II.4Отладка, тестирование и качество ПО

SmartBERT V3 — доменно-адаптированная модель для понимания кода смарт-контрактов, разработанная авторами Youwei Huang и Sen Fang на основе CodeBERT-base-mlm и SmartBERT V2. Это RoBERTa-модель с 151,8 млн параметров, обученная в Transformers методом masked language modeling на корпусе из 80 тысяч смарт-контрактов, преимущественно на Solidity. Она восстанавливает замаскированные токены и формирует представления функций смарт-контрактов; модель предназначена для выявления намерений функций, анализа сходства кода, классификации и обнаружения уязвимостей. Контекст составляет 514 токенов. Модель принимает текст кода и предсказывает пропущенные токены. Обучение на расширенном корпусе контрактов направлено на более устойчивое представление семантики функций, однако карточка не приводит количественных результатов оценки качества. В метаданных указана лицензия MIT.

zen4-coder-i1-GGUF — это набор GGUF-квантизированных версий модели zenlm/zen4-coder, подготовленный пользователем mradermacher. Модель предназначена прежде всего для генерации и обработки программного кода, а также для сценариев локального запуска через совместимые инструменты, поддерживающие формат GGUF. В метаданных указана поддержка английского языка и библиотека Transformers. Доступны варианты с различными типами и уровнями квантизации — от IQ1 и IQ2 до Q6_K — размером примерно от 16,3 до 65,6 ГБ. README не содержит сведений об архитектуре, общем числе параметров, длине контекста, точных возможностях программирования, результатах тестирования или поддерживаемых модальностях, поэтому эти характеристики нельзя определить достоверно. Варианты различаются компромиссом между размером, скоростью и качеством: наиболее компактные квантизации могут заметно терять в качестве, тогда как Q4_K_M отмечен как быстрый и рекомендуемый, а IQ-варианты часто предпочтительнее сопоставимых по размеру стандартных квантизаций. Модель подходит для локального инференса при наличии достаточного объёма оперативной или видеопамяти, причём требования зависят от выбранного файла. Ограничениями являются возможное ухудшение качества на низких уровнях квантизации и отсутствие подробных данных о базовой модели. В метаданных указана лицензия Apache-2.0; квантизации подготовлены mradermacher.

ByteDance-Seed/academic-ds-9B — плотная языковая модель семейства DeepSeek V3, разработанная ByteDance Seed и обученная с нуля на более чем 350 млрд токенов из полностью открытых англоязычных наборов данных. Карточка описывает её как модель для разработки и отладки в сообществе открытого исходного кода. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Она принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно 8192 токена. В репозитории указаны веса Safetensors и библиотека Transformers. Метаданные каталога оценивают число параметров в 1,6 млрд, тогда как название и README заявляют размер 9 млрд; размер модели в источниках расходится. Модель распространяется по лицензии Apache-2.0. Карточка позиционирует её для разработки и отладки, поэтому её пригодность для иных сценариев и качество ответов следует проверять на целевых задачах.

Mungert/bu-30b-a3b-preview-GGUF — это GGUF-квантизированная версия BU-30B-A3B-Preview, разработанной Browser Use на базе Qwen/Qwen3-VL-30B-A3B-Instruct. Модель предназначена для автоматизации работы в браузере через библиотеку browser-use: поиска информации, взаимодействия с веб-страницами, понимания DOM и визуального анализа интерфейсов. Она ориентирована на сценарии browser use и может запускаться локально или через совместимые серверы инференса. Модель представляет собой vision-language модель с архитектурой Mixture of Experts: 30 млрд параметров суммарно и около 3 млрд активных параметров. Поддерживает текстовые и визуальные входы, заявленный язык — английский, контекст — до 65 536 токенов. GGUF-файлы созданы с использованием llama.cpp; автор версии применяет дополнительное повышение точности отдельных важных слоёв при квантовании, что может улучшать качество на низких битностях, но увеличивает размер файлов. Сильные стороны модели — специализированное обучение для браузерных задач, понимание DOM и визуальное рассуждение при относительно небольшом числе активных параметров, благодаря чему она потенциально подходит для размещения на одной GPU. Ограничения включают предварительный статус версии, зависимость качества и требований к ресурсам от конкретного уровня квантования, а также заявленную ориентацию преимущественно на английский язык. Лицензия в предоставленной карточке модели не указана.

CleverBoi-Llama-3.1-8B-v2 — языковая модель для генерации текста, разработанная theprint. Она дообучена на базе unsloth/meta-llama-3.1-8b-bnb-4bit в течение одной эпохи с использованием набора CleverBoi-Data-20k, содержащего данные с акцентом на логику, рассуждения, математику и программирование. Для обучения применялись Unsloth и библиотека Hugging Face TRL. Модель предназначена для текстовой генерации и сценариев, где важны решение логических задач, выводы, математические рассуждения и задачи программирования. Заявленный язык — английский. Известно, что модель основана на варианте Llama 3.1 с размером 8B параметров и 4-битным представлением; сведения о длине контекста и дополнительных модальностях не указаны. Сильная сторона модели — специализированное дообучение на задачах логики, математики и кода. В Open LLM Leaderboard она получила средний результат 14,01: IFEval — 19,61, BBH — 24,13, MATH Level 5 — 4,46, GPQA — 4,81, MuSR — 6,72 и MMLU-PRO — 24,31. Эти показатели следует учитывать как результаты конкретных тестовых режимов, а не как гарантию качества в прикладных сценариях. Модель распространяется по лицензии Apache-2.0.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, разработанный agurung и дообученный методом обучения с подкреплением GRPO на базе OpenRLHF. Он предназначен для генерации кода и решения задач программирования: обучение проводилось на задачах, где базовая модель редко находила правильное решение, а награда зависела от прохождения тестов программы. Чекпойнт сохранён на 16-м шаге обучения; автор сообщает, что в рамках этого запуска он показал лучший результат pass@8. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает текстовые запросы, выдавая текст, в том числе программный код. Контекстное окно — до 262 144 токенов. Веса доступны в формате safetensors для библиотеки Transformers. Карточка не указывает лицензию. Показатели оценки относятся к указанному набору задач и конфигурации эксперимента, поэтому не гарантируют качество на других задачах; модель унаследовала ограничения базовой Qwen3.

Darkforest — закрытый объединённый чекпойнт BlackwoodAI для авторизованных задач защитной кибербезопасности. Это языковая модель с архитектурой Qwen3 MoE и 2,6 млрд параметров; она доступна в формате safetensors и предназначена для генерации текста в диалоговом режиме с контекстом до 262 144 токенов. Модель подходит для анализа задач CTF и лабораторных сценариев, проверки защищённости кода, объяснения уязвимостей, разработки детектирующих правил, воспроизведения эксплойтов в собственных тестовых средах и защитного или криминалистического анализа вредоносного ПО. Её можно загружать через Transformers и обслуживать через vLLM как совместимый с OpenAI API endpoint. В README модель обозначена как исследовательский чекпойнт, который следует оценить перед использованием в рабочих процессах. Автор запрещает применять её для несанкционированного доступа, кражи учётных данных, развёртывания вредоносного ПО, фишинга, обхода защит, ботнетов, мошенничества и причинения вреда. Лицензия указана как other; дополнительных условий лицензии в предоставленных данных нет.

unsloth/DeepSeek-R1-Distill-Qwen-1.5B-unsloth-bnb-4bit — это 4-битная квантованная версия языковой модели DeepSeek-R1-Distill-Qwen-1.5B, подготовленная Unsloth на основе базовой модели deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель относится к семейству DeepSeek-R1 и использует дистилляцию способностей рассуждения, полученных при обучении DeepSeek-R1, в компактную модель на базе Qwen. Формат предназначен для использования с библиотекой Transformers и технологией bitsandbytes. Модель предназначена прежде всего для текстовых задач, требующих рассуждений, включая решение математических задач, программирование, ответы на вопросы и другие сценарии, где важна последовательная логика. Благодаря размеру 1,5 млрд параметров и 4-битному представлению она ориентирована на запуск при ограниченных ресурсах памяти, однако README не содержит точных требований к оборудованию, размера контекста или подробных показателей качества. Указан английский язык; поддержка других языков отдельно не заявлена. К сильным сторонам относятся компактность, сниженные требования к памяти и ориентация на reasoning-задачи. Ограничениями являются меньшая вместимость по сравнению с более крупными моделями DeepSeek-R1 и возможные потери качества из-за 4-битной квантования; конкретные компромиссы в README не измерены. Модель распространяется по лицензии Apache-2.0.

granite-4.1-Queen-30b — дообученная языковая модель автора aifeifei798 на базе IBM Granite 4.1. Это плотная причинная модель на 28,9 млрд параметров для генерации текста и диалогов; заявленная длина контекста — 131 072 токена. Модель предназначена для ролевых диалогов с разными персонами, творческого письма, песенных текстов, маркетинговых материалов и помощи с кодом. В README заявлена ориентация на английский язык, быстрые ответы и ролевые сценарии, включая тёмное фэнтези и Dark Academia. Также перечислены сценарии вроде написания постов и инструкций, разработки UI/CSS, ревью кода и подготовки деловых текстов. Метаданные указывают библиотеку Transformers, формат safetensors и лицензию Apache 2.0. Утверждения README о снижении отказов, ускорении вывода и улучшении рассуждений не сопровождаются проверяемыми результатами, поэтому их следует считать заявлениями автора, а не подтверждёнными характеристиками.

Grug 67B A2B Datakit SFT 262K — чекпойнт Grug MoE, дообученный методом supervised fine-tuning на смеси данных для агентных сценариев и рассуждений. Разработчик — open-athena. Архитектура GrugMoeForCausalLM использует 256 маршрутизируемых экспертов с выбором top-4 и общий эксперт; всего около 67 млрд параметров, примерно 2 млрд активных параметров на токен. Модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. В конфигурации задан контекст до 262 144 токенов, но работа на длинном контексте не проверена. Обучающие источники включают OpenThoughts code, SWE-ZERO, Penfever traces, NuminaMath и данные GLM для следования формату и сжатия контекста. Модель может быть полезна для агентных задач, рассуждений, работы с кодом и математикой, однако качество генерации, безопасность и численная эквивалентность исходному чекпойнту не оценены. Для запуска требуется среда с поддержкой Grug MoE; эта версия ещё не проверена в ранее использованной сборке vLLM, а загрузка через стандартный Transformers не подтверждена. Лицензия — OpenMDW-1.1.

Holo-3.1-35B-A3B-MTP-GGUF — это набор GGUF-квантизаций модели Hcompany/Holo-3.1-35B-A3B, подготовленный пользователем gbuzhf для запуска через llama.cpp. Модель предназначена для мультимодальных задач image-text-to-text, компьютерного управления и GUI-агентов, включая анализ скриншотов, описание элементов интерфейса, рассуждения по accessibility tree, выдачу координат, многошаговые действия и обработку ответов инструментов. Поддерживается английский язык. В поставку включены восстановленная голова multi-token prediction (MTP) для speculative decoding, vision projector для обработки изображений и importance matrix, откалиброванная на агентских и кодовых сценариях. Архитектура относится к классу MoE; в названии указано 35B-A3B. Доступны варианты IQ4_XS, Q3_K_M, Q4_K_M, Q5_K_S и Q6_K с размером файлов примерно от 14,27 до 30,01 ГБ, а также исходный BF16-вариант. Заявленная измеренная доля принятых черновых токенов MTP составляет 85% при скорости 204 токена в секунду на смешанном наборе запросов, однако это не результат отдельного GUI-бенчмарка. Сильные стороны модели — сочетание мультимодальности, возможностей компьютерного управления, speculative decoding и нескольких уровней квантизации. Для подачи изображений обязательно требуется отдельный файл vision projector; без него модель работает только с текстом. Более компактные варианты экономят память, но могут уступать старшим по качеству. Контекстное окно и точные требования к оперативной или видеопамяти в README не указаны. Артефакты распространяются по лицензии Apache-2.0.

Huihui4-8B-A4B — разговорная модель семейства Gemma 4, созданная Huihui AI на основе google/gemma-4-26B-A4B-it. Разработчики сократили число экспертов MoE со 128 до 32 и дообучили модель методом supervised fine-tuning на более чем 500 диалоговых примерах из данных предпочтений для кода; в таблице оценки также приведён результат варианта после 750 шагов дообучения. На каждом токене активируются 8 экспертов. Модель предназначена для диалоговых задач, особенно для помощи с кодом, а также для планирования простых задач и локального запуска на потребительском оборудовании. Карточка заявляет поддержку анализа изображений, унаследованную от мультимодальной базовой модели, однако обучение описано как диалоговое и ориентированное на код. Репозиторий использует Transformers и формат safetensors; README рекомендует vLLM, llama.cpp и Hugging Face Transformers. По данным README, для FP16 требуется менее 18 ГБ видеопамяти, а для квантованных INT4/INT8 вариантов — примерно 6–9 ГБ. Оценка качества предварительная: приведены тесты perplexity и краткое описание диалоговых проверок, но нет подробных бенчмарков. Модель распространяется по лицензии Apache-2.0.

JanusCoder-14B-GGUF — это набор квантизированных версий языковой модели JanusCoder-14B, разработанной internlm и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена прежде всего для генерации и работы с исходным кодом, а также для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до 2-битных и 8-битных квантований, размер файлов составляет примерно от 6,5 до 29,5 ГБ. Более высокие уровни квантования обеспечивают лучшее сохранение качества, тогда как компактные варианты требуют меньше оперативной памяти, но заметно уступают по качеству. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K_M, Q6_K или близкие к ним. В README не указаны архитектура, поддерживаемые языки, длина контекста, дополнительные модальности и точные характеристики исходной модели. Модель удобна для локального инференса на совместимом оборудовании и выбора компромисса между качеством, скоростью и потреблением памяти. Ограничения включают возможное снижение качества при сильном квантовании, отсутствие явно указанного chat template и необходимость проверить настройки исходной модели. Лицензия в предоставленных данных не указана.

Lunaris Guard v3 — многоязычная модель-классификатор Auren Research для обнаружения prompt injection и разметки категорий безопасности в рабочих процессах ИИ-агентов. Это дообученная на базе энкодера jhu-clsp/mmbert-base плотная модель для классификации последовательностей примерно с 307 млн параметров; она загружается через Transformers с включённым trust_remote_code. Стандартный pipeline text-classification использует голову обнаружения инъекций, а модель также выдаёт классификацию по 14 категориям безопасности. Модель предназначена для проверки документов и фрагментов RAG, результатов поиска и браузера, вывода инструментов и метаданных MCP, а также сообщений, логов, кода и содержимого HTML, Markdown, CSV и API. Поддерживаются английский, португальский, испанский, французский, китайский, хинди, арабский, русский и японский языки. Контекст ограничен 2048 токенами; длинные материалы рекомендуется разбивать на фрагменты и агрегировать оценки риска. Лицензия — MIT. Карточка приводит результаты целевого теста на 100 синтетических примерах, но это не широкий публичный бенчмарк. Англоязычная работа сильнее, чем многоязычная; возможны ложные срабатывания на цитируемых примерах атак и защитных инструкциях, а длинный текст без разбиения может быть усечён. Модель не следует использовать как единственную защиту в системах, где пропуск атаки может привести к серьёзному ущербу.

makeitwork-1 v13 — дообученная модель Akahsizrr для поиска информации в кодовых базах. Это декодерный трансформер Retriever500M в стиле LLaMA примерно с 497 млн параметров, обученный выполнять многошаговый поиск по запросам на естественном языке и работать с интерфейсом вызова инструментов поиска. Модель разбивает запрос на подзапросы, анализирует результаты поиска и при необходимости уточняет поиск, затем возвращает найденный фрагмент кода, путь к файлу и имя символа. Она рассчитана на точечный поиск определений, типов и функций, а также на расплывчатые и косвенные запросы, связанные с вызовами или поведением кода. В README приведена оценка точности поиска 92% на тестовом наборе из 50 запросов по 20 репозиториям; описаны отдельные случаи, когда модель пропускает дополнительный шаг поиска или ошибается в похожем имени символа. Для работы требуется внешняя система поиска по кодовой базе, которая предоставляет результаты модели через специальный формат взаимодействия. Метаданные указывают формат safetensors и язык en; лицензия в предоставленных данных не указана.

MK4-Ginko v1 — модель для анализа безопасности кода, разработанная MK4-Research. Она предназначена для определения того, действительно ли защитные проверки предотвращают уязвимость, особенно когда guard находится далеко от опасной операции или проверяет не то значение. Основной сценарий использования — анализ отдельных функций и небольших фрагментов кода при code review и поиске уязвимостей. Модель не предназначена для анализа всего кодового проекта: при подаче целого файла она сообщает только об одной проблеме и имеет ограничение покрытия, обусловленное обучением. Модель основана на Qwen3.8-27B и представляет собой эту базовую модель с объединённым LoRA-адаптером в 4-битном формате MLX; отдельный адаптер при инференсе не требуется. Она работает с текстом и кодом, а в README отдельно отмечена специализация на cybersecurity и security code review. Для обучения использовано 367 трасс рассуждений, примерно 44% которых относятся к корректно защищённому коду, выглядящему опасным. На пяти специально подобранных примерах Ginko правильно классифицировала 4 из 5 случаев против 1 из 5 у исходной модели, однако авторы подчёркивают, что такой набор слишком мал для оценки общей точности. Средняя длина ответа также ниже, чем у базовой модели. Сильная сторона модели — снижение числа ложных срабатываний на коде с реальными защитными механизмами: проверками путей, loopback-ограничениями, pinned TLS и безопасными сравнениями. Ограничения — узкая специализация, способность выдавать только одну найденную проблему и отсутствие данных о размере контекстного окна, поддерживаемых языках программирования и общей точности на широких тестах. Модель распространяется по лицензии Apache-2.0.

OpenCoder-1.5B-Instruct — диалоговая модель для работы с кодом из семейства OpenCoder, разработанного командой OpenCoder. Она основана на плотной архитектуре Llama и дообучена методом supervised fine-tuning на двух этапах на примерах OpenCoder. Модель содержит 1,7 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации кода по запросу на естественном языке, ответов на вопросы о программировании и помощи в решении задач на код. Семейство OpenCoder поддерживает английский и китайский языки; в карточке этой версии указаны те же языки. В README приведены результаты на HumanEval(+), MBPP(+) и BigCodeBench. Модель опубликована в формате safetensors для Transformers. Лицензия указана как «other», поэтому условия использования следует уточнить в файлах лицензии репозитория. README описывает открытые данные и процесс обучения семейства, но не приводит подробных ограничений конкретно этой версии.

Mungert/Phi-4-mini-reasoning-GGUF — набор GGUF-квантованных вариантов модели Phi-4-mini-instruct-reasoning, опубликованный пользователем или организацией Mungert; базовая модель разработана Microsoft. Модель предназначена для генерации текста с акцентом на рассуждения, решение математических задач и программирование. В карточке указаны английский язык, библиотека Transformers и задача text generation. Файлы созданы с использованием llama.cpp, commit 19e899c. Основное преимущество набора — возможность запускать модель в условиях ограниченной GPU-памяти, на CPU и edge-устройствах за счёт квантования, включая сверхнизкобитные варианты IQ1 и IQ2. Описанный подход IQ-DynamicGate распределяет точность по слоям и защищает эмбеддинги и выходные слои; приведённые результаты относятся к отдельному тестированию на Llama-3-8B и не подтверждают показатели именно этой модели. К ограничениям относятся потенциальная потеря точности у низкобитных вариантов и зависимость производительности от поддержки форматов и аппаратного ускорения. Размер модели, архитектура, фактическое контекстное окно, полный набор языков и точные характеристики вариантов Phi-4-mini в README не указаны. Лицензия указана как MIT.

Phind-CodeLlama-34B-Python-v1 — языковая модель для генерации кода, разработанная Phind на основе CodeLlama-34B-Python. Модель с плотной архитектурой Llama содержит 33,5 млрд параметров и рассчитана на контекст до 16 384 токенов. Она дообучена на внутреннем наборе примерно из 80 тысяч высококачественных задач по программированию и решений в формате «инструкция — ответ»; обучение проводилось в течение двух эпох без LoRA. Модель предназначена для ответов на задачи по программированию и генерации решений на Python. В README сообщается результат 69,5% pass@1 на HumanEval. Модель частично настроена на следование инструкциям, но не оптимизирована для диалогового чата. Доступны веса PyTorch для Transformers; лицензия указана как llama2. Разработчик предупреждает, что модель прошла ограниченное тестирование и нуждается в дополнительной проверке безопасности перед практическим развёртыванием.

PLBART-base — базовая предварительно обученная модель UCLA NLP для совместного понимания и генерации кода и связанного с ним естественного языка. Это encoder-decoder Transformer семейства BART, обученный восстанавливать исходные последовательности после внесения шума; метаданные репозитория указывают 95 млн параметров и контекст до 1024 токенов. В исследовательской статье описано обучение на Java, Python и английских текстах из Stack Overflow; модель рассчитана на последующую настройку для задач разработки ПО, включая создание кратких описаний кода, генерацию и перевод кода, исправление программ и классификацию. Для применения к конкретной задаче обычно требуется дообучение: репозиторий представляет базовый чекпойнт, а не готовую специализированную систему. Архитектура принимает и генерирует текстовые последовательности, включая код. Карточка Hugging Face не содержит подтверждённых сведений о лицензии, поэтому условия использования по доступным источникам установить нельзя. В статье отмечено, что для обнаружения уязвимостей графовые модели в проведённых сравнениях показывали лучшие результаты.

Poseidon-Reasoning-1.7B — компактная языковая модель для генерации текста, дообученная prithivMLmods на Qwen/Qwen3-1.7B. Для обучения использована выборка из первых 70 тысяч записей датасета Poseidon-Reasoning-5M. Модель предназначена для математических, научных и связанных с программированием рассуждений, решения задач и выполнения инструкций. Модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов. Она принимает текст и может выдавать объяснения и структурированные ответы, включая Markdown, Python, LaTeX и таблицы. Карточка заявляет многоязычные возможности базовой Qwen3; метаданные карточки указывают английский язык. Лицензия — Apache-2.0. Модель рассчитана на задачи с чёткой постановкой и умеренной сложностью: помощь в математике и естественных науках, пошаговое решение задач и написание кода с ограничениями. Она не предназначена для широкой непринуждённой беседы и может уступать в творческом письме, эмоциональных ответах и неструктурированных спекулятивных рассуждениях.

Qwen2.5-Coder-1.5B-Instruct-abliterated-GGUF — это набор GGUF-квантизаций инструкционной модели Qwen2.5-Coder-1.5B-Instruct-abliterated. Исходную модель разработала huihui-ai, а квантизации подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего для задач, связанных с программированием, и запуска через llama.cpp или LM Studio. Доступны варианты от F16 до низкобитных квантизаций Q3 и IQ3 с размером файлов примерно от 1 до 3,56 ГБ. Указан английский язык; сведения о других языках, архитектуре, длине контекста и поддержке мультимодальности в README отсутствуют. Более точные варианты Q6 и Q5 позиционируются как высококачественные, а Q4_K_M — как сбалансированный вариант для большинства сценариев; низкобитные версии экономят оперативную память, но могут снижать качество. Отдельные Q4-варианты оптимизированы для ARM и требуют соответствующей поддержки инструкций. Модель распространяется по лицензии Apache-2.0. В README также указано, что вариант является abliterated и uncensored, поэтому ограничения исходной модели в отношении отказов могут отличаться; конкретные характеристики безопасности и результаты оценки не приведены.

Nsnshs/qwen2.5-coder-uncensored — дообученная разговорная модель генерации текста на архитектуре Qwen2, основанная на unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit. Разработчик указывает, что обучение проводилось с использованием Unsloth и библиотеки TRL; в репозитории представлены веса Safetensors. Модель предназначена для диалоговой генерации текста и может применяться к задачам, характерным для базовой серии Qwen2.5-Coder, включая помощь с программированием. Она содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и имеет интерфейс вызова инструментов. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0. Карточка не описывает конкретные данные дообучения, качество на задачах программирования или значение пометки «uncensored», поэтому эти свойства нельзя оценить по доступным сведениям.

Qwen3.5-2B-Claude-4.6-Opus-Reasoning-Distilled — языковая модель для генерации текста и задач, требующих многошагового рассуждения. Она разработана на базе плотной архитектуры Qwen3.5-2B и дообучена с помощью Supervised Fine-Tuning (SFT) и LoRA на дистиллированных траекториях рассуждений, преимущественно полученных из взаимодействий с Claude 4.6 Opus. Дополнительные данные от Qwen3.5-27B и набора Qwen3.5-reasoning-700x расширяют покрытие научных, математических и инструкционных задач. Модель предназначена для офлайн-аналитики, программирования, математики, решения сложных логических задач и сценариев, где полезно структурированное пошаговое рассуждение. Обучение ориентировано на формат с блоком <think> перед итоговым ответом и на более последовательное планирование решения. Поддерживается контекст до 16 384 токенов. В README указан английский язык; сведения о других языках и дополнительных модальностях отсутствуют. К сильным сторонам относятся компактный размер 2B параметров, структурированное рассуждение и сниженная избыточность переходов при решении простых запросов. Модель сохраняет риск галлюцинаций и не гарантирует достоверность внешних фактов. Это тестовая версия, предназначенная для обучения, демонстрации, академических исследований и технических экспериментов, а не для критически важных применений. Лицензия — Apache-2.0.

Replete-Coder-Qwen2-1.5B-GGUF — квантованная GGUF-версия модели Replete-Coder-Qwen-1.5b, разработанной Replete-AI на базе Qwen/Qwen2-1.5B. Квантование выполнил bartowski с использованием llama.cpp и метода imatrix; доступны варианты с различными уровнями квантования, включая Q8_0, Q6_K и Q5_K_M. Модель предназначена для генерации текста и решения задач программирования: написания и объяснения кода, следования инструкциям, работы с математическими задачами, вызова функций и ответов в формате диалога. Обучение проводилось на наборах данных с примерами кода, инструкций, математических задач, диалогов, function calling и анализа уязвимостей. Поддерживается специальный шаблон prompt в формате ChatML. Точная длина контекста и перечень языков программирования в README не указаны. Ключевое преимущество модели — небольшой размер около 1,5 млрд параметров и возможность локального запуска через llama.cpp в разных вариантах квантования. Более высокие разрядности ориентированы на максимальное сохранение качества, а Q6_K и Q5_K_M отмечены как рекомендуемые. Ограничениями являются небольшой размер по сравнению с крупными кодовыми моделями, отсутствие опубликованных численных результатов тестирования и неполные сведения о поддерживаемых языках и контексте. Модель распространяется по лицензии Apache-2.0.

SOCO-Java-CodeBERTa-MNRL-Triplets — модель Sentence Transformers, дообученная buelfhood на huggingface/CodeBERTa-small-v1 на наборе soco_train_java. Она использует архитектуру RoBERTa с усреднением токенных представлений и преобразует текст в плотные векторы размерности 768; сходство обычно оценивают косинусной мерой. Модель рассчитана на последовательности длиной до 512 токенов, а метаданные указывают контекст в 514 токенов. Модель предназначена для семантического сравнения и поиска по исходному коду Java, поиска похожих фрагментов, обнаружения перефразирований, кластеризации и извлечения признаков для классификации. Она принимает текст и возвращает векторные представления, поэтому её можно использовать как компонент поиска или ранжирования, но она сама не генерирует ответы и не выполняет классификацию без дополнительной модели или процедуры. Веса опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

buelfhood/SOCO-Java-CodeBERTa-MNRL-Triplets-BATL-EVAL-BCE — модель Sentence Transformers, разработанная на основе huggingface/CodeBERTa-small-v1 и дообученная на наборе soco_train_java. Она кодирует фрагменты текста и исходного кода в плотные векторы размерности 768; архитектура состоит из RoBERTa-трансформера и среднего пулинга токенов. Модель предназначена для семантического сравнения, поиска и группировки фрагментов Java-кода, а также поиска похожих примеров и обнаружения перефразированных описаний. Для сравнения векторов используется косинусное сходство. Модель принимает последовательности длиной до 512 токенов и возвращает эмбеддинги. Это специализированная модель для Java-кода, поэтому качество на других языках программирования и обычном тексте может отличаться. В карточке указана лицензия Apache-2.0.

Stable Code Instruct 3B — языковая модель для генерации текста и программного кода, разработанная Stability AI. Представленная версия распространяется в формате GGUF и была квантована bartowski на основе llama.cpp. Модель создана для диалоговой помощи в программировании, автодополнения кода, генерации SQL-запросов и объяснения решений. Она подходит для лёгких сценариев разработки, где важны небольшие требования к ресурсам и высокая скорость работы. Модель содержит около 3 миллиардов параметров и основана на Stable Code 3B, дополнительно обученной с использованием Direct Preference Optimization (DPO). Это causal language model с поддержкой текстового ввода и вывода; заявлен английский язык. Для взаимодействия в LM Studio рекомендуется шаблон ChatML и указанный системный промпт. В README не приведены сведения о размере контекста и полном перечне поддерживаемых языков программирования, однако приведены результаты MultiPL-E для Python, C++, Java, JavaScript, PHP и Rust: pass@1 составляет от 23,0 до 32,4, причём эти показатели не были верифицированы. Сильными сторонами модели являются специализация на коде и SQL, компактный размер, высокая потенциальная скорость и наличие инструкционного и conversational-тюнинга. Ограничения включают сравнительно небольшой размер, что может снижать качество на сложных задачах, а также непроверенные опубликованные метрики. Модель предназначена прежде всего для локального использования и лёгких задач программирования. В карточке указана лицензия other; конкретные условия лицензии не раскрыты.

Это экспериментальный чекпойнт модели Qwen3-Coder-30B-A3B-Instruct, дообученный командой TaskTrove методом GRPO в эксперименте X10b. Обучение проводилось на датасете DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; конфигурация включала FSDP2 и FlashAttention 2. Из заявленных характеристик базовой модели следует поддержка контекста до 262 144 токенов. Чекпойнт предназначен для генерации текста в диалоговом формате, прежде всего для задач программирования и агентных сценариев, унаследованных от базовой модели. Обучение остановили на шаге 131 из 400 после выхода награды на плато; авторы отмечают исчерпание исследования и отсутствие дальнейшего роста метрик. Репозиторий распространяется под лицензией Apache 2.0.

openhands-lm-7b-v0.1-GGUF — это квантизированная GGUF-версия языковой модели openhands-lm-7b-v0.1, разработанной all-hands и подготовленной bartowski с использованием llama.cpp. Модель предназначена для генерации текста и сценариев, связанных с агентным программированием и разработкой программного обеспечения; среди указанных данных обучения присутствует SWE-Gym. Поддерживаемый язык — английский. Модель имеет размер 7B параметров и поставляется в нескольких вариантах точности, включая BF16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K. Квантизация позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти: рекомендуемые варианты обеспечивают высокое или хорошее качество, а варианты с меньшим размером экономят ресурсы за счёт снижения качества. Доступны запуск через LM Studio, llama.cpp и другие проекты на базе llama.cpp; для работы следует использовать указанный формат промпта с ролями system, user и assistant. Сильными сторонами являются специализация на задачах программирования, агентных сценариях и возможность локального запуска в различных квантизированных конфигурациях. Ограничения включают отсутствие сведений о точной архитектуре, размере контекста, мультимодальности и результатах оценки; модель заявлена только для английского языка. Лицензия — MIT.