II.3Рефакторинг, миграция и модернизация

Granite-8B-Code-Base-4K — авторегрессионная decoder-only модель для генерации кода, разработанная IBM Research и обученная с нуля. Модель содержит 8,1 млрд параметров, использует архитектуру Llama и принимает контекст до 4096 токенов. В первом этапе обучения использовались 4 трлн токенов кода на 116 языках программирования, а на втором — 500 млрд токенов из тщательно подобранных наборов кода и естественного языка. Модель предназначена для генерации и объяснения кода, исправления ошибок, создания модульных тестов и документации, поиска уязвимостей и перевода между языками программирования. Также обучение на данных естественного языка поддерживает понимание инструкций и математические рассуждения. Модель доступна в формате Safetensors и распространяется по лицензии Apache 2.0. Разработчик не рекомендует использовать её в новых проектах и оставляет модель для исторических и научных целей. Она не прошла выравнивание по безопасности, может выдавать проблемный или ошибочный код и иногда воспроизводить фрагменты обучающих данных; результаты требуют проверки.

jnkto2 — дообученная модель для генерации кода на основе deepseek-ai/deepseek-coder-1.3b-base, опубликованная пользователем stojchet. Модель с архитектурой Llama содержит 1,3 млрд параметров и принимает текст; заявленная длина контекста — 16 384 токена. Модель предназначена для генерации и продолжения кода. В README приведены метрики оценки, включая loss 0,1622 и оценки chosen/rejected, однако описание набора данных, методики обучения и конкретных сценариев применения отсутствует. Файлы модели опубликованы в формате safetensors. Лицензия указана как other; конкретные условия использования по имеющимся данным определить нельзя.

Это общественная производная KAT-Coder V2.5 Dev, созданная AceTheUnfazed объединением GGUF-сборки KAT-Coder V2.5 Dev APEX I-Compact с блоком MTP/NextN из Qwen3.6-35B-A3B APEX MTP. Основная часть сохраняет исходную квантизацию APEX I-Compact, а добавленный блок использует представления Q8_0, F32 и BF16. Модель поддерживает диалог и работу с изображениями; в метаданных указаны английский и китайский языки. Для запуска автор рекомендует совместимую сборку llama.cpp с поддержкой Qwen3.6/NextN и speculative decoding через draft-mtp. Модель предназначена для локального диалогового использования, включая сценарии с изображениями, с ускоренным декодированием за счёт MTP. В README приведены замеры на одной конфигурации оборудования; они показывают более высокую скорость относительно исходной сборки KAT-Coder APEX, но не гарантируют таких результатов на других системах. Указанная в примере конфигурации длина контекста — 98 304 токена, однако README не подтверждает стабильность на всём этом диапазоне. Это неофициальная сборка сообщества и не новое обучение модели. Лицензия репозитория — Apache-2.0; права на исходные модели и файлы сохраняются за их авторами.

nomic-embed-code-i1-GGUF — GGUF-квантизированная версия модели nomic-ai/nomic-embed-code, подготовленная пользователем mradermacher. Это модель эмбеддингов для работы с исходным кодом, предназначенная для преобразования программного кода в векторные представления и решения задач семантического поиска, сравнения фрагментов кода, извлечения признаков и sentence similarity. Модель обучалась на наборах данных для Python, JavaScript, Java, Go, PHP и Ruby; в карточке также указан английский язык. Она распространяется в формате GGUF с различными вариантами квантизации i1, объёмом примерно от 1,8 до 5,9 ГБ. Архитектура, размер исходной модели, размерность эмбеддингов, поддерживаемая длина контекста и точные характеристики модальностей в README не указаны. Квантизация позволяет выбирать компромисс между размером, скоростью и качеством, однако наиболее компактные варианты могут заметно уступать по качеству; для некоторых конфигураций отдельно отмечены низкое качество или предпочтительность других вариантов. Модель подходит для локального использования в системах поиска и анализа исходного кода, включая retrieval-пайплайны и сравнение программных фрагментов. Ограничения связаны с отсутствием подробных сведений о производительности, бенчмарках, контексте и точных языковых гарантиях, а также с возможными потерями качества из-за квантизации. Модель распространяется по лицензии Apache-2.0.

OpenCodeReasoning-Nemotron-32B — большая языковая модель, разработанная NVIDIA на основе Qwen2.5-32B-Instruct и дообученная для рассуждений при генерации кода. Модель ориентирована прежде всего на решение задач программирования, включая competitive programming, написание программ и генерацию решений на Python. Обучение проводилось на датасете OpenCodeReasoning, содержащем вопросы по соревновательному программированию и ответы, сгенерированные DeepSeek-R1. Модель построена на плотной архитектуре decoder-only Transformer и содержит 32 млрд параметров. Она работает только с текстом: принимает строковый ввод и генерирует текстовый вывод. Заявлена поддержка контекста до 32 768 токенов, язык обучения и применения в карточке указан как английский. В сравнительных оценках OpenCodeReasoning-Nemotron-32B показывал высокие результаты на LiveCodeBench и CodeContest среди сопоставимых 32B-моделей, однако конкретные показатели относятся к вариантам OCR-Qwen-32B и OCR-Qwen-32B-Instruct, а не обязательно непосредственно к GGUF-версии. Для работы рекомендованы Linux и NVIDIA GPU с архитектурами Ampere или Hopper; указана интеграция с NeMo 2.3.0. Модель рассчитана на коммерческое и некоммерческое использование по лицензии Apache-2.0. Ограничения включают специализацию на англоязычных задачах программирования, высокие требования к вычислительным ресурсам из-за размера и отсутствие заявленной поддержки изображений или других модальностей.

hellohazime/Qwen3.8-2.4T-A95B-REAP-256GB-GGUF — это сжатая версия крупной MoE-модели Qwen3.8-2.4T-A95B, разработанная на основе unsloth/Qwen3.8-2.4T-A95B-GGUF. Модель предназначена для генерации текста и прежде всего для англоязычных задач и программирования на компьютерах с примерно 256 ГБ оперативной или унифицированной памяти. Она загружается и работает в стандартной основной ветке llama.cpp без специального runtime или форка. В модели сохранены 304 из 512 экспертов в каждом MoE-слое, выбранные по частоте маршрутизации на англоязычном и кодовом корпусе объёмом 200 тысяч токенов. Внутренняя ширина каждого оставшегося эксперта уменьшена с 2048 до 1536 каналов. Квантизация не выполнялась повторно: сохранённые данные побайтово соответствуют исходной квантизованной модели UD-IQ1_S с плотностью 1,56 бит на вес. Итоговый размер составляет 246 ГБ, или 229 ГиБ. Сильная сторона модели — существенное уменьшение требований к памяти при сохранении значительной части поведения исходной модели: на отложенных данных совпадение главного токена составило 79,2% для английского языка и 86,6% для кода. При этом модель заметно отклоняется от исходной на редких и сложных случаях; показатель perplexity вырос с 9,05 до 10,90 на английском и с 1,89 до 2,38 на коде. Авторы предупреждают, что неанглоязычные и выходящие за пределы калибровочного корпуса задачи намеренно принесены в жертву, поэтому модель не рекомендуется для многоязычной работы и сложного рассуждения. Лицензия указана как qwen3.8-max, тип лицензии — other.

buelfhood/SOCO-Java-codeberta-cmnrl-triplets-ep1-bs16-lr2e-05-split0.1 — модель Sentence Transformers, дообученная разработчиком на датасете SOCO_TRAIN_java на базе huggingface/CodeBERTa-small-v1. Она преобразует текстовые фрагменты, в том числе описания и предложения, в плотные векторы размерности 768 для оценки семантического сходства и поиска по смыслу. Модель построена на архитектуре RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на задачи поиска и сопоставления текстов, включая поиск похожих фрагментов кода, кластеризацию и выявление перефразировок. Максимальная длина последовательности — 514 токенов по метаданным (в карточке указано 512). Базовая CodeBERTa-small-v1 обучалась на исходном коде шести языков программирования; дообучение этой модели проводилось на Java-данных. Лицензия в предоставленных сведениях не указана.

laion/ablation-pymethods2test-seqmean-arm0-15-8B — исследовательский чекпойнт, дообученный командой LAION на базе laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink. Это плотная причинно-языковая модель семейства Qwen3 с 7,6 млрд параметров, предназначенная для генерации текста в диалоговом формате и агентных задач разработки программного обеспечения, в частности для решения задач из набора pymethods2test. Чекпойнт получен на шаге 15 обучения с подкреплением SkyRL GRPO: в абляции использованы усреднение потерь по последовательности и оцениватель преимуществ RLOO-n. Модель принимает текст и генерирует текст; метаданные указывают контекстное окно 40 960 токенов. В README описаны обучение и связанный набор обучающих трасс, но не приведены измерения качества или подробные ограничения применения. Лицензия в предоставленных данных не указана.

Aetheris-Core-2B — языковая модель Miiyamoto255 для локальной генерации текста и диалогов. Она использует плотную архитектуру Gemma 2 с причинной языковой моделью на 2,7 млрд параметров; контекст составляет до 8192 токенов. В карточке заявлены помощь в программировании и разработке игр, рассуждения, следование инструкциям, объяснения, ответы на вопросы, суммаризация и творческая генерация. Указаны Python, JavaScript, HTML/CSS, C и C++, однако метаданные подтверждают английский как язык модели. Модель распространяется в формате Safetensors и предназначена для быстрого локального запуска при умеренных требованиях к памяти. В метаданных её происхождение отмечено как слияние с google/gemma-2-2b-it; карточка при этом называет её созданной с нуля, поэтому детали происхождения описаны противоречиво. Автор заявляет о меньшей склонности к необоснованным отказам. Модель может ошибаться в рассуждениях и ответах, а её надёжность для перечисленных задач не подтверждена приведённой демонстрацией. Указана пользовательская лицензия Miiyamoto255; перед использованием следует ознакомиться с её условиями.

Salesforce CodeGen-Mono 2B — авторегрессионная языковая модель для генерации программного кода. Это плотная модель семейства CodeGen с примерно 2 млрд обучаемых параметров; репозиторий содержит веса PyTorch. Вариант Mono сначала инициализирован из CodeGen-Multi 2B, а затем дополнительно предобучен на наборе BigPython, содержащем 71,7 млрд токенов Python. Модель принимает текстовые подсказки на естественном языке и фрагменты кода, продолжает незавершённый код и вычисляет правдоподобие текстовых последовательностей. Основное назначение — синтез исполняемого кода по англоязычным подсказкам, обычно оформленным как комментарии; модель оценивали на HumanEval и MTPB. Контекст составляет 2048 токенов. Лицензия — BSD 3-Clause. Модель выпущена для исследовательского использования; качество, безопасность и справедливость для конкретных сценариев требуют отдельной оценки.

code-nothink-q4b-20260908 — модель генерации кода на базе Qwen3-4B-Base, дообученная автором методом SFT с LoRA и объединённая с базовыми весами. Это плотная причинно-языковая модель размером 3,7 млрд параметров; репозиторий содержит полные веса bf16 в формате safetensors и собственный набор файлов токенизатора с шаблоном чата. Контекст модели — до 32 768 токенов по метаданным; обучение проводилось с контекстом 8192 токена. Модель предназначена для генерации кода в режиме NoThink и оценки на LiveCodeBench. В описанной исследовательской оценке DEV256 она решила 67 из 256 задач с pass@1; результат получен на одном seed и не является подтверждающим экспериментом. Для инференса README рекомендует использовать токенизатор и шаблон чата из этого репозитория. Лицензия — Apache-2.0.

CodeSage Base — открытая модель для получения векторных представлений исходного кода, представленная авторами работы «Code Representation Learning At Scale». Это энкодерная модель семейства CodeSage с 453 млн параметров; README описывает извлечение эмбеддингов размерностью 1024, а метаданные указывают библиотеку Transformers и формат PyTorch. Модель обучена на данных The Stack и предназначена для задач понимания кода, включая поиск и классификацию. Модель поддерживает девять языков программирования: C, C#, Go, Java, JavaScript, TypeScript, PHP, Python и Ruby. Максимальная длина контекста составляет 2048 токенов. Лицензия — Apache-2.0. README также упоминает CodeSage V2 как более позднее семейство с улучшенными результатами и гибкими размерами эмбеддингов; приведённые характеристики относятся к этому базовому чекпойнту.

pestova/deepseek-coder-1.3b-function-calling-v1 — компактная языковая модель для генерации текста и кода, опубликованная пользователем pestova на Hugging Face. По названию модели она ориентирована на сценарии function calling, то есть формирование структурированных вызовов функций или инструментов.

GraphCode-CErl-codesearch — модель для семантического поиска функций в репозиториях Erlang и C++. Она разработана MatthewsO3 на основе microsoft/graphcodebert-base и дообучена контрастивным обучением для поиска соответствий между запросом на естественном языке и фрагментом кода. Модель использует энкодер GraphCodeBERT с усреднением представлений токенов и L2-нормализацией. Она преобразует запросы и фрагменты кода в векторы общего пространства, которые можно сравнивать по косинусному сходству. Размер модели — 151,8 млн параметров, длина контекста — 514 токенов; для работы используется Transformers. Модель предназначена для построения индекса и поиска релевантных функций в кодовой базе. Обучение охватывало Erlang и C++; инструмент из репозитория также умеет индексировать Python, но модель на данных Python не обучалась, поэтому результаты для него могут быть менее точными. Точность может снижаться для функций без комментариев или документации и неоднозначных запросов; построение больших индексов на CPU медленное. Лицензия — MIT.

Hercules-2.0-Mistral-7B-GGUF — это набор файлов модели в формате GGUF для Locutusque/Hercules-2.0-Mistral-7B. Исходную модель разработал Locutusque, а квантизированную версию подготовил MaziyarPanahi. Модель относится к семейству Mistral и предназначена для генерации текста. В репозитории представлены варианты квантизации от 2 до 8 бит, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K с различным балансом между размером файлов, требованиями к памяти и сохранением качества. README указывает на специализацию исходной модели в задачах, связанных с химией, математикой, программированием и физикой. Размер исходной модели — 7B параметров; сведения о модальностях, поддерживаемых языках и размере контекста не приведены. Формат GGUF подходит для локального запуска через llama.cpp и совместимые приложения, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и другие инструменты. Основные преимущества версии — выбор степени квантизации и возможность локального использования на широком спектре конфигураций. Ограничения связаны с потерями качества при сильной квантизации и отсутствием в README подробных результатов тестирования, характеристик производительности и рекомендаций по выбору конкретного варианта. Лицензия — Apache 2.0.

INTELLECT-1 — базовая языковая модель примерно на 9,7 млрд параметров, разработанная Prime Intellect совместно с участниками сообщества и обученная с нуля на триллионе токенов английского текста и кода. Это плотная модель архитектуры Llama с 42 слоями и контекстом до 8192 токенов; веса доступны в формате safetensors. Модель предназначена для продолжения текста и генерации кода, а также как основа для дальнейшей адаптации. Это базовая модель, а не чат-ассистент: для диалогового использования авторы рекомендуют INTELLECT-1-Instruct. При генерации необходимо добавлять BOS-токен в начало каждого образца, иначе качество может снизиться. Обучение проходило распределённо на данных FineWeb-Edu, FineWeb, Stack V1, DCLM и Open Web Math с использованием алгоритма DiLoCo. Заявленная лицензия — Apache 2.0. Модель обучалась преимущественно на английских данных, поэтому её пригодность для других языков из карточки не следует.

JevCodeLocator-0.6B — компактная модель-реранкер для поиска подходящих фрагментов кода в репозитории по запросу на естественном языке. Она дообучена разработчиком RowletQwQ на базе Qwen/Qwen3-0.6B и использует плотную архитектуру JevDecisionModel с оценочной головой и механизмом set-attention. Модель ранжирует переданный список кандидатов и выдаёт порядок фрагментов и файлов; самостоятельно извлекать кандидатов или строить векторный индекс она не предназначена. Модель рассчитана на локализацию кода по описанию ошибки или поведения, issue, имени символа либо сообщениям об ошибке. В обучении использовались Python, Go, TypeScript/JavaScript, C, C++, Rust, C#, PHP, Java, Ruby и Bash; метаданные карточки отмечают английский и китайский языки. В оценках показаны улучшения ранжирования для нескольких языков программирования, однако свободные вопросы остаются более сложным сценарием, а языки за пределами обучающего набора не проверялись. Список кандидатов должен содержать нужный файл, а длинные функции могут быть усечены в компактном представлении кандидата. Модель не настроена для диалога и не имеет настройки безопасности. Веса и код распространены по лицензии Apache-2.0. README указывает, что обучающая смесь включает проект AGPL-3.0 и проект с некоммерческой лицензией; коммерческое использование может требовать отдельной проверки условий этих источников.

K2-Horizon-7B-Uno-Uncensored-GGUF — это локальная GGUF-версия модели на базе IFM/K2-Horizon-7B, опубликованная пользователем geantendormi. В модель предварительно объединён адаптер Uno, после чего выполнена процедура удаления отказов и квантование с использованием iMatrix и IQ4_XS. Она предназначена для текстовой генерации, локального запуска через llama.cpp и работы на потребительских видеокартах, включая RTX 3060 с 12 ГБ видеопамяти. Модель имеет размер 7B параметров, поддерживает китайский и английский языки, использует формат GGUF и квантование IQ4_XS с плотностью около 4,25 bpw. Размер основного файла составляет примерно 4,76 ГБ. В README заявлена поддержка контекста до 16 384 токенов, а также высокая скорость инференса на RTX 3060: около 57–59 токенов в секунду при генерации и до 626,5 токена в секунду при предварительной обработке запроса. Для запуска требуется версия llama.cpp с поддержкой архитектуры K2-Horizon. Сильными сторонами являются компактный размер, возможность полностью разместить модель в памяти потребительской видеокарты, двуязычная калибровка и ориентация на генерацию кода и технических текстов. Ограничения включают агрессивное IQ4_XS-квантование, потенциальное снижение качества по сравнению с BF16-версией и зависимость от совместимости llama.cpp с нестандартной архитектурой и токенизацией. README описывает модель как uncensored, поэтому встроенные ограничения на потенциально опасные запросы были намеренно ослаблены; заявленные показатели производительности и качества представлены авторами README и не подтверждены независимой оценкой. Лицензия — Apache 2.0.

Kimi-K3-REAP80-MLX-mxfp4-q8 — это сильно прореженная и преобразованная в формат MLX версия модели Kimi-K3 от Moonshot AI, опубликованная пользователем или организацией pipenetwork. Модель предназначена для локального запуска на компьютерах Apple Silicon с большим объёмом unified memory, прежде всего для генерации текста и автодополнения кода через mlx-lm. Исходная Kimi-K3 — нативно мультимодальная MoE-модель с архитектурой Kimi Delta Attention, Attention Residuals и контекстом до 1 млн токенов; её полный размер составляет около 2,78 трлн параметров, из которых активно используется около 104 млрд. В этой сборке после pruning REAP сохранено 179 из 896 экспертов в каждом из 92 MoE-слоёв, всего около 601 млрд параметров и примерно 350 ГБ. Экспертные веса используют битово-идентичный MXFP4, а неэкспертные тензоры хранятся в более высокой точности. Для запуска требуется MLX и специальный загрузчик kimi_k3.py. Главное преимущество сборки — возможность загрузить модель на Apple Silicon с 512 ГБ памяти; на M3 Ultra заявлена скорость генерации около 5,54 токена в секунду. Кодовые продолжения сохраняют структурную корректность лучше, чем общие языковые ответы. Ограничение — агрессивное прореживание с заметным снижением качества по сравнению с полной Kimi-K3: возможны уход в списки или фрагменты исходных файлов, повторы и деградация китайского вывода; для CJK рекомендуется менее сильно прореженная REAP-73. Указана лицензия other с названием kimi-k3.

MaziyarPanahi/mergekit-slerp-fecxcxs-GGUF — это набор файлов модели в формате GGUF, созданный пользователем MaziyarPanahi на основе модели mergekit-community/mergekit-slerp-fecxcxs. Исходная модель разработана сообществом mergekit-community и связана с объединением моделей budecosystem/code-millenials-34b и oobabooga/CodeBooga-34B-v0.1 с использованием подхода mergekit SLERP. Точная архитектура, размер в параметрах и конфигурация исходной модели в README не указаны, однако базовые модели относятся к классу 34B и предназначены для генерации текста и работы с кодом. Модель ориентирована на задачи text generation, включая локальный запуск и применение в инструментах, совместимых с GGUF. Формат поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All, LoLLMS Web UI, candle и рядом других клиентов. Доступны варианты квантования с разрядностью от 2 до 8 бит, что позволяет выбирать компромисс между потреблением памяти, скоростью и качеством генерации. К сильным сторонам относятся широкий выбор квантованных вариантов и совместимость с популярной экосистемой локального инференса на CPU и GPU. При этом README не содержит точных сведений о поддерживаемых языках, размере контекста, мультимодальности, результатах тестирования, качестве на конкретных задачах и рекомендуемых параметрах запуска. Инференс для карточки модели не заявлен. Лицензия в предоставленных данных не указана.

ndpo2 — дообученная модель на 1,3 млрд параметров, созданная на основе deepseek-ai/deepseek-coder-1.3b-base и обученная на наборе generator. Она использует плотную архитектуру семейства Llama и предназначена для генерации текста; базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде. Заявленная длина контекста — 16 384 токена. В README приведены метрики оценки на тестовом наборе, включая loss 0,0429 и точность rewards 0,9836, но не описаны сценарии применения и методика оценки. Модель распространяется в формате safetensors; лицензия указана как other, поэтому условия использования следует проверять в репозитории Hugging Face.

ndpo4 — дообученная модель на 1,3 млрд параметров, созданная на базе deepseek-ai/deepseek-coder-1.3b-base и датасета generator. Она использует плотную архитектуру семейства Llama и предназначена для генерации текста; с учётом базовой модели может применяться для продолжения и автодополнения кода, а также заполнения пропусков в коде. Контекстное окно составляет до 16 384 токенов. Модель опубликована в формате safetensors. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели. README не содержит сведений об оценке качества или дополнительных ограничениях.

Модель RL-Forgetting-Experiments-3/qwen2.5-3b-code-sft-ordered-lr1e5-step102 разработана в рамках экспериментов RL-Forgetting-Experiments и представляет собой готовую к инференсу модель Qwen2.5-3B после supervised fine-tuning для генерации кода. Обучение проведено на наборе qwen3b_code_sft_data_s300; использован упорядоченный порядок данных без replay, на шаге оптимизатора 102. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, реализованная как Qwen2ForCausalLM. Она принимает текст и генерирует текст, включая программный код; поддерживает контекст до 32 768 токенов. Репозиторий использует Transformers и формат safetensors. Модель подходит для генерации и дополнения кода, а также для экспериментов с supervised fine-tuning и забыванием при обучении. README не приводит оценки качества или перечень языков программирования, поэтому результаты для конкретных задач следует проверять отдельно. Базовая модель — Qwen/Qwen2.5-3B; сведения о лицензии в доступных данных отсутствуют.

Qwen2.5-Coder-1.5B-Q8_0-GGUF — это квантизированная версия модели Qwen2.5-Coder-1.5B, преобразованная в формат GGUF. Конвертацию выполнила организация ggml-org с использованием llama.cpp и сервиса GGUF-my-repo; исходная модель разработана командой Qwen. Модель предназначена для генерации текста и прежде всего для задач, связанных с программным кодированием, включая работу с кодом через llama.cpp. Модель содержит 1,5 миллиарда параметров и использует квантизацию Q8_0. Доступна в формате GGUF для локального запуска с помощью llama.cpp, включая CLI и серверный режим. В карточке указаны английский язык и текстовая модальность; размер контекста для рекомендуемого серверного запуска составляет 2048 токенов. Архитектура и перечень поддерживаемых языков программирования в README не уточняются. К сильным сторонам относятся компактный размер, возможность локального развертывания и совместимость с llama.cpp. Ограничения связаны с небольшим размером модели, ограниченным контекстом в приведенном сценарии запуска и отсутствием подробных данных о качестве, тестах и возможностях работы с отдельными языками программирования. Модель распространяется по лицензии Apache-2.0.

SASVA AI Model Cognition Labs (MCL) разработала qwen38-27b-terraform — модель на базе Qwen3.8-27B, обученную с помощью LoRA и объединённую с базовыми весами. Она предназначена для генерации Terraform-конфигураций на HCL по описанию инфраструктуры на естественном языке, включая блоки ресурсов, источников данных, переменных, выходных значений, провайдеров и настроек Terraform. В README указаны сценарии для AWS, GCP, Azure, Kubernetes и других семейств провайдеров; модель рассчитана на инженерную подготовку файлов `.tf`. Модель имеет плотную архитектуру Qwen3.5 и основана на чекпойнте с 27,78 млрд параметров. Для предсказуемой генерации README требует использовать шаблон ChatML базовой модели, точный формат запроса с описанием внутри блока кода и отключённое мышление (`enable_thinking=False`). Репозиторий содержит веса safetensors и вариант GGUF Q4_K_M; GGUF включает только текстовую модель, без башни зрения. Модель лучше всего подходит для целевой генерации HCL, а не для общего диалога: README предупреждает, что общий формат чата не воспроизводит обученное поведение, а режим мышления и вызов инструментов не обучались. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next-Uncensored-REAP288-MTP-MLX-4bit — неофициальная экспериментальная производная модели Qwen3.8-Flash-Next, подготовленная сообществом butterf1ying для локального запуска на компьютерах Apple Silicon с 64 ГБ unified memory. Модель предназначена для генерации текста, программирования, экспериментов с coding-agent, исследований длинного контекста и оценки нативного speculative decoding через MTP. Поддерживаются английский и китайский языки. Модель использует архитектуру qwen4_exp с разреженным MoE-трансформером: 48 языковых слоёв, hidden size 2560, гибридное linear/full attention, 288 маршрутизируемых экспертов на слой и активацию top-10 экспертов совместно с shared expert. Применены MLX affine 4-bit quantization с group size 64 и 4-битное квантование N-gram-таблицы с group size 32. Таблица размером около 29,8 ГиБ отображается с SSD через memory mapping. В составе сохранена нативная однос layer MTP head, заявлена поддержка контекста до 262 144 токенов, а общий размер пакета составляет около 71,67 ГиБ. Мультимодальные vision-веса включены, но работа vision-пути для этой сборки не подтверждена. Сильными сторонами являются возможность запуска крупной MoE-модели на совместимой системе Apple Silicon, уменьшенный за счёт REAP-288 объём экспертов, поддержка локального OpenAI-compatible API и нативного MTP. К ограничениям относятся экспериментальный статус, отсутствие формальной оценки качества и степени снижения отказов, зависимость от mlx-serve и SSD, а также непроверенная мультимодальная функциональность. Сборка тестировалась на Apple M1 Max с 64 ГБ памяти и mlx-serve 26.8.11; приведённые результаты подтверждают загрузку и работу MTP, но не являются общим бенчмарком производительности. Указана лицензия qwen-community-license-1.0.

darioooooo0o представил экспериментальную версию Spark-X2.5-1.7B с модулем условной памяти Engram для генерации кода и алгоритмических рассуждений. Базовая модель Spark-X2.5-1.7B на 1,7 млрд параметров остаётся замороженной; к ней добавлен обученный модуль памяти с многоголовым хешированием n-грамм. В README заявлен контекст до 1 048 576 токенов для базовой модели. Модуль обучен на 25 млн токенов из нескольких наборов данных с кодом. В README приведено предварительное улучшение на валидационной выборке и HumanEval, но автор предупреждает, что модуль сильно недообучен, а результаты предварительные. Модель предназначена прежде всего для генерации кода на нескольких языках программирования; метаданные также указывают на диалоговые и агентные возможности. Репозиторий распространяется под лицензией Apache-2.0.

Tyr-4B-v0.1 — языковая модель, созданная автором trollek путём обучения LoRA-адаптеров и их объединения методом DELLA. Модель основана на trollek/LittleInstructionMaker-4B-v0.2; её плотная архитектура Llama содержит 3,8 млрд параметров, а контекст составляет 8192 токена. В репозитории представлены веса safetensors. Модель предназначена для диалоговой генерации текста, в том числе для задач, связанных с кодом и данными WhiteRabbitNeo. Она обучена с шаблоном ChatML и может использоваться с системным сообщением или без него. В карточке заявлено, что модель может выдавать контент без цензурных ограничений; отдельные показатели качества не приведены. Модель распространяется по лицензии Apache-2.0. Это ранняя версия v0.1; возможности и качество для конкретных задач следует проверять на собственных примерах.

AceReason-Nemotron-14B — языковая модель NVIDIA для решения задач по математике и программированию. Модель построена на плотной архитектуре Qwen2 и содержит 14 млрд параметров; она принимает текст и генерирует текст. Контекстное окно составляет 131 072 токена. Модель обучена с помощью обучения с подкреплением на базе DeepSeek-R1-Distilled-Qwen-14B. Она предназначена для пошагового математического рассуждения, решения олимпиадных задач и генерации кода. В README сообщаются результаты на AIME 2024/2025 и LiveCodeBench; также доступны обучающие материалы и инструменты оценки. Для использования опубликованы веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели NVIDIA. README рекомендует передавать инструкции в пользовательском запросе и задавать модели просьбу рассуждать пошагово; результаты могут зависеть от промпта и параметров генерации.

AmberYifan/capsd-opc-dedup-marin-8b-base-code_ppl_b60000_s0 — дообученная плотная авторегрессионная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Обучение проводилось на наборе capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_ppl_b60000_s0; название набора указывает на смесь данных с кодом, но README не уточняет состав и оценку качества. Модель содержит 7,5 млрд параметров, работает с текстом и имеет контекстное окно 4096 токенов. В метаданных указана возможность чата; основная задача — генерация текста, включая продолжение кода и диалоговые ответы. Базовая модель описана как англоязычная, поэтому английский является основным языком. Модель распространяется под лицензией с обозначением other; конкретные условия следует проверять в репозитории. README не приводит сведений о целевых сценариях, результатах оценки или известных ограничениях.