II.4Отладка, тестирование и качество ПО

AnkitAI/Parable-Granite-4.1-3B-Claude-Fable-5-GGUF — компактная дообученная модель на базе IBM Granite 4.1 3B, разработанная AnkitAI. Модель распространяется в формате GGUF и обучена на корпусах AnkitAI/parable-corpus-v2, Glint-Research/Fable-5-traces и Roman1111111/gpt5.5-terminal, включая трассировки агентских сессий Claude Fable 5. Указан английский язык и текстовая генерация. Модель предназначена для локального офлайн-использования в сценариях агентского поведения: планирования, рассуждений, программирования, работы с терминалом, tool-use и function-calling. Она ориентирована на запуск через llama.cpp, Ollama, LM Studio и совместимые инструменты. В README заявлена поддержка контекста 8192 токена и режим, при котором ответ предваряется блоком <think> с рассуждением. Рекомендуемая квантизация Q4_K_M занимает около 2,1 ГБ и требует примерно 3 ГБ RAM или VRAM; доступны варианты от Q4_K_M до F16. Сильные стороны модели — небольшой размер, низкие требования к памяти, структурированное рассуждение и ориентация на агентские задачи. Для версии v2 заявлены результаты 70,1 на HumanEval, 65,9 на HumanEval+ и 0 случаев утечки артефактов агента в проверке из 34 запросов. Ограничение заключается в том, что чистая генерация кода на отдельных функциях уступает базовой модели: в README приведено сравнение 70,1 против 81,7. Лицензия — Apache-2.0.

Qwen2.5-Coder-3B-Instruct-Q8_0-GGUF — языковая модель для генерации текста и работы с программным кодом, разработанная командой Qwen и представленная в формате GGUF сообществом ggml-org. Это конверсия базовой модели Qwen/Qwen2.5-Coder-3B-Instruct, выполненная с использованием llama.cpp и проекта GGUF-my-repo. Модель предназначена для генерации и продолжения кода, ответов в диалоговом формате и других сценариев, поддерживаемых исходной instruct-моделью. Она может запускаться локально через llama.cpp в режиме командной строки или как сервер. Размер модели составляет 3B параметров, а вариант Q8_0 использует 8-битное квантование. В метаданных указаны текстовая генерация и английский язык; сведения о других языках, контекстном окне и точной архитектуре в представленном README отсутствуют. Основные преимущества — локальный запуск, совместимость с llama.cpp и сниженные требования к памяти по сравнению с полноразмерной моделью благодаря квантованию. Ограничения включают небольшой по современным меркам размер и возможное снижение качества из-за квантования; подробные результаты тестирования и ограничения исходной модели в README не приведены. Модель распространяется по лицензии qwen-research; для точных условий следует обратиться к указанному файлу лицензии исходной модели.

AEON-7 выпустил раннюю BF16-версию Qwen3.8-27B, полученную аблитерацией базовой модели Qwen/Qwen3.8-27B для более прямых ответов и ослабления отказов. Это плотная мультимодальная модель с архитектурой семейства Qwen3.5 и примерно 27 млрд параметров; текстовая генерация — основная задача, также заявлена поддержка изображений. Карточка описывает запуск через Transformers и проверку сервинга через vLLM на NVIDIA H200; указанное в примере ограничение контекста — 16 384 токена, а для подходящего оборудования README упоминает исходное окно до 262 000 токенов. Модель предназначена для диалогов, следования инструкциям, программирования, многошаговых рассуждений и вызова инструментов. Ослабление отказов делает ответы более прямыми, но авторы предупреждают, что это ранний выпуск, а на очень длинных запросах возможны повторы и потеря связности. Визуальная башня и голова MTP оставлены без изменений относительно базы. Лицензия — Apache-2.0; веса доступны в формате safetensors, BF16.

Это пакет слоёв GGUF для модели Qwen3-Coder-Next-UD-Q4_K_XL, подготовленный Mesh LLM на основе unsloth/Qwen3-Coder-Next-GGUF. Он распределяет исходную модель по отдельным артефактам слоёв для инференса на локальном кластере Mesh LLM; в метаданных указан формат GGUF и библиотека mesh-llm. Пакет предназначен для локального приватного запуска, распределения вычислений между несколькими машинами, когда модель не помещается на одном хосте, и обслуживания чатов через локальный API, совместимый с OpenAI. Это вариант квантования UD-Q4_K_XL; подробности об архитектуре, размере, контексте, языках и лицензии следует смотреть в карточке исходной модели.

SelFee-13B-delta — дельта-веса модели для следования инструкциям, разработанной проектом KAIST SelFee. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров и контекстом 2048 токенов; репозиторий содержит веса в формате PyTorch. Для восстановления полного чекпойнта дельту применяют к исходным весам LLaMA. Модель дообучена на инструкциях и ответах с цепочками самопроверки и пересмотра: она может самостоятельно формировать обратную связь, исправлять ответ и завершать пересмотр, когда считает его ненужным, либо работать с заданным числом пересмотров. SelFee предназначена для диалоговых ответов на инструкции и вопросы, включая задачи из математики и программирования, а также для генерации и доработки ответов посредством самокритики. Обучающие данные включали англоязычные примеры из Alpaca, ShareGPT, Flan, математики и кода; основной язык модели — английский. Лицензия весов — CC-BY-NC-4.0, которая ограничивает коммерческое использование. README отмечает ограничения длины при подготовке части обучающих примеров; качество и точность ответов следует проверять, особенно в предметных задачах.

Huangsssz/SmolLM3-3B-MOPD-Top64-GT-NoThinking-500 — исследовательский чекпойнт языковой модели, созданный дообучением BytedTsinghua-SIA на 500 шагах оптимизатора методом дистилляции по пересечению Top-64 токенов. Используется архитектура SmolLM3ForCausalLM: плотная модель на 3,1 млрд параметров; экспорт выполнен в BF16 для Transformers. Контекст модели — до 65 536 токенов. Модель предназначена для генерации текста в сценариях решения математических задач, программирования и следования инструкциям. При обучении ответы оценивали соответствующие специализированные учителя; генерация и оценивание выполнялись с отключённым режимом рассуждений. В README приведены результаты отдельных бенчмарков, включая math500, LiveCodeBench и IFBench; это измерения по фиксированному протоколу, а для AIME указано небольшое число вопросов, поэтому небольшие различия в оценках не подтверждают устойчивое улучшение. Чекпойнт включает токенизатор и исходный шаблон чата. Для инференса без рассуждений README рекомендует явно передавать enable_thinking=False. Модель распространяется по лицензии Apache-2.0; карточка указывает, что экспорт сохраняет конфигурацию базовой модели, включая настройки RoPE и поведение стоп-токенов.

bartowski/starcoder2-15b-instruct-GGUF — это набор GGUF-квантизаций модели StarCoder2-15B-Instruct, разработанной TechxGenus и опубликованной в формате для запуска через llama.cpp. Квантизацию выполнил bartowski с использованием llama.cpp release b2354. Модель относится к классу text-generation и предназначена прежде всего для генерации и обработки программного кода, включая локальные сценарии запуска с ограниченными ресурсами. Доступны варианты квантизации Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_0, Q4_K_S, Q4_K_M, Q5_0, Q5_K_S, Q5_K_M, Q6_K и Q8_0. Размер файлов составляет примерно от 6,19 до 16,96 ГБ. Q6_K отмечен как рекомендуемый вариант с очень высоким качеством, Q8_0 обеспечивает максимальное доступное качество, а варианты Q3 и Q2 требуют меньше памяти, но заметно уступают по качеству. Архитектура, поддерживаемые языки программирования, языки естественного языка, модальности и размер контекста в README не указаны. Сильной стороной модели является возможность локального использования в экосистеме llama.cpp с выбором компромисса между качеством и требованиями к памяти. Ограничения связаны с потерями качества при низких уровнях квантизации, а также с отсутствием в представленном README подробностей о возможностях, бенчмарках и контекстном окне. Модель распространяется по лицензии BigCode OpenRAIL-M.

Zaib/Vulnerability-detection — модель классификации текста, разработанная путём дообучения mrm8488/codebert-base-finetuned-detect-insecure-code на неизвестном наборе данных. Она предназначена для выявления потенциально небезопасного или уязвимого кода по входному тексту. Модель построена на архитектуре RoBERTa, содержит около 151,8 млн параметров и распространяется в формате PyTorch. В README указан результат Loss 0,5778 на оценочном наборе, но не приведены его состав, метрики качества, схема меток и подробности обучения. Лицензия в предоставленных данных не указана.

Yi-9B-Coder-IMat-GGUF — квантизированная версия модели TechxGenus/Yi-9B-Coder, подготовленная пользователем legraphista. Модель предназначена прежде всего для генерации и обработки программного кода и распространяется в формате GGUF для запуска с совместимыми инструментами, включая llama.cpp. Архитектурная основа относится к семейству Llama; размер исходной модели составляет около 9 млрд параметров, исходный формат — BF16. Репозиторий содержит варианты от BF16 и F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантов. Для ряда вариантов применена IMatrix-квантизация, призванная лучше сохранять качество при уменьшении размера модели. Доступны файлы размером примерно от 3,1 до 17,66 ГБ, что позволяет выбирать между качеством и требованиями к памяти. Данные о поддерживаемых языках программирования, размере контекста и мультимодальности в README не указаны; модель описана как текстовая и ориентированная на код. Сильной стороной модели является широкий выбор вариантов квантования и возможность локального запуска при существенно меньших требованиях к памяти. При этом низкобитные варианты могут терять качество по сравнению с BF16 или F16, а конкретная производительность и точность зависят от выбранного файла и оборудования. Лицензия — Apache-2.0.

AceInstruct-1.5B — языковая модель NVIDIA для диалогов и выполнения инструкций, дообученная на базе Qwen2.5-1.5B-Base методом supervised fine-tuning. Она предназначена для генерации кода, решения математических задач и ответов на вопросы общего характера. Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов; принимает и генерирует текст, в том числе в чат-сценариях. В приведённых в карточке тестах AceInstruct-1.5B показывает результаты выше Qwen2.5-1.5B-Instruct по отдельным задачам кодирования и математики. Это компактная модель общего назначения, поэтому качество может уступать более крупным моделям, а заявленные результаты бенчмарков не гарантируют точность в конкретном сценарии. Карточка указывает английский язык. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

DeepCoder-14B-Preview-GGUF — это набор GGUF-квантизаций языковой модели DeepCoder-14B-Preview, разработанной agentica-org и подготовленной quantized_by bartowski с использованием llama.cpp. Модель предназначена для генерации текста и, прежде всего, для задач программирования, включая решение проверяемых задач, генерацию кода и сценарии локального запуска через LM Studio, llama.cpp и совместимые проекты. В состав входят варианты от bf16 до Q3 и IQ3/IQ4-квантизаций размером примерно от 6,9 до 29,6 ГБ. Доступен ряд уровней качества и требований к памяти: версии Q6_K_L и Q6_K заявлены как близкие к исходному качеству, Q4_K_M — как вариант по умолчанию для большинства сценариев, а младшие квантизации подходят для систем с ограниченным объёмом RAM, но снижают качество. Указан английский язык; архитектура и размер контекста в README не раскрыты. Рекомендуемый формат промпта приведён в документации модели. Модель удобна для локального инференса благодаря формату GGUF и большому выбору квантизаций, однако качество и требования к ресурсам зависят от выбранного файла. README не содержит подробностей о сильных и слабых сторонах исходной модели, результатах оценки, поддерживаемых модальностях или ограничениях применения. Распространение указано по лицензии MIT.

Atomight V2.5-1.7B — языковая модель NovatasticRoScript для генерации текста и диалогов с упором на пошаговые рассуждения. Она основана на Qwen/Qwen3-1.7B и дообучена методом GRPO с использованием LoRA/PEFT; адаптер объединён с весами в 16-битном формате. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3 для причинной генерации текста и поддерживает контекст до 40 960 токенов. Модель предназначена для математических и STEM-задач, научных вопросов, программирования, отладки, многошагового планирования и сценариев с агентами. В карточке заявлено обучение на открытых наборах данных по STEM, науке, математике и коду; также приведены результаты собственных оценок на ряде бенчмарков. Основной язык, указанный в метаданных карточки, — английский. Модель распространяется по лицензии CC-BY-4.0. Это компактная модель, поэтому её результаты могут уступать более крупным системам; авторы отдельно отмечают слабые результаты на задачах HumanEval и MBPP по сравнению с некоторыми моделями, специально дообученными для кода. Результаты бенчмарков заявлены авторами и не являются независимой проверкой.

BTL-4 — 35-миллиардная мультимодальная модель, разработанная badtheorylabs и представленная в формате GGUF с квантованиями от bartowski. Модель предназначена для работы с текстом и изображениями; для обработки изображений требуется отдельный файл mmproj. В описании также заявлены сценарии агентной работы, использования инструментов, программирования и решения задач, требующих рассуждений. Модель запускается через llama.cpp и доступна в вариантах от BF16 до низкобитных квантований Q8, Q6, Q5, Q4 и Q3, включая форматы IQ. Размер файлов составляет примерно от 14,87 до 69,38 ГБ, поэтому выбор варианта позволяет балансировать между качеством, скоростью и требованиями к памяти. Для большинства сценариев рекомендуется Q4_K_M размером 21,39 ГБ, а для более высокого качества — Q5 или Q6. В README не указаны архитектура, поддерживаемые языки и размер контекста; также отсутствуют результаты бенчмарков. К сильным сторонам относятся поддержка текста и изображений, ориентация на код, tool use и reasoning, а также широкий выбор квантований. Ограничениями являются значительные требования к памяти, возможное снижение качества в низкобитных вариантах и необходимость совместимого рантайма llama.cpp, а для мультимодальной работы — файла mmproj. Распространение указано по лицензии Apache-2.0.

CodeNinja 1.0 Openchat 7B — это языковая модель для генерации текста и кода, разработанная beowulf на базе архитектуры Mistral. Представленная версия выпущена TheBloke в формате GGUF и предназначена для локального запуска через llama.cpp и совместимые приложения и библиотеки. Модель содержит около 7 миллиардов параметров и ориентирована прежде всего на англоязычные задачи программирования: генерацию кода, работу с инструкциями и сценарии ассистирования разработчикам. Для обучения указаны наборы данных glaive-code-assistant-v2 и code_instructions_122k_alpaca_style. Поддерживается текстовая модальность; максимальная длина контекста в README не указана. Для работы следует использовать шаблон OpenChat-Correct. Формат GGUF поддерживает варианты квантования от 2 до 8 бит, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством генерации, включая запуск на CPU и GPU. При этом квантование может снижать точность по сравнению с исходной моделью в формате FP16, а качество и производительность зависят от выбранного варианта и программного окружения. Модель распространяется по лицензии MIT.

ClaudioItaly/Coder — языковая модель для генерации кода, созданная слиянием весов через SLERP с помощью mergekit на основе Qwen/Qwen2.5-Coder-7B-Instruct. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и формат safetensors; для работы с диалогами предусмотрен интерфейс чата. Метаданные указывают контекст длиной 32 768 токенов. Модель предназначена для генерации кода и диалоговых сценариев, связанных с программированием. Базовая Qwen2.5-Coder-7B-Instruct ориентирована на генерацию, анализ и исправление кода; карточка этой модели подтверждает слияние с ней, но не приводит отдельных результатов оценки или подробностей поведения получившейся модели. Лицензия в предоставленных данных не указана.

GRM-1.5b — компактная языковая модель общего назначения, разработанная OrionLLM и дообученная на базе Qwen/Qwen2.5-1.5B-Instruct для многоэтапных рассуждений. Модель предназначена для решения задач по математике, логике, программированию и широкому кругу вопросов; её также предлагают использовать как основу для дальнейшего дообучения. В обучающую смесь, согласно карточке, включены некоторые данные для медицинских рассуждений. Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст; доступна в формате safetensors для Transformers. В карточке приведены результаты на математических, научных и программных бенчмарках, но они сами по себе не гарантируют качество на конкретных пользовательских задачах. Модель распространяется по лицензии Apache-2.0. Её небольшой размер удобен для локального запуска и экспериментов, однако, как компактная модель, она может уступать более крупным моделям в сложных задачах и требует проверки ответов, особенно в медицинских сценариях.

Myric/KAT-Coder-V2.5-Dev-APEX-GGUF — это GGUF-квантизация модели KAT-Coder-V2.5-Dev, разработанной Kwaipilot, подготовленная Myric. Модель предназначена для генерации кода и агентских сценариев программирования, а также для запуска через совместимые инструменты, включая llama.cpp. Репозиторий содержит APEX-квантизации и матрицу важности imatrix; README также указывает на поддержку архитектуры mixture-of-experts (MoE) и семейства Qwen3.5 MoE. Доступен файл KAT-Coder-V2.5-Dev-APEX-dynamic.gguf размером 11,86 GiB, рассчитанный на видеокарту с 16 ГБ памяти. Указанный вариант не содержит MTP-голову и сам по себе не поддерживает speculative decoding; отдельная связанная сборка переносит обученную MTP-голову Qwen3.6-35B-A3B и заявляет ускорение в 2,03 раза на агентском наборе тестов программирования без снижения корректности. Другие характеристики, включая точное число параметров, размер контекста и перечень поддерживаемых языков, в README не указаны. Модель распространяется по лицензии Apache-2.0.

Laguna-S-2.1-JANG_4M-CRACK — текстовая MoE-модель, подготовленная dealignai на основе poolside/Laguna-S-2.1 для агентного программирования, рассуждений и вызова инструментов. Веса подвергнуты CRACK-abliteration, удаляющей поведение отказа, и смешанной низкоразрядной квантизации JANG для MLX на Apple Silicon. Метаданные указывают 6,8 млрд параметров, тогда как README описывает исходную Laguna-S-2.1 как модель на 118 млрд параметров; размер активной части MoE отдельно не уточнён. Модель принимает текст и генерирует текст. В README заявлены режимы рассуждения и прямых ответов, сохранённый интерфейс вызова инструментов и контекст 262 тыс. токенов; метаданные каталога указывают нативный контекст 1 048 576 токенов. Предназначена прежде всего для агентных задач разработки и работы с инструментами. README приводит результаты MMLU и HarmBench, полученные через vMLX, но они не гарантируют качество на других задачах или средах. Модель рассчитана на запуск через vMLX либо совместимую среду MLX с поддержкой Laguna; сборка JANG занимает около 63 ГБ и ориентирована на Apple Silicon. Указана лицензия «other», поэтому конкретные условия использования следует сверять с карточкой модели. README сообщает об удалении отказов безопасности и заявляет, что модель будет выполнять запросы разных категорий; это ограничивает её безопасное применение.

hbfreed выпустил вариант Poolside Laguna-S-2.1, в котором методом winnow удалено 50% каналов промежуточного слоя маршрутизируемых экспертов. Это MoE-модель для генерации текста с архитектурой WinnowLagunaForCausalLM: из исходных 118 млрд параметров осталось 60,8 млрд; 80% экспертов сохранены с уменьшенной переменной шириной, а общий эксперт, внимание и эмбеддинги не изменялись. В README приведён размер 60,8 млрд параметров, тогда как метаданные указывают 6,8 млрд; это расхождение требует проверки. Модель использует формат safetensors и рассчитана на контекст до 1 048 576 токенов. Модель предназначена для генерации и продолжения кода, диалогового программирования, агентных задач разработки и взаимодействия с инструментами. В описанном тесте HumanEval она показала pass@1 89,6%, однако результат получен с определённым протоколом извлечения ответа и INT8-подачей экспертов и не сопоставим напрямую с опубликованными результатами других тестов. README сообщает, что для serving с INT8-масштабированием нужны три GPU по 24 ГБ и специальный плагин vLLM для winnow; обычный tensor parallelism не поддерживается. Производная сохраняет лицензию OpenMDW-1.1 базовой модели.

MathCoder2-CodeLlama-7B-GGUF — это набор GGUF-квантизованных версий модели MathGenie/MathCoder2-CodeLlama-7B, разработанной MathGenie и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, решения математических задач и работы с программным кодом. Указан английский язык и обучающий набор MathGenie/MathCode-Pile. Модель основана на CodeLlama и содержит около 7 миллиардов параметров. Доступны варианты от F16 до низкобитных форматов Q8, Q6, Q5, Q4, Q3 и IQ; размер файлов составляет примерно от 2,8 до 13,48 ГБ. Это текстовая модель без заявленной поддержки мультимодальности. Формат GGUF ориентирован на локальный запуск, в частности через llama.cpp и LM Studio. Формат промпта в README не указан, а размер контекстного окна не приведён. Основное преимущество модели — специализация на математике и коде при возможности локального запуска с выбором компромисса между качеством и требованиями к памяти. Более высококачественные варианты Q6 и Q5 отмечены как рекомендуемые, тогда как варианты Q3 и некоторые устаревшие форматы обеспечивают экономию памяти за счёт снижения качества. Для ARM доступны отдельные варианты, требующие поддержки SVE или i8mm; их не рекомендуется использовать на Mac и Windows. Модель распространяется по лицензии Apache-2.0.

dealignai выпустила MiniCPM5-2B-CRACK-JANG_8M — дообученную версию openbmb/MiniCPM5-2B в формате MLX для запуска на Apple Silicon через vMLX. Это плотная Llama-совместимая языковая модель с 2,2 млрд параметров и контекстом до 131 072 токенов; модель принимает и генерирует текст, поддерживает английский и китайский языки, режим рассуждения с включением и выключением, а также вызов инструментов через XML. Модель предназначена для диалогов, программирования, рассуждений и тестирования поведения при удалённом отказе от ответов: README сообщает, что механизм отказов удалён на уровне весов. В карточке приведены результаты MMLU и HarmBench для этой сборки. Модель поставляется в 8-битном MLX-бандле JANG8M и заявлена как бесплатная для macOS; лицензия — Apache-2.0. Это текстовая модель без поддержки изображений. Поскольку поведение отказов удалено, модель может выдавать ответы на опасные запросы; применяйте её с учётом этого ограничения.

ModernCE-large-nli — англоязычный cross-encoder для вывода по паре текстов: определяет, противоречат ли они друг другу, нейтральны ли они или второй текст следует из первого. Модель разработана dleemiller на архитектуре ModernBERT-large и совместима с аналогичными cross-encoder-моделями Sentence Transformers. Она содержит около 394,7 млн параметров; метаданные указывают контекст до 2048 токенов. Модель предназначена для классификации отношений между предложениями, проверки утверждений и оценки соответствия ответа исходному тексту, в том числе при оценке ответов LLM. В README указана точность 92,02% на MNLI mismatched и 91,10% на SNLI. Модель обучалась на AllNLI; автор сообщает, что для большой версии заморозил первые 19 слоёв и дообучил оставшиеся слои с новой классификационной головой. Лицензия — MIT. Это cross-encoder: для оценки пары текстов их нужно подавать совместно, поэтому применение для массового попарного сравнения может требовать значительных вычислений. Хотя README заявляет обработку последовательностей до 8192 токенов, метаданные каталога указывают нативный контекст 2048 токенов.

ModernGuard-1 — модель классификации текста от GuardionAI для обнаружения prompt injection и попыток jailbreak в системах на базе LLM. Она дообучена на mmBERT-base и использует архитектуру ModernBERT с примерно 307 млн параметров; модель присваивает входу один из двух классов: SAFE или PROMPT INJECTION. Модель предназначена для проверки пользовательских запросов перед отправкой в LLM, а также для сканирования найденных документов, веб-страниц и истории диалога перед включением в контекст RAG. В README заявлена поддержка более 1 080 языков и дообучение на 11 основных языках: английском, испанском, португальском, французском, итальянском, русском, китайском, хинди, японском, арабском и немецком. Контекстное окно составляет до 8 192 токенов; для меньшей задержки рекомендуется до 2 048 токенов. Заявленные показатели скорости и качества приведены разработчиком и зависят от оборудования и условий оценки. Модель рассчитана на классификацию как явных атак, так и внедрённых в сторонние данные инструкций. Она может ошибочно помечать безвредный текст как вредоносный, а адаптивные атаки могут обходить обнаружение; для конкретного сценария могут потребоваться настройка порога и регулярное обновление защиты. Лицензия в предоставленных данных не указана.

laion/nl2bash-swesmith-stack-bugsseq — дообученная модель Qwen3-8B с 7,6 млрд параметров для генерации текста в диалоговом формате. Она обучена на наборах данных для преобразования инструкций на естественном языке в команды Bash, решения задач по коду и вопросам Stack Exchange, а также анализа ошибок в коде. Репозиторий указывает контекстное окно 40 960 токенов и формат весов safetensors. Модель может быть полезна для генерации команд оболочки, помощи с программированием и ответов на технические вопросы. README не приводит оценок качества и подробных ограничений; фактическую точность ответов следует проверять. Лицензия — Apache-2.0.

OpenCodeInterpreter-SC2-3B — модель генерации кода из семейства OpenCodeInterpreter, разработанная как система для создания, выполнения и итеративного уточнения кода. Она основана на StarCoder2-3B и использует плотную авторегрессионную архитектуру Starcoder2ForCausalLM; в метаданных указано 4,2 млрд параметров и контекст до 16 384 токенов. Модель предназначена для генерации кода и помощи в программировании. Семейство OpenCodeInterpreter исследует использование обратной связи от выполнения кода для его уточнения; README приводит результаты серии моделей на HumanEval и MBPP, но не указывает отдельные результаты именно этой версии. Карточка описывает англоязычную модель. Веса доступны в формате safetensors, лицензия — Apache-2.0.

Mungert/OpenReasoning-Nemotron-14B-GGUF — GGUF-квантованная версия большой языковой модели OpenReasoning-Nemotron-14B, производной от Qwen2.5-14B-Instruct. Модель разработана на базе семейства OpenReasoning-Nemotron; данный репозиторий содержит конвертацию в формат GGUF, выполненную с использованием llama.cpp. Указанный вариант предназначен для локального запуска и генерации текста, кода и решений с применением совместимых инструментов GGUF и llama.cpp. Модель ориентирована на рассуждения в задачах математики, программирования и естественных наук. Для исходной версии заявлена оценка с длиной вывода до 64K токенов. Это текстовая, англоязычная модель с размером 14B параметров; мультимодальные возможности не указаны. Для квантования применён подход с выборочным повышением точности отдельных важных слоёв, что, по описанию автора, может улучшать точность при сохранении преимуществ уменьшенного размера файла, хотя увеличивает его размер. Конкретный тип квантования и характеристики отдельных файлов GGUF в README не приведены. Сильными сторонами являются специализация на сложном reasoning, математике, коде и научных задачах, а также возможность эффективного локального использования в квантованном формате. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантования, а также отсутствие подробных данных о контекстном окне, скорости, аппаратных требованиях и поддерживаемых языках помимо английского. Использование разрешено для коммерческих и некоммерческих исследовательских целей на условиях Creative Commons Attribution 4.0 International (CC-BY-4.0); дополнительно упоминается Apache 2.0 для базовой модели Qwen2.5.

Ornith-1.0-9B-GGUF — компактная открытая языковая модель семейства Ornith-1.0, разработанная командой Deep Reinforce. Модель ориентирована на агентное программирование и предназначена для эффективного развёртывания на одной GPU. Это 9B-Dense-вариант, созданный на базе Gemma 4 и Qwen 3.5 с последующим обучением методом reinforcement learning. Поддержка формата GGUF указана в идентификаторе модели. Ключевая особенность Ornith-1.0 — самоулучшаемое обучение, при котором модель оптимизирует не только последовательность действий для решения задачи, но и scaffold, управляющий этим решением. Такой подход нацелен на улучшение поисковых траекторий и качества выполнения сложных задач разработки программного обеспечения. По заявленным результатам модель показывает высокую эффективность среди открытых моделей сопоставимого размера: 43,1 на Terminal-Bench 2.1 с Terminus-2, 40,6 с Claude Code, 69,4 на SWE-bench Verified и 42,9 на SWE-bench Pro. Сильными сторонами являются специализация на агентном кодинге, сравнительно небольшой размер и возможность локального запуска на одной GPU. Ограничения связаны с тем, что README не содержит сведений о размере контекста, поддерживаемых языках, мультимодальности, точных требованиях к оборудованию и качестве вне задач программирования; заявленные показатели также зависят от используемого агентного окружения. Модель распространяется по лицензии MIT и заявлена как доступная без региональных ограничений.

Ouro-2.6B-Thinking — языковая модель ByteDance для генерации текста с упором на рассуждения. Это дообученная версия Ouro-2.6B: модель прошла supervised fine-tuning на наборах примеров по математике, программированию, науке и диалогам. Архитектура — плотная рекуррентная OuroForCausalLM с 2,6 млрд параметров и 24 слоями; по умолчанию используются четыре рекуррентных шага. Контекст — до 65 536 токенов. Модель рассчитана на математические и научные задачи, написание и анализ кода, а также диалоговые сценарии; она может выдавать подробные шаги рассуждения. В карточке заявлены компактный размер и согласованность промежуточных рекуррентных выходов. Число шагов можно менять, выбирая компромисс между вычислительными затратами и качеством; адаптивный выход не поддерживается в vLLM. Для совместимости README указывает Transformers 4.54.1, а в разделе быстрого старта — версию 4.56.0. Разработчик предупреждает, что модель предоставляется без гарантий пригодности для промышленного использования и предназначена для исследований. Лицензия — Apache-2.0.

Offlin33er разработал Qwen2.5-Coder-7B Solidity Audit V3 — разговорную модель для генерации структурированных аудитов Solidity-кода. Она дообучена методом QLoRA на базе Qwen/Qwen2.5-Coder-7B-Instruct, после чего веса адаптера объединены с базовой моделью. Архитектура — плотная Qwen2 causal language model на 7,1 млрд параметров; модель принимает текстовый код и выдаёт текстовый отчёт. Контекст — до 32 768 токенов. Модель анализирует функциональность фрагмента, классифицирует основную находку по одной из восьми категорий, описывает проблему и предлагает исправление. Она предназначена для предварительной проверки смарт-контрактов и развёртывания через Hugging Face Inference Endpoint, TGI или vLLM. В описанной оценке на 100 отложенных примерах точность и полнота обнаружения составили 0,986, однако точное совпадение с категорией разметки было 44,9%. Модель обучена на аудированных примерах Solidity и может ошибаться, в частности при выборе между близкими категориями уязвимостей. Результаты следует проверять вручную; модель не заменяет профессиональный аудит. Лицензия — Apache-2.0.

Qwen3.5-9B-Coder — экспериментальная дообученная модель разработчика armand0e на основе Qwen/Qwen3.5-9B. Она предназначена для программирования и агентных сценариев: ведения диалога, работы с кодом и использования инструментов. Дообучение проводилось примерно четыре часа на смесях трасс рассуждений и действий различных моделей; автор указывает, что рассуждения базовой модели оставили без изменений. Модель имеет плотную архитектуру Qwen3.5 на 9 млрд параметров, поддерживает обработку изображений и интерфейс вызова инструментов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Это экспериментальный чекпойнт, и карточка не приводит сравнительных оценок качества или подробных ограничений.