II.4Отладка, тестирование и качество ПО

Qwen3.5-9B Triple-Loop Phase 1 Step 2100 — экспериментальная дообученная языковая модель Lordnyx на основе Qwen/Qwen3.5-9B. Она предназначена для диалоговой генерации текста, рассуждений, решения математических задач, программирования и логических задач. Модель использует гибридную архитектуру Gated-DeltaNet и полного внимания; средние 16 слоёв трижды выполняются с общими весами, что даёт заявленную виртуальную глубину в 64 слоя при обычном объёме параметров. Обучение включало дистилляцию по логитам учителя Qwen/Qwen3.8-27B и глубокий надзор. В карточке заявлены контекст до 262 144 токенов и 7,2 млрд параметров по метаданным. Доступны веса Safetensors и GGUF, включая квантованный вариант Q5_K_M; указаны Apache-2.0. Автор сообщает о результатах на собственном наборе из 97 задач, включая 100% на математической подвыборке из 10 заданий, но эти результаты не гарантируют качество на других данных. Модель обозначена как экспериментальная ранняя фаза обучения; заявлена совместимость со стандартными средствами запуска Qwen3.5.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — многоэтапная fine-tune и merge-модель семейства Qwen3.8 с 27 млрд параметров, опубликованная в репозитории isihdfg на основе модели DavidAU. По README, разработка выполнена командой DavidAU с использованием методов COLD FUSION, Fable Fusion 711 и инструментов Unsloth. Модель распространяется в форматах GGUF, включая обычные и MTP-квантизации, рассчитанные на запуск на пользовательском оборудовании. Модель предназначена для решения общих задач, рассуждений, программирования, творческого письма, создания художественных текстов и ролевых сценариев. Заявлены режимы thinking, reasoning и coder, а также поддержка английского и китайского языков. Основной акцент сделан на сокращении объёма рассуждений и ускорении генерации при сохранении детализации ответа; README также заявляет улучшение результатов на ряде ARC-бенчмарков по сравнению с базовыми моделями, однако эти показатели приведены автором и могут зависеть от режима, квантизации и методики оценки. К сильным сторонам относятся ориентация на программирование и творческие задачи, уменьшенное избыточное рассуждение, наличие вариантов для устройств с ограниченными ресурсами и заявленная поддержка MTP. Ограничения включают отсутствие в README точных данных о размере контекстного окна, полном наборе поддерживаемых модальностей и системных требованиях; заявленная «uncensored» и «abliterated» настройка также может означать ослабленные ограничения безопасности. Лицензия модели указана как Apache-2.0.

Seed 2.0 Code — модель ByteDance Seed, оптимизированная для агентного программирования. Она предназначена для разработки интерфейсов, задач программирования на разных языках и рабочих процессов с coding-агентами в инструментах вроде Claude. Доступные сведения не уточняют архитектуру, размер, поддерживаемые естественные языки или длину контекста. Модель ориентирована на применение в задачах разработки ПО; конкретные ограничения и условия лицензии в предоставленных данных не описаны.

TripleTrouble V1 — диалоговая языковая модель с разреженной архитектурой MoE, созданная OliviaRossi слиянием трёх специализированных моделей семейства Qwen 35B-A3B: KAT-Coder-V2.5-Dev, Ornith-1.5-35B-A3B и Qwen-AgentWorld-35B-A3B. Она предназначена для генерации и анализа кода, многошагового планирования вызовов инструментов и моделирования переходов состояния в средах вроде ОС, веба и Android. Модель поддерживает чат и интерфейс вызова инструментов; заявленный контекст — 262 144 токена. В README указано 34,7 млрд общих параметров и около 3,3 млрд активных на токен; метаданные каталога приводят 2,9 млрд параметров. Это текстовая модель, ориентированная прежде всего на английский и китайский языки. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Заявления README о качестве и скорости не сопровождаются приведёнными результатами независимой оценки; на практике качество вызова инструментов и программирования следует проверять на целевых задачах.

WaveCoder Ultra 1.1 6.7B — это языковая модель для генерации и обработки программного кода, разработанная Microsoft. Представленная версия — GGUF-квантизации оригинальной модели microsoft/wavecoder-ultra-6.7b, подготовленные пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для выполнения инструкций, связанных с программированием, включая генерацию кода и задачи, оцениваемые на наборе HumanEval. Модель имеет около 6,7 млрд параметров, работает в формате GGUF и поддерживает англоязычные сценарии. Для взаимодействия рекомендуется шаблон инструкций с секциями «Instruction» и «Response». Доступны варианты квантизации от Q8_0 до IQ1_S, различающиеся размером файлов и качеством: Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S обозначены как рекомендуемые, а Q8_0 обеспечивает максимально доступное качество при большем размере. Основное преимущество этой версии — возможность локального запуска с выбором компромисса между качеством и требованиями к памяти; наиболее компактные варианты занимают менее 2 ГБ, тогда как Q8_0 — около 7,16 ГБ. Более низкие уровни квантизации снижают качество и могут быть пригодны только при ограниченных ресурсах. Архитектура, размер контекста, поддерживаемые языки программирования и мультимодальные возможности в README не указаны. Распространение заявлено по лицензии MIT.

wavecoder-ultra-6.7b-GGUF — это GGUF-квантизация модели wavecoder-ultra-6.7b, разработанной Microsoft и опубликованной в исходном виде на Hugging Face. Квантизации подготовлены пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации и обработки программного кода; в метаданных указаны задачи text-generation, набор данных HumanEval и метрика code_eval. Модель содержит 6,7 млрд параметров и поставляется в нескольких вариантах квантования от Q8_0 до IQ1_S, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS; их размер составляет примерно от 3,62 до 5,52 ГБ. Для работы используется формат GGUF и llama.cpp. Ожидаемый формат запроса близок к DeepSeek Coder или Alpaca: системная инструкция, блок «Instruction» и блок «Response». Сильной стороной модели является возможность локального запуска на широком диапазоне оборудования благодаря множеству уровней квантования, включая варианты для систем с ограниченным объёмом RAM. Более агрессивное квантование уменьшает размер и требования к памяти, но снижает качество генерации. README не содержит сведений об архитектуре, поддерживаемых языках программирования и естественных языках, размере контекстного окна, результатах сравнительных тестов или ограничениях безопасности. Указана лицензия other с license_name deepseek; точные условия лицензии следует уточнять в исходной карточке модели.

ClankLabs Wrench-35B-A3B-Q4_K_M-GGUF — квантизированная GGUF-версия модели Wrench 35B, разработанная ClankLabs на основе Qwen/Qwen3.5-35B-A3B. Это MoE-модель с 35 млрд общих и примерно 3 млрд активных параметров, дообученная методом LoRA для агентных сценариев, вызова инструментов и функций, восстановления после ошибок, планирования и точного следования системным инструкциям. Заявлена поддержка английского языка и генерации текста. Модель ориентирована на локальное развертывание в Ollama или llama.cpp, а также на использование через Clank Gateway. Ключевые возможности включают многошаговые задачи, параллельные и составные вызовы функций, обнаружение нерелевантных запросов, соблюдение форматов инструментов и безопасное ограничение действий. Внутренний тест Clank Agentic Benchmark дал 118 из 120 баллов, а на независимом BFCL non_live/AST модель получила 82,0% — 1128 правильных ответов из 1390. Контекстное окно составляет 8192 токена и может быть расширено до 32K. Модель распространяется по лицензии Apache 2.0. Используется квантизация Q4_K_M в формате GGUF; размер файла указан примерно как 20 ГБ, при этом заявлена возможность запуска на видеокарте с 16 ГБ VRAM. Обучение проводилось на двух NVIDIA H100 80GB примерно за один час на 1252 примерах из 15 категорий. Ограничения включают преимущественную ориентацию на английский язык, зависимость качества инструментальных вызовов от среды исполнения и заметно более низкую точность в отдельных категориях BFCL, включая простые вызовы на Java и JavaScript.

YuLan-Mini-Instruct — компактная языковая модель, разработанная командой YuLan и предназначенная для диалогов и выполнения инструкций. Это дообученная версия YuLan-Mini: авторы применили supervised fine-tuning, preference fine-tuning и обучение с подкреплением. Модель семейства Llama имеет плотную архитектуру и около 2,2 млрд параметров по метаданным; в README указано 2,4 млрд. Контекст составляет около 28 тысяч токенов. Модель подходит для ответов на вопросы, следования инструкциям, рассуждений, решения математических задач и написания кода. В обучении использовались открытые и синтетические данные, в том числе материалы по математике, науке и китайским бытовым знаниям. Метаданные указывают поддержку английского и китайского языков и возможности чата и генерации кода. Авторы отмечают конкурентные результаты на задачах рассуждения, математики и программирования, но указывают на слабые результаты в тестах, требующих обширных знаний, например MMLU. Модель распространяется по лицензии MIT.

dapack-code — это специализированная на программировании версия Qwen3.5-35B-A3B, представленная в формате GGUF с градуированной точностью экспертов: файл весит 10,7 ГБ вместо 21,2 ГБ у полной модели. По данным карточки, эксперты, востребованные для кода, сохранены с точностью q2_K, остальные — с IQ2_XXS под матрицей важности; эксперты не удалены. Модель предназначена для генерации кода и задач разработки ПО. README сообщает о сохранённом качестве генерации кода по внутренним поведенческим измерениям и успешных пробах вызова инструментов; также заявлена поддержка итальянского языка. Для запуска требуется специальная версия dapack runtime: обычные сборки llama.cpp, Ollama и LM Studio этот формат не загружают. Модель основана на мультимодальной Qwen3.5-35B-A3B, но README описывает этот пак как кодовый текстовый генератор. Лицензия — MIT. Карточка указывает на существенное снижение качества перевода; вне программирования точность может деградировать из-за низкой точности части экспертов.

Builder117/distilbert-indirect-injection — дообученный классификатор на базе DistilBERT для поиска косвенных prompt injection-атак в содержимом, которое получает LLM. Модель разработана Builder117 и предназначена для предварительной проверки извлечённых документов в RAG-системах, страниц для веб-агентов и материалов для систем вопросов и ответов по документам. Архитектура — DistilBertForSequenceClassification; модель присваивает тексту одну из двух меток: CLEAN для обычного содержимого или INDIRECT для обнаруженной атаки. Она распознаёт скрытые инструкции в комментариях HTML/CSS, текстах документов, полях JSON и метаданных, а также команды, замаскированные пробелами. Базовая модель — distilbert-base-uncased; контекст ограничен 512 токенами. Модель принимает и классифицирует текст на английском языке. Лицензия — Apache-2.0. Классификатор помогает фильтровать содержимое перед передачей языковой модели, но может пропустить инструкции в конце документа, обрезанного до 512 токенов, и новые способы маскировки, отсутствовавшие в обучающих данных. Для лучшего покрытия README рекомендует проверять каждый извлечённый фрагмент отдельно.

Dolphin3.0-Qwen2.5-3b-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Dolphin3.0-Qwen2.5-3b. Исходную модель разработала команда cognitivecomputations, а квантизации подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для локального запуска и генерации текста, включая ответы на инструкции, задачи программирования, математики, function calling и агентские сценарии. Модель содержит около 3 миллиардов параметров и работает в текстовой модальности; в README указан английский язык. Доступны варианты от F32 и F16 до квантизаций Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми названы, в частности, Q4_K_M, Q5_K_M, Q6_K и некоторые варианты IQ; запуск поддерживается через llama.cpp и LM Studio. Формат prompt использует шаблон ChatML с маркерами ролей system, user и assistant. Сильными сторонами являются широкий выбор квантизаций, возможность локального запуска на сравнительно доступном оборудовании и специализация на инструкциях, коде, математике и инструментальном взаимодействии. Ограничения включают небольшой размер модели по сравнению с крупными LLM, возможное снижение качества у сильнее сжатых вариантов, отсутствие в README данных о контекстном окне, мультиязычных возможностях и количественных результатах тестирования. Лицензия обозначена как qwen-research и связана с лицензией Qwen2.5; перед использованием следует проверить её условия для конкретного сценария.

EXAONE-Deep-2.4B — плотная языковая модель с 2,4 млрд параметров, разработанная LG AI Research для рассуждений и генерации текста. Это дообученная версия EXAONE-3.5-2.4B-Instruct; архитектура использует 30 слоёв и групповое внимание GQA с 32 головами запросов и 8 головами ключей и значений. Модель поддерживает контекст до 32 768 токенов и рассчитана на английский и корейский языки. Модель предназначена для диалогов и задач рассуждения, в частности решения математических задач и генерации кода. По заявлению разработчика, версия 2.4B показывает результаты выше других моделей сравнимого размера на ряде тестов. Она работает с библиотекой Transformers и доступна для запуска в нескольких средах инференса. Модель может создавать фактически неверные, противоречивые, предвзятые или неуместные ответы и не располагает актуальными сведениями. Лицензия указана как other; конкретные условия следует проверить в репозитории модели.

ApatheticWithoutTheA/gemma-2-2b-it-R1-Reasoning — дообученная диалоговая модель на базе Google Gemma 2 2B IT, созданная ApatheticWithoutTheA. Модель обучена методом LoRA с использованием MLX на 62,9 тыс. примеров датасета sequelbox/Raiden-DeepSeek-R1; README указывает 600 итераций обучения. Она предназначена для следования инструкциям и генерации текста с рассуждениями: на простые вопросы отвечает кратко, а для более сложных может выдавать длинные цепочки рассуждений. Модель подходит для ответов на вопросы, задач на рассуждение и программирование, в том числе при запуске на пользовательском оборудовании. Это плотная авторегрессионная архитектура Gemma2ForCausalLM с 2,7 млрд параметров и контекстом до 8192 токенов. Репозиторий содержит форматы GGUF и safetensors; библиотека модели — MLX. Метаданные указывают английский язык и лицензию MIT. Качество рассуждений не гарантировано: модель иногда не начинает рассуждение без прямой просьбы, а на особенно сложных задачах может зацикливаться на длинном анализе и не приходить к выводу. Используйте ответы и сгенерированный код с проверкой.

Huihui4-8B-A4B-GGUF — облегчённая разговорная MoE-модель, разработанная Huihui-ai на основе google/gemma-4-26B-A4B-it. Модель создана с помощью pruning экспертов и supervised fine-tuning на более чем 500 высококачественных диалоговых примерах, извлечённых из данных о предпочтениях в программировании. В README также указана поддержка сценария image-text-to-text, однако подробные характеристики мультимодальных возможностей не приведены. Архитектура включает 32 эксперта вместо исходных 128, при этом для каждого токена активируются 8 экспертов, что сохраняет масштаб активаций A4B. Модель ориентирована на диалоговые ассистенты для программирования, понимание контекста кода, лёгкое планирование задач, локальное развёртывание и эксперименты с pruning и объединением MoE-моделей. Рекомендуемые инструменты запуска — vLLM, llama.cpp и HuggingFace Transformers; заявленные требования составляют менее 18 ГБ VRAM для FP16 и примерно 6–9 ГБ для INT4/INT8-квантизации. К сильным сторонам относятся сниженные вычислительные требования, пригодность для потребительского оборудования и заявленная устойчивость логики, следования инструкциям и работы с кодом после pruning. Предварительная оценка perplexity на 100 образцах при максимальной длине 8192 токена показала улучшение после SFT: для варианта с 32 экспертами perplexity снизилась с 2,4826 до 1,0035 на поздних этапах обучения. Ограничения включают предварительный характер оценки, отсутствие подробных данных о языках, точном размере контекста, качестве мультимодальной обработки и полноценных сравнительных тестах. Модель распространяется по лицензии Apache-2.0.

Myric/Laguna-S-2.1-APEX-GGUF — неофициальная общественная GGUF-квантизация модели poolside/Laguna-S-2.1, разработанная сообществом Myric. Базовая модель представляет собой open-weight агентную MoE-модель для программирования с общим объёмом 118 млрд параметров и примерно 8 млрд активных параметров. Она предназначена для генерации кода, решения задач разработки и агентных сценариев. Доступны варианты с разной степенью сжатия: от APEX-i-quality размером около 73,9 ГБ до экспериментального APEX-i-mini размером около 43,6 ГБ. Для ускорения генерации предусмотрена совместная работа с draft-моделью DFlash в режиме speculative decoding. Архитектура включает 48 слоёв, 256 маршрутизируемых и один общий эксперт, top-10 маршрутизацию, GQA с softplus-гейтингом на уровне голов, а также смешанное sliding-window/global attention. Заявленный контекст составляет 1 млн токенов. APEX распределяет точность квантизации с учётом роли тензора и слоя, сохраняя более высокую точность для общих экспертов и краевых слоёв и сильнее сжимая разреженные маршрутизируемые эксперты. Языки модели в README не указаны. Сильной стороной является существенное уменьшение размера по сравнению с BF16-версией при сохранении потенциально близкого качества, а также возможность локального запуска. DFlash Q4_K_M имеет размер около 652 МБ и в приведённых тестах ускорял генерацию до 1,20 раза для варианта APEX-i-quality; на специализированных задачах разработчики базовой модели заявляют более высокие ускорения, однако эти результаты относятся к отдельной карточке DFlash. Показатели perplexity для APEX-вариантов ещё не измерены, поэтому качество квантизации не подтверждено. Вариант APEX-i-mini обозначен как экспериментальный и может заметно уступать более крупным вариантам. Для DFlash требуется форк llama.cpp от Poolside. Лицензия указана как openmdw-1.1. Квантизация не связана с Poolside или unsloth, предоставляется без гарантий и должна быть проверена перед использованием в критически важных сценариях.

LFM-2.5-Coder-2.6B — облегчённая дообученная языковая модель для генерации кода и решения задач программирования с пошаговым рассуждением. Модель разработана Schnuckade на основе LiquidAI/LFM2.5-2.6B и дообучена с использованием Unsloth на датасете Banaxi-Tech/Deepseek-V4-Reasoning-Code-2500. Модель ориентирована на генерацию программного кода, анализ и решение задач, связанных с программированием, при сохранении общей полезности базовой модели. Заявлены английский язык и поддержка сценариев локального развёртывания. Доступны веса в форматах FP16 и BF16 Safetensors, а также квантизированная версия GGUF Q4_K_M. В примере интеграции указан контекст до 2048 токенов и загрузка в 4-битном режиме, однако это не обязательно отражает максимальный контекст модели. Размер модели — 2,6 млрд параметров; архитектура унаследована от LiquidAI/LFM2.5-2.6B, но её подробные характеристики в README не приведены. Сильными сторонами являются компактность, акцент на код и рассуждение, а также наличие форматов для локального запуска. Ограничения включают заявленную ориентацию на английский язык и отсутствие в представленных данных подробных результатов бенчмарков, перечня поддерживаемых языков программирования и оценки качества. Модель распространяется по лицензии Apache-2.0.

DevQuasar опубликовал GGUF-версию microsoft/Phi-4-reasoning-vision-15B. Это мультимодальная чат-модель с поддержкой изображений, предназначенная для ответов на вопросы по визуальным данным и рассуждений об изображениях. Каталог относит базовую модель к дообученным моделям Microsoft; в репозитории указаны веса GGUF в формате F16. Модель подходит для анализа изображений и документов, а также для работы со скриншотами графических интерфейсов. Карточка не сообщает подробностей о размере контекста, языках и условиях лицензии этой копии, поэтому их нельзя уточнить по доступным данным.

s-batman/Ornith-1.0-9B-NVFP4-MTP-GGUF — набор из трёх GGUF-квантизаций модели Ornith-1.0-9B, разработанной командой DeepReinforce. Исходная модель создана на базе Qwen3.5-9B и дообучена с помощью reinforcement learning для агентного программирования и задач, требующих рассуждений. Эта версия дополнительно оснащена головами Multi-Token Prediction (MTP), заимствованными из Qwen3.5-9B-MTP, для ускорения speculative decoding в llama.cpp. Модель имеет плотную архитектуру Qwen3.5: 32 основных слоя и один встроенный MTP-слой, 9,2 млрд параметров, hidden size 4096 и словарь из 248 320 токенов. Используется гибридная схема внимания с линейным SSM и полным attention в каждом четвёртом слое. В репозитории доступны варианты Q8_0 размером 9,1 ГБ, NVFP4 и MXFP4 размером по 5,1 ГБ. NVFP4 оптимизирован для NVIDIA Blackwell, включая RTX PRO 6000 и DGX Spark, тогда как Q8_0 рассчитан на широкий спектр CPU и GPU. Визуальная башня отсутствует, поэтому практическое применение этой сборки ограничено текстовым выводом, несмотря на сохранённый мультимодальный словарь. Сильные стороны модели — специализация на агентном кодировании и рассуждениях, уменьшенный размер по сравнению с полноразмерной BF16-моделью и возможность ускоренного декодирования с MTP. NVFP4 обеспечивает наиболее эффективный путь на Blackwell, MXFP4 использует стандарт OCP, а Q8_0 служит вариантом с максимальной точностью. Ограничениями являются зависимость преимуществ NVFP4 от оборудования Blackwell, необходимость совместимой поддержки llama.cpp и отсутствие визуального ввода в данной GGUF-сборке. Модель распространяется по лицензии MIT.

grounded-ai/phi4-r1-guard — языковая модель, разработанная Jlonge4 и дообученная на unsloth/phi-4-bnb-4bit с использованием Unsloth и TRL. Она предназначена для оценки текстов: выявляет токсичность, проверяет ответы на галлюцинации по эталонному материалу и оценивает релевантность найденного контекста запросу в RAG-сценариях. Модель имеет 14,1 млрд параметров, архитектуру LlamaForCausalLM и контекстное окно 16 384 токена. Принимает текст и выдаёт объяснение решения с бинарной классификацией: toxic/non-toxic, yes/no или relevant/unrelated. В карточке заявлена поддержка английского языка. Модель выпущена под лицензией Apache-2.0. Её оценки и объяснения могут ошибаться; проверки галлюцинаций зависят от качества эталонного материала, а классификацию следует валидировать на данных целевого применения.

Qwen2.5-Coder-3B-Instruct-abliterated-GGUF — это GGUF-квантизированная версия инструкционной языковой модели для генерации текста и работы с программным кодом. Исходная модель Qwen2.5-Coder-3B-Instruct-abliterated размещена Huihui-ai, а квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач программирования, диалогового взаимодействия и генерации текста; в метаданных указан английский язык. Модель имеет размер около 3B параметров, однако сведения о точной архитектуре, поддерживаемых модальностях и размере контекстного окна в README не приведены. Доступно множество вариантов квантизации от F16 до Q3 и IQ4, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Наиболее качественными названы варианты Q6_K_L и Q6_K, а Q4_K_M указан как сбалансированный вариант для большинства сценариев. Для запуска рекомендуется использовать совместимое ПО, включая LM Studio и llama.cpp; предусмотрен специальный chat-шаблон с ролями system, user и assistant. К сильным сторонам относятся компактный размер, поддержка локального запуска и широкий выбор уровней квантизации, включая варианты, оптимизированные для ARM. Ограничения — уменьшение качества в более сильных вариантах квантизации, отсутствие в README данных о результатах тестирования, контекстном окне и полном наборе языков. Модель обозначена как abliterated и uncensored, поэтому её поведение и защитные ограничения могут отличаться от исходной версии. Указана лицензия qwen-research; точные условия следует уточнять в файле лицензии исходной модели.

Qwen3.6-27B-1C — специализированная SFT-адаптация модели Qwen/Qwen3.6-27B, представленная sweetand. Она предназначена для задач разработки на платформе 1C:Enterprise и ориентирована прежде всего на русский язык, с поддержкой английского. Модель обучалась работать с кодом BSL, XML-выгрузками и XML-схемами конфигураций, а также с типовыми практиками и открытыми кодовыми базами 1С. Модель подходит для навигации по метаданным и структуре XML-выгрузок, генерации, пояснения и рефакторинга BSL, анализа запросов 1С, code review, подбора осмысленных имён программных сущностей и соблюдения внутренних стандартов кодирования. В карточке указаны размер базовой модели 27B, SFT-обучение, LoRA-адаптер и унаследованное от Qwen3.6 контекстное окно до 262 тысяч токенов. Поддержка tool-calling и режимов thinking/non-thinking заявлена как наследуемая от базовой модели. Модель не заменяет официальную документацию 1С и аудит информационной безопасности, а её ответы по закрытым конфигурациям требуют проверки. Возможны ошибки в именах объектов, путях XML и API; вне домена 1С качество может быть ниже или менее стабильным. Сгенерированный код следует проверять в конфигураторе и на тестах, особенно перед использованием в production. Базовая и производная модель распространяются по лицензии Apache-2.0, при этом необходимо соблюдать лицензии исходных открытых кодовых баз, использованных в обучающих данных.

Это дообученная модель lordx64 на базе Qwen/Qwen3.6-35B-A3B: к ней применили дистилляцию рассуждений Claude Opus 4.7 на примерно 8 тысячах трассировок. Модель построена на архитектуре Mixture of Experts с 35 млрд параметров, из которых около 3 млрд активны на каждом токене; веса доступны в формате safetensors, лицензия — Apache 2.0. Карточка указывает контекст до 64 тысяч токенов. Модель предназначена для сложных многошаговых задач: математики, STEM-вопросов, рассуждений при решении задач по программированию, логических головоломок и планирования действий агента. Она генерирует явные длинные цепочки рассуждений перед ответом; в README приведены результаты GSM8K CoT и MMLU-Pro. Метаданные указывают диалоговые и интерфейсные возможности вызова инструментов, но основная задача в каталоге — генерация текста. Дистилляция нацелена на стиль и структуру рассуждений, а не на расширение фактических знаний базовой Qwen. Тонкая настройка затрагивала только attention-слои, поэтому улучшения могут быть неравномерными. На сложных запросах модель способна генерировать тысячи или десятки тысяч токенов, что увеличивает задержку и расход вычислений; для практического использования следует ограничивать длину генерации. README также отмечает необходимость учитывать политики Anthropic для конкретного сценария использования данных учителя.

Qwen3.8-27B-Uncensored-NVFP4 — языковая модель для генерации текста, разработанная на основе Qwen3.8-27B и версии JonathanColetti/Qwen3.8-27B-Uncensored. Квантизация выполнена пользователем wyattearp с использованием NVIDIA ModelOpt. Модель ориентирована на технические и исследовательские задачи, включая программирование, анализ и декомпиляцию кода, реверс-инжиниринг, кибербезопасность и работу с инструментами. Модель построена на плотной архитектуре Qwen 3.8 Dense Transformer и содержит 27 млрд параметров. Использует формат квантизации NVFP4 с Marlin Linear GEMM kernels; размер весов составляет 26,59 GiB. README не указывает поддерживаемые языки, точную длину контекста или мультимодальные возможности. Предназначена для запуска на GPU NVIDIA Blackwell, включая GB10, с использованием vLLM, TensorRT-LLM или SGLang; заявлена совместимость со speculative decoding через DFlash 2. Сильными сторонами являются компактный для своего размера footprint, возможность высокопроизводительного инференса на совместимом оборудовании и заявленные результаты на задачах декомпиляции, анализа уязвимостей и генерации защищённого кода. При этом результаты заметно зависят от сценария: например, в приведённом тесте OSS-Fuzz-Gen корректными оказались 5% решений, а показатель Pass@1 для LLVM IR в C++ составил 95%. Ключевое ограничение — необходимость совместимого оборудования и программного стека NVFP4; характеристики и результаты основаны на тестах автора README и не гарантируют аналогичную производительность в других условиях. Лицензия — Apache-2.0.

saricles/Qwen3-Coder-Next-NVFP4-GB10 — это 4-битная NVFP4-квантизация модели Qwen3-Coder-Next, подготовленная для NVIDIA DGX Spark с GB10. Базовая модель разработана Qwen; это языковая MoE-модель на 79,7 млрд параметров с 512 экспертами, из которых для каждого токена активны 10, и гибридной архитектурой DeltaNet и attention. Квантизацию после обучения выполнили с помощью LLM Compressor; часть слоёв оставлена в BF16, а большая часть весов, включая in_proj_qkvz, переведена в FP4. Модель предназначена для генерации кода и диалогового использования в сценариях разработки. Карточка приводит результаты тестирования на одном DGX Spark с vLLM и сообщает о совместимости с другими видеокартами Blackwell, поддерживающими NVFP4. В описанном тестовом окружении вес модели занимал 42,7 ГиБ; гибридная архитектура обеспечивает заявленную автором стабильную скорость декодирования при увеличении контекста. В метаданных указан английский язык; размер нативного контекста не приведён. Репозиторий распространяется по лицензии Apache 2.0.

second-state/StarCoder2-3B-GGUF — это квантованная в формате GGUF версия языковой модели StarCoder2 3B, разработанной командой BigCode и подготовленной к распространению компанией Second State Inc. Модель предназначена для генерации и дополнения программного кода, а также других сценариев работы с текстом, связанных с программированием. В карточке указана интеграция с библиотекой Transformers и назначение text-generation. Модель основана на bigcode/starcoder2-3b и имеет размер 3 миллиарда параметров. Доступны варианты квантования от 2 до 8 бит с размером файлов примерно от 1,15 до 3,22 ГБ. Заявленный размер контекста — 3072 токена. Представлены различные уровни компромисса между размером файла и качеством: Q4_K_M, Q5_K_M и Q5_K_S отмечены как рекомендуемые, тогда как варианты с более низкой разрядностью могут заметно терять в качестве. Основное преимущество модели — возможность локального запуска при относительно небольшом объёме памяти, особенно в низкоразрядных вариантах. Ограничения включают потерю качества из-за квантования, наиболее выраженную у Q2 и Q3, а также отсутствие в README сведений о поддерживаемых языках программирования и естественных языках, точной архитектуре, мультимодальности и результатах оценки. Указана лицензия bigcode-openrail-m.

StarCoder2-7B-GGUF — квантованная версия модели StarCoder2 7B, разработанной командой BigCode и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена прежде всего для генерации и работы с программным кодом; исходная модель распространяется через bigcode/starcoder2-7b и использует библиотеку Transformers. В README не указаны точные архитектурные детали, перечень поддерживаемых языков программирования или естественных языков, а также мультимодальные возможности, поэтому их характеристики нельзя подтвердить. Доступно несколько вариантов квантования от 2 до 8 бит с размером файлов примерно от 2,72 до 7,63 ГБ. Заявленный размер контекста — 4608 токенов. Вариант Q4_K_M отмечен как рекомендуемый благодаря балансу размера и качества, Q5_K_M и Q5_K_S — как варианты с очень небольшой потерей качества, а Q2_K–Q3_K и некоторые legacy-варианты имеют более существенную потерю качества. Модель подходит для локального запуска в средах, совместимых с GGUF и llama.cpp; интеграция с LlamaEdge на момент публикации обозначена как находящаяся в разработке. Модель ориентирована на сценарии программирования, включая генерацию кода, но README не содержит результатов тестирования или подробного описания сильных сторон и ограничений исходной модели. Лицензия указана как BigCode OpenRAIL-M; условия её применения следует учитывать при развёртывании и распространении.

laion/swesmith-nl2bash-stack-bugsseq — дообученная модель на базе Qwen/Qwen3-8B, разработанная для генерации текста. По названию и указанным обучающим наборам она ориентирована на задачи SWE-Smith, преобразование инструкций на естественном языке в Bash-команды, вопросы по Stack Exchange и выявление ошибок в коде. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также указана возможность диалогового взаимодействия. Для дообучения использованы наборы open-athena и penfever с данными для рассуждений; конкретные результаты оценки и более подробное описание поведения не приведены. Модель распространяется по лицензии Apache-2.0. Практическое качество для отдельных сценариев и ограничения применения в карточке не описаны.

Tinytron-ORCA-3B-TinyLlama-Instruct_CODE_Python-extra_small_quantization_GGUF_3bit — локальная разговорная модель для генерации кода, опубликованная Francisco Angulo de Lafuente под именем Agnuxo. В README указана специализация на Python и научных вычислениях, а также заявлена работа с JavaScript, TypeScript, Rust, Go, C++, NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Метаданные указывают на плотную архитектуру семейства Llama с классом LlamaForCausalLM, 1 млрд параметров и контекст 2048 токенов; README заявляет 3 млрд параметров, поэтому размер модели описан противоречиво. Модель предназначена для диалоговой генерации кода и помощи при решении задач программирования. Карточка рекомендует запускать её локально через Ollama и упоминает интеграции с MCP и A2A. Метаданные указывают языки en и es, но README не уточняет языковую поддержку. Идентификатор и README описывают вариант TinyLlama Instruct с 3-битной квантизацией GGUF, то есть производную модель. В метаданных базовая модель не указана, поэтому её идентификатор нельзя надёжно установить. Лицензия — Apache-2.0. Практические ограничения: контекст 2048 токенов, а заявленный размер расходится с метаданными; качество генерации не подтверждено приведёнными сведениями.

Winged-Lagomorph-2x13B — языковая модель для генерации текста, созданная слиянием WhiteRabbitNeo-13B-v1 и NexusRaven-V2-13B с помощью mergekit. Для обычных задач с кодом в карточке рекомендуется шаблон WhiteRabbitNeo, а для вызова функций — шаблон NR. Модель имеет архитектуру MixtralForCausalLM типа MoE, содержит 12,9 млрд параметров и поддерживает контекст до 16 384 токенов. В карточке приведён пример генерации скрипта на pwntools для переполнения буфера. Модель предназначена для генерации текста и кода, а метаданные также указывают поддержку классификации текста. Используется лицензия Llama 2.

Clary 2 Cyber Heavy — открытая языковая модель Aurora System для задач кибербезопасности и системного программирования. Она дообучена на Qwen/Qwen3-4B и содержит около 3,7 млрд параметров; архитектура — плотная Qwen3ForCausalLM. Веса доступны в формате Safetensors с объединёнными DoRA-адаптерами. Модель предназначена для диалогов и генерации кода при аудите веб-приложений и исходников, анализе бинарных файлов и ассемблерного кода, задачах reverse engineering и криптоанализа. README заявляет поддержку русского и английского языков и перечисляет сценарии от анализа уязвимостей до написания системного кода. Контекст модели — до 40 960 токенов. В карточке приведены результаты профильных тестов по кибербезопасности и программированию, однако методика и часть таблиц представлены не полностью, поэтому эти результаты не позволяют независимо оценить качество. Модель распространяется по лицензии Apache-2.0; ответы по безопасности следует проверять, а практические проверки проводить только в разрешённой среде.