II.3Рефакторинг, миграция и модернизация

claudios/graphcodebert-base — неофициальная перезагрузка microsoft/graphcodebert-base в формате SafeTensors, подготовленная с Transformers 4.40.1. GraphCodeBERT — предварительно обученная модель на базе Transformer и RoBERTa для представления программного кода; при обработке она учитывает структуру потока данных вместе с последовательностью токенов. В модели 12 слоёв, размер скрытого состояния 768 и 12 голов внимания; максимальная длина входа — 512 токенов. Модель обучена на CodeSearchNet, содержащем 2,3 млн функций с парами документации для шести языков программирования. Она предназначена для извлечения признаковых представлений кода, которые можно использовать как основу для поиска и других задач анализа кода. Репозиторий распространяется по лицензии MIT. Это перезагрузка базовых весов, а не отдельное дообучение; автор отмечает, что мог внести небольшие исправления, например в конфигурацию максимальной длины.

k5 — дообученная модель для генерации текста, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; модель сохранена в формате Safetensors. Базовая модель предназначена для продолжения и автодополнения кода, включая заполнение пропусков, поэтому эти сценарии подходят и для k5, хотя карточка не описывает её специализацию подробнее. В README приведены метрики оценки: loss 0,2886 и показатели предпочтений chosen/rejected, но не раскрыты обучающие данные, методика оценки и предназначенное применение. Контекст модели — до 16 384 токенов. Лицензия указана как other, поэтому условия использования следует уточнять на странице модели.

RESMP.DEV LFM2.5-Encoder-230M-Code-BF16 — исследовательская производная модель на основе LiquidAI/LFM2.5-Encoder-230M, неофициально выпущенная RESMP.DEV. Это плотный двунаправленный энкодер семейства LFM2 размером 221,2 млн параметров; исходную голову masked language modeling удалили, а весь энкодер дообучили контрастивным методом для многоязычного поиска по коду. Модель предназначена для получения векторных представлений запросов и фрагментов кода и поиска подходящих фрагментов, в том числе в экспериментах на малых устройствах. Артефакт BF16 служит эталонной версией качества и доступен для Transformers; заявленная длина контекста — 128 000 токенов. В описанном тесте на 6 995 парах модель показала MRR 0,3960 и Recall@10 0,5375; результаты заметно различались по языкам: MRR для Python — 0,8360, для TypeScript — 0,2527. Эти показатели относятся к указанному тестовому набору и ограничениям длины запросов и фрагментов, поэтому не гарантируют такое же качество на других корпусах. Репозиторий распространяется по лицензии с меткой «other»; конкретные условия следует проверять в файлах репозитория.»,

RESMP.DEV LFM2.5 Encoder 350M Code BF16 — исследовательский релиз, производный от LiquidAI/LFM2.5-Encoder-350M и не являющийся официальным выпуском Liquid AI. Это плотный двунаправленный энкодер семейства LFM2, дообученный контрастивным обучением всего энкодера для многоязычного поиска по коду. Удалена исходная голова masked language modeling; чекпойнт BF16 предназначен как эталон качества и переносимый артефакт для Transformers. Модель преобразует запросы и фрагменты кода в векторы для поиска релевантных фрагментов. В README приведены результаты на отложенном наборе из 6 995 пар; показатели заметно различаются между Python и TypeScript, поэтому качество на конкретном языке и корпусе следует проверять отдельно. Размер составляет 444,6 млн параметров, контекст — до 128 000 токенов. Модель рассчитана на код и мультиязычные сценарии; конкретный перечень естественных языков в предоставленных данных не раскрыт. Лицензия в метаданных указана как other, поэтому условия коммерческого и иного использования нужно сверить с карточкой репозитория. Это исследовательский релиз, а практическая скорость и потребление памяти зависят от оборудования и среды запуска.

MPT-7B — базовая языковая модель MosaicML на основе декодерного трансформера, обученная с нуля на 1 трлн токенов английского текста и кода. Это плотная модель с 6,7 млрд параметров и 32 слоями; она предназначена для генерации продолжений текста и кода и может служить основой для дальнейшего дообучения под конкретные задачи. В архитектуре используются FlashAttention и ALiBi вместо позиционных эмбеддингов. ALiBi позволяет обрабатывать длинные входы, однако карточка не задаёт фиксированный предел контекста для этого репозитория. Для загрузки через Transformers требуется включить trust_remote_code=True; модель использует код архитектуры MPT. Доступен формат PyTorch. Модель обучалась преимущественно на английских данных, поэтому её основное назначение — англоязычная генерация. Это базовая модель, не предназначенная для прямого применения в диалоге без дообучения и защитных механизмов; возможны фактические ошибки, предвзятые или оскорбительные ответы. Лицензия Apache-2.0 разрешает коммерческое использование.

NVIDIA Nemotron-3-Super-120B-A12B-Base — базовая большая языковая модель, обученная NVIDIA с нуля для дальнейшего дообучения, в том числе под следование инструкциям и генерацию кода. Это не чат-модель, а исходная платформа для разработчиков и исследователей, создающих специализированные языковые модели и AI-агентов. Модель использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture-of-Experts, а также отдельными слоями Attention и Multi-Token Prediction. В README заявлены 120 млрд параметров всего и 12 млрд активных; метаданные Hugging Face указывают 6,6 млрд параметров. Поддерживается контекст до 1 048 576 токенов. Модель принимает и генерирует текст; заявлена поддержка 20 языков, включая русский, английский и китайский. Обучение велось более чем на 25 трлн токенов с NVFP4 для повышения вычислительной эффективности; MTP может ускорять генерацию с помощью speculative decoding. Модель предназначена для коммерческого использования. В метаданных указана лицензия other, поэтому конкретные условия следует сверять с лицензией и условиями распространения NVIDIA. Для запуска NVIDIA ориентирует на GPU-системы, в частности Ampere, Hopper и Blackwell; применение требует проверки на данных конкретного сценария. Это базовая модель, поэтому готовое следование инструкциям или качество чат-ответов не гарантируются.

Карточка модели tmickleydoyle/Question-To-Code на Hugging Face совпадает с карточкой tmickleydoyle/Python-Code-Completer, поэтому описание составлено по ней. tmickleydoyle/Python-Code-Completer — дообученная модель для генерации и дополнения кода Python. Она создана разработчиком tmickleydoyle на основе unsloth/qwen2.5-coder-1.5b-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; заявленный контекст — до 32 768 токенов. Модель подходит для продолжения фрагментов Python-кода и помощи при написании кода по текстовым запросам. В карточке указаны английский язык и лицензия Apache-2.0. README не приводит результатов оценки качества или подробностей обучающих данных, поэтому надёжность генерации и охват конкретных библиотек по доступным сведениям оценить нельзя.

Manojb/Qwen3-4B-toolcalling-gguf-codex — дообученная модель семейства Qwen3, созданная на базе Qwen/Qwen3-4B-Instruct-2507. Она предназначена для диалогов и генерации текста с вызовом инструментов: выбора подходящего инструмента, формирования аргументов и выполнения многошаговых сценариев. README сообщает о дообучении LoRA на 60 тысячах примеров вызова функций Salesforce/xlam-function-calling-60k. Модель содержит около 3,7 млрд параметров, распространяется в формате GGUF и рассчитана на локальный запуск, в том числе через Ollama. Заявленная длина контекста — до 262 144 токенов; карточка указывает поддержку английского языка. По описанию, локальный запуск подходит для помощников по программированию, прототипирования и сценариев, где важно не отправлять данные в облако. Лицензия — MIT. README приводит результаты собственных тестов точности выбора инструментов и извлечения параметров, но не описывает методику оценки, поэтому эти числа следует считать заявлениями автора. Практическое качество вызова инструментов может зависеть от формата запросов и используемой обвязки; GGUF также предполагает ограничения производительности и памяти конкретного устройства.

Refact-1.6B-base — базовая авторегрессионная модель для генерации кода от Refact AI. Её основное назначение — дополнение и заполнение пропусков в коде с помощью формата Fill-in-the-Middle (FIM); модель также поддерживает экспериментальный чат в роли программного ассистента. Модель построена на архитектуре GPTRefact с multi-query attention, ALiBi и LayerNorm. Она обучена на 1,2 трлн токенов: примерно поровну на программном коде и английских текстах, включая материалы по информатике. Контекст — 4096 токенов; доступны веса PyTorch, библиотека Transformers. Практическое применение ограничено склонностью FIM-режима к повторениям; качество на естественных языках, кроме английского, ниже. Карточка отмечает возможные проблемы с FIM-форматом. Лицензия — BigScience OpenRAIL-M.

Salesforce CodeT5+ 220M Bimodal — компактная модель семейства CodeT5+, представленная Salesforce Research в работе о моделях для понимания и генерации кода. Это энкодерная модель с проекционным слоем и головой сопоставления текста и кода; контрольная точка обучена на парах текста и кода из очищенного набора GitHub Code. В метаданных указаны 123,7 млн параметров и контекст до 512 токенов. Модель предназначена прежде всего для получения представлений кода и текста, которые можно использовать в задачах сопоставления и поиска по коду. Обучающие данные включают код на C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. Кодовая карточка описывает семейство CodeT5+ и его режимы для понимания и генерации, однако данный чекпойнт обозначен как bimodal и извлекающий признаки, а не как специализированный генератор инструкций. Модель доступна под лицензией BSD-3-Clause. Авторы рекомендуют проверять её точность и безопасность перед применением: модель и обучающие данные не оценивались для всех возможных сценариев.

Карточка модели GENNKANN/Gemma-4-31B-JANG_4M-CRACK на Hugging Face совпадает с карточкой YuviAzu/Gemma-4-31B-JANG_4M-Jailbreak, поэтому описание составлено по ней. YuviAzu/Gemma-4-31B-JANG_4M-Jailbreak — конверсия Gemma 4 31B Instruct от dealignai с удалёнными ограничениями на ответы и смешанной точностью. Модель построена на плотном трансформере Gemma 4 с гибридным скользящим и глобальным вниманием; карточка сообщает о 60 слоях и размере около 18 ГБ. Веса внимания и эмбеддинги сохранены в 8-битном представлении, остальные компоненты преимущественно сжаты до 4 бит. Для запуска указан MLX или совместимый движок с поддержкой Gemma 4; рекомендуются Apple Silicon и не менее 24 ГБ объединённой памяти. Модель предназначена для диалогов, написания кода и ответов на запросы, в том числе на темы, от которых обычные модели могут отказаться. В README приведены результаты собственных тестов: 93,7% соответствия запросам в HarmBench и снижение результата MMLU на 2 процентных пункта; это заявления автора карточки, а не независимая оценка. Лицензия — Gemma; модель ориентирована на исследование поведения моделей безопасности. Карточка также сообщает о сохранённом vision-энкодере, но не описывает проверенные сценарии работы с изображениями.

Карточка модели TitanPythons/Gemma-4-31B-JANG_4M-Uncensored на Hugging Face совпадает с карточкой YuviAzu/Gemma-4-31B-JANG_4M-Jailbreak, поэтому описание составлено по ней. YuviAzu/Gemma-4-31B-JANG_4M-Jailbreak — конверсия Gemma 4 31B Instruct от dealignai с удалёнными ограничениями на ответы и смешанной точностью. Модель построена на плотном трансформере Gemma 4 с гибридным скользящим и глобальным вниманием; карточка сообщает о 60 слоях и размере около 18 ГБ. Веса внимания и эмбеддинги сохранены в 8-битном представлении, остальные компоненты преимущественно сжаты до 4 бит. Для запуска указан MLX или совместимый движок с поддержкой Gemma 4; рекомендуются Apple Silicon и не менее 24 ГБ объединённой памяти. Модель предназначена для диалогов, написания кода и ответов на запросы, в том числе на темы, от которых обычные модели могут отказаться. В README приведены результаты собственных тестов: 93,7% соответствия запросам в HarmBench и снижение результата MMLU на 2 процентных пункта; это заявления автора карточки, а не независимая оценка. Лицензия — Gemma; модель ориентирована на исследование поведения моделей безопасности. Карточка также сообщает о сохранённом vision-энкодере, но не описывает проверенные сценарии работы с изображениями.

jdpo5k5 — дообученная модель на основе deepseek-ai/deepseek-coder-1.3b-base, созданная на датасете generator. Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста; базовая модель ориентирована на продолжение и автодополнение кода. Для неё указано контекстное окно 16 384 токена, веса доступны в формате Safetensors. Модель может использоваться для генерации и продолжения кода, однако README не описывает назначение дообучения, качество, оценку или специальные ограничения. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и условиями базовой модели.

mini-coder-4b — плотная языковая модель для программирования и агентного решения задач в репозиториях. По README, она обучена на 400 тысячах траекторий с использованием mini-swe-agent и датасета SWE-smith с задачами из GitHub. Метаданные классифицируют её как дообучение Qwen/Qwen3-4B-Instruct-2507 и указывают архитектуру Qwen3ForCausalLM с 3,7 млрд параметров; README также описывает её как дистиллированную из Qwen 3 Coder 30B A3B, поэтому точный способ получения базовых весов по источникам не вполне согласован. Модель предназначена для генерации кода и траекторий, помогающих исправлять программные ошибки и решать задачи SWE-bench. Авторы приводят результаты SWE-bench Verified Bash, где модель показывает pass@1 26,8 и pass@100 60,2, и описывают запуск через vLLM в связке с mini-swe-agent. Заявленный контекст составляет 262 144 токена. Модель работает с текстовым вводом и выдаёт текст, включая код; поддержка русского языка не заявлена. Модель распространяется под лицензией MIT. Результаты бенчмарка ограничены указанным набором SWE-bench Verified Bash и сами по себе не гарантируют аналогичное качество на других задачах; README не приводит сведений о безопасности или надёжности сгенерированного кода.

Panda-Coder 13B — языковая модель AI Planet для генерации кода по инструкциям на естественном языке. Это дообученная версия CodeLlama-13B-Instruct с архитектурой LlamaForCausalLM и примерно 12,9 млрд параметров; модель распространяется в формате safetensors и рассчитана на контекст до 16 384 токенов. Модель предназначена для преобразования текстовых запросов в код и помощи в решении задач программирования. При дообучении использовались наборы инструкций TokenBender/code_instructions_122k_alpaca_style и Evol-Instruct-Code-80k-v1. В карточке заявлена поддержка английского языка; примеры охвата других языков программирования в README относятся к возможным будущим улучшениям. Для запуска автор рекомендует vLLM и видеокарту с 30 ГБ VRAM, предпочтительно A100. Лицензия — Apache-2.0. Качество и корректность сгенерированного кода следует проверять: README не приводит результатов независимых оценок.

Manojb/Qwen3-4b-toolcall-gguf-llamacpp-codex — языковая модель на базе Qwen3-4B-Instruct-2507, дообученная автором с помощью LoRA на примерах вызова функций Salesforce/xlam-function-calling-60k. Она предназначена для диалогов с инструкциями и формирования вызовов инструментов в локальных агентных системах и помощниках для разработки. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и распространяется в формате GGUF с квантизацией Q8_0; заявленный контекст — до 262 144 токенов. README описывает запуск через llama-cpp-python и локальную обработку данных. Карточка заявляет точность вызова функций более 94% на тестовом наборе, однако методика и состав оценки не приведены. Поддерживаемый язык карточки — английский. В метаданных указана лицензия MIT, тогда как README указывает Apache 2.0; лицензию следует сверить с файлами репозитория.

Qwen3.5-9b-Sushi-Coder-RL-GGUF — мультимодальная модель для генерации кода, разработанная bigatuna на базе Qwen 3.5. Это GGUF-экспорт модели Qwen3.5-9b-Sushi-Coder-RL, обученной с применением supervised fine-tuning и reinforcement learning для задач программирования. В обучении использовались наборы данных open-r1/codeforces-cots и nohurry/Opus-4.6-Reasoning-3000x-filtered, а RL-этап выполнялся с использованием NousResearch/atropos и hermes-agent. Модель предназначена для генерации и решения задач программирования, включая сценарии, связанные с Codeforces и LiveCodeBench. Она поддерживает текстовый ввод и мультимодальные возможности; для работы требуется использовать текстовый GGUF вместе с файлом BF16-mmproj. Доступны варианты квантования Q4_K_M и Q8_0, а также BF16-mmproj. В README указана архитектура Qwen 3.5 и поддержка английского языка; в сопоставимых тестах использовался контекст длиной 4096 токенов. Сильной стороной модели является заметное превосходство над базовой Qwen3.5-9B в приведённой оценке LiveCodeBench: показатель codegen_pass@1:16 составил 0,2015 при детерминированной генерации и 0,2388 при sampling. Ограничения включают зависимость мультимодального режима от отдельного mmproj-файла, а также отсутствие в README подробных сведений о полном перечне поддерживаемых языков программирования, максимальном контексте и качестве за пределами указанных тестов. Модель распространяется по лицензии Apache-2.0.

Alittlehammmer/Qwen3.6-27B-DFlash-GGUF-llama.cpp — это набор GGUF-квантизаций модели z-lab/Qwen3.6-27B-DFlash, подготовленный пользователем Alittlehammmer для запуска через llama.cpp. Модель предназначена для генерации текста и сценариев agentic coding, а также для использования в качестве draft-модели в speculative decoding вместе с совместимыми квантованными версиями Qwen3.6-27B. Доступны варианты Q4_K_M, Q5_K, Q6_K, Q8_0 и BF16 с разрядностью от 4 до 16 бит и размером примерно от 1,03 до 3,47 ГБ. Версия Q8_0 описана как почти без потерь и рекомендуемая, а BF16 является эталонным файлом полной точности. Формат GGUF и интеграция с llama.cpp упрощают локальный запуск, однако README не содержит сведений о точной архитектуре, поддерживаемых языках, размере контекста, модальностях, результатах тестирования и самостоятельных возможностях базовой модели. Для использования требуется llama.cpp и совместимые квантованные модели Qwen3.6; в примере применяется режим draft-dflash с параметрами llama-server. Автор отмечает, что настройка sm = tensor может приводить к сбою при запуске, тогда как sm = layer используется в рабочем примере. Лицензия указана как Apache-2.0, при этом подробности возможностей и ограничения следует уточнять в карточке исходной модели.

ReflectionCoder-CL-34B — языковая модель для генерации кода, разработанная авторами проекта ReflectionCoder. Подход ReflectionCoder использует последовательности рефлексии, сформированные с учётом обратной связи компилятора, чтобы улучшать генерацию кода за один проход. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 33,5 млрд параметров; поддерживает контекст до 16 384 токенов и доступна в формате safetensors. Модель предназначена для генерации кода по запросу и работы в диалоговом формате. В README приведены результаты HumanEval и MBPP, а также пример использования через Transformers. Метаданные указывают английский язык и лицензию Apache-2.0; при этом README сообщает о лицензии Llama 2 для варианта CL-34B, поэтому условия распространения следует сверить с файлами репозитория и лицензиями базовой модели.

ReflectionCoder-CL-7B — языковая модель для генерации кода, разработанная SenseLLM. Подход ReflectionCoder использует последовательности рефлексии, построенные с учётом обратной связи компилятора, чтобы улучшать генерацию кода за один запрос. В карточке для этой версии приведены результаты HumanEval 75,0 (68,9) и MBPP 72,2 (61,4). Модель основана на плотной архитектуре Llama и содержит 6,6 млрд параметров. Она принимает текст и выдаёт текст; заявленный контекст составляет 16 384 токена. В метаданных указан английский язык. Доступна в формате safetensors и использует шаблон диалога для общения через Transformers. Лицензия в метаданных — Apache-2.0. README отдельно обозначает лицензию модели как Llama2, поэтому условия распространения и использования следует сверить с лицензиями базовой модели и проекта.

SWE-Review-8B — это диалоговая языковая модель для агентного ревью кода, дообученная разработчиками SWE-Review на Qwen3-8B с использованием 8 914 траекторий ревью из набора SWE-Review-Traj. Модель исследует репозиторий с помощью вызовов инструментов, самостоятельно ищет первопричину проблемы и формирует структурированное решение по ревью с диагностическими замечаниями для доработки. Модель предназначена для автоматизации ревью pull request и итерационного цикла «изменение — ревью — исправление», в том числе для оценки патчей на задачах SWE-bench. Это плотная архитектура Qwen3 с 7,6 млрд параметров и контекстом до 163 840 токенов. README описывает англоязычное применение в программной разработке и запуск через vLLM с поддержкой вызова инструментов; опубликованные результаты относятся к SWE-Review-Bench и зависят от уровня качества входных pull request. Модель распространяется под лицензией Apache-2.0. Она предназначена для работы в составе агентного контура с доступом к чтению файлов и поиску по коду; сама по себе не предоставляет полный процесс оркестрации. В README приведены конкретные настройки парсера вызовов инструментов, а результаты бенчмарка не гарантируют аналогичного качества на других языках, репозиториях или типах изменений.

C2LLM-0.5B — модель CodeFuse для получения эмбеддингов исходного кода и запросов к нему. Она дообучена на базе Qwen/Qwen2.5-Coder-0.5B-Instruct и использует Pooling by Multi-head Attention (PMA), который помогает выделять важные фрагменты кода при формировании вектора. В репозитории указаны 494 млн параметров, контекст до 32 768 токенов и формат safetensors. Модель обучена на 3 млн пар «запрос — документ» для поиска кода и поддерживает сценарии Text2Code, Code2Code и Code2Text. Её можно применять для семантического поиска по коду и извлечения фрагментов в системах RAG. Указаны английский и китайский языки; лицензия — Apache-2.0. Качество зависит от соответствия запросов и кода обучающим данным; README не приводит конкретных ограничений или оценки результатов.

Gensyn разработала open-1b-base — базовую авторегрессионную языковую модель с архитектурой decoder-only Transformer семейства open1b. В README указано 1,61 млрд параметров, а в метаданных Hugging Face — 1,3 млрд; модель обучена на 400 млрд токенов и поддерживает контекст до 4096 токенов. Она рассчитана прежде всего на английский текст, включая код и материалы по STEM. Модель предназначена для продолжения текста, исследований воспроизводимого обучения и верификации обучения, а также как основа для дальнейшего дообучения. Gensyn опубликовала обучающие данные, код, промежуточные контрольные точки и хеши состояний по шагам, чтобы независимые проверяющие могли воспроизводить и сверять отдельные этапы обучения. Это базовая модель без настройки для чата и следования инструкциям. Лицензия — Apache 2.0.

bartowski/open-r1_OlympicCoder-7B-GGUF — это набор GGUF-квантизированных вариантов модели OlympicCoder-7B, разработанной open-r1. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix; исходная модель основана на датасете open-r1/codeforces-cots. Модель предназначена для генерации текста и, прежде всего, решения задач программирования и рассуждений по ним, включая сценарии локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель имеет размер 7B параметров и поддерживает английский язык. В репозитории представлены варианты от BF16 до низкобитных форматов Q8, Q6, Q5, Q4, Q3, Q2 и IQ, поэтому можно выбирать между качеством и требованиями к памяти: размеры файлов указаны примерно от 3,35 до 15,24 ГБ. Рекомендуемыми названы некоторые варианты Q6, Q5 и Q4; низкобитные варианты экономичнее, но могут заметно уступать в качестве. Точная архитектура и размер контекста в README не указаны. Сильными сторонами являются специализация исходной модели на задачах программирования, широкий выбор степеней квантизации и совместимость с локальными инструментами инференса. Ограничения включают возможное снижение качества в квантизированных версиях, особенно при малом числе бит, отсутствие заявленной мультимодальности и отсутствие информации о поддержке других языков или расширенном контексте. Для модели указана лицензия Apache-2.0.

Qwen3-Embedding-0.6B-GraphQL — компактная модель эмбеддингов, дообученная xthor на базе Qwen/Qwen3-Embedding-0.6B с использованием набора данных xthor/Qwen3-Embedding-GraphQL-v1. Она предназначена для локального извлечения GraphQL-координат Type.field по вопросам на естественном языке, особенно в AI-агентах, которым нужно находить релевантные части большой схемы без передачи всей схемы в контекст. Указанный язык — английский. Модель основана на архитектуре SentenceTransformers, содержит около 0,6 млрд параметров и формирует векторы размерности 1024. Для запросов и документов корпуса предусмотрены отдельные промпты: query следует использовать для естественно-языковых вопросов, а document — для описаний GraphQL-координат. Поддерживаются веса SentenceTransformers и сборки GGUF для llama.cpp и Ollama; доступны варианты F16, Q8_0 и Q4_K_M с различным соотношением качества и размера. Ключевое преимущество — специализация на различении одинаковых имён полей у разных GraphQL-типов. На приведённом бенчмарке модель достигает recall@20 50,6% и recall@50 63,6%, превосходя базовую модель и указанные OpenAI-эмбеддинги по извлечению полевых координат. Качество существенно зависит от формата корпуса: рекомендуются SDL-фрагменты или форматирование dot_plus_gloss. Ограничения включают сравнительно невысокий размер контекста и специализацию на GraphQL retrieval; показатели зависят от структуры схемы и представления документов. Модель распространяется по лицензии Apache-2.0.

Soar-qwen-72b-i1-GGUF — квантизированная версия модели Soar-qwen-72b, разработанной julien31 и подготовленной в формате GGUF пользователем mradermacher. Модель основана на Qwen с заявленным размером 72B параметров и обучалась на датасете julien31/soar_arc_train_5M. В карточке указана поддержка английского языка. Модель предназначена для генерации текста и кода, синтеза программ, а также задач, связанных с эволюционными алгоритмами и ARC-AGI. Доступны варианты квантизации IQ и Q с размером файлов примерно от 22,8 до 64,4 ГБ. В README отмечается, что i1-Q4_K_M является быстрым и рекомендуемым вариантом, а i1-Q4_K_S предлагает сбалансированное соотношение размера, скорости и качества. Основные ограничения связаны с квантизацией: варианты различаются по качеству, а некоторые версии характеризуются как низкокачественные или предназначенные для случаев с жёсткими ограничениями по ресурсам. Сведения о длине контекста, мультимодальности, точной архитектуре и результатах бенчмарков в README не приведены. Указана лицензия Apache 2.0.

StarCoder-3B — базовая генеративная модель кода, разработанная проектом BigCode; это версия семейства StarCoderBase с 3 млрд параметров. Модель построена на архитектуре GPT-2 с multi-query attention и обучена на корпусе The Stack v1.2, содержащем код более чем на 80 языках программирования. При обучении использовалась цель Fill-in-the-Middle, а контекстное окно составляет 8192 токена. Модель предназначена для продолжения фрагментов исходного кода и заполнения пропусков по окружающему коду. Она не настроена на выполнение инструкций, поэтому обычные запросы вроде просьбы написать функцию могут работать слабо без подходящего контекста. Сгенерированный код может содержать ошибки, быть неэффективным или небезопасным; также возможно дословное воспроизведение фрагментов обучающих данных, для которых могут действовать требования атрибуции и лицензирования. Модель распространяется по лицензии BigCode OpenRAIL-M.

ayeshgk/codet5-small-ft-v8-cpatd — дообученная версия Salesforce/codet5-small на неизвестном наборе данных. Модель семейства T5 с архитектурой T5ForConditionalGeneration содержит 38,5 млн параметров и принимает текст, генерируя текст; максимальная длина контекста — 512 токенов. Модель предназначена для задач преобразования текста в текст, связанных с кодом, однако README не уточняет конкретный сценарий её дообучения. На оценочном наборе указаны loss 0,4831 и значения ROUGE-1 63,65, ROUGE-2 52,79 и ROUGE-L 63,20; без описания набора и методики оценки эти результаты трудно интерпретировать. Распространяется в формате safetensors по лицензии Apache-2.0.

SantaCoder от проекта BigCode — авторегрессионная языковая модель для генерации и дополнения исходного кода. Этот репозиторий содержит ту же модель SantaCoder, адаптированную для загрузки через архитектуру GPTBigCode в Transformers версии 4.28.1 и выше. Модель основана на GPT-2 с multi-query attention и обучалась с целью Fill-in-the-Middle; использует формат FP16 и имеет контекст 2048 токенов. Модель обучена на коде из GitHub и предназначена для продолжения фрагментов кода по контексту, например по комментарию, сигнатуре функции или строке документации. Основные языки кода — Python, Java и JavaScript; текстовый контекст преимущественно на английском. Это не модель, настроенная на выполнение инструкций, поэтому запросы в форме обычной команды могут работать плохо. Генерируемый код может содержать ошибки, быть неэффективным или уязвимым и не гарантируется к работе. Модель может дословно воспроизводить код из обучающего набора, поэтому при использовании результата следует проверять возможные требования к атрибуции и лицензированию. Указанная лицензия репозитория — OpenRAIL.

DeepSeek-Coder-6.7B Energy-SFT — модель генерации кода, созданная Саурабхом Сингхом Раджпутом и Шармой в рамках пакета Green Tea для воспроизведения исследования энергоэффективной генерации кода. Это дообученная версия DeepSeek-Coder-6.7B-Base с 6,6 млрд параметров на архитектуре Llama; она принимает текстовые запросы и выдаёт код. Объём контекста — до 16 384 токенов. Модель предназначена для генерации кода с учётом энергопотребления: её обучали методом контрастного supervised fine-tuning, чтобы предпочитать более энергоэффективные решения. В README сообщается результат 1,29% CARET на отложенном наборе из 143 задач. Модель загружается через Transformers; репозиторий содержит веса Safetensors. Лицензия указана как other, конкретные условия использования в предоставленных данных не раскрыты.