II.4Отладка, тестирование и качество ПО

Qwen3-Coder-REAP-246B-A35B — сжатая модель Cerebras на архитектуре Sparse Mixture-of-Experts, созданная из Qwen3-Coder-480B-A35B-Instruct методом REAP (Router-weighted Expert Activation Pruning). Из 160 экспертов удалена половина; в модели осталось 246 млрд параметров, из которых 35 млрд активируются на каждом токене. Веса представлены в FP8, контекст составляет 262 144 токена, а лицензия — Apache 2.0. Модель предназначена для генерации кода, агентного программирования, работы с большими репозиториями и вызова функций. Карточка заявляет почти такое же качество, как у исходной модели, и совместимость с vLLM; калибровка включала примеры генерации кода, вызова функций и многошаговые агентные сценарии. Результаты оценки указаны только для варианта FP8, а результаты для BF16 ещё не приведены.

Qwopus3.5-27B-v3 — мультимодальная модель на 27 млрд параметров, разработанная Jackrong на базе unsloth/Qwen3.5-27B. Она дообучена с помощью SFT и LoRA с дистилляцией структурированного рассуждения и дополнительным обучением вызову инструментов; поддерживает диалоги и обработку изображений. Модель предназначена для задач программирования, математики, логических рассуждений и многошаговых сценариев с инструментами, включая агентные фреймворки вроде OpenClaw. Автор заявляет о более коротких и устойчивых цепочках рассуждений и высокой эффективности генерации токенов, однако приведённые оценки ограничены и не подтверждают качество во всех областях. Модель может галлюцинировать, зацикливаться или отклоняться в рассуждениях; автор обозначает её как тестовую версию для обучения, демонстраций и технического исследования. Лицензия — Apache-2.0.

Qwopus3.5-4B-v3 — модель от Jackrong, дообученная на базе unsloth/Qwen3.5-4B. Она позиционируется как reasoning-модель с оптимизацией структуры рассуждений, ориентированная на повышение стабильности, корректности и эффективности вывода, особенно в задачах программирования и многошаговых агентных сценариях. Модель предназначена для задач, где требуется рассуждение, выполнение действий через инструменты и последовательное уточнение поведения по результатам взаимодействия со средой. В ней заявлена поддержка tool calling для агентных фреймворков, включая OpenClaw, а также подход «act-then-refine»: раннее выполнение действия с последующей коррекцией на основе обратной связи вместо чрезмерного предварительного обдумывания. В README указаны английский, китайский и корейский языки. Размер модели — 4B параметров; модель помечена как image-text-to-text, однако подробные сведения о мультимодальной архитектуре и поддерживаемых типах входных данных не приведены. К сильным сторонам относятся компактный размер, акцент на более коротких и устойчивых цепочках рассуждений, специализация на программировании и сценариях с инструментами. Ограничения связаны с отсутствием в представленном README данных о длине контекста, результатах стандартизированных тестов, требованиях к ресурсам и фактическом качестве работы с изображениями. Модель распространяется по лицензии Apache-2.0.

Rombos-Coder-V2.5-Qwen-14b-GGUF — это квантизированная версия модели Rombos-Coder-V2.5-Qwen-14b, подготовленная bartowski в формате GGUF для запуска через llama.cpp и совместимые приложения, включая LM Studio. Исходная модель размещена автором rombodawg и основана на Qwen2.5-Coder-14B. Модель предназначена прежде всего для генерации и обработки программного кода, включая написание, дополнение и преобразование кода в сценариях локального инференса. Модель относится к классу текстовых генеративных моделей, имеет около 14 млрд параметров и поддерживает английский язык. README не содержит сведений о точной архитектуре, размере контекстного окна, дополнительных языках или мультимодальных возможностях. Доступны варианты от F16 до Q3 и IQ-квантизаций с размером файлов примерно от 6,92 до 29,55 ГБ. Более высокие разрядности обеспечивают лучшее сохранение качества, а варианты Q4 и ниже требуют меньше оперативной памяти; отдельные варианты оптимизированы для ARM и имеют специальные требования к аппаратной поддержке. К сильным сторонам относятся специализация на задачах программирования, широкий выбор уровней квантизации и возможность локального запуска. Ограничения связаны с потерей качества в низкоразрядных вариантах, значительными требованиями к памяти для старших вариантов и отсутствием в README подробных данных о качестве на бенчмарках, контекстном окне и поддерживаемых языках программирования. Распространение указано по лицензии Apache-2.0.

zen4-coder-pro-i1-GGUF — набор квантованных GGUF-версий модели zenlm/zen4-coder-pro. Базовая модель разработана zenlm, а квантование выполнено mradermacher. Модель предназначена прежде всего для генерации и обработки программного кода, включая локальный запуск в совместимых инструментах для GGUF. Доступны варианты квантования i1-IQ и i1-Q с размерами примерно от 16,3 до 65,6 ГБ. README указывает английский язык, библиотеку Transformers и текстовую модальность; сведения об архитектуре, количестве параметров и размере контекста не приведены. Варианты различаются компромиссом между размером, скоростью и качеством: Q4_K_M отмечен как быстрый и рекомендуемый, Q4_K_S — как оптимальный по размеру, скорости и качеству, а некоторые низкобитные варианты характеризуются сниженным качеством. Основное преимущество модели — возможность выбрать подходящий уровень квантования для локального использования и ограниченных аппаратных ресурсов. Ограничения связаны с потерями качества у наиболее агрессивно квантованных вариантов, а также с отсутствием в README подробных результатов оценки и технических характеристик базовой модели. Модель распространяется по лицензии Apache-2.0.

Bash Copilot — языковая модель rabbitcat, дообученная на базе Yi-1.5-6B для преобразования описаний на естественном языке в команды Bash и shell-скрипты. Она поддерживает многошаговый диалог на английском и китайском языках: позволяет ссылаться на сущности из предыдущих реплик и постепенно уточнять или дополнять код. Модель семейства Llama с плотной архитектурой, около 5,8 млрд параметров, принимает текст и генерирует текст; длина контекста — 4096 токенов. Для обучения использован корпус из 21 тысячи многошаговых диалогов, собранных из популярных репозиториев GitHub. Лицензия — MIT. Примеры показывают генерацию команд для работы с файлами, JSON и циклами оболочки.

Canopy-258M-R3 v3 — компактная языковая модель семейства Canopy от psikosen, предназначенная для браузерной автоматизации и работы на устройствах с ограниченными ресурсами. Авторская карточка описывает её как рекуррентную Mixture-of-Experts-модель для выполнения действий в браузере, включая заполнение форм, обработку динамических полей и извлечение структурированных данных со страниц. В примерах показаны генерация кода и управление браузером через отдельный инструментальный пакет. В метаданных указаны 136,8 млн параметров, архитектура CanopyForCausalLM, поддержка чата и кода, формат safetensors и библиотека Transformers. README заявляет об ускорении браузерных сценариев, но не приводит независимых результатов оценки. Модель работает с текстовыми запросами и генерирует текст; её карточка указывает английский язык. Лицензия Apache 2.0.

CrowQwen3.5 4B Agent Heretic GGUF — компактная локальная агентная сборка от dawncr0w на базе Qwen/Qwen3.5-4B. Модель предназначена для текстовой генерации в llama.cpp-совместимых средах и ориентирована на заметки по программированию, планы рефакторинга, разбор ошибок, рабочие процессы с shell-командами и двуязычные технические запросы на корейском и английском языках. Модель содержит около 4 млрд параметров и распространяется в формате GGUF с 31 вариантом квантования — от Q1_0 до F16. В шаблоне чата заявлена поддержка форматирования вызовов инструментов, что делает сборку подходящей для локальных агентных сценариев. Рекомендуемый сбалансированный вариант — Q4_K_M; более высокие уровни квантования сохраняют больше точности, а низкие требуют меньше памяти. Размеры файлов варьируются примерно от 0,97 до 7,85 GiB. Сильными сторонами являются компактность, возможность локального запуска, ориентация на задачи разработки и поддержка корейских, английских и программных запросов. Ограничения включают отсутствие заявленных benchmark-результатов: приведённые smoke-проверки подтверждают только локальную загрузку и короткую генерацию. Качество и требования к памяти зависят от выбранного варианта квантования. Модель распространяется по лицензии Apache 2.0.

Карточка модели LimitlessMindd/DeepSeek-R1-Distill-Llama-70B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели maksimbbbi/DeepSeek-R1-Distill-Llama-8B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Llama-8B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Ishowbackup/DeepSeek-R1-Distill-Qwen-14B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели BrushStone/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели HBkira/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели densafaradenza/DeepSeek-R1-Distill-Qwen-32B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Qwen-32B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели liruiyangnb666/DeepSeek-R1-Distill-Qwen-7B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

FastContext-1.0-4B-SFT — плотная языковая модель для исследования репозиториев кода в роли вспомогательного агента для LLM-систем разработки. Это вариант на 3,7 млрд параметров, дообученный методом SFT на базе Qwen/Qwen3-4B-Instruct-2507; модель семейства Qwen3 использует архитектуру Qwen3ForCausalLM и принимает контекст до 262 144 токенов. Она анализирует запрос разработчика, ищет релевантные файлы и фрагменты через операции чтения и поиска, а затем возвращает компактные пути и диапазоны строк с цитатами, чтобы основной агент мог решать задачу с меньшим объёмом нерелевантного контекста. Модель рассчитана на работу как субагент с инструментами чтения и поиска, включая параллельные вызовы инструментов; её карточка также описывает сбор доказательств в несколько шагов и генерацию точных ссылок на строки. README сообщает об улучшении результатов решения задач и снижении расхода токенов при интеграции с Mini-SWE-Agent, но это показатели конкретных бенчмарков и конфигураций. Модель распространяется в формате Safetensors по лицензии MIT; заявленный язык — английский.

Это GGUF-версия модели llmfan46/gemma-4-12B-coder-fable5-composer2.5-v1-uncensored-heretic, разработанная независимым автором llmfan46 на базе gemma-4-12B-coder-fable5-composer2.5-v1-GGUF. Модель предназначена прежде всего для генерации и анализа кода, рассуждений и текстовых ответов в сценариях, где требуется сниженное количество отказов. Точная архитектура, поддерживаемые языки, размер контекста и набор модальностей в README не указаны; из идентификатора следует размер порядка 12B параметров и специализация на задачах программирования. Модель создана с использованием Heretic v1.4.0 и варианта метода Magnitude-Preserving Orthogonal Ablation (MPOA), применённого к компонентам attn.o_proj и mlp.down_proj. По заявленным данным, она демонстрирует 9 отказов из 100 против 100 из 100 у исходной модели при KL divergence 0.0467, что указывает на существенное снижение склонности к отказам при относительно небольшом отклонении поведения. Для исходной модели также приведён результат MMLU: точность 75,72%, однако отдельный результат именно этой модификации не указан. К ограничениям относятся отсутствие подробной информации о языках, контекстном окне, формате квантования, системных требованиях и результатах независимого тестирования. Снижение ограничений безопасности может привести к генерации нежелательного или рискованного содержания, поэтому модель требует осторожного применения. Указанная лицензия — Apache-2.0.

Locutusque/hyperion-small-preview — диалоговая языковая модель, опубликованная M4-ai и дообученная на наборе данных Hyperion на основе Qwen/Qwen1.5-1.8B. Это плотная модель семейства Qwen2 с 1,5 млрд параметров, поддержкой контекста до 32 768 токенов и форматом весов safetensors. Модель предназначена для ответов на сложные вопросы и ведения диалога, в том числе по научным и техническим темам. В карточке заявлены помощь в обучении естественным и медицинским наукам, математике и информатике, понимание медицинских текстов, генерация кода, а также математические и логические рассуждения. Основной заявленный язык — английский. Разнообразие обучающих данных и различия в их форматировании и качестве разметки могут приводить к непоследовательным ответам. Результаты оценки в карточке не приведены. Модель распространяется по лицензии Apache-2.0.

Kwaipilot_KAT-Coder-V2.5-Dev-GGUF — это квантизированная версия модели KAT-Coder-V2.5-Dev, разработанной Kwaipilot. Сборка выполнена bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации кода, задач программирования и агентных сценариев, включая agentic coding. В карточке указано, что модель относится к архитектурам MoE и поддерживает английский и китайский языки. Точный размер исходной модели, максимальная длина контекста, набор поддерживаемых языков сверх указанных и сведения о дополнительных модальностях не приведены. Доступны варианты от BF16 до различных уровней квантизации, поэтому можно выбирать между качеством генерации, размером файла и требованиями к памяти; размер файлов составляет примерно от 16,9 до 69,38 ГБ. Сильной стороной являются специализированная направленность на программирование и широкий выбор квантизированных вариантов, пригодных для запуска через llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые инструменты. Ограничения связаны с потерями качества в более компактных вариантах квантизации, высокими требованиями к памяти и отсутствием в карточке подробных результатов тестирования. Модель распространяется по лицензии Apache-2.0.

Laguna-S-2.1-JANG_2L-CRACK — текстовая MoE-модель, выпущенная dealignai на основе poolside/Laguna-S-2.1. Она предназначена прежде всего для агентной разработки ПО, рассуждений и вызова инструментов. По карточке, базовая модель имеет 118 млрд параметров, 48 слоёв и контекст до 262 тыс. токенов; в метаданных указаны 6,8 млрд параметров и контекст до 1 048 576 токенов, поэтому сведения о размере и контексте расходятся. Модель подвергнута удалению отказов на уровне весов и квантована в смешанном формате JANG_2L для MLX и Apple Silicon; заявленный размер набора весов — около 41 ГБ. Поддерживаются режимы рассуждения и прямых ответов, а также интерфейс вызова инструментов. В README приведены результаты MMLU 73,7% и HarmBench 98,8% соответствия запросам; это результаты оценки автора через vMLX, а не независимая гарантия качества. README указывает лицензию как бесплатную для macOS, а метаданные обозначают её как other без конкретных условий. Карточка сообщает, что модель рассчитана на исследовательские цели и авторизованное тестирование безопасности; после удаления отказов она может выполнять широкий спектр запросов без отказа.

Master-Yi-9B — разговорная языковая модель семейства Llama, разработанная автором репозитория qnguyen3. Модель с 8,6 млрд параметров обучена методом ORPO на ответах, созданных из собранных людьми исходных вопросов и ответов нескольких высокопроизводительных открытых LLM. В репозитории представлены веса в формате safetensors; модель создана в мае 2024 года. Модель предназначена для генерации ответов в диалоге и особенно ориентирована на рассуждения при решении задач по программированию и математике. В README приведены результаты нескольких бенчмарков, включая GSM8K, MMLU и TruthfulQA. Базовое окно контекста составляет 4096 токенов. Модель принимает текстовые запросы и генерирует текст. README не подтверждает поддержку заявленной там отдельной версии Vision; для Master-Yi-9B указана только текстовая генерация. Известное ограничение — контекст до 4096 токенов; бенчмарковые оценки не гарантируют точность на конкретных задачах. Лицензия — Apache-2.0.

jigs97022 разработал MiniCPM5-2B Distilled Reasoning — компактную языковую модель на 2,2 млрд параметров для генерации текста и задач с рассуждением. Она основана на архитектуре MiniCPM5-2B и дообучена методом дистилляции на примерах рассуждений, созданных с участием Qwen3.8-Max, GLM-5.2 и Kimi K3. Модель предназначена для решения математических задач, написания кода, логических головоломок, структурированного анализа и рассуждений при использовании инструментов. Поддерживает диалоговый шаблон MiniCPM5 и интерфейс вызова инструментов; метаданные указывают английский и китайский языки, а контекст — до 131 072 токенов. В README отмечено, что качество рассуждений снижается за пределами 4 096 токенов, модель обучалась на 10 тысячах примеров и может отвечать излишне подробно. Доступна по лицензии Apache-2.0.

OpenAgent-8b-i1-GGUF — квантованная версия языковой модели на 8 млрд параметров, созданная mradermacher на основе OrionLLM/Terminus-Qwen3-8b и обучавшаяся с использованием набора данных OrionLLM/OpenAgentInstruct. Модель ориентирована на генерацию текста, агентские сценарии, рассуждения и работу с терминалом, включая задачи, связанные с разработкой программного обеспечения и оцениванием в SWE-bench. Указан английский язык. Модель распространяется в формате GGUF и доступна в вариантах с разными уровнями квантования — от IQ1 до Q6_K. Это позволяет выбирать компромисс между размером файла, скоростью работы, требованиями к памяти и качеством: например, Q4_K_M обозначен как быстрый и рекомендуемый вариант, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Низкобитные варианты могут заметно уступать по качеству, тогда как более крупные варианты требуют больше ресурсов. Сведения об архитектуре, размере контекста, дополнительных модальностях и точных языковых возможностях, кроме английского, не приведены. Лицензия модели — Apache-2.0. README описывает в основном процесс квантования и доступные файлы, поэтому результаты применения, ограничения в конкретных задачах и характеристики исходной модели, не указанные явно, требуют самостоятельной проверки.

Ornith-1.0-35B — открытая модель семейства Ornith от Ornith AI, дообученная с применением обучения с подкреплением на базе Qwen 3.5. Это вариант на 35 млрд параметров с архитектурой Qwen3.5 MoE, предназначенный для генерации кода и работы в агентных сценариях, в том числе через инструменты и терминальные интерфейсы. Разработчики сообщают о высоких результатах на бенчмарках кодирования и позиционируют модель для эффективного развёртывания; примеры запуска рассчитаны на узел с восемью GPU по 80 ГБ. Модель принимает текстовые запросы и выдаёт текст, включая код и структурированные вызовы инструментов. В README приведены оценки с контекстом до 400 тыс. токенов в отдельных бенчмарках, а конфигурация сервера задаёт максимум 262 144 токена. Модель доступна под лицензией MIT. Указанные результаты зависят от тестового окружения и настроек, а примеры развёртывания требуют значительных GPU-ресурсов.

Ornith-1.0-35B-GGUF — открытая языковая модель семейства Ornith-1.0, разработанная командой проекта Ornith и ориентированная на агентное программирование. Модель предназначена для генерации кода, автономного выполнения задач разработки и работы в инструментах командной строки, включая сценарии, оцениваемые в Terminal-Bench и SWE-bench. Версия 35B позиционируется как облегчённый вариант семейства для эффективного развёртывания на одной GPU. Модель относится к текстовым моделям генерации; точная архитектура, размер контекстного окна и перечень поддерживаемых языков в карточке не указаны. В описании семейства упоминается обучение с подкреплением, в ходе которого оптимизируются как траектории решения, так и управляющие их scaffolds, что должно улучшать поиск решений и качество результатов. Для Ornith-1.0-35B заявлены результаты 64,2 в Terminal-Bench 2.1 (Terminus-2), 62,8 в Terminal-Bench 2.1 (Claude Code), 75,6 в SWE-bench Verified и 50,4 в SWE-bench Pro. Сильными сторонами модели являются специализация на агентных задачах программирования, открытый исходный доступ и заявленная эффективность развёртывания. Ограничения включают отсутствие в карточке подробностей о языках, контексте, точной архитектуре и возможностях за пределами текстового программирования; приведённые показатели зависят от используемого агента и методики оценки. Модель распространяется по лицензии MIT без региональных ограничений.

Ornith-1.0-397B-GGUF — открытая языковая модель из семейства Ornith-1.0, разработанная deepreinforce-ai и представленная в формате GGUF командой Unsloth. Модель предназначена прежде всего для агентного программирования и задач, связанных с автономной разработкой ПО, включая работу с терминалом, решение инженерных задач и генерацию кода. В README заявлено, что семейство ориентировано на высокую производительность в Terminal-Bench 2.1, SWE-Bench, NL2Repo и OpenClaw. Модель относится к архитектуре Qwen 3.5 MoE и имеет заявленный размер 397B параметров; при этом она описывается как вариант, рассчитанный на эффективное развертывание на одной GPU. Ornith-1.0 использует обучение с подкреплением, оптимизируя не только итоговые решения, но и scaffolding — структуру поиска и выполнения шагов, которая приводит к этим решениям. Это может быть сильной стороной в многошаговых агентных сценариях и программировании, однако конкретные характеристики контекстного окна, языков, поддерживаемых модальностей, требований к памяти и особенностей квантования GGUF в предоставленных данных не указаны. Модель распространяется по лицензии MIT, без региональных ограничений, что допускает свободное использование при соблюдении условий лицензии. Заявленные результаты бенчмарков следует интерпретировать с учетом конкретного раннера и конфигурации оценки: для Terminal-Bench 2.1 указаны результаты 77,5 с Terminus-2 и 78,2 с Claude Code.

Fastiraz/Ornith-1.5-9B-GGUF — квантованное представление модели Ornith-1.5-9B, разработанной командой Ornith AI. Это плотная языковая модель с 9 млрд параметров, предназначенная для эффективного развёртывания на одной GPU; мобильная квантованная версия также ориентирована на запуск на периферийных устройствах и смартфонах. Модель относится к классу генеративных текстовых моделей и предназначена прежде всего для программирования, решения инженерных задач и работы с инструментами командной строки. Ornith-1.5 развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным непрерывным предварительным обучением, промежуточным обучением и постобучением. В новой версии совместно оптимизируются генерация задач, построение scaffolding и rollouts решений с применением reinforcement learning и цикла самоулучшения. По заявленным результатам модель показывает сильные показатели в задачах разработки программного обеспечения: 70,6 на SWE-bench Verified, 47,5 на SWE-bench Pro и 46,2–47 на Terminal-Bench 2.1 в зависимости от используемого агента. Ключевыми преимуществами являются компактный размер, возможность локального запуска и специализация на агентных сценариях программирования. README не содержит сведений о поддерживаемых языках, длине контекста, точных параметрах квантования, мультимодальности, устойчивости к ошибкам или ограничениях качества вне приведённых тестов, поэтому эти характеристики требуют дополнительной проверки. Модель распространяется по лицензии MIT; карточка указывает pipeline для генерации текста.