II.4Отладка, тестирование и качество ПО

LowOnMind-1M — компактная авторская авторегрессионная языковая модель DedeProGames с архитектурой decoder-only, обученная с нуля. Веса содержат около 983 тысяч параметров; модель обучали на 200 млн токенов англоязычного набора HuggingFaceFW/fineweb-edu. Архитектура включает GQA, SwiGLU, RMSNorm, связанные эмбеддинги и QK-Norm; длина контекста — 512 токенов. Модель предназначена для экспериментов с масштабированием языковых моделей и сравнения влияния числа параметров на потери и простые бенчмарки. Она может продолжать короткие английские фрагменты и демонстрирует усвоение написания слов, морфологии и локального синтаксиса, однако не создаёт связный текст, не обладает надёжными фактическими знаниями и не удерживает контекст на протяжении текста. Для реального применения модель не предназначена; репозиторий распространяется по лицензии Apache-2.0.

Overaddicted-500K — компактная decoder-only языковая модель семейства Llama, созданная DedeProGames и обученная с нуля на наборе FineWeb-Edu с помощью NanoDex Trainer Space. Она предназначена для демонстрации процесса предварительного обучения трансформера и изучения его поведения при очень малом числе параметров, а не для использования в качестве помощника. Модель имеет 491 500 параметров, 3 слоя и ширину скрытого состояния 96; в README указаны SiLU MLP, RMSNorm, rotary position embeddings, grouped-query attention и связанные эмбеддинги. Контекст составляет 512 токенов, поддерживаемый язык — английский. Модель генерирует текст, но из-за наноразмера усваивает главным образом формы слов, частые сочетания и немного синтаксиса; её выводы не следует считать достоверными. Лицензия — ODC-By.

VinaySLM (tiny) — небольшая языковая модель, созданная автором проекта VinaySLM с нуля на PyTorch для демонстрации устройства декодерных трансформеров. Это плотная GPT-подобная архитектура decoder-only с 466 176 параметрами и словарём из 255 токенов; используется простой регистронезависимый токенизатор уровня слов, обученный на корпусе самого проекта. Модель генерирует продолжения текста по текстовому запросу и предназначена для изучения токенизации, эмбеддингов, причинного внимания, обучения и генерации. Обучение проводилось на игрушечном корпусе из нескольких сотен токенов с предложениями об ИИ и программировании. Модель сильно переобучена: близкие к обучающим примерам запросы могут воспроизводить их дословно, а на новых запросах ответы часто низкого качества или повторяются. Это демонстрационный учебный чекпойнт, а не модель для практического применения. Для загрузки через Transformers требуются пользовательский код репозитория с разрешением trust_remote_code=True и установленный пакет vinayslm. Лицензия — MIT.

neureps/warmly-nmt-kobart-enko — экспериментальная дообученная модель для перевода английских комментариев на корейский язык. Её создали в рамках пилотного проекта Warmly на базе KoBART-base-v2: обучение проводилось на 883 парах предложений, архитектура — BART, размер базовой модели — 124 млн параметров, контекст — 1026 токенов. Пилот признан неудачным: по README, chrF составил 5,67, а модель почти игнорировала содержание входа. Авторы связывают это с тем, что KoBART предварительно обучена преимущественно на корейском и не усвоила перевод с английского на малом наборе примеров. Модель сохранена как экспериментальный контрольный результат и помечена авторами как непригодная к использованию. Лицензия — MIT.

Zero-TinyImage-0.6M — экспериментальная компактная модель безусловной генерации изображений от FromZero. В метаданных указано 442,4 тыс. параметров, тогда как в README приведено 639 тыс.; из-за этого расхождения размер модели нельзя определить однозначно. Она использует собственную плотную архитектуру TinyImageGen с 6 слоями, скрытым размером 96, патчами 2×2, 4 головами внимания и непрерывной целью диффузии. Модель обучали 15 эпох на 50 тысячах изображений из DataComp. Модель предназначена для экспериментов с генерацией изображений и изучения компактных архитектур. Автор сообщает, что результаты в основном несвязные и неузнаваемые, и не заявляет об их качестве. Репозиторий распространяется по лицензии Apache-2.0.

LowOnMind-300k — авторегрессионная декодерная языковая модель DedeProGames, обученная с нуля на 200 млн токенов датасета HuggingFaceFW/fineweb-edu. Модель содержит около 296 тыс. параметров, использует плотную архитектуру LowOnMindForCausalLM с шестью слоями, словарь из 1024 токенов и контекст до 512 токенов. Модель создана как эксперимент для изучения влияния крайне малого числа параметров на языковое моделирование. Она улавливает орфографию, пробелы, морфологию и короткие последовательности слов в английском тексте, но не предназначена для связной генерации, ответов на вопросы или рассуждений. Разработчик сообщает об отсутствии отслеживания смысла за пределами коротких фрагментов; применение модели ограничено исследованиями масштабирования языковых моделей. Лицензия — Apache-2.0.

TinyBuddy-500K — очень маленькая авторская языковая модель, разработанная Eeppa с нуля как учебная демонстрация обучения моделей с ограниченным числом параметров. Это декодерный Transformer в стиле LLaMA с RMSNorm, Grouped Query Attention, MLP на SiLU и связанными эмбеддингами; модель содержит около 547 тысяч параметров, имеет 2 слоя и 4 головы внимания, а контекст ограничен 512 токенами. Она обучалась на синтетических коротких историях в стиле TinyStories и предназначена для экспериментов с генерацией простого англоязычного текста и изучения устройства малых языковых моделей. Модель умеет продолжать базовые английские фразы и создавать короткие истории, но обычно теряет связность после одного-двух предложений. Ей свойственны повторы, слабая последовательность на длинных отрезках, отсутствие надёжных фактических знаний и способностей к рассуждению; она не подходит на роль полезного диалогового помощника. Для загрузки требуется пользовательский код модели через trust_remote_code=True. Лицензия — MIT.

meow-lite — компактная экспериментальная языковая модель семейства meow-lite, созданная tampajohn. Это GPT-2 с 104 тыс. параметров, обученная с нуля на синтетических предложениях о кошках; архитектура включает 2 слоя, 2 головы внимания, размерность скрытого представления 64 и контекст из 32 токенов. Модель принимает текст и генерирует короткие ответы из ограниченного словаря: в основном кошачье «мяу» и специальные токены действий. Модель предназначена для детерминированных шуточных ответов в образе кошки. Некоторые слова во входе, например упоминания лазерной указки, собаки или купания, запускают заранее заданные реакции; похвала может приводить к более ласковым ответам. Для запуска с пользовательским токенизатором, слоем триггеров и совместимым серверным интерфейсом автор указывает сопутствующий репозиторий. В карточке описаны тесты на срабатывание триггеров, чистоту словаря и детерминизм; заявлен общий проход тестов. Модель распространяется под лицензией MIT. Из-за малого словаря и узкого синтетического обучения она не подходит для обычных вопросов и ответов или содержательной генерации: например, на запрос об объяснении гравитации отвечает кошачьими звуками. В README не приведены подтверждённые языки естественного общения.

meow-lite-v5 — экспериментальная компактная языковая модель tampajohn, обученная с нуля на архитектуре GPT-2. Она насчитывает около 6,8 млн параметров, использует byte-level BPE-токенизатор примерно на 8 тысяч токенов и принимает контекст длиной до 192 токенов. Модель читает английский текст, но её ответы ограничены специальными токенами кошачьих звуков и действий, поэтому она подходит для шуточных диалогов в образе кота, а не для обычных развернутых ответов. В README для версии v5 указаны 67,7% точности на отложенной проверке синонимов и 3% утечки нейтральных ответов; результаты измерены с подавлением вероятности действий во время генерации. Вывод детерминирован для одинакового запроса. Модель распространяется под лицензией MIT. Её небольшой контекст и намеренно ограниченный словарь ответов не подходят для общих задач генерации текста.

Swordies-22M — экспериментальная плотная GPT-модель на 27,9 млн параметров, разработанная Compactbot с нуля. Она обучена на нижнем дециле датасета FineWeb-Edu, отобранном по низким оценкам качества текста, и предназначена для абляционного исследования влияния качества обучающих данных, а не для практического использования. Модель выполняет генерацию текста на английском языке, использует BPE-токенизатор с размером словаря 8192 и имеет контекстное окно 512 токенов. В README сообщается, что модель усвоила распределение низкокачественных обучающих текстов, но не приобрела общих языковых способностей: её генерации несвязны, а результаты стандартных бенчмарков находятся на уровне случайного угадывания или ниже. Это отрицательный контроль для экспериментов с качеством данных; автор не рекомендует использовать модель для генерации, прикладных задач или как базовую модель. Веса доступны в формате safetensors, лицензия — Apache-2.0. Для загрузки требуется предоставленный пользовательский загрузчик: модель не является моделью Transformers.

Eeppa разработал TinyBuddy-80K — экспериментальную сверхмалую языковую модель для генерации короткого английского текста. Она содержит 83,7 тыс. параметров, использует один блок трансформера с RMSNorm, Grouped Query Attention, RoPE и SwiGLU, а входные и выходные эмбеддинги связаны. Модель обучена с нуля на примерно 5 тыс. историй TinyStories с байтовым BPE-токенизатором и словарём из 1 024 токенов. Модель предназначена для демонстрации того, какие языковые закономерности можно выучить при размере менее 100 тыс. параметров, и для учебных экспериментов с компактными языковыми моделями. Она генерирует короткие фразы и начала историй на английском языке. Контекст составляет 128 токенов. Лицензия — MIT. Из-за крайне малого размера модель слабо поддерживает связность даже на протяжении одной-двух фраз, часто повторяется, имеет ограниченный словарь и не подходит для фактических ответов или рассуждений.

Muse Glimmer — 30-миллиардная причинная языковая модель, разработанная Meta Superintelligence Lab и дистиллированная из Muse Spark. Она создана для автономных агентских задач на потребительском оборудовании и может работать локально без облачной инфраструктуры и сетевого доступа. Модель предназначена для многошагового рассуждения, выполнения задач от начала до конца, написания и отладки кода, надёжного вызова инструментов, восстановления после ошибок и работы в агентских оркестраторах. Она принимает текст и изображения, включая скриншоты, графики и документы, а выдаёт текст. Muse Glimmer обучалась на данных более чем из 100 языков и поддерживает контекст длиной не менее 131 072 токенов; дата отсечения знаний — 4 января 2026 года. Архитектура включает плотный causal Transformer примерно на 29,6 млрд параметров и отдельный perception encoder примерно на 1,8 млрд параметров типа ViT-G/14. Используются 52 слоя, GQA с соотношением 32 Q-heads к 2 KV-heads, SwiGLU, локальное и глобальное внимание, а также до 4096 визуальных токенов на изображение. Модель поддерживает управляемую интенсивность рассуждений и оптимизирована для локального запуска: динамическое квантование примерно до 4 бит позволяет разместить её менее чем в 20 ГБ, с целевыми конфигурациями на 24–32 ГБ памяти. Ограничения включают высокие требования к ресурсам по сравнению с компактными моделями и зависимость качества от выбранного уровня квантования. Лицензия — Apache 2.0.

Viper-Coder-v1.1 — дообученная prithivMLmods 14-миллиардная языковая модель семейства Qwen2 для генерации кода и решения задач рассуждения. В карточке указана архитектура Qwen 2.5 14B, а метаданные определяют архитектуру как Qwen2ForCausalLM; модель распространяется в формате safetensors и использует библиотеку Transformers. Она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для написания и отладки кода, решения алгоритмических и математических задач, следования инструкциям, работы со структурированными данными и создания технической документации. README заявляет контекст до 128K токенов и генерацию до 8K токенов, однако метаданные указывают нативный контекст 32768 токенов. Заявлены поддержка программирования на Python, JavaScript, C++, Java, SQL и других языках, а также документации на 29+ естественных языках; языковые теги карточки — английский и китайский. Модель содержит 14 млрд параметров, поэтому для инференса требуются значительные вычислительные ресурсы. Возможны ошибки в длинных ответах, чувствительность к формулировке запроса и неодинаковое качество для разных языков программирования; модель не располагает актуальными данными из интернета. Лицензия — Apache-2.0.

Viper-Coder-v1.7-Vsm6 — дообученная PrithivMLmods языковая модель семейства Qwen2 с 14 млрд параметров для генерации кода и решения технических задач. Она предназначена для разработчиков и учащихся: помогает писать, рефакторить и отлаживать программы, решать математические и алгоритмические задачи, объяснять технические концепции и формировать структурированные данные. Модель работает с текстом и поддерживает диалоговый режим. В README заявлена поддержка контекста до 128 тысяч токенов и генерации до 8 тысяч токенов, тогда как метаданные указывают native context в 1 010 000 токенов. Эти сведения расходятся, поэтому фактическую длину контекста следует проверять для используемой конфигурации. Карточка описывает оптимизацию использования памяти и сокращение лишнего текста; языком модели в метаданных указан английский. Лицензия — Apache-2.0. Модель может ошибаться в коде и объяснениях, чувствительна к формулировке запроса и не располагает актуальной информацией о событиях после обучающих данных. Для работы с большим числом параметров и длинным контекстом нужны значительные вычислительные ресурсы; качество на творческих и нетехнических запросах может быть непостоянным.

Esper 3.1 — дообученная Valiant Labs языковая модель на архитектуре Ministral 3, основанная на Ministral-3-14B-Reasoning-2512. Она предназначена для рассуждений при решении задач программирования, проектирования систем и DevOps, включая MLOps и архитектуру ИИ. Модель поддерживает чат и следование инструкциям; в репозитории представлены веса в формате safetensors, а для запуска используется формат запросов базовой модели. Модель обучали на наборах сложных задач по коду, DevOps, архитектуре и рассуждениям, включая данные, созданные с помощью моделей DeepSeek. В карточке указана поддержка английского языка. Лицензия — Apache-2.0. Размер и длина контекста этой версии в предоставленных данных не указаны.

Rnj-1.5-Instruct — диалоговая языковая модель Essential AI, дообученная на основе EssentialAI/rnj-1. Она содержит 8,3 млрд параметров и использует плотную архитектуру семейства Gemma 3 Text с чередованием блоков локального и глобального внимания. Окно контекста расширено до 163 840 токенов; модель рассчитана на диалоги, программирование и работу с длинными текстами, включая кодовые репозитории и научные материалы. Модель предназначена для генерации и анализа кода, понимания контекста проекта, ответов на вопросы по длинным документам и использования инструментов в диалоговом интерфейсе. В README отмечены результаты на оценках длинного контекста и SWE-Bench, но они не гарантируют аналогичного качества в конкретных задачах. Модель оптимизирована для понимания длинного контекста, а не для его продолжительной генерации: при очень длинных ответах иногда появляются бессмысленные токены. Распространяется по лицензии Apache 2.0.

StepFun разработала Step 3.7 Flash — мультимодальную модель со смесью экспертов (MoE), предназначенную для высоконагруженных рабочих процессов. Она содержит 198 млрд параметров, из которых около 11 млрд активируются на каждом токене; включает языковую часть на 196 млрд параметров и визуальный энкодер на 1,8 млрд. Модель принимает изображения и текст, поддерживает контекст до 256 тыс. токенов и три уровня рассуждений: низкий, средний и высокий. Модель предназначена для понимания изображений, анализа больших документов, многошагового поиска и проверки фактов, оркестрации инструментов и API, а также для задач разработки ПО — например, поиска ошибок в репозиториях и подготовки исправлений. Заявленная скорость генерации достигает 400 токенов в секунду. Карточка описывает её как модель для производственных нагрузок; доступны варианты развёртывания через облачные платформы и локальные средства инференса. Репозиторий использует библиотеку Transformers и формат Safetensors. Лицензия — Apache-2.0. В метаданных указан английский язык; README не подтверждает поддержку других естественных языков.

Claude Sonnet 5 — модель семейства Sonnet от Anthropic. В карточке она описана как наиболее мощная модель Sonnet и предназначена для программирования, работы агентных систем и профессиональных задач. Каталог классифицирует её как image-text-to-text. Карточка упоминает адаптивное рассуждение с настраиваемыми уровнями усилий от низкого до максимального. Доступные сведения не раскрывают размер модели, поддерживаемые языки, контекстное окно, лицензию или подробности обработки изображений.

CodeQwen1.5-7B-Chat-GGUF — специализированная языковая модель для работы с программным кодом, основанная на Qwen1.5 и разработанная командой Qwen. Это трансформерная decoder-only модель, предварительно обученная на примерно 3 триллионах токенов кода. Представленная версия распространяется в формате GGUF с несколькими уровнями квантования, включая q2_k, q3_k_m, q4_0, q4_k_m, q5_0, q5_k_m, q6_k и q8_0, что позволяет выбирать баланс между качеством, размером файла и требованиями к ресурсам. Модель предназначена для генерации и понимания кода, исправления ошибок, задач text-to-SQL и диалогового взаимодействия по вопросам программирования. Она поддерживает контекст длиной до 64K токенов, 92 языка программирования и использует Group Query Attention (GQA) для более эффективного вывода. К сильным сторонам относятся специализация на коде, заявленная конкурентоспособность на ряде бенчмарков и поддержка длинного контекста. Ограничения включают зависимость качества и скорости от выбранного уровня квантования, а также необходимость запуска через совместимое программное обеспечение, например llama.cpp. Модель распространяется по лицензии tongyi-qianwen; точные условия следует уточнять в файле лицензии репозитория.

Qwen3-Coder-Next-FP8 — открытая языковая модель компании Qwen, предназначенная прежде всего для coding agents, локальной разработки и интеграции с CLI- и IDE-инструментами. Она ориентирована на генерацию и анализ кода, длительные многошаговые задачи, использование инструментов и восстановление после ошибок выполнения. Модель поддерживает интеграцию с различными средами разработки, включая Claude Code, Qwen Code, Qoder, Kilo, Trae и Cline. Это причинная языковая модель с гибридной архитектурой Gated DeltaNet, Gated Attention и Mixture of Experts. Всего она содержит 80 млрд параметров, из которых активируется около 3 млрд; число параметров без учёта эмбеддингов составляет 79 млрд. Архитектура включает 48 слоёв, 512 экспертов MoE, 10 активируемых экспертов и одного общего эксперта. Нативная длина контекста — 262 144 токена. Доступна версия с fine-grained FP8-квантизацией с размером блока 128, что предназначено для более эффективного локального и серверного запуска. К сильным сторонам относятся высокая эффективность по числу активных параметров, поддержка длинного контекста и возможности агентного взаимодействия. Ограничение состоит в том, что модель работает только в режиме без рассуждений и не формирует блоки <think></think>; README также предупреждает о возможных проблемах с памятью при использовании максимального контекста. Модель распространяется по лицензии Apache 2.0.

ManniX-ITA/gemma-4-A4B-98e-v6-coder-it-GGUF — это набор GGUF-квантизаций модели ManniX-ITA/gemma-4-A4B-98e-v6-coder-it, созданной на основе Gemma 4 26B-A4B. Модель ориентирована прежде всего на генерацию и анализ кода, рассуждения, агентные сценарии с вызовом инструментов и задачи с изображениями. В карточке указаны английский язык и поддержка визуальных входных данных; тип конвейера — image-text-to-text. Архитектура — MoE с примерно 20,45 млрд параметров, из которых около 4 млрд активны при обработке токена; в слоях используется 98 экспертов. Модель поставляется в различных вариантах квантизации от 2 до 8 бит, а также в F16, с применением imatrix для большинства низкоразрядных вариантов. Для llama.cpp в примере использования задан контекст 32 768 токенов, а для режима рассуждений требуется параметр reasoning-budget. Сильные стороны модели — высокая эффективность в задачах программирования при существенно меньшем объёме активных параметров и широкий выбор вариантов по балансу качества, размера и требований к памяти. По приведённым тестам HumanEval+ лучшие результаты показывают Q6_K и Q8_0 — 93,29%, а рекомендуемым компромиссом названа IQ4_XS размером 11,01 ГБ; вариант IQ2_XS заметно теряет качество. Для многошаговых агентных сценариев в репозитории исправлен дефект шаблона чата, вызывавший повторение рассуждений. Модель распространяется по лицензии Gemma. Для запуска необходим совместимый движок, например llama.cpp, и корректно настроенный шаблон чата; без reasoning-budget Gemma 4 может генерировать некорректные служебные токены. Выбор конкретной квантизации определяет требования к дисковому пространству, памяти и степень сохранения исходного качества.

Inferact/GLM-5.3-NVFP4 — языковая модель для генерации текста, разработанная командой Z.ai на базе zai-org/GLM-5.3-BF16. Модель предназначена прежде всего для сложного программирования, длительных многошаговых задач, работы с инструментами и автоматизации. В README указана поддержка английского и китайского языков, библиотекой по умолчанию является Transformers, а тип конвейера — text-generation. Ключевые сильные стороны модели — улучшенные по сравнению с GLM-5.2 возможности написания кода, решения задач разработки программного обеспечения, поиска уязвимостей и эксплуатации в тестовых средах. Согласно приведённым результатам, модель показывает высокие показатели на Terminal Bench 3.0, CyberGym, AutomationBench и ряде других тестов. Поддерживается управление интенсивностью рассуждений через параметр reasoning_effort со значениями low, high и max; по умолчанию используется max. Для локального развёртывания заявлена совместимость с SGLang, vLLM, Transformers, KTransformers, Unsloth и рядом решений для Ascend NPU. Точный размер модели, архитектура, число параметров, максимальная длина контекста и перечень поддерживаемых модальностей в README не указаны. Данные о результатах зависят от настроек генерации, контекстного окна и используемой инфраструктуры, поэтому показатели нельзя напрямую интерпретировать как универсальное качество. Лицензия обозначена как other, без подробного описания условий использования; перед применением необходимо проверить лицензионные условия исходного репозитория.

Карточка модели damfle/ornith-1.5-35b-a3b-custom на Hugging Face совпадает с карточкой ornith-ai/Ornith-1.5-35B-A3B, поэтому описание составлено по ней. Ornith-1.5-35B-A3B — разработанная Ornith AI диалоговая модель семейства Ornith-1.5 с архитектурой Qwen3.5 MoE. В модели около 35 млрд параметров, из которых примерно 3 млрд активируются на каждом токене. Она создана для генерации текста, агентного программирования и выполнения задач с помощью инструментов; README сообщает о результатах на бенчмарках кодирования и агентных задач. Модель принимает текст и выдаёт текст, включая структурированные вызовы инструментов. Поддерживает контекст до 262 144 токенов; README описывает расширение окна примерно до миллиона токенов с помощью YaRN, с возможным небольшим ухудшением качества на обычной длине контекста. Для запуска в bf16 требуется около 70 ГБ памяти модели; в примере обслуживания используются две GPU по 80 ГБ. Репозиторий распространяется по лицензии MIT.

Qwen2.5-Coder-7B-Instruct-bnb-4bit — 4-битная версия instruction-tuned языковой модели Qwen2.5-Coder, разработанной командой Qwen при Alibaba Cloud и представленной в репозитории Unsloth. Модель предназначена для генерации, анализа и исправления программного кода, кодового рассуждения, создания code agents, а также задач математики и общего назначения. В README явно указан английский язык. Модель относится к causal language models и использует архитектуру Transformers с RoPE, SwiGLU, RMSNorm и смещениями в QKV attention. Она содержит 7,61 млрд параметров, 28 слоёв и механизм GQA с 28 головами для Q и 4 для KV; заявленная максимальная длина контекста — 131 072 токена. Базовая серия обучалась на 5,5 трлн токенов, включая исходный код, текстово-кодовые соответствия и синтетические данные. Существенные сильные стороны — специализация на программировании, улучшенные генерация, рассуждение и исправление кода, а также поддержка длинного контекста. README не приводит подробных ограничений качества, перечня языков программирования или характеристик именно 4-битного квантования. Для работы рекомендуется использовать актуальную версию библиотеки Transformers. Модель распространяется по лицензии Apache-2.0.

cyankiwi/Qwen3-Coder-Next-AWQ-4bit — это 4-битная AWQ-квантизованная версия Qwen3-Coder-Next, базовой модели, разработанной командой Qwen. Модель представляет собой авторегрессионную языковую модель для генерации текста, ориентированную прежде всего на программирование, coding agents и локальную разработку. Модель предназначена для написания и анализа кода, длительных агентных сценариев, использования инструментов, работы с CLI и IDE, а также восстановления после ошибок выполнения. Она имеет 80 млрд параметров всего, из которых активируются 3 млрд, 79 млрд приходятся на параметры без эмбеддингов. Архитектура включает 48 слоёв с гибридным сочетанием Gated DeltaNet, Gated Attention и Mixture of Experts: 512 экспертов, 10 активируемых экспертов и один общий эксперт. Нативная длина контекста составляет 262 144 токена. Модель работает только в режиме без рассуждений и не генерирует блоки <think></think>; поддержка модальностей и список языков в README не указаны. Сильными сторонами являются высокая вычислительная эффективность за счёт малого числа активируемых параметров, большой контекст и развитые возможности для агентного взаимодействия и вызова инструментов. Ограничения включают необходимость совместимого программного обеспечения и аппаратных ресурсов для эффективного запуска крупной модели, несмотря на квантизацию; при нехватке памяти рекомендуется уменьшать длину контекста. Модель распространяется по лицензии Apache-2.0.

Карточка модели exolabs/Step-3.7-Flash-IQ4_XS-dequant-bf16-vllm на Hugging Face совпадает с карточкой stepfun-ai/Step-3.7-Flash, поэтому описание составлено по ней. StepFun разработала Step 3.7 Flash — мультимодальную модель со смесью экспертов (MoE), предназначенную для высоконагруженных рабочих процессов. Она содержит 198 млрд параметров, из которых около 11 млрд активируются на каждом токене; включает языковую часть на 196 млрд параметров и визуальный энкодер на 1,8 млрд. Модель принимает изображения и текст, поддерживает контекст до 256 тыс. токенов и три уровня рассуждений: низкий, средний и высокий. Модель предназначена для понимания изображений, анализа больших документов, многошагового поиска и проверки фактов, оркестрации инструментов и API, а также для задач разработки ПО — например, поиска ошибок в репозиториях и подготовки исправлений. Заявленная скорость генерации достигает 400 токенов в секунду. Карточка описывает её как модель для производственных нагрузок; доступны варианты развёртывания через облачные платформы и локальные средства инференса. Репозиторий использует библиотеку Transformers и формат Safetensors. Лицензия — Apache-2.0. В метаданных указан английский язык; README не подтверждает поддержку других естественных языков.

Calcium-Opus-20B-v1 — диалоговая языковая модель на архитектуре Qwen2, созданная на основе Qwen/Qwen2.5-14B-Instruct и дообученная для рассуждений, математики, программирования и следования инструкциям. По метаданным модель содержит 18,4 млрд параметров, использует Transformers и формат safetensors; заявленное в README контекстное окно до 128K токенов расходится с указанным в метаданных пределом 4096 токенов, поэтому фактический размер контекста следует уточнить для конкретной версии. Модель предназначена для диалоговых помощников, генерации и анализа текста, решения математических задач, написания и отладки кода, работы с таблицами и JSON, а также создания длинных материалов. README заявляет поддержку более 29 языков, включая русский и английский; метаданные карточки указывают английский. Заявлены генерация до 8K токенов за один ответ и интерфейс вызова инструментов. Лицензия Apache-2.0. Качество может различаться между языками; возможны ошибки в длинных ответах, повторы и неверные выводы при неоднозначных или состязательных запросах. Модель не обладает актуальными знаниями о событиях после обучения и требует значительных вычислительных ресурсов.

Claude Opus 4.1 — обновлённая флагманская модель Anthropic с улучшенными возможностями программирования, рассуждений и выполнения агентных задач. Её можно применять для помощи при разработке ПО, решения сложных задач и сценариев, где модель выполняет последовательные действия от имени пользователя. В README указано, что модель набрала 74,5% на SWE-bench Verified. Данных о размере, архитектуре, модальностях, языках, контексте и лицензии в предоставленных материалах нет.

DeepSeek-Coder-V2-Lite-Instruct-8bit — языковая модель для работы с программным кодом, подготовленная сообществом mlx-community. Модель была конвертирована из DeepSeek-Coder-V2-Lite-Instruct, разработанной DeepSeek AI, в формат MLX с использованием mlx-lm 0.18.1 и представлена в 8-битном варианте; размер модели составляет 2,5 млрд параметров. Модель предназначена для генерации и дополнения кода, объяснения программных фрагментов и помощи в задачах разработки в диалоговом формате. Она относится к семейству DeepSeek V2 и поддерживает контекст длиной до 163 840 токенов, что позволяет работать с крупными файлами и связанными фрагментами кода. Для запуска используется библиотека mlx-lm. Модель оптимизирована для локального запуска в экосистеме MLX, а 8-битное представление снижает требования к памяти по сравнению с полноразмерными вариантами. Языки программирования и точный перечень поддерживаемых естественных языков в предоставленных данных не указаны. Условия использования определяются лицензией DeepSeek License, обозначенной в карточке как other.

Gemini 2.5 Pro — модель Google для сложных задач рассуждения, программирования, математики и науки. В карточке модели указана возможность «thinking», предназначенная для более точной проработки ответов. Модель подходит для решения сложных вопросов, помощи с кодом и математическими задачами, а также научной работы. Метаданные каталога классифицируют её как image-text-to-text, однако предоставленные материалы не описывают поддержку изображений, архитектуру, размер, контекст, языки или условия использования, поэтому эти характеристики здесь не уточняются.