II.3Рефакторинг, миграция и модернизация

Chat2DB-SQL-7B — языковая модель проекта Chat2DB для преобразования запросов на естественном языке в SQL. Она основана на CodeLlama и дообучена для генерации SQL; архитектура — плотная Llama, размер — около 6,6 млрд параметров. Модель работает с контекстом до 16 384 токенов и поддерживает несколько диалектов, включая MySQL, PostgreSQL и SQLite. Модель подходит для подготовки SQL по текстовому описанию запроса, в том числе с использованием функций и типовых конструкций SQL. В README приведены результаты оценки на Spider для обобщённого SQL, однако гарантии точности для производственного применения нет. Лучше всего модель настроена на MySQL, PostgreSQL и обобщённый SQL; в других диалектах возможны ошибки, особенно в специфичных функциях дат и строк. Лицензия — Apache-2.0.

d4 — дообученная модель генерации кода на базе deepseek-ai/deepseek-coder-1.3b-base, созданная на датасете generator. Она предназначена для продолжения и автодополнения кода, а также заполнения пропусков в нём. Модель использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; максимальная длина контекста — 16 384 токена. Веса опубликованы в формате safetensors. Карточка не приводит результатов оценки или подробных сведений о качестве и ограничениях. Метаданные указывают лицензию other, поэтому перед использованием следует проверить условия лицензии в репозитории модели.

k1 — дообученная модель на 1,3 млрд параметров, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и предназначена для генерации текста; базовая модель специализируется на продолжении, автодополнении и заполнении пропусков в коде. Для k1 указан контекст длиной до 16 384 токенов, формат весов — safetensors. В карточке приведены метрики оценки, но не описаны конкретные сценарии применения или обучающие данные. Лицензия в доступных сведениях не указана.

AyoubChLin/lfm2.5-2.6b-fable5-coding-agent — плотная причинная языковая модель на 2,6 млрд параметров, созданная полным supervised fine-tuning модели LiquidAI/LFM2.5-2.6B на наборе saidutta69/fable-5-premium. Чекпойнт в формате BF16 предназначен для многоходового общения с ассистентом, генерации и объяснения кода, а также формирования вызовов инструментов в агентной системе. Заявленное контекстное окно базовой модели — 131 072 токена. Модель обучалась на первых 5 000 строк обучающей части набора и полных валидационной и тестовой частях; обучение учитывало только токены ответов ассистента. Более половины выбранных обучающих примеров были усечены до 32 000 токенов. Приведённые потери на отложенных данных не сравнивались с базовой моделью и сами по себе не доказывают качество кодирования или агентных действий. Модель экспериментальная, не заявлена как готовая для production. Сгенерированные фрагменты кода и вызовы инструментов могут быть неполными, ошибочными или небезопасными; вызовы нужно проверять и авторизовывать, а код выполнять в изолированной среде. Перед использованием и распространением необходимо соблюдать лицензии базовой модели и обучающего набора; карточка не предоставляет дополнительных прав.

ZeroXClem разработал диалоговую языковую модель, объединив методом Model Stock три модели на архитектуре Llama: Theia-Llama, Fireball-Meta-Llama и Llama-Hawkish. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов; она предназначена для генерации текста и ответов на инструкции в диалоге. Модель ориентирована на вопросы о криптовалютах и финансах, количественные рассуждения, программирование и техническую поддержку. Она может помогать составлять финансовые обзоры, анализировать крипторынок, объяснять математические задачи и генерировать код. Заявлена поддержка английского языка. Модель выпущена в формате Safetensors с типом данных bfloat16 и доступна по лицензии Apache 2.0. Качество ответов и точность финансовых или инвестиционных выводов README не подтверждает независимыми оценками; сгенерированные расчёты и рекомендации требуют проверки.

CDLM-0.5B — компактная языковая модель с маскированной диффузией, разработанная в рамках работы Corrective Diffusion Language Models. Это дообученная на 2 000 шагов версия fredzzp/open-dcoder-0.5B с архитектурой Qwen2 и 494 млн параметров. Модель предназначена для генерации и исправления кода по текстовым запросам; использует двунаправленное внимание и контекст до 32 768 токенов. Для запуска требуется реализация диффузионного Qwen2 из оценочного конвейера проекта: стандартная загрузка через AutoModelForCausalLM интерпретирует веса как причинную модель и даёт неверные результаты. В README также описана особенность использованной реализации функции потерь, из-за которой градиенты при обучении не соответствовали заданным весам отдельных токенов. Модель распространяется по лицензии MIT.

agustindxm/qwen-coder-jailbreak — локальная GGUF-версия Qwen2.5-Coder-7B-Instruct, разработанная на основе модели Qwen от Alibaba Cloud. Модель обработана методом abliteration с использованием Heretic: из residual stream удалено направление, связанное с отказами, без применения LoRA или полноценного дообучения. Пакет подготовлен agusisa/agustindxm и предназначен прежде всего для исследовательских и образовательных задач. Модель ориентирована на генерацию кода, технические вопросы, исследования alignment и отказоустойчивости, red-team-тестирование с разрешения владельца системы, а также разработку детекторов и контрмер. Заявлены английский и испанский языки. Доступны файлы в формате GGUF: квантизация Q4_K_M размером 4,4 ГБ и вариант F16 размером 14,2 ГБ. Базовая модель поддерживает контекст до 32 000 токенов, однако в приведённой конфигурации Ollama установлено ограничение 8192 токена. Для работы используются llama.cpp, LM Studio или Ollama с шаблоном чата Qwen2. Среди заявленных характеристик — 96% успешных срабатываний jailbreak в тесте Heretic и небольшое расхождение с базовой моделью по KL divergence, равное 0,0339, что указывает на преимущественно сохранённое качество исходной модели. Основные ограничения — отсутствие встроенных защитных ограничений в прежнем объёме и повышенный риск небезопасных ответов; модель не рекомендуется для публичных чат-ботов без собственных фильтров, незаконной деятельности или неконтролируемого применения. Распространяется по лицензии Apache 2.0, как и базовая модель.

SoftwareArchitecture-Instruct-v1 — инструктивно дообученная языковая модель Мохамеда Яссера для вопросов по архитектуре программного обеспечения. Она основана на Liquid AI LFM2-1.2B и дообучена на датасете ajibawa-2023/Software-Architecture. Модель имеет плотную гибридную архитектуру LFM2, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для технических специалистов: архитекторов ПО, системных проектировщиков и опытных разработчиков. Она помогает разбирать архитектурные шаблоны, готовить проектные документы и обоснования решений, а также проводить разборы системного дизайна и готовиться к техническим интервью. Основной язык в карточке — английский. Лицензия — Apache-2.0. Ответы могут быть длинными и обрываться при достижении лимита генерации. Охват ключевых слов не всегда полон; архитектурные решения модели следует проверять с участием специалиста. Модель не предназначена для общего общения, глубокой генерации кода или отладки вне архитектурного контекста.

Карточка модели StartupOS/st-codesearch-distilroberta-base на Hugging Face совпадает с карточкой codecompletedeployment/st-codesearch-distilroberta-base, поэтому описание составлено по ней. st-codesearch-distilroberta-base — модель Sentence-Transformers на базе DistilRoBERTa-base, опубликованная в репозитории codecompletedeployment/st-codesearch-distilroberta-base. Она преобразует текстовые запросы и описания векторов предложений в плотные эмбеддинги размерности 768 и предназначена прежде всего для семантического поиска по программному коду на основе текстового запроса. Модель обучалась на датасете CodeSearchNet в течение 10 тысяч шагов с MultipleNegativesRankingLoss; архитектура — RoBERTa, размер — 95,2 млн параметров, максимальный контекст — 514 токенов. Её можно применять для поиска фрагментов кода по естественно-языковому описанию, ранжирования кандидатов по сходству, а также кластеризации текстовых представлений кода. README характеризует модель как предварительную: качество и обучение не были тщательно проверены, поэтому результаты следует оценивать на целевых данных. Лицензия в предоставленных данных не указана.

claude-yolo-vibes-v4-dpo — дообученная David Nichols версия инструкционной Qwen2.5-Coder-7B-Instruct с настройкой стиля ответов и предпочтений методом DPO. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров; репозиторий содержит веса BF16 в формате Safetensors, а заявленная длина контекста — 32 768 токенов. Модель предназначена для диалоговой генерации и работы с кодом. В режиме Vibes она отвечает с острым юмором и может использовать грубоватый стиль, сохраняя способность писать код; в режиме Code выдаёт код без лишних пояснений. По README, обучение включало SFT на сессиях агента и DPO на парах предпочтений. Автор заявляет результат HumanEval Pass@1 88,4%, совпадающий с базовой моделью; это заявление карточки, а не независимая оценка. Модель принимает текст и генерирует текст. Указан английский язык. Лицензия — Apache-2.0. Для локального запуска на Apple Silicon автор предлагает отдельную 4-битную MLX-версию, а также упоминает сборку Ollama в формате GGUF; они не являются файлами этого BF16-репозитория.

Salesforce CodeGen-NL 16B — авт autoregressive-языковая модель для генерации программного кода по запросам на естественном языке и продолжения частично написанного кода. Модель содержит 16 млрд параметров, использует архитектуру CodeGenForCausalLM и доступна в формате PyTorch; базовая длина контекста — 2048 токенов. Вариант NL предварительно обучен на корпусе The Pile, включающем данные с кодом. Модель предназначена прежде всего для синтеза программ: она генерирует исполняемый код по англоязычным подсказкам, оформленным как комментарии, а также может дополнять фрагменты кода. Разработчик оценивал модели семейства на HumanEval и MTPB. Для применения нужны значительные вычислительные ресурсы из-за размера 16B; точность и безопасность результатов следует проверять. Лицензия — BSD-3-Clause; выпуск заявлен для исследовательских целей.

stojchet/d2 — дообученная модель генерации кода на базе deepseek-ai/deepseek-coder-1.3b-base. Она обучена на датасете generator и предназначена для продолжения и автодополнения кода, а также генерации текста по промпту. Модель имеет плотную архитектуру семейства Llama с 1,3 млрд параметров, принимает текст и поддерживает контекст до 16 384 токенов. Карточка не приводит результатов оценки или подробных рекомендаций по применению. Модель опубликована в формате safetensors; лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории.

Huihui-NeoHorse-1-4B-abliterated-GGUF — языковая модель для генерации текста, разработанная huihui-ai на базе TokenRhythm/NeoHorse-1-4B. Модель распространяется в формате GGUF и предназначена для задач следования инструкциям, рассуждений, программирования, использования инструментов и агентских сценариев. В карточке также указано наличие компонентов MTP и Visual, извлечённых из Qwen/Qwen3.5-4B, что должно обеспечивать поддержку визуальных возможностей, однако подробные сведения о поддерживаемых модальностях и языках не приведены. Это экспериментальная версия с уменьшенной фильтрацией отказов, полученная методом abliteration: аблированы слои 5–17 с индексацией от нуля. Заявленный размер — около 1,4 млрд параметров, а рекомендуемый размер контекста при использовании через llama.cpp составляет 262144 токена. К сильным сторонам относятся компактность, поддержка локального запуска через llama.cpp и ориентация на кодирование, рассуждения и tool use. При этом метод модификации описан как грубая proof-of-concept реализация, поэтому качество, стабильность и поведение модели могут быть непредсказуемыми. Фильтрация контента существенно ослаблена, поэтому модель может генерировать чувствительные, спорные или неподходящие материалы и не предоставляет стандартных гарантий безопасности. Она рекомендуется преимущественно для исследований, тестирования и контролируемых сред, а не для публичных или критически важных производственных приложений; необходимы мониторинг и проверка результатов человеком. Лицензия — Apache 2.0.

pipenetwork/Kimi-K3-REAPgraded-MLX-mxfp4-q8 — это версия модели Kimi-K3 от Moonshot AI, подвергнутая агрессивному экспертному pruning методом REAP и конвертированная в формат MLX для запуска на компьютерах Apple Silicon. Модель относится к мультимодальным MoE-моделям, но README не уточняет полный перечень поддерживаемых модальностей и языков. Базовая Kimi-K3 имеет 2,78 трлн параметров, из которых 104 млрд активируются на токен, использует Kimi Delta Attention, Attention Residuals и контекст до 1 млн токенов. В данной версии сохранено 326 из 896 экспертов в каждом из 92 MoE-слоёв; заявленный объём составляет около 1,048 трлн параметров и 451 ГБ. Основное назначение модели — локальная генерация текста и кода через mlx-lm на Apple Silicon с unified memory объёмом около 512 ГБ. Благодаря сохранению наиболее значимых экспертов и наличию двух общих экспертов модель лучше сохраняет структурную корректность генерации кода, чем обычное удаление экспертов. Квантизация сохранённых наиболее важных весов в MXFP4 является побитово точной копией исходных весов Moonshot; менее значимые эксперты используют 2-битное представление. Заявлена скорость около 2,68 токена в секунду на M3 Ultra с 512 ГБ памяти. Это компромиссная сборка для размещения большой модели на одной машине, а не вариант с максимальным качеством. Из-за pruning ожидается заметное ухудшение языковых способностей по сравнению с полной Kimi-K3: возможны уход в спискообразные или похожие на исходный файл продолжения, дрейф ответа и циклы повторения, особенно при агрессивных сценариях. Уменьшение числа сохранённых экспертов сокращает требования к памяти, но не обязательно ускоряет генерацию, поскольку на каждый токен приходится считывать общие тензоры и выбранные эксперты. Лицензия указана как other с названием kimi-k3; дополнительные условия использования в README не приведены.

Susant-Achary/LFM2.5-8B-A1B-UltraData-L2-49M — экспериментальный чекпойнт для генерации кода, созданный продолжением предобучения LiquidAI на базе LiquidAI/LFM2.5-8B-A1B-Base. Обучение второго этапа велось на наборе openbmb/UltraData-Code; в README указано 48,99 млн входных токенов и Python как язык обучения. Модель построена на архитектуре LFM2 MoE и содержит 1,6 млрд параметров; репозиторий использует Transformers и формат safetensors. Метаданные указывают контекст 128 000 токенов, тогда как в README для обучения указана длина контекста 8 192 токена. Модель предназначена для генерации и дополнения кода, а также для дальнейшей supervised fine-tuning. В README приведены результаты pass@1: 0,482 на HumanEval и 0,439 на HumanEval+. Это экспериментальный чекпойнт специализации на коде, поэтому результаты не гарантируют качество для произвольных задач программирования. Перед распространением или коммерческим использованием следует проверить лицензию базовой модели и лицензии набора данных и его источников.

Это объединённая модель семейства Gemma, созданная сообществом mergekit из unsloth/codegemma-7b и cloudyu/google-gemma-7b-chinese-sft-v1 методом SLERP. Модель содержит 8,2 млрд параметров, использует архитектуру GemmaForCausalLM и формат safetensors; заявленный контекст составляет 8192 токена. Модель предназначена для генерации текста, в том числе для сценариев с кодом и китайским языком, поскольку объединяет CodeGemma и китайскую SFT-модель Gemma. Сведения о лицензии и конкретных оценках качества в предоставленных данных отсутствуют.

OneSQL-v0.2-Qwen-3B — дообученная языковая модель от onekq-ai для генерации SQL-запросов по описанию схемы базы данных и запросу на естественном языке. Она основана на unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit и использует архитектуру Qwen2 с плотной моделью Qwen2ForCausalLM; число параметров — 3,1 млрд, контекст — до 32 768 токенов. Для работы в промпте сначала задают схему базы данных в формате CREATE TABLE, затем запрос на естественном языке с префиксом --, а в конце оставляют SELECT, после которого модель продолжает запрос. Репозиторий содержит полные веса версии OneSQL-v0.1-Qwen-3B. Модель представлена как text-generation и поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Лицензия в доступных данных не указана.

Shuu12121/Owl-ph2-len2048 — модель Sentence Transformer на базе ModernBERT, разработанная для поиска кода и извлечения кода по текстовым запросам. Она преобразует исходный код и естественный язык в плотные векторы размерности 768, которые можно сравнивать по косинусному сходству. Модель обучена на корпусе Owl из 800 640 пар для поиска кода и связи «код—текст»; в README указана максимальная длина последовательности 1024 токена, а предобучение базовой модели проводилось с длиной до 2048 токенов. Метаданные указывают контекст до 8192 токенов. Модель подходит для семантического поиска функций в репозитории, поиска исходного кода по описанию на естественном языке и ранжирования кандидатов по смысловой близости. Она рассчитана на английский язык согласно карточке и языковым тегам; README описывает обучающие примеры по нескольким языкам программирования, но не перечисляет их. Лицензия — Apache-2.0. Эмбеддинги предназначены для dense retrieval; качество зависит от корпуса и формулировки запроса.

PolyCoder-2.7B — авторегрессионная языковая модель для генерации кода, представленная в исследовании «A Systematic Evaluation of Large Language Models of Code». Модель имеет архитектуру GPT-NeoX; в README указано 2,7 млрд параметров, а метаданные Hugging Face сообщают 3,5 млрд параметров. Обучена на 249 ГБ кода на 12 языках программирования и принимает текстовый контекст длиной до 2048 токенов. Модель предназначена для продолжения и генерации кода. Карточка рекомендует Transformers версии 4.23.0 или новее. Сведения о лицензии и конкретных ограничениях применения в предоставленных материалах отсутствуют.

dcostenco/prism-coder-14b — диалоговая модель для генерации кода и вызова инструментов, созданная на базе Qwen3-14B. Она предназначена для использования в качестве маршрутизатора инструментов и для задач, где нужно генерировать текст или код в диалоговом формате. Репозиторий содержит модель в формате GGUF; базовая модель имеет 14 млрд параметров. Модель устарела: автор рекомендует вместо неё prism-coder:9b на базе Qwen3.5-9B, указывая более высокий результат BFCL и меньший размер. Модель распространяется по лицензии Apache-2.0. README сообщает об отсутствии галлюцинаций в указанной оценке, но не приводит методику измерения; это утверждение не следует трактовать как гарантию поведения модели.

Qwen3-8B-Critic-SFT-Detailed-Prompt — модель-критик на 7,6 млрд параметров, разработанная командой Steer для оценки хода работы кодирующих агентов. Это полнопараметрическая донастройка Qwen/Qwen3-8B на примерах критики, сформированной учителем Claude Opus 4.6 с подробным промптом. Модель предназначена для пошагового выявления ошибок и выдачи рекомендаций при решении задач разработки ПО, в том числе задач из SWE-bench Verified. Подробный промпт при обучении разрешал предлагать конкретные исправления кода. По описанию исследования, агенты могут копировать такие фрагменты кода, а эта версия показала более низкий процент успешного решения задач, чем вариант, обученный на краткой критике высокого уровня. Модель принимает текст и генерирует текст; карточка указывает архитектуру Qwen3ForCausalLM, контекст до 40 960 токенов и английский язык. Для запуска авторы описывают использование vLLM в формате bf16. Лицензия — Apache-2.0.

s2593817/sft-sql-embedding — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для сравнения и поиска по SQL-запросам. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура объединяет MPNet, усреднение токенов и нормализацию. Для оценки сходства используется косинусная близость. Модель содержит 136,7 млн параметров, создана с библиотекой Sentence Transformers и обучалась на 300 000 парах SQL-запросов с оценками сходства с использованием CoSENTLoss. Модель подходит для семантического поиска SQL-запросов, ранжирования похожих запросов, поиска перефразировок и группировки запросов. Вход — текст; результат — векторное представление, которое можно сравнивать по косинусной близости. Метаданные указывают контекст до 514 токенов, тогда как README сообщает максимальную длину последовательности 384 токена. Язык данных явно не указан; обучающие примеры представлены SQL с англоязычными идентификаторами и ключевыми словами. Лицензия в предоставленных источниках не указана.

flax-sentence-embeddings/st-codesearch-distilroberta-base — модель эмбеддингов на базе DistilRoBERTa, обученная разработчиками flax-sentence-embeddings на датасете CodeSearchNet. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска фрагментов программного кода по текстовому запросу, а также для семантического поиска и кластеризации. Модель содержит 95,2 млн параметров, использует архитектуру RoBERTa и принимает текст. Её контекст составляет до 514 токенов. Для поиска кода она была обучена на задаче CodeSearchNet в течение 10 тысяч шагов с MultipleNegativesRankingLoss. Карточка характеризует её как предварительную и отмечает, что обучение было недостаточно тщательно проверено и развито, поэтому качество поиска может быть ограниченным. Сведения о лицензии в предоставленных материалах отсутствуют.

laion/tt-x5_gradnorm-gn0p9 — дообученная методом обучения с подкреплением модель на базе Qwen/Qwen3-Coder-30B-A3B-Instruct. Обучение проводилось с RLOO и FSDP2 для агентных задач из набора terminal-bench exp_rpt_multifile с использованием среды terminus-2 Harbor. Модель предназначена для генерации текста в агентных сценариях, связанных с работой в терминале и обработкой нескольких файлов. Это MoE-модель семейства Qwen3 с архитектурой Qwen3MoeForCausalLM, 2,6 млрд параметров и контекстом до 262 144 токенов. Метаданные указывают английский язык и поддержку чата. Лицензия в предоставленных данных не указана.

Wichtel-Qwen3.6-27B — локальная диалоговая модель Schneewolf Labs на архитектуре Qwen3.5, предназначенная для управления инструментами и написания кода на Hemlock. Модель объединяет четыре адаптера в один набор весов; в репозитории указаны возможности работы с изображениями и кодом. Размер модели и длина контекста в предоставленных данных не указаны. Основные сценарии — выбор и вызов инструментов, передача обычных инженерных задач кодовому агенту и генерация программ на Hemlock. В README сообщается результат 47 из 47 на внутреннем тесте использования инструментов и 67,6% на Hembench; это результаты тестов разработчика, а не независимая оценка. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README также описана сборка для llama.cpp с MTP-головой, но метаданные указывают safetensors как формат файлов репозитория.

CodeGemma 2B — компактная предварительно обученная модель для работы с кодом, разработанная Google на основе Gemma. Это декодерная текстовая модель с 2 млрд параметров, рассчитанная прежде всего на быстрое автодополнение кода, включая заполнение пропусков между заданным префиксом и суффиксом (fill-in-the-middle) в редакторе. Она принимает фрагменты кода и контекст, а также текстовые подсказки, и генерирует продолжение кода или текст. Модель подходит для встраивания в IDE и сценариев помощи при написании кода. При обучении использовались преимущественно англоязычные данные из открытых репозиториев кода, математические наборы данных и синтетически созданный код. Карточка указывает лицензию Gemma; использование регулируется условиями Google Gemma. Это предварительно обученная модель, не предназначенная для диалогового взаимодействия: возможности чата и следования инструкциям в карточке отнесены к варианту CodeGemma 7B IT. Как и другие большие языковые модели, она может выдавать ошибочный код; карточка отсылает к ограничениям Gemma.

CodeGen2.5-7B-multi — авторегрессионная языковая модель для генерации программного кода из семейства CodeGen2.5, разработанная Эриком Найкампом, Хироки Хаяси, Инбо Чжоу и Цаймином Сюном. Модель содержит 6,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и работает с контекстом до 2048 токенов. Она обучена на 1,4 трлн токенов из StarCoderData и поддерживает несколько языков программирования. Модель предназначена прежде всего для синтеза и автодополнения кода по текстовым запросам на английском языке, а также для заполнения пропусков внутри фрагментов кода в формате infilling. В README сообщается о сравнительных результатах с более крупной StarCoderBase-15.5B, но конкретные показатели здесь не приведены. Модель может воспроизводить фрагменты кода из обучающего набора, поэтому перед использованием сгенерированного кода следует проверять его корректность и лицензионные требования. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В README релиз обозначен как исследовательский; качество, безопасность и справедливость модели не оценены для всех вариантов практического применения.

CodeScout-4B — языковая модель OpenHands для поиска и локализации кода в репозиториях. Она дообучена методом обучения с подкреплением GSPO на базе Qwen3-4B-Instruct-2507 и содержит 3,7 млрд параметров. Модель принимает описание задачи или ошибки и помогает определить связанные с ней файлы, классы и функции в репозитории. Модель предназначена для работы как агент локализации в составе более крупной системы программирования. Она использует scaffold OpenHands-Bash с терминалом и стандартными Unix-командами, а также инструментом для структурированной отправки результата. В README приведены результаты на SWE-Bench и указаны контексты обучения до 40 тысяч токенов; метаданные модели указывают нативный контекст до 262 144 токенов. CodeScout-4B обучалась и оценивалась только на Python-репозиториях, поэтому её качество на других языках и репозиториях может отличаться. Она предназначена для локализации кода, а не его редактирования или полного решения задачи; для оптимальной работы требуется scaffold OpenHands-Bash. Модель распространяется по лицензии Apache-2.0.

CodeSearch-ModernBERT-Owl-Plus — модель эмбеддингов кода и текстовых запросов, разработанная Shuu12121 на основе CodeModernBERT-Owl v1.0 и дообученная в архитектуре Sentence-BERT. Она предназначена для поиска функций в кодовых базах по запросам на естественном языке и для построения двухэтапных систем извлечения: модель кодирует запросы и фрагменты кода в векторы, которые затем можно сравнивать по близости. Модель основана на ModernBERT, содержит 151,6 млн параметров и поддерживает контекст до 8192 токенов. В карточке заявлена работа с Python, Java, JavaScript, Go, PHP, Ruby и Rust. Для CodeSearchNetRetrieval указаны NDCG@10 0,8918 и MRR@10 0,8704; README также приводит результаты COIR-CodeSearchNetRetrieval. Модель распространяется по лицензии Apache-2.0. Она выдаёт семантические эмбеддинги, а не готовые ответы или исполняемый код. Заявленные оценки относятся к конкретным наборам CodeSearchNet и COIR, поэтому качество на других языках программирования и кодовых базах может отличаться.

Ganesh Mini — текстовая модель для генерации кода, созданная как дообучение Qwen/Qwen3.5-2B. Она рассчитана на диалоги в режиме генерации без рассуждений и на написание кода на Go, Java, JavaScript, TypeScript, Python и Rust. Контекст составляет 8 192 токена. Репозиторий содержит объединённый BF16-чекпойнт Transformers, адаптер LoRA ранга 8 и экспорты GGUF в вариантах F16 и Q8_0. В локальной публичной диагностике на 952 задачах модель прошла на одну задачу меньше, чем исходная Qwen; результаты не подтверждают общего улучшения и не являются официальным рейтингом. Зрение не оценивалось. Модель может выдавать ошибочный, небезопасный или некомпилируемый код, а эквивалентность экспортов на полном наборе языков не проверена. Код следует запускать только в изолированной среде с ограниченными ресурсами и отключённой сетью. Лицензия — Apache-2.0.