бенчмарков не приведены. Для загрузки нужен Transformers с пользовательским кодом репозитория и параметром trust_remote_code=True. BF16/FP32-смешанный чекпойнт занимает около 16,3 ГиБ; на GPU с 16 ГиБ обычно потребуется выгрузка частей модели в CPU или на диск. Архитектура экспериментальная: перенос экспертов использует фиксированный, необучаемый мост представлений, сопоставление слоёв основано на глубине, а выполнение экспертов на CPU существенно медленнее специализированного ядра. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Samantha-1.11-CodeLlama-34b — диалоговая модель на основе CodeLlama-34B, дообученная Эриком Хартфордом на 6 000 специально отобранных диалогов в формате ShareGPT/Vicuna. Она предназначена для генерации кода, помощи с домашними заданиями и общения в роли персонального собеседника; в обучении также использовались темы философии, психологии и личных отношений. Модель содержит 33,5 млрд параметров, использует архитектуру Llama и принимает текстовые запросы с контекстом до 2 048 токенов, выдавая текст. По README, обучение выполнено в течение 40 эпох с использованием QLoRA, Axolotl и DeepSpeed. Карточка сообщает, что модель не участвует в ролевых романтических или сексуальных сценариях. Модель распространяется по лицензии Llama 2, условия которой допускают коммерческое и некоммерческое использование с ограничениями лицензии. Она создана как экспериментальный вариант персонального ИИ-собеседника и помощника по коду. Как и другие языковые модели, может ошибаться в ответах и примерах кода; контекст ограничен 2 048 токенами.

StableCode-Completion-Alpha-3B-4K — авторегрессионная decoder-only модель Stability AI для автодополнения кода. Она обучена на корпусе StarCoder Data, включающем распространённые языки программирования, и предназначена для продолжения кода по короткому или длинному контексту, в том числе для одиночных строк и нескольких строк в редакторе кода. Модель построена на архитектуре GPT-NeoX с плотным трансформерным декодером и содержит около 3,5 млрд параметров. Контекстное окно — 4096 токенов. Веса доступны в форматах PyTorch и safetensors. Модель генерирует код; естественные языки как целевые языки в карточке не заявлены. Модель выпущена под лицензией Apache 2.0. Она может воспроизводить фрагменты кода из обучающих данных, поэтому для проверки совпадений README рекомендует использовать инструменты атрибуции BigCode и Hugging Face. Разработчик также предупреждает против применения модели для незаконных действий и сценариев с высоким риском физического или экономического ущерба.

Yi-9B-Coder — языковая модель для генерации кода, созданная дообучением Yi-9B командой TechxGenus. Модель содержит 8,6 млрд параметров, использует плотную архитектуру семейства Llama и доступна в формате safetensors для Transformers. Контекст составляет 4096 токенов. Модель обучали на дополнительных 0,5 млрд токенов, связанных с программированием, в течение трёх эпох. Она принимает текстовые инструкции в формате Alpaca без системного промпта и генерирует текст, прежде всего код. В README приведён результат 69,5 pass@1 на HumanEval-Python. Подходит для генерации кода по инструкциям и решения задач программирования. По заявлению авторов, модель может ошибаться и выдавать вводящую в заблуждение информацию, слабо справляется с задачами вне программирования и прошла ограниченное тестирование. Лицензия — Apache-2.0.

Ziya Coding 34B v1.0 — это языковая модель для генерации и дополнения программного кода, разработанная Fengshenbang-LM (IDEA-CCNL). Представленная версия распространяется в формате GGUF и квантована TheBloke для запуска через llama.cpp и совместимые интерфейсы и библиотеки, включая text-generation-webui, LM Studio и llama-cpp-python. Модель основана на архитектуре Llama и имеет 34 млрд параметров. Она предназначена прежде всего для завершения функций по их docstring и других задач генерации кода. В заявленных языках указаны китайский и английский. Модель относится к текстовым, поэтому сведений о поддержке изображений, аудио или других модальностей нет. Размер контекста в README не указан. Основное преимущество версии GGUF — наличие вариантов квантования от 2 до 8 бит, что позволяет выбирать баланс между качеством, потреблением памяти и скоростью инференса на CPU и GPU. Ограничения включают возможную потерю качества при сильном квантовании, а также отсутствие в README подробных результатов тестирования и информации о фактической эффективности на разных языках программирования. Для использования указаны лицензия GPL-3.0 исходной модели и дополнительные условия Meta Llama 2; из-за заявленного двойного лицензирования следует отдельно проверить совместимость условий для конкретного сценария.

AceReason-Nemotron-1.1-7B-GGUF — GGUF-версия языковой модели AceReason-Nemotron-1.1-7B, разработанной NVIDIA. Модель предназначена для генерации текста с акцентом на рассуждения в задачах математики и программирования. Она создана на базе Qwen2.5-Math-7B и обучалась в два этапа: supervised fine-tuning (SFT) на математических и кодовых задачах, затем reinforcement learning (RL). В карточке указано, что модель поддерживает английский язык и работает в режиме text generation. Размер модели составляет 7B параметров. Ключевая специализация — решение сложных математических задач и генерация программного кода. По приведённым результатам, модель показывает сильные показатели на бенчмарках AIME 2024, AIME 2025 и LiveCodeBench, превосходя предшественника AceReason-Nemotron-1.0-7B и другие сопоставимые модели на некоторых тестах. Версия GGUF предназначена для использования в совместимых средах локального инференса, однако конкретный вариант квантования и требования к памяти в README не указаны. Ограничения включают специализацию преимущественно на математике и коде, возможные ошибки в рассуждениях и отсутствие гарантии корректности сгенерированных ответов или программ. Размер контекста, список поддерживаемых языков сверх английского и точные характеристики архитектуры в карточке не указаны. Модель распространяется по NVIDIA Open Model License; дополнительные условия следует проверять в тексте лицензии NVIDIA.

Agnuxo/Agente-GPT-Qwen-2.5-3B_GGUF_16bit — локальная чат-модель для генерации текста, представленная независимым исследователем Франсиско Ангуло де Лафуэнте. Это плотная модель семейства Qwen2 с 3 млрд параметров в формате GGUF F16; карточка рекомендует запуск через Ollama и также описывает использование с Transformers. Модель позиционируется как автономный агент для декомпозиции задач и взаимодействия с другими агентами, а также для генерации кода и научных текстов; заявлены навыки работы с Python, JavaScript, TypeScript, Rust, Go, C++, научными вычислениями и инструментами машинного обучения. Указана интеграция с MCP и A2A, но метаданные подтверждают только чат-возможность и генерацию текста. Карточка связывает модель с экосистемой P2PCLAW и предлагает перенаправлять запросы на написание научных статей в её конвейер генерации публикаций. Основные языки карточки — английский и испанский. Репозиторий распространяется по лицензии Apache-2.0. Длина контекста и независимые оценки качества в предоставленных сведениях не описаны.

CodeGemma 7B — модель для генерации и автодополнения программного кода, разработанная Google. Она предназначена прежде всего для сценариев fill-in-the-middle: дополнения фрагмента между заданным префиксом и суффиксом, работы в инструментах наподобие Copilot и использования в редакторах кода, где важны быстрые подсказки. Модель не является чатовой или instruct-моделью и не предназначена для ответов на вопросы в диалоговом формате. Модель содержит около 7 млрд параметров и основана на Gemma. Распространяемая версия представлена в формате GGUF; квантизацию выполнил bartowski на основе llama.cpp. Для управления генерацией используются специальные токены <|fim_prefix|>, <|fim_suffix|>, <|fim_middle|> и <|file_separator|>, позволяющие передавать контекст текущего файла и нескольких файлов. README не указывает точный набор поддерживаемых языков программирования, размер контекста или перечень модальностей; по назначению модель является текстовой и ориентирована на код. Сильные стороны CodeGemma 7B — компактный размер для модели такого класса, высокая скорость появления автодополнений и способность восстанавливать пропущенные участки кода с учётом окружающего контекста. Ограничения состоят в том, что модель нельзя использовать как обычного чат-ассистента, а сгенерированный код может содержать ошибки и требует проверки. Доступ к оригинальной модели на Hugging Face регулируется лицензией Google Gemma; в метаданных указана лицензия gemma и ссылка на условия использования Google.

DeepSeek V4 Flash REAP K128 Mixed NVFP4 — это экспериментальная производная модели DeepSeek, подготовленная sleepyeldrazi на основе deepseek-ai/DeepSeek-V4-Flash. Это текстовая MoE-модель для генерации текста и диалогов; в ней оставлено 128 маршрутизируемых экспертов на слой, что соответствует примерно 50% сокращению экспертов. Дообучение не проводилось: модель создана структурным удалением части экспертов и преобразованием формата весов. Веса экспертов gate и up представлены в NVFP4 после заявленного в карточке преобразования шкал из MXFP4, down-эксперты — в Q2_K; внимание и общие эксперты используют Q8_0. Репозиторий распространяется в формате GGUF, но для запуска необходимы специализированный движок ds4 и NVFP4 CUDA-ядра: стандартные среды llama.cpp и GGUF модель не загружают. Автор ориентирует сборку на DGX Spark с GB10 Blackwell и заявляет поддержку контекста до 1 млн токенов при использовании FP8 KV-кэша. Карточка указывает английский язык и лицензию MIT. Практические сценарии включают программирование, вызовы инструментов, исследовательские и справочные диалоги; характеристики качества в README описаны без независимых оценок.

FabGemma-12B — дообученная модель naazimsnh02 на базе Google Gemma 4 12B Instruct. Это плотная трансформерная модель для генерации текста, настроенная на многошаговое планирование задач, агентное программирование и отладку. Для обучения применялся supervised fine-tuning на трассах работы кодовых агентов; LoRA-адаптация затронула около 2,15% параметров и была объединена с основными весами. Репозиторий содержит веса safetensors, модель работает через Transformers и сохраняет контекстное окно базовой модели до 256 тысяч токенов. Модель предназначена для помощи в разработке: анализа ошибок, планирования действий при работе с кодом и использования инструментов в агентных сценариях. Карточка сообщает о тестировании на 100 отложенных трассах, но эти результаты не гарантируют качество в других задачах. По данным README, дообучение ориентировано преимущественно на английские сценарии; возможности обработки изображений и аудио не адаптировались, а общефактические ответы могут быть слабее ответов по инженерным задачам. Выводы с кодом следует проверять перед запуском. Модель обозначена разработчиком как экспериментальная. Лицензия указана как Gemma; перед использованием следует учитывать её условия и проверить применимость условий лицензии датасета AGPL-3.0 к конкретному сценарию.

Это дообученная версия Gemma 4 12B Coder от tpls с изменёнными весами: методом abliteration из неё удалено направление отказа. Модель предназначена для генерации кода и агентных сценариев с вызовом инструментов; веса в формате safetensors рассчитаны на локальный запуск, дальнейшее дообучение, слияние или квантизацию. Карточка также указывает на готовые к запуску варианты GGUF в отдельном репозитории. Модель выдаёт вызовы инструментов в нативной разметке Gemma 4. Парсер llama.cpp с параметром --jinja может распознавать их некорректно, поэтому для преобразования в стандартные tool_calls нужен серверный shim. Генерируемые ответы и аргументы инструментов могут быть ошибочными или вымышленными; их следует проверять. После удаления отказов защитные ограничения существенно ослаблены, поэтому модель не подходит для сценариев, где важно поведение отказа. Модель помечена как устаревшая и заменённая более новой версией. Лицензия — Gemma.