II.3Рефакторинг, миграция и модернизация

ClaudioItaly/Qwen2.5-Boster — это объединённая с помощью mergekit методом TIES языковая модель на архитектуре Qwen2 с 7,1 млрд параметров. В качестве основы использована Qwen/Qwen2.5-7B-Instruct, в слияние также включена Qwen/Qwen2.5-Coder-7B-Instruct. Модель предназначена для диалогов и генерации текста, включая задачи с кодом и структурированными ответами. Она принимает текст и выдаёт текст; контекст составляет 32 768 токенов. Модель опубликована в формате safetensors и доступна через библиотеку Transformers. Метаданные указывают интерфейс для вызова инструментов, но карточка не описывает его поведение и качество. Лицензия в предоставленных данных не указана. Результаты могут зависеть от формулировки запроса; README не приводит оценок качества или подробных ограничений модели.

Карточка модели Wjwiiwi/Qwen2.5-Coder-0.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-0.5B, поэтому описание составлено по ней. Qwen2.5-Coder-0.5B — базовая предварительно обученная языковая модель для работы с кодом, разработанная командой Qwen. Это причинная языковая модель семейства Qwen2: плотная архитектура Qwen2ForCausalLM с 494 млн параметров и контекстом до 32 768 токенов. В README указаны RoPE, SwiGLU, RMSNorm, смещение в QKV-внимании и связанные эмбеддинги слов; модель содержит 24 слоя и использует GQA. Модель предназначена для генерации и анализа кода, рассуждений о коде, исправления ошибок и задач заполнения фрагментов кода. Она также сохраняет общие языковые и математические возможности базовой Qwen2.5 и может служить основой для дальнейшего дообучения и создания кодовых агентов. Разработчик не рекомендует использовать базовую версию для диалога без постобучения. Модель распространяется по лицензии Apache-2.0.

legraphista/Qwen2.5-Coder-1.5B-Instruct-IMat-GGUF — это GGUF-квантизированная версия инструкционно дообученной модели Qwen/Qwen2.5-Coder-1.5B-Instruct. Квантование выполнено legraphista с использованием llama.cpp и метода IMatrix; исходный формат модели — BF16. README не уточняет команду или организацию, разработавшую базовую модель Qwen2.5-Coder. Модель предназначена для генерации текста и работы с программным кодом в диалоговом формате: написания, дополнения и объяснения кода, а также выполнения инструкций, связанных с разработкой. Указан английский язык. Это текстовая модель без заявленной поддержки изображений или других модальностей. Размер базовой модели — 1,5 млрд параметров, однако сведения об архитектуре и размере контекстного окна в README отсутствуют. Доступны варианты GGUF от BF16 и FP16 до квантований Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K; для ряда вариантов применена IMatrix. Квантированные файлы занимают примерно от 676 МБ до 1,65 ГБ, что делает модель пригодной для локального запуска при ограниченных ресурсах. Более агрессивное квантование уменьшает требования к памяти, но может снижать точность и качество генерации. Модель распространяется по лицензии Apache-2.0.

TeichAI разработала эту диалоговую MoE-модель на основе Qwen3-30B-A3B-Thinking-2507, дообучив её на наборе примеров рассуждений Claude Sonnet 4.5 с высоким уровнем reasoning. Модель предназначена для генерации текста, сложных рассуждений, программирования и научных задач; поддерживает интерфейс вызова инструментов. В метаданных указан размер 2,6 млрд параметров и контекст до 262 144 токенов. Модель принимает текст и выдаёт текст. Карточка указывает английский язык; отдельные сведения о других поддерживаемых языках не приведены. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Дообучение на синтетических примерах рассуждений может влиять на стиль и точность ответов; карточка не приводит независимых оценок качества. Применимость к задачам за пределами программирования и науки отдельно не описана.

QuantTrio Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2-AWQ — это AWQ-квантизированная версия модели Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2, разработанной на базе Qwen3.5-27B. Исходную дообученную модель создал Jackrong, а репозиторий квантизации поддерживается QuantTrio. Квантизация выполнена методом data-free, без калибровочного датасета, что позволяет уменьшить размер модели примерно до 21 GiB и снизить требования к памяти при инференсе. Модель ориентирована на задачи рассуждения, математику, текстовые задачи, логическую дедукцию, инструкции и программирование. По заявленным результатам, она сохраняет показатель 96,91% pass@1 на HumanEval, сокращает длину цепочки рассуждений примерно на 24% и обеспечивает на 31,6% больше корректных решений на токен по сравнению с базовой моделью. Для запуска рекомендуется vLLM с поддержкой AWQ, tool calls и reasoning parser; в README приведена конфигурация с контекстом до 32768 токенов и тензорным параллелизмом на двух GPU. Сильными сторонами являются экономичное рассуждение, высокая эффективность на задачах программирования и возможность использования в оптимизированном режиме инференса. Ограничения включают снижение результатов на HumanEval+ на 1,24% и на MMLU-Pro на 7,2%, а также возможное ухудшение качества на задачах, требующих длинного контекста или сложного многошагового рассуждения. Языки и точный набор поддерживаемых модальностей в README не указаны; pipeline обозначен как image-text-to-text, но подробностей о мультимодальных возможностях нет. Модель распространяется по лицензии Apache-2.0.

Qwenseek-3.8-27B-CyberLite-GGUF — специализированная кибербезопасностная модель, разработанная trjxter на основе unsloth/Qwen3.8-27B. Это первый этап линейки Qwenseek для задач кибербезопасности; данная публикация распространяется в формате GGUF для локального запуска через llama.cpp. Модель дообучалась методом supervised fine-tuning с использованием 4-битного QLoRA на данных, охватывающих программирование, программную инженерию, рассуждения, tool calling и кибербезопасность. Модель предназначена для защитного анализа уязвимостей, аудита и исправления кода, планирования обнаружения, локализации и устранения инцидентов, технического решения задач, агентных сценариев и структурированного использования инструментов. Также поддерживается контролируемое Cyber Red-рассуждение, но только в авторизованных, локальных, изолированных, образовательных или защитных сценариях. Основные характеристики: около 27,8 млрд параметров, архитектурное семейство Qwen3.8, валидированный контекст до 32 768 токенов, сохранённый MTP/NextN и преимущественно английский язык. CyberLite ориентирована на сочетание киберзащитных навыков с сильными возможностями программирования, технического рассуждения и работы с инструментами. Дообучение было текстовым: параметры зрения были заморожены, поэтому модель следует рассматривать как текстовую специализированную версию, а не как улучшенную мультимодальную модель. GGUF-релиз включает варианты квантования от Q2_K до Q8_0; рекомендуемый компромисс между размером и качеством — Q4_K_M, однако фактические требования к памяти и производительность зависят от среды запуска, длины контекста и настроек offload. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

rStar-Coder-Qwen3 — дообученная на наборе microsoft/rStar-Coder компактная плотная языковая модель семейства Qwen3, разработанная prithivMLmods на базе Qwen/Qwen3-0.6B. Она предназначена для генерации кода и технических объяснений, математических и научных рассуждений, а также структурированных ответов в форматах вроде JSON, LaTeX, CSV и YAML. Модель имеет около 508 млн параметров, принимает текст и поддерживает контекст до 40 960 токенов. Карточка заявляет поддержку кода на нескольких языках программирования, но метаданные указывают английский как язык карточки; естественные языки обучения отдельно не перечислены. Небольшой размер рассчитан на запуск при ограниченных вычислительных ресурсах. Распространяется по лицензии Apache-2.0. Модель ориентирована на программирование, STEM-задачи и структурированную генерацию, а не на универсальный разговор или творческое письмо. README предупреждает, что длинный контекст может затруднять анализ нескольких документов или крупных кодовых баз, а обычный чат и эмоциональный стиль могут быть слабее специализированных технических ответов. Заявления о возможностях основаны на карточке модели и не сопровождаются в предоставленных данных результатами бенчмарков.

speechless-starcoder2-7b — дообученная языковая модель для генерации кода и выполнения инструкций, созданная на основе bigcode/starcoder2-7b. В README указано, что обучение направлено на улучшение способностей к рассуждению и планированию; использовано около 986 тысяч примеров из OpenHermes-2.5, Python Eval Instruct, Spider и Evol-Instruct. Модель принимает инструкции в формате Alpaca. Это плотная авторегрессионная архитектура StarCoder2 с 9,9 млрд параметров и контекстом до 16 384 токенов. Карточка указывает английский язык, поддержку генерации текста и лицензию Apache-2.0. Модель подходит для генерации и объяснения кода, а также для ответов на инструкции, связанные с программированием и структурированными данными. Численные результаты HumanEval и оценок lm-evaluation-harness в карточке не заполнены, поэтому качество по этим тестам оценить нельзя.

speechless-thoughts-mistral-7b — дообученная авторами Speechless модель Mistral для генерации текста с акцентом на программирование, рассуждения и планирование. Она создана как базовый вариант для speechless-sparsetral-16x7b-MoE и обучена на примерах инструкций из нескольких наборов данных, включая Airoboros, OpenOrca, Open-Platypus, WizardLM, наборы задач по Python, Spider и Evol-Instruction. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Карточка использует формат инструкций Alpaca. Модель подходит для генерации и объяснения кода, ответов на инструкции, задач на рассуждение и планирование, а также запросов к базам данных на SQL. Метаданные указывают английский язык и поддержку кода. В README приведены отдельные результаты оценки на бенчмарках, но значение HumanEval не заполнено. Лицензия — Llama 2; применяйте модель в соответствии с её условиями.

StarChat2 15B — разговорная модель для помощи с программированием, разработанная HuggingFaceH4. Это плотная авторегрессионная модель семейства StarCoder2 с 21,7 млрд параметров и контекстом до 16 384 токенов, дообученная методами SFT и DPO на синтетических наборах данных для диалога, кода, математики и рассуждений. Модель рассчитана прежде всего на английский язык и более 600 языков программирования. Её можно применять для диалоговых ответов, написания и дополнения кода, а также решения задач на математику и рассуждения. В карточке сообщается о результатах на MT Bench, IFEval и HumanEval; результаты зависят от формата промпта и условий оценки. Модель доступна в формате safetensors и распространяется по лицензии BigCode Open RAIL-M v1. Модель не прошла выравнивание предпочтений с помощью RLHF и может выдавать проблемный контент. Сгенерированный код может быть ошибочным или уязвимым, а ссылки — вымышленными; ответы и код требуют проверки.

SWE-rebench-openhands-Qwen3-235B-A22B — языковая модель Nebius для генерации кода и решения задач SWE-bench с агентом OpenHands. Это дообученный методом rejection sampling fine-tuning чекпойнт Qwen/Qwen3-235B-A22B-Instruct-2507 на траекториях OpenHands из набора nebius/SWE-rebench-openhands-trajectories. Архитектура — Qwen3 MoE; в метаданных указано 18,2 млрд параметров, контекст — 262 144 токена. Обучение использовало последовательности до 131 тыс. токенов. Модель рассчитана на агентные сценарии разработки: анализ репозитория, диагностику ошибок и внесение изменений в код. В оценке с OpenHands v0.54.0 авторы сообщают Pass@1 61,7% и Pass@5 74,3% при лимите 500 ходов; результаты зависят от агента и настроек запуска. Модель доступна в формате Safetensors, лицензия — Apache-2.0. Для сервинга авторы приводят конфигурацию vLLM с поддержкой выбора инструментов.

WhiteRabbitNeo-V3-7B-GGUF — это квантизированная GGUF-версия языковой модели WhiteRabbitNeo-V3-7B, разработанной компанией Kindo и опубликованной в исходном виде WhiteRabbitNeo. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и кода, прежде всего для задач DevOps и кибербезопасности, включая анализ и написание программного кода и работу с техническими запросами. Модель имеет около 7 миллиардов параметров, поддерживает текстовую модальность и английский язык. В репозитории доступны варианты от BF16 до низкобитных форматов Q8, Q6, Q5, Q4, Q3 и IQ4 с размером файлов примерно от 4,1 до 15,2 ГБ. Для запуска подходят llama.cpp, LM Studio и другие совместимые приложения. Размер контекста и точная архитектура в README не указаны. Сильными сторонами являются специализация на кибербезопасности, DevOps и коде, а также широкий выбор квантизаций для различного объёма памяти; варианты с более высокой разрядностью обычно лучше сохраняют качество, а низкобитные требуют меньше ресурсов. Ограничения включают отсутствие в README результатов тестирования, подробных характеристик контекста и информации о качестве на других языках. Указанная лицензия — Apache 2.0.

Мультимодальная диалоговая модель darkc0de/XORTRON.CriminalComputing.Qwen3.5-27B-Claude-Opus-4.6-Distill-darkc0de-heretic создана на базе unsloth/Qwen3.5-27B и дообучена на наборах данных с примерами рассуждений, включая данные, оформленные в стиле Claude Opus 4.6. Разработчик также применил abliteration, чтобы снизить частоту отказов: в приведённом тесте модель отказала в 3 случаях из 100 против 92 из 100 у исходной модели для сравнения. Модель предназначена для диалогов общего назначения, программирования, творческого письма и визуального анализа. Архитектура Qwen3.5 — плотная модель с 27 млрд параметров; она принимает текст и изображения, поддерживает интерфейс вызова инструментов и выдаёт текст. Карточка рекомендует длину генерации до 32 768 токенов для обычных запросов и до 81 920 для сложных задач; это рекомендации по выходу, а не подтверждённая длина контекста. В README приведены результаты отдельных тестов, но они не гарантируют качество на других задачах. Снижение отказов означает, что модель может отвечать на запросы, которые базовая версия отклоняет. Лицензия — Apache-2.0.

YOYO-O1-14B-V2 — языковая модель, созданная YOYO-AI слиянием нескольких моделей Qwen2 с помощью метода SCE. В слияние вошли модели для программирования, логических задач, творческого письма и диалогового общения; базовой моделью служила arcee-ai/Virtuoso-Small-v2. Модель содержит 14 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста в диалоге, помощи с программированием, решения логических и STEM-задач, а также творческого письма. Карточка указывает интерфейс вызова инструментов. В метаданных заявлены английский и китайский языки. Репозиторий использует формат safetensors, лицензия — Apache-2.0. Сравнительных оценок качества и подробных результатов тестирования в карточке нет.

AReaL-boba²-8B — языковая модель для генерации текста и решения задач программирования, созданная командой RL Lab, Ant Research. Она основана на Qwen3 и обучена с помощью обучения с подкреплением в системе AReaL; в README приведены результаты на LiveCodeBench, Codeforces и CodeContests. Модель предназначена для генерации и объяснения кода, решения задач по программированию и диалогового взаимодействия с инструментами. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Она принимает текст и генерирует текст; интерфейс поддерживает чат и вызов инструментов. Лицензия — Apache-2.0. README не сообщает конкретные поддерживаемые естественные языки.

Athene CodeGemma 2 7B v1.3 — языковая модель EpistemeAI для программирования, дообученная на базе EpistemeAI/Athene-codegemma-2-7b-it-alpaca-v1.1 на наборах данных по программированию с supervised fine-tuning. Это плотная decoder-only модель семейства Gemma с архитектурой GemmaForCausalLM, примерно 8,2 млрд параметров и контекстом 8192 токена. Модель принимает текстовые запросы и выдаёт код или естественный язык. Она предназначена для генерации кода по описанию на естественном языке, ответов на вопросы о фрагментах кода и диалога о программировании и технических задачах. Для использования в режиме чата следует применять встроенный шаблон диалога токенизатора. Карточка рекомендует для автодополнения кода в IDE использовать предварительно обученные варианты CodeGemma вместо instruction-tuned модели. Модель рассчитана прежде всего на английский язык и распространяется под лицензией Apache-2.0. Она доступна в форматах PyTorch и Safetensors. Карточка не приводит результатов систематической оценки качества; качество генерации может зависеть от формулировки запроса и используемого шаблона диалога.

Code-33B — полноценно дообученная модель на базе Llama-1, созданная ajibawa-2023 для генерации кода с подробными объяснениями. Модель обучена на наборе Code-74k-ShareGPT, содержащем около 74 тысяч примеров диалогов с кодом. Она принимает запросы в формате Vicuna/ShareGPT и предназначена для ответов помощника на вопросы о программировании. Модель генерирует код на Python, Java, JavaScript, Go, C++, Rust и других языках программирования, сопровождая его объяснениями. Это плотная авторегрессионная Llama-модель с 32,3 млрд параметров и контекстом 2048 токенов. Репозиторий содержит веса PyTorch; автор также ссылается на отдельные квантованные версии. Лицензия — CC-BY-NC-ND-4.0, которая ограничивает коммерческое использование и распространение производных версий.

Dolphin 2.9.2 Qwen2 7B — разговорная языковая модель, созданная Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations на основе Qwen2-7B. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на инструктивных, диалоговых и программных данных. В карточке заявлены навыки ответов на инструкции, ведения беседы, программирования, начальные агентные возможности и вызов функций. Модель предназначена для генерации текста в формате чата, помощи с кодом и выполнения запросов к функциям. Базовая модель поддерживает контекст до 128 тысяч токенов, однако полновесное дообучение Dolphin проводилось на последовательностях длиной 16 тысяч токенов. Репозиторий использует формат safetensors; метаданные указывают библиотеку Transformers. Модель описана авторами как uncensored и более склонная выполнять запросы, включая небезопасные. Для публичного сервиса рекомендуется самостоятельно добавить слой выравнивания поведения. Лицензия — Tongyi Qianwen; README допускает коммерческое использование при соблюдении её условий.

EXAONE-Deep-32B — плотная языковая модель для рассуждений, разработанная LG AI Research и дообученная на основе EXAONE-3.5-32B-Instruct. Она предназначена для генерации текста и диалогов, особенно для решения математических задач и задач программирования. В модели 31,5 млрд параметров, 64 слоя и архитектура внимания GQA с 40 Q-головами и 8 KV-головами; длина контекста составляет 32 768 токенов. Модель поддерживает английский и корейский языки. Для запуска подходят Transformers версии 4.43.1 и новее; README также перечисляет среды TensorRT-LLM, vLLM, SGLang, llama.cpp, Ollama и LM Studio. Разработчик сообщает о конкурентных результатах на тестах рассуждений, математики и программирования, но конкретные оценки для версии 32B в предоставленной карточке отсутствуют. Лицензия обозначена как «other», поэтому условия использования следует проверять в материалах репозитория. Модель может генерировать фактически неверные, предвзятые или неподходящие ответы и не гарантирует актуальность сведений.

Gemma4-12B-QAT-Uncensored-HauhauCS-Balanced — мультимодальная версия модели Gemma 4 12B от Google DeepMind, модифицированная HauhauCS. Это GGUF-сборка с уменьшенным количеством отказов в ответах, предназначенная для агентного программирования, рассуждений, творческого письма, ролевого общения и диалоговых сценариев, где важны следование инструкциям и надёжность. Модель поддерживает текстовый ввод и изображения через отдельный mmproj-модуль; заявленный язык — английский. Модель имеет плотную архитектуру размером 12B параметров и контекстное окно 256K токенов. Основной файл использует QAT-квантизацию Q4_K_M и занимает около 6,9 ГБ; заявляется сохранение качества, близкого к полной точности. В комплект входит MTP-голова для speculative decoding, которая в llama.cpp, по данным автора, обеспечивает примерно на 60% более высокую скорость генерации без изменения проверенного результата. Поддерживаются llama.cpp, LM Studio, Jan, koboldcpp и другие GGUF-совместимые среды. К сильным сторонам относятся большое контекстное окно, поддержка изображений, оптимизация под 4-битную квантизацию, ускоренная генерация с MTP и настройка для кодинга, рассуждений и творческих задач. Ограничения включают зависимость визуального режима от отдельного mmproj-файла, экспериментальный характер заявлений об отсутствии отказов и ограниченность тестирования ускорения llama.cpp. Для LM Studio отмечена возможная нестабильность в режиме tensor-split на нескольких GPU; рекомендуется использовать один GPU или альтернативное распределение слоёв. Модель распространяется по лицензии Gemma.

Locutusque/Hyperion-3.0-Yi-34B — языковая модель Locutusque, дообученная на 150 000 примерах набора Hyperion-v3.0. Это плотная авторегрессионная модель семейства Llama с 33,9 млрд параметров, предназначенная для диалогов, ответов на вопросы и генерации кода; в карточке также заявлены математические и логические рассуждения, а также понимание медицинских и научных текстов. Модель рассчитана прежде всего на англоязычные запросы и охватывает задачи программирования, медицины, математики и научных рассуждений. Её можно применять в учебных помощниках, технических чат-ботах и инструментах поддержки специалистов. Контекст составляет 4096 токенов; веса опубликованы в формате safetensors для Transformers. Автор README указывает лицензию Yi NC, тогда как метаданные Hugging Face содержат лицензию other; условия использования следует сверять с файлами лицензии в репозитории. Карточка предупреждает о возможной непоследовательности ответов из-за качества и разнообразия данных, а также о высокой склонности модели выполнять запросы; результаты оценки в README не приведены.

QuantFactory/Llama3.2-3B-Esper2-GGUF — квантизированная версия модели ValiantLabs/Llama3.2-3B-Esper2, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана Valiant Labs на базе Meta Llama 3.2 3B Instruct и предназначена для генерации текста в формате диалоговых инструкций Llama 3.2 Instruct. Модель ориентирована на задачи DevOps, облачной архитектуры и программирования: AWS, Azure, GCP, Terraform, Dockerfile, CI/CD-пайплайны, shell-скрипты, а также общее написание кода и технические консультации. Она дообучалась на синтетических наборах данных Titanium, Tachibana и Supernova, охватывающих DevOps-инструкции, программирование и общий чат. В карточке указан английский язык; модель работает с текстом и поддерживает сценарии общения с инструкциями. Ключевая сильная сторона — специализация на облачной инфраструктуре, DevOps и коде при компактном размере около 3 млрд параметров, что делает модель подходящей для локального запуска в квантизированном формате GGUF. Ограничения включают меньший размер и, вероятно, более узкие возможности по сравнению с крупными универсальными моделями; конкретные параметры контекста и варианты квантизации в карточке не указаны. В качестве ориентиров приведены результаты 65,27% на Winogrande и 43,17% нормированной точности на ARC Challenge. Лицензия указана как llama3.2.

Llama-3-8B-Instruct-Coder — дообученная модель на основе Llama 3 8B Instruct от Meta, опубликованная rombodawg. Она обучалась на наборах CodeFeedback и Code Feedback Filtered Instruction и предназначена для генерации кода и ответов на запросы о программировании в диалоговом формате. Модель использует плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов. В карточке указано обучение методом Qalore, сочетающим QLoRA и приёмы GaLore для снижения требований к видеопамяти. Поддерживается английский язык; модель доступна в форматах PyTorch и safetensors. Для использования действует лицензия Llama 3. Карточка не приводит результатов оценки качества или подробных ограничений; качество ответов следует проверять на целевых задачах, особенно при использовании сгенерированного кода.

tepirale/merge-cord-v1 — объединённая языковая модель, созданная с помощью mergekit на основе Qwen/Qwen2.5-1.5B. В слияние вошли Qwen/Qwen2.5-1.5B-Instruct и Qwen/Qwen2.5-Coder-1.5B-Instruct; в метаданных также указана связь с Qwen/Qwen2.5-1.5B. Архитектура — плотная причинная языковая модель Qwen2 с 1,5 млрд параметров, распространяемая в формате safetensors и рассчитанная на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая задачи с кодом; метаданные отмечают интерфейс вызова инструментов. Поддерживаемый язык по карточке не определён. Для использования указана библиотека Transformers, лицензия в предоставленных данных не приведена. README сообщает о применении метода Consensus-Orthogonal Residual Decomposition и отмечает, что функция cord отсутствует в MergeKit, поэтому воспроизводимость указанной конфигурации может быть ограничена.

MiniCPM5-1B — компактная плотная языковая модель серии MiniCPM5, разработанная OpenBMB. Она построена на архитектуре Transformer с причинной языковой моделью LlamaForCausalLM; метаданные указывают 837,6 млн параметров, а карточка модели — около 1,08 млрд. Модель поддерживает контекст до 131 072 токенов и распространяется в формате safetensors через Transformers. Модель предназначена для локальных помощников, программирования, агентных сценариев с вызовом инструментов и сложных рассуждений на устройствах с ограниченными ресурсами. Один чекпойнт предлагает быстрый режим без рассуждений и режим Thinking. В карточке заявлены сильные результаты для своего размерного класса, особенно в использовании инструментов, генерации кода и трудных рассуждениях; это оценка авторов в сравнении с выбранными моделями, а не гарантия качества для любого сценария. Модель рассчитана прежде всего на английский и китайский языки. Лицензия Apache-2.0. Как и другие языковые модели, она может выдавать неточные, предвзятые или небезопасные ответы; результаты следует проверять, особенно при использовании в важных решениях.

MiniCPM5-1B-SFT — контрольная точка модели серии MiniCPM5 от OpenBMB, предназначенная для локального запуска на устройствах с ограниченными ресурсами. Это плотная авторегрессионная языковая модель с архитектурой LlamaForCausalLM: в метаданных указано 837,6 млн параметров, а карточка сообщает о 24 слоях и 16 головах запросов и 2 головах ключей и значений. Модель принимает текст и выдаёт текст; контекст — до 131 072 токенов. Карточка модели указывает английский и китайский языки. SFT-чекпойнт предназначен для локальных помощников, генерации кода, агентных сценариев с вызовом инструментов и сложных рассуждений. В серии предусмотрены режимы ответа с рассуждением и без него; этот вариант обучен только методом SFT и предшествует этапам RL и OPD. Поддерживаются запуск через Transformers, vLLM и SGLang, а также дообучение с помощью ресурсов проекта. Заявления карточки о сравнительных результатах относятся к указанному в ней набору моделей и бенчмарков. Модель распространяется под лицензией Apache-2.0. Она может выдавать неточные, предвзятые или небезопасные ответы; результаты следует проверять, особенно перед применением в ответственных сценариях.

WhiskyAKM подготовил GGUF-квантизацию MiniCPM5-2B от OpenBMB для локального запуска на устройстве и в средах с ограниченными ресурсами. Это плотный трансформер LlamaForCausalLM примерно на 2,52 млрд параметров, представленный в формате NVFP4; файл весит около 1,4 ГБ. Модель предназначена для локальных ассистентов, программирования, сценариев с вызовом инструментов и рассуждений. Она поддерживает контекст до 131 072 токенов, режим рассуждений в шаблоне чата и вызовы инструментов в XML-формате. Квантизация выполнена из исходных весов BF16: большинство тензоров представлены в NVFP4, а эмбеддинги, выходные и нормализационные тензоры сохранены в более высокой точности. Репозиторий предназначен для использования с llama.cpp, Ollama и LM Studio; лицензия — Apache-2.0. Качество NVFP4 может отличаться от исходной версии BF16, а для обработки XML-вызовов инструментов может понадобиться совместимый парсер или обвязка.

Muse-Glimmer-30B-Fable-Distill — мультимодальная модель Meta, дообученная armand0e на диалогах и агентных трассах программирования, дистиллированных из Claude Fable 5. Это плотная модель семейства Muse Glimmer с текстовым декодером и визуальным энкодером; дообучалась только языковая часть, а веса объединены с базовой моделью в формате bf16. Она принимает текст и изображения и предназначена для диалогов, агентного программирования и работы с инструментами. Карточка описывает многоязычные данные на английском, испанском, французском, немецком, португальском, японском и китайском языках; доля неанглийских токенов при обучении составляла около 10%. Лицензия — Apache-2.0. Модель сохраняет архитектуру, токенизатор, шаблон диалога и обработчик изображений базовой Muse-Glimmer-30B. Для подачи изображений используется AutoProcessor; модель поддерживает формат Onyx ATEM с каналами рассуждений и вызовами инструментов. Для работы указаны Transformers версии не ниже 5.15; стандартные парсеры рассуждений и вызовов инструментов vLLM несовместимы с этим форматом и могут неверно разбирать сообщения. Обучение проводилось на 651 примере; модель не сравнивалась с вариантом, обученным только на ответах, а объединённые bf16-веса не полностью совпадают с NF4-весами, на которых шло обучение.

NeoHorse-1-4B-GGUF — GGUF-версии примерно 4-миллиардной причинной языковой модели NeoHorse-1-4B, разработанной TokenRhythm на базе Qwen3.5-4B. Модель дообучалась для текстовых агентных сценариев, использования инструментов, программирования, рассуждений и следования инструкциям. Это текстовая модель без заявленной поддержки изображений или других мультимодальных данных. Репозиторий предназначен для локального запуска через llama.cpp, Ollama и LM Studio. Доступны веса в формате BF16, а также 8-, 5- и 4-битные квантизованные варианты, которые требуют меньше дискового пространства и оперативной памяти. Архитектура описана как агентно-ориентированная причинная языковая модель; размер контекста и поддерживаемые языки в README не указаны. К сильным сторонам относятся ориентация на агентное взаимодействие и tool use, задачи программирования и instruction following, а также заявленное улучшение среднего результата на десяти бенчмарках по сравнению с Qwen3.5-4B: 64,87 против 58,94. Ограничения включают отсутствие подробных сведений о языках, контексте и характеристиках отдельных квантизаций; заявленные результаты могут зависеть от условий оценки. Модель распространяется по лицензии Apache-2.0.

NeoHorse-1-9B-MLX — версия для локального запуска на Apple Silicon модели NeoHorse-1-9B, разработанной TokenRhythm. Это плотная авторегрессионная языковая модель семейства Qwen3.5 с 7,2 млрд параметров, предназначенная для диалогов, программирования, рассуждений, следования инструкциям и работы с инструментами в агентных сценариях. Контекстное окно составляет 262 144 токена. Веса представлены в BF16 и адаптированы для MLX-LM: изменены имена и раскладка тензоров, а также представление нормализации; квантизация не применялась. Модель можно запускать локально через MLX-LM, в том числе как OpenAI-совместимый сервер с поддержкой вызова инструментов. В README указаны результаты исходной NeoHorse-1-9B на наборах тестов, но отдельная оценка этой MLX-версии не приводится. Модель предназначена для Apple Silicon и использует лицензию Apache-2.0. Ограничения: результаты исходной модели не подтверждают идентичное качество этой версии; для запуска требуется совместимая среда MLX-LM на Mac с Apple Silicon.