II.4Отладка, тестирование и качество ПО

FairyR1-32B — плотная языковая модель с архитектурой Qwen2, разработанная командой PKU-DS-LAB на базе DeepSeek-R1-Distill-Qwen-32B. Модель содержит 32 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста с рассуждениями, прежде всего для решения математических задач и написания программного кода. Разработчики обучили отдельные варианты модели для математики и программирования на отфильтрованных цепочках рассуждений, а затем объединили их с помощью ArceeFusion. В README заявлены результаты на AIME 2024/2025 и LiveCodeBench, однако они относятся к выбранным бенчмаркам и не гарантируют аналогичного качества в других областях. Карточка называет английский и китайский языки. Модель распространяется по лицензии Apache-2.0.

Fireball-MathCoder-Llama-3.1-8B-v1dpo — текстовая авторегрессионная модель семейства Llama, разработанная EpistemeAI и дообученная на EpistemeAI/MathCoder-Llama3.1-8B-cot. Модель предназначена для генерации ответов на математические задачи и запросы, связанные с программированием. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке указано дообучение с использованием Unsloth и TRL; доступен формат PyTorch. Основной указанный язык — английский. Лицензия — Apache-2.0.

Granite-3B-Code-Instruct-2K — языковая модель IBM Research, дообученная на Granite-3B-Code-Base-2K для выполнения инструкций по программированию. Модель с архитектурой Llama содержит 3,5 млрд параметров, принимает текст и использует контекст до 2048 токенов. Она предназначена для создания помощников по программированию: может отвечать на запросы о коде, помогать с решением задач и рассуждениями, а также работать с инструкциями для генерации кода. Для настройки использовались наборы данных с коммитами, примерами кода и инструкциями, математическими задачами и общими диалоговыми запросами. Обучающие данные о коммитах охватывают 92 языка программирования; это не означает поддержку 92 естественных языков. IBM указывает, что модель не рекомендуется для новых проектов и опубликована для исторических и научных целей; для новых приложений рекомендуются более современные модели Granite. Качество может снижаться на языках программирования вне обучающего распределения, а для критичных сценариев README рекомендует проверку безопасности и целевую настройку. Лицензия — Apache 2.0.

Kai-0.35B-Instruct — компактная инструктивно дообученная языковая модель NoesisLab на архитектуре LlamaForCausalLM с плотной сетью и примерно 361,8 млн параметров. Она предназначена для диалогов, рассуждений, математических задач и генерации кода; заявленная длина контекста — 8192 токена. Модель принимает текст и генерирует текст на английском языке. В карточке приведены результаты тестов ARC-Challenge, HellaSwag, PIQA и MBPP, включая показатель pass@1 на MBPP. Модель распространяется в формате safetensors по лицензии Apache-2.0. Показатели в README относятся к указанным там настройкам оценки и сами по себе не гарантируют аналогичное качество в других задачах или условиях.

mradermacher/lexi-coder-v4.4-GGUF — это набор статически квантизованных файлов модели lexi-coder-v4.4, базовая версия которой разработана reallexi. Репозиторий подготовлен mradermacher в формате GGUF для запуска модели в совместимом локальном программном обеспечении. В метаданных указан английский язык, а название указывает на специализацию исходной модели в задачах, связанных с кодом, однако подробное описание её назначения в README отсутствует. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16 объёмом примерно от 1,8 до 7,8 ГБ. Более сильное квантование обычно уменьшает требования к памяти, но может снижать качество; README отдельно отмечает Q4_K_S и Q4_K_M как быстрые рекомендуемые варианты, Q6_K как вариант очень хорошего качества, а Q8_0 — как быстрый вариант наилучшего качества. Архитектура, число параметров, размер контекста, поддерживаемые модальности и точные языковые возможности не указаны. Модель подходит для локального инференса в приложениях, поддерживающих GGUF, при выборе компромисса между размером файла, скоростью и качеством. Для weighted/imatrix-квантований приведена отдельная коллекция. Лицензия обозначена как other с условием inherits-base-model-and-dataset-terms, поэтому использование должно соответствовать лицензиям базовой модели и использованных наборов данных.

sasa2000/MobileLLM-R1.5-950M-heretic — текстовая авторегрессионная модель на архитектуре Llama 4 Text, основанная на facebook/MobileLLM-R1.5-950M и изменённая методом abliteration. Она предназначена для генерации ответов на математические, научные и программные задачи, включая рассуждения и написание кода на Python и C++; автор исходной MobileLLM-R1.5 — Meta, а этот вариант опубликован пользователем sasa2000. Модель содержит около 1,2 млрд параметров по метаданным каталога (в README для исходной версии указано 949 млн), принимает и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. Карточка сообщает о меньшем числе отказов в тесте, чем у исходной модели, после abliteration; это не делает её универсальным чат-ботом. Для работы нужны Transformers и совместимый tokenizer. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория; конкретные права и ограничения в предоставленных данных не раскрыты.

Модель edumunozsala/phi3-mini-4k-qlora-python-code-20k — дообученная методом QLoRA версия Phi-3 Mini-4K-Instruct от Microsoft, созданная автором репозитория на наборе инструкций по Python-коду python_code_instructions_18k_alpaca. Это плотная авторегрессионная языковая модель семейства Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов. Модель предназначена для генерации Python-кода по текстовым инструкциям и ответов на вопросы о программировании в диалоговом формате. Веса опубликованы в формате Safetensors; используется библиотека Transformers. Лицензия — Apache-2.0. Карточка описывает обучение на задачах с Python-кодом, поэтому результаты за пределами этого сценария могут быть менее надёжными.

Qwen3.8-27B-1C — специализированная SFT-адаптация базовой модели Qwen/Qwen3.8-27B для разработки на платформе 1C:Enterprise. В README автор модели явно не указан; модель ориентирована на русскоязычные задачи, также заявлена поддержка английского языка. Адаптация выполнена с использованием LoRA. Модель предназначена для помощи разработчикам 1С: анализа структуры проектов BSL и XML, навигации по метаданным и выгрузкам конфигураций, генерации, объяснения и рефакторинга кода на BSL, работы с языком запросов 1С, code review и соблюдения внутренних стандартов именования и кодирования. Она обучалась на instructional- и chat-датасетах с длинными контекстами, включающими открытые кодовые базы 1С, XML-схемы и типовые практики конфигураций. Размер модели — 27B параметров; контекстное окно наследуется от базовой Qwen3.8 и заявлено до 262K токенов. Сильная сторона модели — специализация на экосистеме 1С, BSL и XML. При этом возможны ошибки в именах объектов, путях XML и API, а качество вне домена 1С может быть ниже. Ответы не гарантируют компилируемость или регламентное соответствие и требуют проверки в конфигураторе, CI и тестах. База и производная модель распространяются по лицензии Apache-2.0, при этом необходимо учитывать лицензии исходных открытых кодовых баз, использованных в обучении.

Qwopus3.5-9B-Coder-MTP — это набор квантованных вариантов модели Jackrong/Qwopus3.5-9B-Coder, опубликованный пользователем noctrex. В модель добавлен слой MTP (Multi-Token Prediction), предназначенный для ускорения генерации. По тегам модель относится к семейству Qwen и архитектуре Qwen3.5 MoE; базовая модель имеет размер 9B параметров. README также указывает специализацию imatrix на задачах программирования. Модель предназначена прежде всего для генерации и обработки кода, включая локальный запуск через llama.cpp. По заявлению автора, на видеокарте AMD 7900 XTX с Vulkan backend скорость выросла примерно с 80 до 120 токенов в секунду, однако это результат конкретного теста и может отличаться в других условиях. Данные о поддерживаемых языках, размере контекста, точных модальностях, качестве, ограничениях и лицензии в README не указаны. Для использования требуется актуальная версия llama.cpp и загрузка выбранного варианта квантования.

Seed 2.1 Turbo — мультимодальная модель команды ByteDance Seed для программирования и длительных агентных сценариев. Она предназначена для сквозной разработки программного обеспечения и выполнения многошаговых задач. Каталог относит модель к задаче image-text-to-text, а карточка описывает понимание визуальной информации. Доступная часть карточки не раскрывает архитектуру, размер, контекст, языки или лицензию, поэтому эти характеристики здесь не приводятся. По описанию модель принимает текст и визуальную информацию и предназначена для агентных рабочих процессов; подробности о доступных инструментах и качестве выполнения задач не указаны.

STAR1-R1-Distill-7B — языковая модель, дообученная исследователями UCSC-VLAA на наборе STAR-1 из 1 000 примеров для повышения безопасности ответов моделей с многошаговыми рассуждениями. Она основана на DeepSeek-R1-Distill-Qwen-7B и использует архитектуру Qwen2; размер составляет 7,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Модель предназначена для диалоговой генерации текста и ответов с учётом принципов безопасности, сохраняя способности к рассуждению, в том числе в математике и программировании. Контекст модели — до 131 072 токенов. В README описана оценка и фильтрация обучающих примеров, однако конкретные языки, поддерживаемые моделью, не перечислены. Модель распространяется по лицензии Apache-2.0. Улучшения безопасности заявлены по результатам бенчмарков, но их величина и устойчивость в разных сценариях требуют проверки; дообучение на 1 000 примерах не гарантирует безошибочную обработку небезопасных запросов.

Экспериментальный чекпойнт языковой модели Qwen3-4B, дообученный компанией agurung с помощью обучения с подкреплением OpenRLHF и алгоритма GRPO. Обучение проводилось непосредственно от Qwen/Qwen3-4B-Instruct-2507 без предварительной SFT-настройки: на задачах программирования модель получала бинарную награду за прохождение тестов сгенерированной программой. Чекпойнт сохранён на шаге 12; в рамках этого запуска он показал лучший результат по pass@8, однако численные метрики оценки в журнале обучения отсутствуют. Модель предназначена для генерации кода и решения задач программирования, особенно сложных задач, которые исходная модель решала не более чем в 2 случаях из 64. Использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. В README не перечислены поддерживаемые естественные языки. Это ранний экспериментальный чекпойнт, а сведения о лицензии не приведены в доступных данных.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный методом GRPO с помощью OpenRLHF непосредственно на базовой модели без предварительного SFT. Чекпойнт сохранён на шаге 72; он показал лучший в этом запуске результат pass@8 на отложенных задачах по программированию: 8,5543. Обучение использовало бинарную награду за прохождение тестов сгенерированным кодом и штрафы за усечение длинных ответов. Модель предназначена для генерации кода и решения задач программирования, особенно задач, сложных для исходной модели. Она принимает текстовые запросы и генерирует текст, включая программы. Архитектура — плотная Qwen3, около 3,7 млрд параметров; контекст — до 262 144 токенов. В карточке описаны оценки на конкретном наборе задач, но они не гарантируют сопоставимого качества на других языках программирования и сценариях. Лицензия в предоставленных данных не указана.

llmfan46/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-uncensored-heretic-GGUF — это GGUF-квантизации текстовой генеративной модели на базе llmfan46/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-uncensored-heretic. Модель разработана независимым автором llmfan46 и предназначена для задач программирования, агентного взаимодействия, работы с терминалом, использования инструментов, рассуждений и генерации текста. В README также указано, что она основана на Gemma 4 с размером 12 млрд параметров. Это декензурированная версия исходной модели yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF, обработанная с помощью Heretic 1.4.0 и варианта метода Magnitude-Preserving Orthogonal Ablation. Изменения затрагивают компоненты attn.o_proj и mlp.down_proj. По приведённым данным, частота отказов снизилась с 99 до 13 отказов из 100 при KL-дивергенции 0,0367; для исходной модели указана точность MMLU 71,56%, однако отдельные результаты именно этой версии не приведены. Модель может быть полезна для локального запуска сценариев, связанных с кодом, терминальными командами и вызовом инструментов, но README не содержит сведений о поддерживаемых языках, длине контекста, конкретной архитектуре GGUF-квантизаций, системных требованиях или совместимых рантаймах. Декензурирование означает сниженный уровень отказов и может сопровождаться дополнительными рисками безопасности и менее предсказуемым поведением, поэтому результаты требуют проверки. Лицензия — Apache-2.0.

ressl выпустил uncensored-сборку Gemma 4 31B IT — мультимодальную инструкционно-настроенную модель Google, изменённую на уровне весов так, чтобы снизить отказы на запросы. README сообщает о 0 эффективных отказов на 686 промптах из четырёх наборов данных; это результат проверки отказов, а не полноценная оценка качества модели. Модель предназначена для диалогов и анализа изображений, а автор отдельно описывает сценарии исследований безопасности: анализ вредоносного кода и эксплойтов, поиск уязвимостей, подготовка правил обнаружения и red teaming. Архитектура — плотная Gemma 4; размер базовой модели — 30,7 млрд параметров. Метаданные указывают английский и немецкий языки. README сообщает о проверках в Transformers, vLLM и SGLang; контекст запуска в примере ограничен 8192 токенами. Сборка может отвечать на запросы, которые исходная модель отклоняет, поэтому требует осмотрительного применения. Автор отмечает, что проводил лишь базовые проверки связности и не запускал полный набор бенчмарков возможностей. Лицензия — Apache-2.0.

Hemlock-Jan-code-4B-i1-GGUF — это GGUF-квантизированная версия языковой модели Hemlock-Jan-code-4B, разработанной nbeerbower и дополнительно квантизированной mradermacher. Модель обучалась с применением supervised fine-tuning на наборе данных hemlang/Hemlock-SFT и предназначена для генерации текста, прежде всего для задач, связанных с программированием и обработкой англоязычных запросов. Модель имеет заявленный размер около 4 млрд параметров и поддерживает текстовую модальность. В репозитории представлены варианты квантизации i1 с разными форматами и размерами файлов — примерно от 1,3 до 3,7 ГБ, включая IQ и Q-варианты. Это позволяет выбирать между скоростью, требованиями к памяти и качеством, причём автор рекомендует i1-Q4_K_M как быстрый вариант и отмечает i1-Q4_K_S как сбалансированный по размеру, скорости и качеству. К сильным сторонам относятся компактность, возможность локального запуска на ограниченных ресурсах и наличие множества уровней квантизации. Ограничения включают потенциальное снижение качества у наиболее агрессивно сжатых вариантов, отсутствие в README сведений об архитектуре, размере контекста, точных возможностях программирования и результатах benchmark-тестов. Лицензия модели в предоставленных данных не указана.

Это GGUF-квантизации языковой модели Qwen3.5-4B-Neo, разработанной Jackrong и подготовленной quantized_by bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на генерацию текста и задач с рассуждениями, включая competitive programming; в метаданных также указаны LoRA, chain-of-thought и unsloth. Для запуска подходят llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые приложения. Модель имеет около 4 миллиардов параметров и распространяется в вариантах от BF16 до 3-битных и 4-битных квантизаций. Размер файлов составляет примерно от 2,33 до 8,42 ГБ; варианты различаются балансом между качеством и потреблением памяти. Для отдельных конфигураций заявлены высокое или близкое к исходному качество, а низкобитные варианты предназначены для систем с ограниченным объёмом RAM. В метаданных указаны языки English, Chinese и Korean; контекстное окно и точные архитектурные характеристики не приведены. README описывает текстовую модель, хотя pipeline_tag обозначен как image-text-to-text, поэтому возможности обработки изображений по представленным данным подтвердить нельзя. Модель может использоваться локально для генерации текста, решения задач программирования и экспериментов с reasoning-моделями. Ограничениями являются зависимость качества от выбранного уровня квантизации, отсутствие сведений о контекстном окне и подробных результатах оценки, а также возможная необходимость обновления программ для поддержки новой архитектуры. Указанная лицензия — Apache-2.0.

RemySkye/KAT-Coder-V2.5-Dev-GGUF — это набор GGUF-квантизаций модели KAT-Coder-V2.5-Dev, разработанной Kwaipilot и подготовленной для использования с llama.cpp пользователем RemySkye. Модель предназначена для генерации кода и агентских сценариев программирования, включая работу с инструментами и автоматизацию задач разработки, однако подробные сведения о возможностях исходной модели в представленном README отсутствуют. Доступны варианты от BF16 размером 64,61 GiB до квантизаций Q2_K размером 12,05 GiB, а также форматы Q3, Q4, Q5, Q6 и Q8. Квантизация позволяет выбирать компромисс между требованиями к памяти и сохранением качества, но более компактные варианты могут уступать полноразмерной версии. Модель относится к архитектуре mixture-of-experts; также заявлены поддержка текстовой генерации и кодовых задач. Языки, размер исходной модели, контекстное окно и модальности в README не указаны. Распространяется по лицензии Apache-2.0. Ограничения и условия использования, кроме лицензии, должны уточняться в документации исходной модели Kwaipilot/KAT-Coder-V2.5-Dev.

Kimi-K3-REAP73-zh-code-MLX-mxfp4-q8 — это сильно прореженная и преобразованная в формат MLX версия Kimi-K3, разработанного Moonshot AI. Модель предназначена для генерации текста, прежде всего для работы с китайским языком и программным кодом, на компьютерах Apple Silicon с большим объёмом unified memory. Она рассчитана на загрузку на машине с 512 ГБ памяти и занимает около 451 ГБ. В основе лежит нативная мультимодальная MoE-архитектура Kimi-K3 с Kimi Delta Attention, Attention Residuals и контекстом до 1 млн токенов. Исходная модель содержит 2,78 трлн параметров, из которых 104 млрд активны при обработке токена. В данной версии сохранены 242 из 896 экспертов в каждом из 92 MoE-слоёв, всего около 793 млрд параметров. Используется MXFP4; для сохранённых экспертных весов заявлена побитно точная копия исходного представления, тогда как основная потеря качества связана с удалением экспертов. Скорость генерации на M3 Ultra с 512 ГБ памяти составляет около 5,51 токена в секунду. Главное преимущество модели — возможность запускать Kimi-K3 на одной мощной машине Apple Silicon при сохранении хорошей структурной корректности генерации кода и относительно сильной работе с китайским языком. Это агрессивное прореживание, поэтому качество заметно ниже полной Kimi-K3: возможны уход в списки или продолжение в стиле исходного файла, повторения и циклы. Японский, корейский, русский, арабский, немецкий, французский и испанский языки деградируют сильнее; для них рекомендуется смешанная версия модели. Лицензия указана как other с именем kimi-k3.

Merge-Mistral-Prometheus-7B — объединённая модель Vicgalle на основе prometheus-eval/prometheus-7b-v2.0 и 4bit/Mistral-7B-Instruct-v0.1. Модель построена на плотной архитектуре Mistral, содержит 7,1 млрд параметров и предназначена для диалоговой генерации текста; доступный контекст составляет до 32 768 токенов. Модель-судья Prometheus в составе объединения рассчитана на оценку ответов LLM по заданным критериям и попарное ранжирование. Лицензия — Apache 2.0. В README указан линейный метод слияния и формат bfloat16; в метаданных репозитория указаны файлы safetensors.

Negentropy-claude-opus-4.7-9B — экспериментальная модель рассуждений на 9 млрд параметров от Jackrong, созданная при участии Kyle Hessling. Она основана на Qwen3.5-9B, дообученной с помощью Unsloth на реконструированных цепочках рассуждений: авторы описывают метод Trace Inversion, который восстанавливает промежуточные шаги из кратких сводок рассуждений Claude Opus 4.7. Модель предназначена для сложных логических задач, математики, программирования, многошагового следования инструкциям и генерации данных с цепочками рассуждений для более компактных моделей. В метаданных указаны возможности чата и анализа изображений; README преимущественно описывает текстовые сценарии. Поддерживаемые языки по метаданным — английский, китайский, корейский, японский и русский. Модель распространяется под лицензией Apache-2.0. README предупреждает о более низкой скорости по сравнению с версией 4B, потребности примерно в 8–12 ГБ видеопамяти в зависимости от квантизации и возможности фактических ошибок при убедительно выглядящих рассуждениях.

Opir-edge-multilang-v1.0 — мультиязычная модель Knowledgator для быстрой классификации безопасности текста. Она построена на архитектуре GLiClass с двунаправленным энкодером: модель совместно кодирует входной текст и набор кандидатных меток и оценивает их соответствие, не генерируя ответ токен за токеном. Основной сценарий — бинарная маршрутизация safe/unsafe; при работе GLiClass также принимает метки, заданные во время выполнения. Модель предназначена для предварительной модерации входов и ответов LLM, маршрутизации рискованных случаев к дополнительным проверкам и офлайн-анализа журналов модерации. Заявленная область обучения охватывает 23 языка; метки для межъязыковой классификации могут оставаться на английском. В тестовой конфигурации карточки указана задержка 15,60 мс на 50-м перцентиле и 15,69 мс на 95-м при длине 1024 токена. Модель использует таксономию безопасности Opir из 996 меток и включает безопасные примеры, призванные снизить ложные срабатывания на допустимом тексте о безопасности. Она выдаёт оценки риска, а не окончательные решения: возможны пропуски новых jailbreak-атак, замаскированных запросов и межъязыковых или специфичных для политики случаев; качество порогов зависит от данных и формата входа. Для применения указана лицензия Apache-2.0.

canoplos/Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-soft_gilded_alligator — опубликованный сообществом чекпойнт семейства Qwen2.5-Coder с инструкционной настройкой; карточка репозитория автоматически сгенерирована и не описывает отдельный процесс обучения или оценку качества. По названию и архитектуре это компактная плотная языковая модель Qwen2 для генерации текста, ориентированная прежде всего на помощь с кодом и диалоговое выполнение инструкций. Метаданные указывают около 494 млн параметров, архитектуру Qwen2ForCausalLM, библиотеку Transformers, формат Safetensors, задачу text-generation и контекст до 32 768 токенов. Карточка официального Qwen2.5-Coder-0.5B-Instruct описывает 0,49 млрд параметров, 24 слоя и поддержку контекста 32 768 токенов; семейство предназначено для генерации, рассуждения и исправления кода, а также для сценариев кодовых ассистентов. Эти сведения относятся к официальной модели-основе и не подтверждают идентичность весов или качество данного Gensyn-чекпойнта. Официальная карточка модели-основы указывает лицензию Apache-2.0; лицензию конкретного репозитория canoplos установить по доступным данным нельзя. Малый размер делает модель компактной, но не гарантирует надёжности сложных ответов; отдельные оценки и ограничения производного чекпойнта не опубликованы.

Shellminator — дообученная модель ISB369 на базе Qwen2.5-Coder-0.5B-Instruct, разработанная для преобразования запросов на естественном языке в одну команду Bash. Модель ориентирована на Linux-сценарии, включая работу с файлами, каталогами, системной информацией и другими типичными операциями командной строки. Она доступна в формате safetensors и в варианте Q4_K_M GGUF для запуска через llama.cpp или Ollama, в том числе на CPU. Модель содержит около 0,5 млрд параметров и поддерживает английский язык. Она обучалась методом SFT на 105 тысячах строк, а затем была улучшена с помощью DPO self-play на 804 парах, проверенных фактическим выполнением команд в изолированных окружениях. В тесте IBM nl2bash-eabench bash_1 модель достигла 78% точности выполнения при однократной жадной генерации без повторных попыток и самокоррекции, что на 6 процентных пунктов выше её SFT-базы. Основное ограничение — генерация только одной команды: модель не предназначена для многострочных скриптов, heredoc или самостоятельного построения сложных цепочек без внешнего цикла уточнения. Остаточные ошибки отмечены для некоторых вариантов sed, comm/diff и mv, а также для команд, зависящих от особенностей окружения. Обучение и оценивание проводились на Linux x86_64 с типовыми тестовыми фикстурами, поэтому команды для экзотических файловых систем и нестандартных точек монтирования могут быть ненадёжны. Модель распространяется по лицензии Apache-2.0.

Это модель Sentence Transformers на базе CodeBERTa-small-v1, дообученная buelfhood на примерах Java-кода из набора SOCO_TRAIN_java. Архитектура включает RoBERTa-трансформер с усреднением токенных представлений; модель кодирует входной текст в плотный вектор размерности 768. Максимальная длина последовательности — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель предназначена для поиска семантически близких фрагментов кода и сравнения Java-примеров. Её можно применять для семантического поиска по коду, поиска дубликатов и похожих реализаций, кластеризации и извлечения эмбеддингов для последующей классификации. Обучение использовало тройки anchor, positive и negative с CachedMultipleNegativesRankingLoss. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Sentence Transformers. Контекст ограничен 512 токенами; модель обучалась на Java-коде, поэтому качество на других языках программирования и обычном тексте может быть ниже или не оценивалось. Лицензия в предоставленных данных не указана.

StarChat Alpha — языковая модель для диалогового взаимодействия и помощи с программированием, разработанная Hugging Face H4. Это первая альфа-версия семейства StarChat, дообученная на базе bigcode/starcoderbase на сме́си наборов OpenAssistant/oasst1 и databricks/databricks-dolly-15k. Модель имеет архитектуру GPTBigCodeForCausalLM, содержит 16 млрд параметров и принимает текст, генерируя текст; длина контекста — 8192 токена. В карточке заявлена поддержка английского языка. Модель подходит для ответов на вопросы о программировании, генерации и обсуждения кода, а также для изучения возможностей открытых языковых моделей в программировании. Это ранний выпуск без выравнивания с предпочтениями людей посредством RLHF. Модель может выдавать токсичный или иной проблемный контент, ошибочный либо небезопасный код и вымышленные URL, поэтому результаты требуют проверки. Лицензия — BigCode Open RAIL-M v1.

Clary 2 Cyber Flash 1.7B — компактная языковая модель Aurora System на архитектуре Qwen3, дообученная для задач кибербезопасности и программирования. Она предназначена для локального использования на рабочих станциях и ноутбуках: помогает разбирать CTF-задачи, анализировать код и уязвимости, выполнять прикладные криптографические вычисления и создавать вспомогательные скрипты. Модель содержит 1,7 млрд параметров, поддерживает контекст до 40 960 токенов по метаданным; в README для обучения и примера запуска указано окно 8 192 токена. Веса доступны в Safetensors, а README также упоминает GGUF для запуска на CPU и мобильных устройствах. Модель работает с русским и английским языками и поддерживает диалоговую генерацию текста и кода. В README описаны сценарии анализа SQL-инъекций, JWT, XSS, CSRF, ошибок контроля доступа, простых функций x86_64 и криптографических задач. Модель может ошибаться в выводах и сгенерированном коде; результаты проверки безопасности требуют экспертной верификации. Лицензия — Apache-2.0. README представляет модель как предназначенную для исследовательских и образовательных задач, а также помощи специалистам по защите систем.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный методом обучения с подкреплением GRPO в OpenRLHF. Обучение напрямую начато с базовой модели без предварительной SFT-настройки; чекпойнт сохранён на шаге 24. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 262 144 токенов. Чекпойнт предназначен для генерации кода и решения задач программирования: обучение и проверка ориентированы на сложные задачи из набора cobalt-train, а сигнал вознаграждения основан на прохождении тестов сгенерированной программой. В указанном запуске он показал pass@1 0,2794 и pass@8 1,8061 на отложенной выборке; эти результаты относятся к конкретному протоколу оценки и не гарантируют качество на других задачах. Модель принимает текстовые запросы и выдаёт текст, включая код. Файлы опубликованы в формате safetensors; лицензия в предоставленных сведениях не указана.

DNA-R1 — языковая модель для рассуждений на корейском языке, разработанная компанией Dnotitia на основе Microsoft Phi-4. Модель содержит 14,1 млрд параметров, использует плотную архитектуру Phi3ForCausalLM и принимает текст для генерации текста; заявленная длина контекста — 16 384 токена. Модель дообучена в несколько этапов: на корейских текстовых данных, примерах рассуждений на корейском и английском языках, а затем с помощью обучения с подкреплением GRPO. Она предназначена для диалогов, многошагового решения математических задач, рассуждений, программирования и самопроверки; основной упор сделан на корейский язык, также поддерживается английский. Модель распространяется по лицензии CC BY-NC 4.0. README сообщает, что коммерческое использование возможно после согласования с разработчиком; перед таким использованием следует уточнить условия у Dnotitia.

DualBigLittle-MoE-Qwen3-0.6b — экспериментальная модель генерации текста от автора aifeifei798, построенная на базе Qwen3-0.6B. По карточке, архитектура сочетает замороженную языковую основу, специализированную STEM-копию MLP и маршрутизируемые LoRA-микроэксперты; заявленное число параметров — 507,9 млн. Модель предназначена для диалогов и генерации текста, с упором на код, алгоритмы, математику и символическую логику при сохранении общих разговорных и литературных навыков. Карточка описывает загрузку части экспертов из оперативной памяти через PCIe с двойной буферизацией и приводит оценки на профильных наборах, однако эти результаты являются заявлениями автора и не подтверждают качество на широком круге задач. Метаданные указывают контекст 40 960 токенов, библиотеку Transformers и формат safetensors. Модель поддерживает текстовый ввод и выдаёт текст; указание на Qwen3 предполагает прежде всего китайский и английский языки, но языковые теги в метаданных отсутствуют. Лицензия — Apache-2.0.