II.4Отладка, тестирование и качество ПО

VL-1-Coder — инструкционная языковая модель VectionLabs для генерации кода и диалогового взаимодействия. Она дообучена на базе Qwen/Qwen2.5-Coder-7B-Instruct; метаданные указывают архитектуру Qwen2, 7,1 млрд параметров и формат safetensors. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский и итальянский языки. Модель предназначена для написания и анализа кода, разработки пользовательских интерфейсов и серверных систем, решения алгоритмических задач и разбиения сложных запросов на этапы. В README VectionLabs заявляет сжатые рассуждения и ответы с небольшим количеством вводного текста, однако эти характеристики не сопровождаются результатами сравнительной оценки. Лицензия — Apache-2.0.

Mungert/VulnLLM-R-7B-GGUF — GGUF-квантизированная версия специализированной языковой модели VulnLLM-R-7B, разработанной исследовательской группой UCSB-SURFI на базе Qwen/Qwen2.5-7B-Instruct. Модель предназначена для обнаружения уязвимостей и анализа безопасности исходного кода с использованием пошагового рассуждения о потоках данных, управления и контексте безопасности. Модель ориентирована на анализ кода на C, C++, Python и Java, включая выявление сложных логических уязвимостей, которые могут быть трудно обнаружить простыми шаблонными проверками. Она поддерживает текстовый ввод и генерацию текстовых ответов с объяснением причин обнаружения уязвимости. Размер модели составляет 7B параметров; точный размер контекста для этой GGUF-версии в README не указан. Квантизация выполнена с помощью llama.cpp, при этом для отдельных важных слоёв применялось повышение точности сверх стандартной конфигурации IMatrix, что увеличивает размер файла, но может улучшать точность при низкой разрядности. К сильным сторонам относятся специализация на анализе уязвимостей, способность объяснять ход рассуждений и сравнительно небольшие требования к ресурсам по сравнению с крупными reasoning-моделями. В README заявлены высокие результаты на бенчмарках PrimeVul, Juliet 1.3 и ARVO, однако конкретные метрики не приведены. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие гарантии корректности результатов, поэтому модель следует использовать как вспомогательный инструмент аудита, а не как единственный механизм проверки безопасности. В метаданных указана лицензия Apache-2.0.

zli12321/answer_equivalence_roberta-large — модель семейства RoBERTa-Large, предназначенная для оценки эквивалентности ответа кандидата эталонному ответу в задачах контроля качества систем вопросов и ответов. В карточке README модель указана среди дообученных моделей для нейронного сопоставления ответов; метаданные указывают архитектуру RobertaForMaskedLM, объём 454,1 млн параметров и контекст до 514 токенов. Модель подходит для сравнения ответа с одним или несколькими эталонами с учётом вопроса, выставления оценки сходства и определения, эквивалентны ли ответы. Её можно применять при оценке QA-моделей на англоязычном наборе PEDANTS; метаданные также указывают задачи fill-mask и text-classification. В README не уточнены детали обучения именно этого чекпойнта и его метрики качества. Модель распространяется по лицензии MIT. Карточка не описывает специальные меры безопасности или ограничения предметной области; оценка эквивалентности зависит от эталонных ответов и может ошибаться на неоднозначных формулировках.

Arcana Qwen3 2.4B A0.6B — текстовая модель Mixture of Experts, созданная suayptalha. В ней заявлено 2,4 млрд параметров суммарно и четыре эксперта по 0,6 млрд параметров. Модель предназначена для диалогов и генерации ответов с навыками программирования, математических рассуждений, медицинских вопросов и следования инструкциям; каталог также отмечает интерфейс вызова инструментов. Эксперты для кода, математики и медицинских вопросов дообучены на соответствующих наборах данных, а эксперт следования инструкциям использует Qwen/Qwen3-0.6B без дополнительного дообучения. В метаданных указана поддержка английского языка и библиотека Transformers. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Заявленная цель — повысить точность и эффективность при меньшем потреблении памяти, однако сравнительные результаты в карточке не приведены.

Модель Мукита Махдина — дообученная версия microsoft/codebert-base для классификации фрагментов кода на безопасные и потенциально уязвимые. Она основана на RoBERTa, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для поиска уязвимостей в коде C и C++ и может применяться при статическом анализе, проверках репозиториев, в плагинах IDE и конвейерах CI/CD. Результат классификации: безопасный код (0) или уязвимый (1). В качестве обучающего набора использовался DetectVul/devign. В README приведена точность 64,09% на оценивании. Возможны ложные срабатывания и пропуски уязвимостей; обучение на ограниченном наборе данных может снижать качество на иных типах кода и языках программирования. Модель не заменяет экспертный аудит и другие средства анализа безопасности. Лицензия — MIT.

CodeGemma 1.1 7b Instruct — языковая модель Google, представленная в формате GGUF. Квантизацию выполнил bartowski на базе llama.cpp. Модель создана как помощник программиста для генерации кода и решения задач разработки; в качестве примера использования указано написание функций на Python. Рекомендуемый шаблон запросов — Google Gemma Instruct с маркерами начала и конца хода диалога. Модель основана на Gemma 7B и дополнительно обучена на веб-документах, математике и исходном коде: заявлено соотношение 80% кода и 20% естественного языка. Instruct-версия дообучалась на математических наборах данных, синтетически сгенерированном коде и обратной связи от другой LLM, что должно улучшать генерацию кода и математическое рассуждение. Указан размер исходной модели 7B, а для сборки в LM Studio — около 8B параметров; поддерживаемые языки, длина контекста и точные параметры GGUF в README не указаны. Сильными сторонами модели являются специализация на программировании, локальный запуск через GGUF и небольшие заявленные улучшения генерации кода по сравнению с исходной версией CodeGemma. Ограничения включают возможные неточности, а также отсутствие в README данных о производительности, языковом покрытии, конкретном варианте квантизации и мультимодальности; модель предназначена для работы с текстом и кодом. Использование регулируется лицензией Google Gemma; для доступа к оригинальной модели на Hugging Face требуется принять условия Google.

TheBloke/CodeLlama-34B-GGUF — это набор квантованных файлов модели CodeLlama 34B, разработанной Meta. Репозиторий подготовил TheBloke, преобразовав исходную модель codellama/CodeLlama-34b-hf в формат GGUFv2 для локального запуска и инференса. Модель предназначена прежде всего для генерации и работы с программным кодом. Она относится к семейству Llama и имеет размер 34 млрд параметров. В README указано, что модель поддерживает текстовую генерацию и ориентирована на код; конкретные языки программирования, контекстное окно и дополнительные модальности не указаны. Файлы доступны в вариантах квантования от 2 до 8 бит, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Формат GGUF поддерживает метаданные, специальные токены и улучшенную токенизацию. Модель совместима с llama.cpp начиная с указанной версии, а также с рядом пользовательских интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие. К сильным сторонам относятся возможность локального запуска на CPU и GPU и наличие нескольких уровней квантования. Ограничения связаны с потерями качества при сильном квантовании и высокими требованиями к ресурсам для 34-миллиардной модели; точные показатели производительности в README не приведены. Модель распространяется по лицензии llama2. Условия использования исходной модели и квантованных файлов следует рассматривать с учетом этой лицензии.

shareAI/CodeLLaMA-chat-13b-Chinese — китайская версия CodeLlama для многоходового диалога, предназначенная для ответов на вопросы по программированию и работы в роли помощника по коду. Модель разработала shareAI; карточка описывает её как специализированную на коде, в отличие от ChineseLLaMa общего языкового назначения. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 12,9 млрд параметров. Она работает через Transformers, принимает текст и генерирует текст; заявленный контекст составляет 16 384 токена. Метаданные указывают китайский и английский языки, а обучение связано с наборами ShareGPT-Chinese-English-90k и CodeChat. Модель подходит для диалога о коде, ответов на вопросы по программированию и генерации программного текста. Лицензия — OpenRAIL; перед использованием следует учитывать её условия. Карточка не сообщает конкретные результаты оценки качества или ограничения по языкам программирования.

CogAgent-VQA — открытая визуально-языковая модель от команды Zhipu AI, улучшенная на основе CogVLM. Эта версия контрольной точки предназначена прежде всего для диалога по изображению в один ход и оценки на тестах визуальных вопросов и ответов, включая VQAv2 и MM-Vet. Модель принимает изображение высокого разрешения до 1120×1120 и текстовый вопрос, а в ответ генерирует текст; также заявлены возможности OCR и понимания интерфейсов веб-страниц, настольных и мобильных приложений. В README семейство описано как CogAgent-18B с 11 млрд визуальных и 7 млрд языковых параметров, тогда как метаданные этого репозитория указывают 6,6 млрд параметров, архитектуру CogAgentForCausalLM и контекст 2048 токенов. Поэтому размер конкретной опубликованной модели расходится с описанием семейства в карточке. Репозиторий содержит веса Safetensors и имеет лицензию Apache-2.0 в метаданных; README указывает, что для коммерческого использования требуется регистрация и соблюдение условий лицензии. Для GUI-агента, визуального заземления и многоходового диалога разработчики рекомендуют вариант cogagent-chat.

DeepSeek-Coder-V2-Lite-Base-IMat-GGUF — это GGUF-квантизованная версия базовой модели deepseek-ai/DeepSeek-Coder-V2-Lite-Base, подготовленная legraphista с использованием llama.cpp. Модель предназначена прежде всего для генерации текста и задач, связанных с программированием; в README она представлена как базовая, а не специализированная диалоговая модель. Доступны варианты в форматах BF16, F16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и других типах квантизации размером примерно от 6,43 до 31,42 ГБ. Для ряда компактных вариантов применена IMatrix-квантизация, призванная повысить качество по сравнению с обычным квантованием; доступны файлы IMatrix и версии для llama.cpp. Сведения об архитектуре, количестве параметров, поддерживаемых языках, модальностях и размере контекста в README не указаны. Основные преимущества — широкий выбор уровней квантизации, возможность локального запуска через совместимый стек GGUF/llama.cpp и компромисс между качеством, размером файла и требованиями к памяти. Более агрессивное квантование может снижать качество, а для работы требуются ресурсы, соответствующие выбранному варианту. Модель распространяется по лицензии deepseek-license; в карточке указано обозначение лицензии other и ссылка на файл LICENSE.

Vortecks/G9v3-3B-Heretic-Abliterated — плотная причинно-следственная языковая модель команды AI9Stars, подготовленная на основе ai9stars/G9v3-3B. Это вариант Heretic Abliterated: направления активаций, связанные с отказами, были удалены, поэтому модель чаще отвечает на запросы без встроенных защитных ограничителей. Модель содержит 2,7 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Модель предназначена для локального чата, повседневных запросов, генерации кода, вызова инструментов и задач на рассуждение в условиях ограниченных ресурсов. В карточке приведены способы запуска через совместимые среды, включая llama.cpp, Ollama и LM Studio; текущий репозиторий содержит веса Safetensors. Указана лицензия Apache-2.0. Модель может выдавать неточные, предвзятые или небезопасные ответы; результаты следует проверять, особенно при использовании в важных решениях. Поскольку встроенное поведение отказа удалено, разработчику приложения необходимо самостоятельно обеспечивать модерацию и меры безопасности.

knowledgator/gliclass-instruct-edge-v1.0 — компактная модель классификации последовательностей семейства GLiClass, разработанная Knowledgator. Она предназначена для классификации текста с произвольными метками в zero-shot и few-shot сценариях: метки и их описания задаются при запросе, без обязательного дообучения под каждую задачу. По README модель также применяют для определения тематики, тональности и намерений, проверки следования правилам, обнаружения галлюцинаций и оценки безопасности ответов LLM, NLI и ранжирования релевантности текста. Модель использует архитектуру GLiClass и распространяется в формате safetensors. В версии V3 библиотека GLiClass поддерживает иерархические метки, примеры в контексте, описания меток и промпты задач. В приведённых бенчмарках edge-вариант уступает более крупным вариантам GLiClass по F1 на тестах CR, SST-2 и SST-5, что отражает компромисс между размером и качеством. В карточке не приведены размер модели, контекстное окно и поддерживаемые языки. Лицензия — Apache-2.0.

Это GGUF-квантование GLM-4.7-Flash, подготовленное TNT.Chat в рамках проекта LOCAL AI. Модель Z.ai — диалоговая MoE-модель класса 30B-A3B; в этой сборке около 20% весов, включая shared expert и тензоры внимания, представлены в Q4_K, остальные — в Q3_K. Такой смешанный формат рассчитан на локальный запуск и использование в редакторах кода, включая VS Code, на потребительском оборудовании; автор заявляет возможность работы в пределах 16 ГБ VRAM и приводит отдельную оценку для контекста 200 тысяч токенов на GPU с 24 ГБ VRAM. Модель генерирует текст в диалоге и ориентирована, среди прочего, на программирование и рассуждения. В карточке приведены рекомендации по параметрам генерации и отмечено, что исправление в llama.cpp устранило зацикливание и низкое качество прежней версии файлов. Заявления о качестве и требованиях к памяти относятся к описанию автора сборки. Репозиторий распространяется по лицензии MIT; README указывает исходный GGUF от Unsloth и метод смешанного квантования, не подтверждая отдельное дообучение этой версии.

GPT-5.1-Codex-Max — агентная модель OpenAI для задач разработки программного обеспечения. README описывает её как модель для длительных задач программирования с большим контекстом, основанную на обновлённом стеке рассуждений GPT-5.1 и обученную для агентной работы. Модель предназначена для использования в сценариях, где агенту нужно вести работу над программным обеспечением в течение продолжительного времени. Карточка не содержит подробностей об архитектуре, числе параметров, поддерживаемых языках программирования или лицензии, поэтому эти характеристики не приводятся.

Guru-7B — модель генерации текста на базе Qwen2.5-7B, представленная авторами работы «Revisiting Reinforcement Learning for LLM Reasoning from A Cross-Domain Perspective». Она предназначена для диалоговых сценариев и решения задач рассуждения в разных областях, включая математику и программирование. В опубликованных результатах приведены оценки на AIME24 и MATH500 для математики, а также LiveCodeBench для кода. Модель имеет плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Метаданные указывают контекст до 131 072 токенов, поддержку чата и интерфейса вызова инструментов; формат весов — safetensors, для работы заявлена библиотека Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. README приводит результаты отдельных бенчмарков, однако они не гарантируют качество на других задачах.

Это пользовательская квантованная версия KAT-Coder-V2.5-Dev, опубликованная автором репозитория IsValorum в формате GGUF. Она предназначена для генерации кода, рассуждений и работы в агентных сценариях с использованием чата и инструментов. В карточке указано, что это разреженная MoE-модель; для варианта APEX-I-MiniPlus V2.1 заявлены файл размером около 14,75 ГБ, средняя точность 3,40 бита на вес и окно контекста 256 тысяч токенов. README также описывает запуск с использованием системной памяти и заявляет возможность полного контекста на видеокарте с 24 ГБ памяти. К сильным сторонам автор относит качество квантования, сохранение точности маршрутизации экспертов и пригодность для локального вывода. В README приведены собственные оценки perplexity и скорости, которые не следует считать независимым сравнением. Модель поддерживает несколько языков, включая русский, английский и китайский. Лицензия — Apache-2.0.

Ttimms/KAT-Coder-V2.5-Dev-REAP-50-NVFP4-W4A4 — это квантизированная модель для генерации кода и агентных сценариев программирования, разработанная Ttimms на базе Kwaipilot/KAT-Coder-V2.5-Dev и собственного промежуточного чекпойнта KAT-Coder-V2.5-Dev-REAP-50-bf16. Модель предназначена для интерактивной генерации, дополнения и рефакторинга кода, а также задач, связанных с автоматизированной разработкой ПО. В карточке не указаны поддерживаемые языки программирования и размер контекста. В основе используется MoE-архитектура Qwen3.5 с исходными 256 экспертами; после pruning REAP-50 осталось 128 экспертов, также была выполнена перенормировка роутера. Из модели удалена vision tower и 333 необученных тензора. Применена нативная NVFP4-квантизация W4A4: веса и активации представлены в 4-битном формате, что позволяет использовать FP4×FP4 tensor-core kernels на совместимом оборудовании Blackwell. Опубликованный вариант рассчитан прежде всего на запуск через vLLM и требует поддержки соответствующих NVFP4-ядер. По измерениям на RTX 5070 Ti модель показала медианные результаты 93,90% на HumanEval, 89,63% на HumanEval+ и 89,68% на MBPP+. Скорость декодирования составила 14,5 токена/с в eager-режиме и 119,2 токена/с в production-конфигурации PIECEWISE при batch size 1. Сильными сторонами являются компактное 4-битное представление, возможность нативных FP4-вычислений и высокое качество на тестах программирования. Ограничения — зависимость от совместимого оборудования и vLLM, более низкая скорость по сравнению с родственным вариантом NVFP4A16 на указанной конфигурации, а также заметная вариативность результатов между запусками из-за особенностей непрерывной пакетной обработки и FP4-вычислений. Модель распространяется по лицензии Apache-2.0.

KIN — Cybersecurity Verification Translator — это дообученная модель для анализа и проверки утверждений в области кибербезопасности, разработанная на базе Qwen/Qwen2.5-3B-Instruct. Модель предназначена для обработки diff-файлов, обсуждений ревью, трассировок агентов и описаний уязвимостей, включая задачи code review, bug bounty, анализа CVE, SOC, DFIR, threat intelligence и incident response. Указан английский язык. KIN формирует пятичастный аналитический бриф: утверждение, потенциальный радиус воздействия, механизм первопричины с привязкой к CWE или нарушенному инварианту, воспроизводимую проверку и критерии опровержения. Ключевая особенность — требование подтверждать серьёзность находки воспроизводимой проверкой, например PoC, падающим тестом, AST-проверкой или командой выполнения. Модель ориентирована на конкретные продукты, реальные CVE и контекст инцидентов, а также на прямые рекомендации по дальнейшим действиям. Архитектура основана на Qwen2.5-3B-Instruct; использованы LoRA SFT и DPO Alignment, LoRA rank 8, alpha 16, целевые модули q_proj, k_proj, v_proj и o_proj. Для локального запуска доступна квантованная версия Q4_K_M в формате GGUF размером около 1,93 ГБ, совместимая с Ollama и llama.cpp. Ограничения включают размер класса 3B, необходимость проверять критические выводы сканером или воспроизводимым тестом, использование пятичастного брифа только как вспомогательного инструмента, а также необходимость предварительно фильтровать большие кодовые базы. Лицензия — Apache-2.0.

LiteCoder-Terminal-30b-a3b-sft — модель команды LiteCoder для кодовых агентов, дообученная на базе Qwen3-30B-A3B-Instruct-2507 на наборе LiteCoder-Terminal-SFT. Она предназначена для решения задач через терминал в агентных сценариях и показала результаты на бенчмарках Terminal Bench при работе с агентом Terminus 2. Модель использует архитектуру Qwen3 MoE с генерацией текста; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. README сообщает об обучении на 11 255 траекториях и приводит показатели pass@1 и pass@4 для нескольких версий Terminal Bench. Поддерживается диалоговый режим. Лицензия — MIT.

MoziAI-27B-3.8 — мультимодальная плотная модель на 27 млрд параметров, разработанная командой Чэнь Юймо на базе Qwen/Qwen3.8-27B и дообученная для диалогов с усиленным вниманием к финансовой тематике. Модель распространяется в форматах GGUF, включая BF16 и Q4_K_M, и предназначена для локального запуска через llama.cpp; лицензия Apache-2.0 разрешает коммерческое использование. Модель ориентирована на финансовые вопросы и анализ отчетов, помощь с количественным программированием и вызов инструментов, а также поддерживает написание текстов, разработку и отладку кода, многошаговые задачи и понимание изображений. В карточке заявлены динамический режим рассуждения, итерационная проверка ответов и поддержка множества языков с особой оптимизацией китайского; метаданные явно указывают китайский и английский. Для работы с изображениями README требует загрузить vision-проектор и шаблон чата вместе с основным файлом. Заявления README о точности квантования и превосходстве в финансовых задачах не подкреплены приведенными результатами бенчмарков, поэтому их следует считать заявлениями разработчика.

Mungert/OpenCodeReasoning-Nemotron-7B-GGUF — квантизированная версия модели на базе Qwen/Qwen2.5-7B-Instruct, связанная с датасетом NVIDIA OpenCodeReasoning. Модель предназначена для генерации текста и решения задач, связанных с программированием и рассуждениями по коду; формат GGUF ориентирован на запуск через llama.cpp и совместимые инструменты. Модель относится к классу 7B и поддерживает английский язык. Доступны варианты с различной точностью квантизации, включая низкобитные форматы IQ и стандартные варианты GGUF. Низкобитные конфигурации уменьшают требования к памяти и подходят для CPU, устройств с ограниченной VRAM и edge-сценариев, однако могут снижать точность. В README приведены результаты для DynamicGate-квантизации на Llama-3-8B, но они не являются прямым бенчмарком данной модели. Размер контекста для этой модели явно не указан. Сильными сторонами являются компактность, возможность локального запуска и выбор между точностью и эффективностью благодаря нескольким вариантам квантизации. Ограничения включают потенциальную потерю качества в низкобитных версиях, зависимость производительности от аппаратного ускорения и отсутствие подробных характеристик целевой модели, включая точный контекст и результаты профильного тестирования. Указанная лицензия — Apache 2.0.

Ornith-1.5-9B-OBLITERATED — модифицированная версия Ornith-1.5-9B, разработанного DeepReinforce. Модель доработана проектом OBLITERATUS и собрана Pliny the Prompter с применением precision abliteration surgery — удаления поведенческих направлений, связанных с отказами на потенциально опасные запросы. Она предназначена для генерации текста, программирования, рассуждений, исследовательских задач в области alignment и red teaming, а также агентских сценариев и автоматизации. Модель содержит около 9 млрд параметров и использует гибридную архитектуру Qwen3.5 с Gated DeltaNet и полными attention-слоями; редактированию подверглись все 32 трансформерных слоя. Заявлен английский язык, поддерживаются обычный и thinking-режимы, а также текстовая генерация. В репозитории доступны полноточные bf16-веса и варианты GGUF размером от Q2_K до Q8_0; для максимального сохранения характеристик рекомендуются Q8_0 и Q6_K. Указан контекст размером 8192 токена для примера запуска через llama.cpp, однако общий максимальный контекст README явно не подтверждает. Сильной стороной является существенно сниженная склонность к отказам при сохранении возможностей программирования, рассуждений и базовых агентских задач: в приведённых тестах модель показала 3/3 в генерации кода и 5/6 в тесте связности длинного контекста. Ограничения включают падение MMLU примерно на 4 процентных пункта относительно базовой модели, возможные дополнительные отказы в низкобитных квантизациях, частично ухудшенное function calling и риск галлюцинаций в сложных химических и синтетических сценариях. Модель распространяется по лицензии MIT; из-за удаления защитных ограничений результаты требуют независимой проверки и ответственного применения.

Phi-4-reasoning-plus — открытая языковая модель Microsoft Research для генерации ответов с развернутыми рассуждениями. Эта производная от microsoft/Phi-4-reasoning-plus модель содержит 14,1 млрд параметров и использует плотный декодерный Transformer семейства Phi-3. Она принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена прежде всего для англоязычных задач, где важны рассуждения и логика: решения задач по математике и науке, программирование, планирование и следование инструкциям. Её можно использовать как основу для генеративных функций в условиях ограниченных вычислительных ресурсов. Дообучение включало supervised fine-tuning на цепочках рассуждений и обучение с подкреплением; модель в среднем генерирует примерно на 50% больше токенов, что может повышать задержку. Карточка предупреждает, что модель проверялась прежде всего для математических рассуждений и не оценивалась специально для всех вариантов применения. Ответы требуют проверки, особенно в высокорисковых сценариях. Репозиторий распространяется по лицензии MIT.

Qemma-Q14B — экспериментальная гибридная языковая модель от Convergent Intelligence LLC: Research Division. Она объединяет веса Gemma 3 1B и Qwen3 14B; согласно карточке, в основе лежит тело Gemma с MLP и механизм внимания Qwen, а слои проецируются и выравниваются. Модель представлена в формате Safetensors и предназначена для генерации текста и диалогов. Модель обучалась методом SFT для следования инструкциям и пошаговых рассуждений. В карточке также заявлены сценарии помощи с кодом, анализа и дальнейшего дообучения. Для расширения контекста используется масштабирование RoPE на основе YaRN; метаданные указывают контекст до 524 288 токенов. Поддерживаемый язык, указанный в метаданных, — английский. Карточка предупреждает о возможных галлюцинациях и не рекомендует полагаться на модель в критически важных, медицинских, юридических и финансовых решениях. Лицензия — OSL-3.0; при использовании следует учитывать лицензии исходных моделей и датасетов.

Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-gregarious_mottled_gorilla — компактная инструкционная языковая модель для генерации текста и кода, опубликованная в формате, совместимом с библиотекой Transformers. По идентификатору модель относится к семейству Qwen2.5-Coder и имеет около 494 млн параметров; в метаданных она отмечена как text-generation и связана с проектами Gensyn, RL Swarm, GenRL Swarm и методом GRPO. Модель предназначена для генерации ответов на текстовые запросы, включая создание и дополнение программного кода, объяснение кода и другие сценарии, поддерживаемые инструкционным режимом. Заявленное нативное контекстное окно составляет 32 768 токенов, что позволяет обрабатывать достаточно длинные запросы и фрагменты исходного кода. README не содержит подтверждённых сведений о разработчике, языках, обучающих данных, результатах оценки, архитектурных деталях и лицензии. Поэтому возможности модели, качество генерации, фактическая языковая поддержка и условия распространения следует проверять отдельно перед использованием в продуктивных системах.

Qwen2.5-Coder-14B-Instruct-Uncensored-Patched — модель для генерации и анализа программного кода, созданная AIOpsInSpace на базе Qwen/Qwen2.5-Coder-14B-Instruct от команды Qwen. Она ориентирована на локальные сценарии разработки, работу в качестве coding assistant и интеграцию с IDE-плагинами. Заявлена оптимизация для видеокарт с 16 ГБ VRAM и исправление проблем с обработкой токенов автодополнения и зависанием IDE-плагинов. Модель представляет собой плотную текстовую модель размером 14 млрд параметров и распространяется в формате GGUF. В карточке указана поддержка английского языка, а основная специализация — задачи программирования и текстовая генерация. Сведения о длине контекста, точной архитектуре, поддерживаемых языках программирования и мультимодальности не приведены, поэтому эти характеристики нельзя подтвердить. К сильным сторонам относятся ориентация на генерацию кода, возможность локального развертывания и заявленная совместимость с IDE-сценариями. Ограничения включают отсутствие подробных независимых бенчмарков и неполные сведения о производительности, контексте и языковой поддержке. Лицензия указана как Apache-2.0.

Qwen3-32B-R2EGYM-256-3epochs — плотная языковая модель на 29,7 млрд параметров, созданная командой LAION дообучением Qwen/Qwen3-32B методом обучения с подкреплением. Обучение проводилось с асинхронным PPO в SkyRL на задачах программирования и рассуждений из бенчмарка R2EGYM; использовалось 256 задач и агент Terminus-2, работающий в терминальной среде с песочницей Docker. Контекст модели — 40 960 токенов. Модель предназначена для генерации кода, решения задач программирования и многошагового рассуждения в диалоговом формате. Авторы позиционируют её как замену Qwen3-32B с улучшенными возможностями в программировании и рассуждениях. Карточка указывает лицензию Apache-2.0. Результаты могут зависеть от задачи и условий запуска; обучение на ограниченном наборе из 256 задач не гарантирует улучшения на других задачах.

Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2-GGUF — мультимодальная модель, разработанная Jackrong на базе Qwen/Qwen3.5-27B. Это дообученная версия с фокусом на эффективное рассуждение и генерацию текста по изображениям и текстовым запросам; модель рассчитана на conversational-сценарии, решение математических и логических задач, работу с инструкциями, общими знаниями и программированием. Доступен формат GGUF для запуска с llama.cpp и совместимых инструментов, а также поддержка экосистемы Transformers и Unsloth. Заявлены языки English, Chinese и Korean, однако сведения о размере контекста в README отсутствуют. В версии v2 использовано около 14 000 образцов рассуждений в стиле Claude 4.6 Opus, с акцентом на короткие и переносимые шаблоны рассуждений. По данным автора, на HumanEval достигнуто 96,91% pass@1 при примерно 24% меньшей длине цепочки рассуждений и на 31,6% большем числе корректных решений на токен по сравнению с базовой моделью. При этом отмечено снижение результатов на HumanEval+ на 1,24% и на MMLU-Pro на 7,2%; модель может уступать базовой версии в задачах, требующих длинного контекста, сложного многошагового рассуждения и более широких общих знаний. Приведённые оценки получены в условиях инференса BF16 с Unsloth и vLLM и не гарантируют аналогичные результаты в других конфигурациях. Модель распространяется по лицензии Apache-2.0. README не содержит подробных требований к аппаратному обеспечению, точного размера контекстного окна и исчерпывающей информации о возможностях или ограничениях мультимодального ввода.

Qwen 3.6 35B-A3B REAP-48 v2 — опубликованная Crucible версия модели Qwen/Qwen3.6-35B-A3B с удалением 48% маршрутизируемых экспертов и квантованием весов в формате GGUF для llama.cpp. Модель предназначена для генерации текста и диалогов; в карточке также приведены результаты задач программирования и вызова инструментов. Указанный размер файла — 8,78 ГиБ. По сравнению с v1 версия v2 перераспределяет точность квантования по измеренной чувствительности тензоров и использует калибровку с шаблоном чата. В README приведены результаты HumanEval+, MBPP+ и BFCL-simple, а также измерения скорости на отдельных устройствах и бэкендах. Производительность i-quants на CUDA, Vulkan и CPU-only сборках не проверялась, поэтому её следует оценивать на целевой платформе. Для некоторых конфигураций llama.cpp README отдельно требует совпадения параметров batch и ubatch: их несоответствие может искажать вычисления. Лицензия — Apache-2.0.

Qwen3.7 Flash — мультимодальная модель рассуждения с поддержкой изображений, разработанная Alibaba. Она предназначена для мультимодальных агентов, визуального программирования, поиска и взаимодействия с компьютером, а также задач распознавания объектов и пространственного понимания. Модель принимает текст и изображения и генерирует текст.