II.4Отладка, тестирование и качество ПО

Qwen2.5-Coder-0.5B-Instruct-4bit — компактная инструкционно настроенная модель для генерации текста и работы с программным кодом. Модель создана сообществом mlx-community путём конвертации Qwen/Qwen2.5-Coder-0.5B-Instruct в формат MLX с использованием mlx-lm 0.19.3. Модель предназначена для задач программирования, генерации и продолжения кода, а также диалоговых сценариев. Она поддерживает текстовую модальность и указана для английского языка. Размер базовой модели составляет 0,5 млрд параметров, а 4-bit-квантизация снижает требования к памяти, что делает её подходящей для локального запуска в экосистеме MLX через библиотеку mlx-lm. К сильным сторонам относятся компактность, экономичность по памяти и специализация на коде. Ограничения связаны с небольшим размером модели: по сравнению с более крупными моделями она может уступать им в качестве рассуждений, точности генерации и работе со сложными программными задачами. В README не указаны архитектура, размер контекста и дополнительные языки. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-0.5B-Q8_0-GGUF — это версия модели Qwen2.5-Coder-0.5B, преобразованная в формат GGUF проектом ggml-org с использованием llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и работы с программным кодом; в карточке указаны теги code и qwen, а заявленный язык — английский. Модель содержит около 0,5 млрд параметров и использует 8-битную квантизацию Q8_0, что делает её подходящей для локального запуска при ограниченных вычислительных ресурсах. Поддерживается работа через llama.cpp в режиме CLI или сервера; в примере запуска указан контекст размером 2048 токенов. Сведения об архитектуре, мультимодальности и точном наборе поддерживаемых языков, кроме английского, в карточке отсутствуют. Компактный размер и формат GGUF являются сильными сторонами для локального развёртывания, однако по сравнению с более крупными моделями модель, вероятно, имеет более ограниченные возможности при сложной генерации кода и рассуждениях. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-bughunter-v7-MLX-VLM-4bit — мультимодальная модель на базе orcarouter/Qwen3.8-27B-Uncensored, подготовленная mmp2055 в формате MLX safetensors с 4-битным квантованием. Версия оптимизирована для Apple Silicon и использует MLX/Metal; в состав включены текстовая модель, vision tower и projector. Модель имеет около 27 млрд параметров, поддерживает текст и изображения, а заявленные языки — английский и испанский. Модель предназначена прежде всего для задач bug bounty, offensive и defensive security, пентестинга, исследования уязвимостей, threat hunting, DFIR, анализа сетевого трафика и подготовки отчётов. Она обучена работать с широким спектром веб-, API-, мобильных, серверных и бизнес-логических уязвимостей, а также с практиками реагирования на инциденты и управления уязвимостями. Vision-возможности позволяют анализировать скриншоты WAF, Burp Suite, архитектурных схем, административных панелей и фрагментов кода, однако визуальная часть унаследована от базовой модели и не дообучалась специально на материалах по безопасности. Ключевое преимущество — специализированная настройка под сценарии поиска и анализа уязвимостей при сохранении мультимодальности. Сборка рассчитана на macOS с процессорами Apple M1–M5; на Apple M5 с 32 ГБ unified memory заявлены около 16 ГБ пиковой памяти и 6–9 токенов в секунду при контексте 32k, а обработка изображения добавляет примерно 2–5 секунд на первом проходе. Для Linux, Windows и Intel Mac рекомендуется GGUF-версия. Ограничения включают высокие требования к памяти, зависимость MLX-сборки от Apple Silicon и отсутствие специализированного дообучения vision-компонента. Лицензия — Apache-2.0.

Qwen3-Coder-30B-A3B-Audit — модель для первичного аудита безопасности смарт-контрактов на Solidity, созданная дообучением Qwen/Qwen3-Coder-30B-A3B-Instruct командой, указанной в идентификаторе репозитория как qtum. Она анализирует фрагмент функции и возвращает JSON-массив найденных уязвимостей с уровнем критичности, категорией, функцией, диапазоном строк и кратким объяснением либо пустой массив, если проблем не обнаружено. Модель использует архитектуру Qwen3 MoE: в README указаны 30 млрд общих и около 3 млрд активных параметров, а метаданные каталога содержат оценку 2,6 млрд параметров. Она рассчитана на работу с инструкциями и длинным контекстом до 262 144 токенов по метаданным, хотя в README для запуска рекомендуется ограничение 16 384 токена. Модель принимает текст кода и выдаёт структурированный текстовый результат. Для качества важны заданный формат системного промпта и детерминированная генерация. По результатам описанной оценки на отложенных наборах модель заметно реже выдаёт ложные срабатывания, чем базовая, но полнота обнаружения остаётся низкой. Её следует использовать как вспомогательный сигнал для сортировки и предварительного анализа, а каждую находку проверять вручную. Обучение и оценка охватывают функции Solidity, а не целые репозитории или межконтрактные графы вызовов; поддерживается только Solidity/EVM, а формат и категории результата фиксированы. Лицензия — Apache-2.0.

RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH — языковая модель для генерации текста, ориентированная на задачи кибербезопасности: пентестинг, bug bounty, red team и blue team, анализ уязвимостей и генерацию кода. Модель разработана сообществом mlx-community и является MLX-квантизированной версией модели deadbydawn101/RavenX-CyberAgent-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated от huihui-ai. По заявленным тегам она поддерживает сценарии tool calling и MCP, а также может использоваться в качестве автономного агента. Модель относится к архитектуре Mixture of Experts (MoE); в идентификаторе указана конфигурация 35B-A3B, однако подробности о числе активных параметров, контексте, мультимодальности и фактической поддержке vision в README не приведены. Основной язык — английский. Ключевая особенность данной версии — смешанно-точная квантизация MLX со средним размером 4,50 бита на вес, выполненная методом MLX Smart Quantize (MSQ) для Apple Silicon. Метод автоматически назначает разрядность по чувствительности слоёв на основе измерения NMSE; также применено AWQ-масштабирование для 50 групп. Сильными сторонами модели являются специализация на задачах безопасности, поддержка MLX и сниженные требования к памяти по сравнению с полноразмерной версией. Ограничения включают отсутствие в README количественных оценок качества, точных сведений о длине контекста, гарантированной работе инструментов и мультимодальности. Модель распространяется по лицензии Apache-2.0.

RavenX × Gemma 4 12B MTP OBLITERATED — экспериментальная модель генерации текста и диалогов, представленная как проект сообщества RavenX и дообученная на базе OBLITERATUS/Gemma-4-12B-OBLITERATED. Она использует архитектуру gemma4_unified с MTP-головами и распространяется в формате GGUF F16; заявлена также версия MLX для Apple Silicon. В карточке указаны структурированные многоэтапные рассуждения в задачах программирования, математики и анализа, а также самооценка возможностей и ограничений. Модель предназначена для исследовательских и образовательных экспериментов с диалогами, кодом, математическими задачами и аналитическими запросами. Для работы требуется применять chat template Gemma 4; без него, по карточке, вывод может быть искажён. Базовая модель лишена фильтров отказа, поэтому возможны нежелательные ответы. Карточка называет метод обучения проприетарным, а лицензию в метаданных указывает как other; подробные условия использования не приведены.

Scarlett-Llama-3-8B-v1.0 — диалоговая модель, созданная ajibawa-2023 на основе Llama 3 8B от Meta. Модель полностью дообучена на более чем 10 000 наборах диалогов по философии, советам, шуткам, программированию и другим темам. Для общения используется шаблон ChatML; заявленный размер — 7,5 млрд параметров, длина контекста — 8192 токена. Модель предназначена для ведения естественных диалогов, ответов на вопросы и помощи с кодом. Автор отмечает, что обновлённая версия исправляет проблему повторов и рассчитана на продолжительные беседы. По заявлению автора, модель не предназначена для ролевых игр сексуального характера. Вес опубликован в формате PyTorch; лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Space Bunny Alpha — анонимно представленная большая модель. В карточке заявлены сильные возможности в программировании, мультимодальный ввод и настраиваемый уровень рассуждений. Также указано контекстное окно в 1 миллион токенов. Применение модели не описано подробнее; сведения о лицензии отсутствуют.

SQLPromptShield — модель классификации текста, разработанная salmane11 на основе google-bert/bert-base-uncased и дообученная на наборе SQLShield. Она относит запросы на естественном языке для преобразования в SQL к уязвимым или безопасным. Модель предназначена для предварительной фильтрации NLQ в приложениях с интерфейсом к базам данных: она помогает выявлять потенциально вредоносные запросы до передачи их генератору SQL или базе данных. Архитектура — BERT для классификации последовательностей; в метаданных указано 136,7 млн параметров и контекст 512 токенов. При обучении использовались только тексты NLQ, с ограничением длины до 128 токенов. Указанный язык — английский. Фильтр может быть полезен как один из уровней защиты, но его метка не заменяет проверку сгенерированного SQL и защиту базы данных. Качество зависит от соответствия входных запросов данным SQLShield; сведения о лицензии в предоставленных данных отсутствуют.

Qwen/WorldPM-72B-HelpSteer2 — модель предпочтений, созданная на базе WorldPM-72B и дообученная на 7 тысячах примеров датасета HelpSteer2. Это плотная архитектура Qwen2 с 71,5 млрд параметров; она оценивает ответы языковых моделей и предназначена для сравнения их качества и релевантности. Модель выявляет намеренные ошибки, нерелевантные или неполные ответы и может использоваться для оценки ответов при обучении и проверке LLM. Модель обучена на данных о человеческих предпочтениях; README сообщает о масштабном обучении семейства WorldPM на 15 млн примеров предпочтений и отмечает лучшие результаты при оценке в объективных областях по мере увеличения размера моделей. Для субъективных оценок устойчивого улучшения с ростом модели не обнаружено: результат может зависеть от стилевых предпочтений. Контекст составляет 2048 токенов, для работы требуется Transformers версии 4.40.0 или новее. Лицензия — Apache-2.0.

DeepCoder-1.5B-Preview-GGUF — это GGUF-квантизированная версия языковой модели DeepCoder-1.5B-Preview, разработанной agentica-org и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации текста и прежде всего ориентирована на задачи программирования, включая решение проверяемых задач на написание кода. При обучении использовались наборы PrimeIntellect/verifiable-coding-problems, likaixin/TACO-verified и livecodebench/code_generation_lite. Модель содержит 1,5 млрд параметров, поддерживает английский язык и работает в текстовой модальности. Доступны варианты от BF16 до различных форматов квантования Q2–Q8 и IQ, размером примерно от 0,92 до 3,56 ГБ. Это позволяет запускать её локально, в том числе через LM Studio, llama.cpp и другие совместимые проекты; конкретное качество и требования к памяти зависят от выбранного варианта. Рекомендуемый шаблон запроса указан в README. Сильными сторонами модели являются небольшой размер, возможность локального запуска и специализация на генерации кода. Ограничениями выступают относительно малое число параметров, поддержка только английского языка и неизбежное снижение качества в более агрессивных вариантах квантования; точные характеристики контекста и архитектуры в README не указаны. Модель распространяется по лицензии MIT.

Skipti/antares-gguf-community — неофициальная общественная сборка модели Antares-1B от Cisco Systems, Inc. (Foundation AI), ориентированной на поиск файлов с вероятными уязвимостями в репозиториях кода. Модель основана на архитектуре IBM Granite 4.0 1B и использует авторегрессионный декодерный трансформер с 1,6 млрд параметров по метаданным. Она дообучена с помощью SFT и GRPO и предназначена для навигации по кодовой базе через терминальный интерфейс по идентификатору CWE и описанию уязвимости. Сборка содержит веса GGUF F16 и SafeTensors и рассчитана на запуск в llama.cpp и совместимых приложениях, включая LM Studio и Ollama. Метаданные указывают контекст до 131 072 токенов; в примере README используется размер контекста 8192. Основной язык карточки — английский. На бенчмарке VLoc Bench, состоящем из 500 заданий, оригинальная Antares-1B показала File F1 0,209. Результаты конкретной community-сборки отдельно не приведены. Модель выпущена по лицензии Apache-2.0; карточка уточняет, что это неофициальная конверсия, не связанная с Cisco и не одобренная компанией.

Это экспериментальный чекпойнт языковой модели Qwen3-4B, созданный agurung с помощью обучения с подкреплением OpenRLHF и алгоритма GRPO. Он дообучен от Qwen/Qwen3-4B-Instruct-2507 без отдельного SFT-этапа и предназначен прежде всего для генерации кода, который проходит заданные тесты. Модель оценивалась на сложных задачах из набора cobalt-train; чекпойнт на шаге 12 показал лучший в этом запуске результат по pass@8. Обучение использовало бинарную награду за корректность кода и штрафы за усечение длинных ответов. Это плотная архитектура Qwen3ForCausalLM примерно на 3,7 млрд параметров, работает через Transformers и имеет контекст до 262 144 токенов. Метрики оценки для этого чекпойнта в журнале обучения отсутствуют, поэтому преимущество по pass@8 относится только к данному экспериментальному запуску и не характеризует качество на других задачах. Лицензия в предоставленных данных не обозначена.

CyberSentinel 2.0 — диалоговая модель для генерации текста, разработанная Huynh Dac Tan Dat (dad1909) на основе Meta-Llama-3-8B-Instruct. Модель дообучена на данных dad1909/DSV о кодах программных уязвимостей и инструкционных наборах; автор также описывает версию с 4-битной квантизацией bitsandbytes. Метаданные указывают архитектуру LlamaForCausalLM, размер 7,5 млрд параметров и контекст до 131 072 токенов. Модель предназначена для диалоговых ответов и работы с запросами о программных уязвимостях и безопасности кода. В метаданных указаны английский и вьетнамский языки; поддерживается генерация текста. Репозиторий содержит веса в формате safetensors. Указанная в метаданных лицензия — Apache-2.0, однако README называет лицензию RMIT, поэтому условия распространения и использования требуют проверки.

TURKCELL разработала модель классификации текста на основе дообученной dbmdz/bert-base-turkish-128k-uncased. Она определяет, является ли предложение бессмысленным набором символов или осмысленным текстом, например распознаёт строки вроде «adssnfjnfjn». Модель подходит для проверки пользовательского ввода и фильтрации бессмысленных строк. Она основана на архитектуре BERT, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch; лицензия — MIT.

GPT-5 Nano — самая компактная и быстрая версия системы GPT-5 от OpenAI. Она предназначена для инструментов разработчика, быстрых взаимодействий и сценариев с очень низкой задержкой. Доступный фрагмент карточки характеризует её как модель с меньшей глубиной рассуждений по сравнению с более крупными вариантами GPT-5.

Holo-3.1-9B-GGUF — это локально запускаемая GGUF-версия мультимодальной vision-language модели Holo-3.1-9B, разработанной Hcompany и опубликованной в данном формате пользователем prithivMLmods. Модель предназначена для создания компьютерных агентов, работающих с браузерами, настольными и мобильными интерфейсами, а также для автоматизации пользовательских интерфейсов, UI grounding и бизнес-процессов. Модель поддерживает обработку текста и изображений, ориентирована на английский язык и имеет около 9 млрд параметров. В заявленных возможностях — native function calling для интеграции с агентскими фреймворками и выполнение действий в графических интерфейсах. Репозиторий содержит варианты квантования от Q2_K до Q8_0, а также BF16 и F16; размер файлов составляет примерно от 3,83 до 17,9 ГБ, отдельно предоставляются мультимодальные проекторы mmproj. Это позволяет выбирать компромисс между качеством, требованиями к памяти и скоростью локального запуска. Сильные стороны модели — мультимодальность, поддержка компьютерного и мобильного использования, интеграция с агентами и возможность локального развертывания с оптимизированными квантованными контрольными точками. Ограничения README не описывает подробно: не указаны длина контекста, конкретная архитектура, результаты бенчмарков, требования к оборудованию и поддерживаемые языки помимо английского. Модель распространяется по лицензии Apache-2.0.

HopCoder Mini-35B-A3B-VL36 — мультимодальная модель для работы с кодом и агентных сценариев, выпущенная Taimoor Siddiqui. Она объединяет текстовую модель с 35 млрд общих и 3 млрд активных параметров с визуальным стеком VL36. В репозитории веса не дообучались: к текстовому чекпойнту добавлены тензоры визуальной части, поэтому это объединённая модель с сохранёнными текстовыми весами и добавленной поддержкой зрения. Модель принимает текст и изображения, а также поддерживает понимание видео; предназначена для чата, анализа изображений и видео, программирования и вызова инструментов. Карточка заявляет сценарии длинного контекста, но конкретная длина не приведена. Веса BF16, формат хранения — safetensors; для запуска автор рекомендует vLLM 0.23 или новее. Лицензия — Apache-2.0. Качество визуальной части не проверялось на бенчмарках, а возможности агентного редактирования файлов ограничены: модель может анализировать код, но испытывает трудности с автономным переходом от исследования к редактированию. Формальной оценки безопасности и выравнивания не проводилось.

lastbrain — Darwin V8 — это дообученная FINAL-Bench модель на базе Qwen/Qwen3.5-2B, созданная командой FINAL-Bench / VIDRAFT_LAB. Модель с архитектурой Qwen3_5ForCausalLM и примерно 1,7 млрд параметров обучена методом SFT с LoRA и дистилляцией рассуждений по заранее подготовленным трассам Claude Opus 4.5/4.6 и Claude Sonnet 4.6. LoRA-адаптер объединён с весами базовой модели, поэтому чекпойнт можно запускать как самостоятельную модель. Модель предназначена для генерации ответов в диалоге с пошаговыми объяснениями, решения математических и логических задач и написания кода. README сообщает о 4 451 обучающих трассах из четырёх открытых наборов данных и показывает примеры структурированных ответов с Markdown и LaTeX. В метаданных указаны контекст до 262 144 токенов и языки английский, корейский, китайский и японский; при этом обучение проводилось с max_length 4 096, что ограничивает основания ожидать столь же надёжную работу на длинном контексте. Модель распространяется по лицензии Apache 2.0; для обучающих данных следует учитывать лицензии исходных наборов. Это компактная текстовая модель для сценариев, где важны объяснение хода решения и развёрнутый ответ. README предупреждает о возможных числовых ошибках при вычислениях на корейском языке и отмечает, что явные теги рассуждений используются редко.

Opir-edge — компактная модель семейства Opir от Knowledgator для классификации текста по безопасности. Она построена на GLiClass с двунаправленным энкодером Ettin-encoder-32m и предназначена прежде всего для быстрого бинарного маршрута «безопасно/небезопасно» на английском языке. Модель совместно кодирует входной текст и заданные при запуске метки-кандидаты, а затем оценивает их совместимость; она поддерживает оценивание произвольных меток, но для этой версии рекомендована бинарная классификация. Модель можно использовать для предварительной проверки запросов к LLM и её ответов, маршрутизации рискованных случаев к более строгим проверкам или специалистам, а также офлайн-анализа результатов red team и журналов модерации. В README сообщается задержка 9,25 мс на уровне p50 и 9,52 мс на p95 при длине 1024 токена в указанной конфигурации бенчмарка. Обучение связано с таксономией безопасности из 996 меток и включает примеры безвредного контента для снижения ложных срабатываний. Классификатор может пропускать новые или замаскированные jailbreak-запросы и риски, не представленные в метках; пороги из бенчмарков могут не подходить для реального трафика. Его оценки не являются формальным решением по политике безопасности и не гарантируют полной защиты, поэтому для ответственных сценариев нужны дополнительные правила, мониторинг и эскалация. Модель распространяется по лицензии Apache-2.0.

OBLITERATUS/Ornith-1.5-9B-OBLITERATED — это модифицированная версия модели Ornith-1.5-9B, разработанной DeepReinforce. Модель создана командой OBLITERATUS с применением precision abliteration surgery: из неё удалено исходное поведение отказа от потенциально вредных запросов при сохранении возможностей кодирования, рассуждений и агентных задач. Она предназначена для генерации текста, программирования, исследовательского анализа механизмов отказа и red-teaming-сценариев, где требуется более неограниченное поведение модели. Модель имеет архитектуру Qwen3.5 hybrid, объединяющую Gated DeltaNet и полное внимание, и содержит около 9 млрд параметров. Указан английский язык, поддерживается текстовая генерация и режим рассуждений; в поставке также присутствует vision encoder, однако возможности мультимодального применения явно не описаны. Доступны веса bf16 и варианты GGUF от Q8_0 до Q2_K. Для большинства сценариев рекомендуется отключать thinking mode, а для максимального сохранения свойств abliteration — использовать Q8_0 или Q6_K. По сравнению с исходной моделью версия демонстрирует более высокую готовность отвечать на ограниченные запросы и сохраняет результаты в генерации кода, однако её показатель MMLU снизился с 78,82% до 74,82%. Частично ухудшена поддержка function calling, а на низких уровнях квантования возможны дополнительные отказы или уклончивые ответы. Как модель с 9 млрд параметров, она может галлюцинировать в сложных химических и синтетических задачах, поэтому технические сведения требуют независимой проверки. Лицензия — MIT.

QaptaanLM-0.75B-Instruct-ONNX — это экспорт весов модели QaptaanLM-0.75B-Instruct в формате ONNX Runtime. Модель связана с разработчиком kaptaan45; репозиторий также содержит ссылку на GitHub-проект QaptaanLM-0.75B. Версия предназначена для локального запуска через ONNX Runtime, в том числе в браузере на стороне клиента с использованием WebGPU, а также в Node.js и кроссплатформенных настольных приложениях. Модель относится к каузальным языковым моделям с instruction-tuning и ориентирована прежде всего на генерацию текста и программного кода. В README заявлена поддержка английского языка и кода, а среди характеристик указаны совместимость с ONNX, ONNX Runtime и WebGPU, а также hybrid attention и связь с семейством Qwen/Qwen3.5. Размер модели составляет около 0,75 млрд параметров. Для работы используются токенизатор Transformers и ONNX-граф model.onnx с тензорными сегментами; запуск возможен на CPU и CUDA через соответствующие execution provider. Сильными сторонами являются небольшой размер, возможность локального и браузерного выполнения, кроссплатформенность и специализация на инструкциях и задачах программирования. README не содержит подробных результатов бенчмарков, ограничений по длине контекста, описания точной архитектуры или сведений о поддержке других модальностей, поэтому эти характеристики нельзя подтвердить. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-1.5B-Financial-Code-Engine — языковая модель, разработанная Ahmad Nawaz на основе Qwen/Qwen2.5-1.5B-Instruct. Это плотная причинная языковая модель на 1,5 млрд параметров, дообученная в два этапа: SFT с QLoRA на финансовых вопросах и данных Python, затем DPO для настройки предпочтений ответов. Модель работает с текстом, поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Модель предназначена для финансовых рассуждений и расчётной логики, генерации и отладки кода Python, форматирования JSON и извлечения сущностей для последующей обработки агентами и API. Лицензия Apache-2.0. Ответы о финансах не являются сертифицированной юридической или инвестиционной консультацией; точность рассуждений и кода следует проверять.

Ronnied1588 публикует GGUF-сборку Qwen2.5-7B-Instruct-heretic — версии Qwen2.5-7B-Instruct, обработанной методом abliteration для снижения склонности к отказам. Исходную обработку выполнил LeadFootThrottleCock с помощью Heretic v1.2.0; каталог указывает базовую модель Qwen/Qwen2.5-7B-Instruct и 7,1 млрд параметров. Архитектура — плотная причинная языковая модель Qwen2 с поддержкой диалогов и контекстом до 32 768 токенов. Модель предназначена для диалоговой генерации текста, творческого письма, ответов на вопросы, обсуждения спорных тем и программирования. В README описаны варианты GGUF от BF16 до нескольких уровней квантования, запуск через llama.cpp, LM Studio и Ollama, а также интерактивные проверки творческих, научных и кодовых задач. Карточка сообщает о низком значении KL-дивергенции относительно исходной модели и результатах проверки отказов, но это не является независимой оценкой качества. Модель ориентирована на английский язык; возможности других языков в карточке не подтверждены. Abliteration снижает поведение отказа, поэтому ответы на потенциально опасные запросы могут быть менее ограничены. Лицензия — Apache-2.0.

Модель ayan4m1/Qwen2.5-Coder-14B-E2E-Tests — дообученная версия Qwen2.5-Coder-14B-Instruct, созданная ayan4m1 на базе unsloth/Qwen2.5-Coder-14B-Instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. Это плотная авторегрессионная модель семейства Qwen2 с 14 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — 32 768 токенов. В карточке указан датасет aiqualitylab/ai-natural-language-tests, но подробности о специализации обучения и результатах оценки не приведены. Модель может применяться для генерации кода и текста, а также для экспериментов с тестами на естественном языке. Она распространяется в формате safetensors по лицензии Apache-2.0. Данные карточки не подтверждают поддержку языков, кроме английского, и не описывают ограничения качества или специальные возможности.

Yi-Coder-1.5B-GGUF — это GGUF-квантизированная версия базовой модели Yi-Coder-1.5B, разработанной компанией 01-ai. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена прежде всего для автодополнения и генерации программного кода, а не для диалогового общения; у неё нет встроенного шаблона prompt. Модель обучалась на 52 основных языках программирования и поддерживает контекст длиной до 128 тысяч токенов. В README не указаны точный размер GGUF-файлов, используемый метод или уровень квантизации, а также дополнительные модальности, поэтому её следует рассматривать как текстовую модель для работы с кодом. Длинный контекст может быть полезен при анализе и дополнении крупных исходных файлов, однако как базовая модель она может требовать корректного форматирования входных данных и не гарантирует точность, безопасность или работоспособность сгенерированного кода. Модель распространяется по лицензии Apache-2.0. LM Studio не является её разработчиком или владельцем и не гарантирует полноту, точность, безопасность или пригодность результатов. Для коммерческого и иного использования необходимо учитывать условия лицензии и самостоятельно проверять сгенерированный код.

AgentDoG 1.5 Qwen3.5 4B — модель для проверки безопасности траекторий действий ИИ-агентов, разработанная AI45Research в рамках семейства AgentDoG. Она принимает полную текстовую траекторию работы агента, включая взаимодействие с инструментами и средой, и классифицирует её как безопасную или небезопасную. Для небезопасных траекторий модель также может определять тип сбоя, возможные последствия риска и его источник. Модель построена на плотной архитектуре Qwen3.5 и содержит 4 млрд параметров. Она предназначена для классификации и мониторинга агентных сценариев, в том числе для работы в качестве онлайн-защитного барьера, способного выявлять риск и вмешиваться в выполнение workflow. Для развёртывания README рекомендует совместимые версии SGLang или vLLM. Модель распространяется под лицензией Apache-2.0. Карточка не приводит конкретных ограничений точности или списка поддерживаемых естественных языков; результаты следует интерпретировать в контексте заданной таксономии безопасности и формата входной траектории.

Agent Tool Optimizer — модель Intuit, дообученная методом supervised fine-tuning на базе Qwen3-4B-Instruct-2507. Она переписывает описания инструментов и API для использования LLM-агентами: принимает имя инструмента, JSON-схему параметров и исходное описание, а возвращает JSON с улучшенным описанием. Модель помогает агенту понять, когда вызывать инструмент, как корректно заполнять обязательные и необязательные параметры, учитывать ограничения и значения по умолчанию, а также избегать ошибок валидации. Она предназначена для работы без трасс выполнения инструментов и обучена формировать ответ по заданному JSON-контракту. Модель имеет плотную архитектуру Qwen3, содержит 3,7 млрд параметров и работает с текстом. Контекст составляет до 262 144 токенов; основной язык карточки — английский. Распространяется в формате safetensors по лицензии Apache-2.0. Качество ответа зависит от следования рекомендованному шаблону: изменения формата промпта или требование дополнительных полей могут ухудшить соответствие ожидаемому JSON.

bartowski/all-hands_openhands-lm-1.5b-v0.1-GGUF — это набор GGUF-квантизаций модели openhands-lm-1.5b-v0.1, разработанной all-hands и подготовленной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, прежде всего для задач программирования и агентных сценариев, связанных с разработкой программного обеспечения. В качестве датасета указана SWE-Gym/SWE-Gym. Модель имеет размер 1,5 млрд параметров, поддерживает текстовый ввод и вывод и ориентирована на английский язык. README не содержит сведений об архитектуре исходной модели и размере контекста. Доступны варианты от BF16 до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ; размеры файлов составляют примерно от 0,76 до 3,09 ГБ. Квантизированные версии можно запускать через LM Studio, llama.cpp и совместимые проекты. Более высокие уровни квантизации обычно обеспечивают лучшее качество, тогда как варианты Q3 и некоторые низкобитные форматы экономят оперативную память за счёт снижения качества. Модель распространяется по лицензии MIT. README не приводит результатов бенчмарков, подробных сведений о сильных и слабых сторонах исходной модели, поддерживаемых языках помимо английского или максимальной длине контекста, поэтому эти характеристики нельзя надёжно оценить по имеющимся данным.

Alpaca GarbageCollector Multilingual — модель Argilla для поиска некорректных примеров в Alpaca и других датасетах инструкций. Это бинарный классификатор на базе SetFit и XLM-RoBERTa с 305,2 млн параметров; он присваивает примеру метку ALL GOOD или BAD INSTRUCTION. Модель дообучена на 1 000 размеченных примерах из AlpacaCleaned с помощью Argilla и использует многоязычный sentence transformer paraphrase-multilingual-mpnet-base-v2. Модель предназначена для проверки качества обучающих данных: она помогает находить инструкции, входы или ответы с проблемами, например выдуманными сведениями о ценах или описаниями несуществующих изображений. В README приведены испытания на английском, немецком и испанском языках; заявлен межъязыковой подход. В метаданных указан контекст 514 токенов. Репозиторий распространяется по лицензии Apache-2.0.