II.4Отладка, тестирование и качество ПО

Карточка модели TechxGenus/CursorCore-QW2.5-1.5B на Hugging Face совпадает с карточкой TechxGenus/CursorCore-DS-1.3B, поэтому описание составлено по ней. CursorCore-DS-1.3B — модель из серии CursorCore, разработанной Hao Jiang, Qi Liu, Rui Li, Shengyu Ye и Shijin Wang для помощи в программировании. Она дообучена на базе deepseek-ai/deepseek-coder-1.3b-base и предназначена для генерации кода и диалоговой поддержки в сценариях AI-помощника программиста, включая редактирование кода, встроенный чат и автодополнение. Модель использует плотную архитектуру семейства LLaMA с причинно-следственной языковой моделью на 1,3 млрд параметров. Она принимает текстовые запросы и контекст с кодом и генерирует текст, включая программный код; заявленная длина контекста — 16 384 токена. README показывает сценарии обычного чата и взаимодействия с кодом, но примеры для конкретной модели частично используют другие модели CursorCore. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели.

Карточка модели TechxGenus/CursorCore-QW2.5-7B на Hugging Face совпадает с карточкой TechxGenus/CursorCore-DS-1.3B, поэтому описание составлено по ней. CursorCore-DS-1.3B — модель из серии CursorCore, разработанной Hao Jiang, Qi Liu, Rui Li, Shengyu Ye и Shijin Wang для помощи в программировании. Она дообучена на базе deepseek-ai/deepseek-coder-1.3b-base и предназначена для генерации кода и диалоговой поддержки в сценариях AI-помощника программиста, включая редактирование кода, встроенный чат и автодополнение. Модель использует плотную архитектуру семейства LLaMA с причинно-следственной языковой моделью на 1,3 млрд параметров. Она принимает текстовые запросы и контекст с кодом и генерирует текст, включая программный код; заявленная длина контекста — 16 384 токена. README показывает сценарии обычного чата и взаимодействия с кодом, но примеры для конкретной модели частично используют другие модели CursorCore. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели.

DeepPass2 — модель Neeraj Gupta из SpecterOps для обнаружения паролей и секретов в тексте с помощью классификации токенов. Она дообучена на XLM-RoBERTa-base с помощью LoRA и размечает токены как обычные или содержащие учётные данные. Модель рассчитана на поиск паролей, API-ключей, токенов и других секретов в документах, журналах и конфигурационных файлах, а также на аудит утечек и предварительную проверку документов перед публикацией. Для длинных документов README рекомендует использовать полный конвейер DeepPass2 с разбиением текста на фрагменты; отдельный вход модели ограничен контекстом в 514 токенов по метаданным. Веса представлены в формате safetensors, размер модели — 305,2 млн параметров. README указывает английский язык; базовая XLM-RoBERTa многоязычная, однако специализация этой модели описана для английского. Лицензия — Apache 2.0 согласно метаданным.

DeepSeek-V4-Flash-Vision-Exp — экспериментальная мультимодальная модель семейства DeepSeek-V4, созданная разработчиками DeepSeek на основе DeepSeek-V4-Flash с добавлением визуальных модулей и дополнительным обучением. Она предназначена для понимания изображений и работы с мультимодальными агентными задачами, сохраняя сопоставимые возможности базовой версии в текстовых агентных сценариях. В карточке приведены результаты на отдельных текстовых агентных тестах, включая Terminal Bench 2.1 и NL2Repo. Модель имеет плотную архитектуру DeepseekV4ForCausalLM, содержит 10,7 млрд параметров и принимает изображения вместе с текстом, выдавая текст. Заявленная длина контекста — 1 048 576 токенов. Репозиторий включает веса safetensors в формате FP8, токенизатор и минимальную реализацию инференса; в README также описано использование с vLLM и SGLang. Лицензия — MIT.

TechxGenus/gemma-1.1-2b-it-GPTQ — GPTQ-квантизированная версия Gemma 1.1 2B IT, разработанной Google. Это компактная decoder-only языковая модель с открытыми весами, предназначенная для генерации и обработки текста на английском языке. Модель ориентирована на ответы на вопросы, суммаризацию, рассуждения, написание текста, программирование, следование инструкциям и многошаговые диалоги. Версия Gemma 1.1 обучалась с применением RLHF и, по сравнению с исходным выпуском, получила улучшения в качестве ответов, кодировании, фактичности, следовании инструкциям и многоходовом взаимодействии. Квантизация GPTQ снижает требования к ресурсам и может упростить локальный запуск, однако потенциально сопровождается потерей качества по сравнению с исходными весами. Модель работает только с текстом; поддержка изображений, аудио и других модальностей не указана. Размер — 2B параметров, максимальная длина контекста в карточке не приведена. Модель компактнее крупных языковых моделей и подходит для запуска на ноутбуке, настольном компьютере или собственной облачной инфраструктуре, но её меньший размер может ограничивать качество сложных рассуждений и объём знаний. Использование регулируется лицензией Gemma и условиями Google; для доступа на Hugging Face требуется принять соответствующую лицензию.

Grug v1.1 — диалоговая модель ProCreations на базе Qwen3.8-27B, дообученная на корпусе из 1 млн примеров и скорректированная LoRA-адаптером ранга 32, применённым с силой 0,5. Она предназначена для генерации текста с рассуждениями и работы в агентных сценариях, особенно для выбора подходящего инструмента. Автор сообщает о сокращении числа токенов рассуждения на некоторых тестах и высоких результатах выбора инструмента; для модели рекомендуется средний уровень reasoning_effort. README также описывает оценки на задачах программирования и математики и тесты на повторения. Модель использует плотную архитектуру семейства Qwen3.5 с 27 млрд параметров; в репозитории указаны веса SafeTensors и библиотека Transformers. Метаданные указывают английский язык карточки. Базовая модель мультимодальна, а README упоминает GGUF-вариант с mmproj для зрения, однако у этой модели в метаданных отмечена только генерация текста, поэтому мультимодальные возможности самого указанного репозитория не подтверждены. Среди ограничений автор указывает снижение результата на GSM8K относительно базовой модели, более слабое восстановление выбора инструмента после сбоя по сравнению с предыдущей версией и дополнительные затраты токенов на MBPP. Результаты в README получены на конкретных наборах и настройках, а агентные тесты проводились при температуре 0,6; они не гарантируют аналогичного качества в других сценариях. Лицензия — Apache-2.0.

Huihui-MoE-1B-A0.6B-SFT — языковая модель huihui.ai для генерации текста, ответов на вопросы и диалогов. Она основана на huihui-ai/Huihui-MoE-1B-A0.6B и использует архитектуру Qwen3MoeForCausalLM с тремя экспертами на слой и активацией одного эксперта для каждого токена. По метаданным, модель содержит 507,9 млн параметров; в README приводится оценка около 1,1 млрд параметров всего и 0,62 млрд активных при генерации. Контекст — до 40 960 токенов. Модель дообучена всеми параметрами на данных по программированию, математике и медицинским рассуждениям: для каждого набора дообучались соответствующие эксперты. Она рассчитана на текстовые запросы и выдаёт текст, включая ответы и многоходовые диалоги. Лицензия — Apache-2.0. README предупреждает, что случайная инициализация весов маршрутизатора экспертов может ухудшать их использование; также указана зависимость совместимости от версии Transformers и от оборудования при выводе.

ISOM-R1-Coder-1.5B-Instruct — компактная модель для генерации и анализа кода, разработанная Prannessh K.V.A. на основе Qwen2.5-Coder-1.5B-Instruct. Это плотная модель на 1,5 млрд параметров с диалоговым интерфейсом и контекстом до 131 072 токенов. Карточка описывает её как средство для понимания репозиториев и работы с длинными контекстами на устройствах с ограниченными ресурсами; также заявлена ограниченная по памяти обработка KV-кэша. Модель предназначена для вопросов по кодовой базе, извлечения сведений из длинного контекста и агентных сценариев разработки. В README приведены результаты сравнений на Tesla T4 и теста поиска в контексте; это утверждения автора карточки, а не независимо подтверждённые характеристики. Лицензия репозитория указана как CC BY-NC-ND 4.0; README также сообщает об использовании базовой модели под Apache 2.0.

Это полноточная сборка в формате GGUF BF16 модели KAT-Coder V2.5 Dev 35B-A3B от moeshawky: к базовой модели добавлена встроенная MTP-голова для спекулятивного декодирования. Архитектура — Qwen3.6-35B-A3B-класса, гибрид SSM и полного внимания; всего 35 млрд параметров, около 3 млрд активных на токен, 256 экспертов, из которых активны 8. Модель принимает текст и предназначена для генерации текста в диалоговом режиме, в том числе для задач программирования; MTP-голова может ускорять декодирование при поддержке со стороны сборки llama.cpp. В карточке указаны английский и китайский языки. Репозиторий содержит один файл GGUF v3 размером около 66,2 ГиБ; для размещения весов требуется ориентировочно 75 ГБ или более свободной оперативной памяти или видеопамяти. Для использования нужна совместимая сборка llama.cpp с поддержкой MTP. Лицензия — Apache-2.0.

mlx-community/Laguna-M.1-bf16 — конвертированная в формат MLX версия текстовой MoE-модели Laguna-M.1 от Poolside. Модель предназначена для генерации текста и диалогового взаимодействия; базовая Laguna M.1 ориентирована на программирование, работу с кодом и длительные агентные задачи с инструментами. Модель содержит 17,1 млрд параметров и поддерживает контекст до 262 144 токенов. Репозиторий использует safetensors, а README указывает на преобразование исходной модели с помощью mlx-vlm 0.6.3. Лицензия — Apache-2.0. README отсылает к карточке исходной модели за подробностями и не описывает отдельные оценки качества или ограничения этой конвертированной версии.

Laguna-S-2.1 · Winnow keep-75 — это производная текстовая MoE-модель для генерации кода и агентных задач разработки, созданная на основе poolside/Laguna-S-2.1. Разработчик уменьшил внутреннюю ширину каналов маршрутизируемых экспертов на 25% методом variable-width expert pruning; общие эксперты, внимание и эмбеддинги не затронуты. После обрезки заявлено 89,2 млрд параметров вместо 118 млрд у исходной модели; переобучение после обрезки не проводилось. Модель предназначена для генерации и анализа кода, а также для автономного выполнения задач разработки в диалоговом режиме. В README приведены результаты на кодовом корпусе и качественная проверка на задачах Terminal-Bench 1.0; при контексте обслуживания 16 тыс. токенов основным источником неудач называлось исчерпание контекста. Метаданные указывают нативный контекст до 1 048 576 токенов, но для описанной конфигурации обслуживания приведён лимит 16 384 токена. Репозиторий содержит веса safetensors и предполагает запуск через Transformers или специализированный плагин vLLM для поддержки экспертов переменной ширины. Для serving в INT8 README указывает потребность примерно в двух GPU по 80 ГБ или четырёх по 40 ГБ; обычное разделение tensor parallelism не поддерживается. Сохраняется лицензия базовой модели OpenMDW-1.1.

noctrex/Laguna-XS-2.1-MXFP4_MOE-GGUF — квантизированная в MXFP4 сборка текстовой MoE-модели Poolside Laguna-XS-2.1 в формате GGUF. Модель предназначена для генерации текста и диалогового взаимодействия; базовая Laguna-XS-2.1 ориентирована на агентное программирование, терминальные задачи и длительную работу с кодом. Для запуска требуется llama.cpp. Репозиторий также содержит вариант GGUF BF16. Модель создана на основе poolside/Laguna-XS-2.1; лицензия и подробные сведения о размере, контексте и языках в предоставленных данных отсутствуют.

LFM2.5-1.2B-Thinking-ONNX — ONNX-экспорт модели LFM2.5-1.2B-Thinking, разработанной Liquid AI. Это текстовая генеративная модель для кроссплатформенного вывода, включая локальный запуск, браузерные приложения и устройства с поддержкой ONNX Runtime или WebGPU. Модель предназначена для задач, требующих рассуждений: математических вычислений, программирования, логического анализа и других сложных запросов. Она генерирует пошаговый процесс рассуждения в тегах <think>...</think>, после чего формирует итоговый ответ. Поддерживаются английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. Архитектура и максимальная длина контекста в README не указаны; размер модели составляет около 1,2 млрд параметров согласно идентификатору и описанию варианта. Доступны варианты FP32, FP16, Q8 и Q4. Квантизированный Q4-вариант занимает около 1,2 ГБ и рекомендован для большинства сценариев, FP16 — около 2,4 ГБ и ориентирован на более высокое качество, Q8 — около 1,7 ГБ как компромисс между качеством и размером. ONNX-формат облегчает переносимость, но для браузерного запуска требуется WebGPU. Ограничения включают небольшой размер по современным меркам, возможные ошибки в сложных задачах и необходимость самостоятельно обрабатывать разделение рассуждений и итогового ответа. Модель распространяется по лицензии lfm1.0; точные условия следует проверить в файле LICENSE репозитория.

Карточка модели SakanaAI/Llama-3-8B-Instruct-OS-Expert на Hugging Face совпадает с карточкой SakanaAI/Llama-3-8B-Instruct-Coding-Expert, поэтому описание составлено по ней. Sakana AI разработала Llama-3-8B-Instruct-Coding-Expert — экспериментальную авторегрессионную языковую модель семейства Llama на 7,5 млрд параметров, основанную на Llama-3-8B-Instruct. Модель предназначена для генерации текста в диалоговом режиме и ориентирована на задачи программирования; в README указаны обучающие данные Magicoder-Evol-Instruct-110K и Magicoder-OSS-Instruct-75K. Модель принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 8192 токенов. В README модель представлена как один из экспертных компонентов набора Llama-3-CycleQD. Это экспериментальный прототип для исследований и разработки: авторы не рекомендуют коммерческое использование и развертывание в критически важных средах, а качество результатов не гарантируется. Лицензия — Meta Llama 3 Community License.

Карточка модели Bigg-Iron/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели ccqwe/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Muse Spark 1.3 — мультимодальная reasoning-модель от Meta, предназначенная для длительных агентных, многоагентных и связанных с программированием сценариев. По имеющимся сведениям, она рассчитана на отслеживание информации и выполнение многоэтапных задач. Метаданные каталога относят модель к задаче image-text-to-text, что указывает на обработку изображений и формирование текстового ответа. Данных о размере, архитектуре, длине контекста, поддерживаемых языках и лицензии в предоставленных источниках нет. Полная карточка обрывается, поэтому подробности о возможностях и ограничениях подтвердить нельзя.

M4-ai neural-chat-mini-v2.2-1.8B — языковая модель-ассистент на архитектуре Qwen2, дообученная на tau-1.8B с помощью SFT и DPOP. Модель содержит 1,5 млрд параметров, принимает текст и рассчитана на диалоговое использование; заявленная длина контекста — 32 768 токенов. Модель предназначена для ответов на вопросы и других общих задач ассистента, включая рассуждения, математику, программирование и написание текстов. В обучающую смесь вошли наборы данных для диалогов, кода, математики и естественных наук. В карточке заявлены английский и, возможно, китайский языки; метаданные указывают английский. Разработчик указывает лицензию tongyi-qianwen; метаданные классифицируют лицензию как other. В карточке отмечены риски предвзятости и ограничения, а результаты оценивания ещё не опубликованы. Рекомендации по ответственному использованию требуют дополнительной проработки.

NightOwl-CodeEmbedding-35M — созданная Shuu12121 компактная модель эмбеддингов для поиска по коду. Это дообученная на базе Shuu12121/NightOwl-35M модель ModernBERT с 34,1 млн параметров и вектором размерности 384. Она кодирует запросы и фрагменты кода в плотные векторы для поиска по косинусному сходству; префиксы query: и passage: не требуются. Модель предназначена для поиска кода по запросу на естественном языке, поиска похожего кода и изменений, а также для извлечения материалов для технических ответов и RAG. Компактный размер подходит для CPU, локального и встраиваемого поиска, а также построения крупных векторных индексов. Заявлена поддержка Go, Java, JavaScript, PHP, Python, Ruby, Rust и TypeScript. По карточке, средний результат MTEB(Code, v1) составляет 65,56; оценка преимущественно проведена на задачах, близких к обучающим данным. Лицензия — Apache-2.0. Ограничения: максимальная длина входа в заявленном сценарии — 1024 токена, более длинные данные обрезаются. Модель слабее версии NightOwl-CodeEmbedding на 150,8 млн параметров, особенно на длинных запросах и задачах с многоходовым контекстом; качество для других языков и общих текстовых задач не подтверждено.

Nemotron-3-Nano-30B-A3B-AgentCoder — дообученная Bruno Pistone модель NVIDIA Nemotron-3-Nano-30B-A3B для многошаговых диалогов с инструментами. Она обучена методом GRPO с оценкой по обратной связи от ИИ и предназначена для выбора между ответом, вызовом инструмента и реакцией на его результат в цикле работы агента. Модель использует гибридную архитектуру NemotronHForCausalLM с Mamba-2 и MoE-компонентами; заявленный контекст составляет 262 144 токена. Обучение затронуло около 0,14 % параметров исходной модели с помощью LoRA. Она рассчитана на текстовый ввод и генерацию текста, включая ответы, рассуждения и вызовы инструментов; в метаданных указан английский язык. Подходящие сценарии включают агентные циклы для программирования, управления данными и выполнения команд, а также общие вопросы и ответы, унаследованные от базовой модели. README сообщает о снижении доли чрезмерно длинных ответов в ходе обучения, но не приводит независимой оценки качества. Модель не предназначена для высокочувствительных данных, задач, требующих экспертной сертификации или полной объяснимости, и автономного выполнения необратимых действий без проверки человеком. Для корректной работы требуются доверенная загрузка кода модели и зависимости Mamba-2; лицензия — NVIDIA Open Model License, унаследованная от базовой модели.

Mungert/OlympicCoder-32B-GGUF — это GGUF-версия 32-миллиардной модели для генерации текста и программного кода, созданная на основе Qwen/Qwen2.5-Coder-32B-Instruct. В метаданных указаны датасет open-r1/codeforces-cots, английский язык, библиотека Transformers и лицензия Apache-2.0. README не содержит подробного описания дообучения, поэтому назначение модели следует оценивать прежде всего как применение возможностей базовой instruct-модели в формате GGUF. Модель предназначена для генерации и работы с текстом и кодом, включая сценарии разработки, решения алгоритмических задач и запуск локального вывода на устройствах с ограниченными ресурсами. Основная особенность сборки — применение ультранизкобитного динамического квантования IQ-DynamicGate с распределением точности по слоям. Для наиболее чувствительных компонентов используются более точные форматы, а значительная часть слоёв может храниться в 1–2 битах, что снижает требования к памяти. Сильная сторона модели — возможность размещения крупной 32B-модели в условиях ограниченного GPU VRAM, на CPU или edge-устройствах. При этом ультранизкая битность неизбежно создаёт компромисс между размером, скоростью и точностью; README приводит результаты DynamicGate для Llama-3-8B, но не предоставляет сопоставимых бенчмарков именно для OlympicCoder-32B. Поэтому фактическое качество и скорость этой сборки зависят от выбранного GGUF-кванта, оборудования и программного движка. Контекстное окно, точный набор поддерживаемых языков и конкретный размер файлов для данной модели в README не указаны.

OpenCodeInterpreter-DS-1.3B — языковая модель для генерации кода, разработанная в рамках проекта OpenCodeInterpreter. Она предназначена для диалогового написания кода и итеративного улучшения решений с использованием обратной связи от выполнения. Модель основана на DeepSeek Coder 1.3B и использует плотную архитектуру Llama с 1,3 млрд параметров; заявленный контекст — 16 384 токена. В README приведены результаты на HumanEval и MBPP, а также показано улучшение отдельных показателей при добавлении обратной связи от выполнения. Это указывает на пригодность модели для генерации и доработки программного кода, но сами результаты бенчмарков не гарантируют качество для конкретного проекта. Модель принимает текстовые запросы и выдаёт текст, включая код. Лицензия — Apache-2.0.

Orca-SOLAR-4x10.7b — объединение четырёх инструктивных дообученных моделей Solar-10.7B, опубликованное пользователем macadeliccc. Модель построена на архитектуре Mixtral с разреженной экспертной структурой MoE; метаданные указывают 10,6 млрд параметров и контекст до 4096 токенов. Она предназначена для генерации текста в диалоговом формате и особенно ориентирована на задачи программирования: автор отмечает, что на вопросы о коде модель может отвечать развёрнутыми фрагментами кода. Модель принимает текст и генерирует текст. В карточке указан английский язык, а также набор данных Intel/orca_dpo_pairs. В README заявлена возможность запуска на бесплатном CPU-оборудовании через GGUF, хотя в репозитории указаны файлы safetensors. Лицензия — Apache-2.0. Результаты таблицы Open LLM Leaderboard приведены в README, но полные сведения об оценке в предоставленном тексте отсутствуют.

harithoppil/Qwen3-0.6B-English-Pruned — это англоязычная производная плотной авторегрессионной языковой модели семейства Qwen3, основанная на Qwen/Qwen3-0.6B-Base и опубликованная пользователем harithoppil. В README описаны удаление семи слоёв из 28 методом Layer Dropping (ShortGPT) и сокращение словаря с 151 643 до 101 816 токенов. В метаданных указаны 368,5 млн параметров, архитектура Qwen3ForCausalLM, формат safetensors и контекст до 40 960 токенов. Модель предназначена для генерации английского текста, диалога, написания кода и решения математических задач; README также описывает переключение режимов рассуждения и обычного ответа. Сокращённый словарь исключает токены для кириллицы и ряда других письменностей, поэтому модель специализирована на английском, коде и математике. Удаление слоёв и уменьшение словаря нацелены на снижение размера и повышение скорости вывода, но в README не приведены сравнительные измерения качества или скорости. Лицензия — Apache-2.0.

Jackrong/Qwen3.5-27B-GLM5.1-Distill-v1 — экспериментальная мультимодальная модель с 27 млрд параметров, созданная автором Jackrong на базе Qwen3.5-27B. Модель прошла supervised fine-tuning с использованием LoRA на отфильтрованных данных рассуждений, полученных от GLM-5.1; в обучении также использовался набор Qwen3.5-reasoning-700x. Весы опубликованы в формате safetensors, модель рассчитана на работу через Transformers и распространяется по лицензии Apache-2.0. Модель предназначена для диалогов и следования инструкциям, многошаговых рассуждений, решения математических и логических задач, программирования и анализа изображений. Заявлена поддержка английского, китайского, японского и испанского языков; архитектура Qwen3.5 поддерживает обработку текста и изображений. Карточка описывает её как экспериментальную версию для обучения, демонстраций и технического исследования, с ожидаемыми улучшениями в структурированности и последовательности ответов. Модель может галлюцинировать факты, а цепочки рассуждений — становиться нестабильными, зацикливаться или отклоняться от задачи. Автор предупреждает, что прирост качества умеренный и не гарантирован; особенно важна проверка ответов о реальных событиях. Хотя метаданные классифицируют модель как image-text-to-text, README также описывает её как инструмент для аналитических задач, кода и математики.

smirki/qwen3.5-4b-terminal-v1 — дообученная модель Qwen3.5-4B для работы в терминале и задач кодирующего агента. Это плотная мультимодальная архитектура Qwen3.5 с 4 млрд параметров; опубликованы объединённые веса bf16 в формате Safetensors. Модель сохраняет архитектуру, токенизатор, шаблон чата и XML-формат вызова инструментов базовой Qwen3.5-4B. Модель предназначена для агентных сценариев, где нужно выполнять задачи через терминал и вызывать инструменты. В описанном сравнении Terminal-Bench 2.1 она решила хотя бы раз 21 из 76 заданий против 15 у базовой модели; тест проводился с контекстом 65 536 токенов и лимитом 8 192 токена на ответ. Для запуска с vLLM в README указан парсер вызовов инструментов qwen3_xml. Лицензия — Apache-2.0. Веса включают компоненты понимания изображений, но README рекомендует для терминального применения отключать vision tower. Показатели бенчмарка относятся к указанной конфигурации и не гарантируют аналогичного результата на других задачах; подробности обучения не приведены.

Sonoma-1.2B-0901 — продолжение Sonoma-1.2B Preview от Mincofficial, дообученное на основе LiquidAI/LFM2.5-1.2B-Thinking. Это плотная причинная языковая модель семейства LFM2 с 1,5 млрд параметров, предназначенная для генерации текста, диалогов, следования инструкциям, кода и задач на рассуждение. Модель дообучали с помощью assistant-only LoRA ранга 32 на всех 16 блоках, после чего адаптер объединили с весами; карточка указывает контекст 128 000 токенов. Основной формат весов — Safetensors для MLX; в репозитории также есть экспорт GGUF Q4_K_M для llama.cpp. Модель подходит для локального ассистента, написания и объяснения кода, а также ответов на вопросы и математических рассуждений на английском языке. Приведённые оценки относятся к небольшому фиксированному отложенному набору и восьми задачам проверки поведения, поэтому не дают оснований считать их широким сравнительным бенчмарком. Лицензия обозначена как other; перед использованием следует проверить условия репозитория и лицензии источников обучающих данных.

Starlight Mini — диалоговая языковая модель для генерации текста и помощи с программированием, разработанная arthu1 в подразделении AI компании North ML. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на основе arthu1/astrocoder-star-merge; для диалоговой настройки в метаданных указан датасет HuggingFaceH4/ultrachat_200k. Модель рассчитана прежде всего на английский язык, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Разработчик позиционирует её как помощника для задач кодирования и сообщает о результате 60–65% на SWE-Benchmark, но не приводит подробностей методики оценки. Модель можно запускать локально; лицензия — MIT. Карточка описывает её как первую версию проекта и отмечает, что качество ниже Claude Haiku 3.5.

Wrench-4B-Qwen3.6-8E — экспериментальная специализированная SLM-модель для инструментов разработчика, опубликованная пользователем или организацией stancsz. Она создана на основе Qwen3.6-35B-A3B и предназначена для генерации текста и кода, работы с задачами разработки, чтения файлов и подготовки обзорных изменений в локальном репозитории. Модель содержит 3 881 244 016 параметров, использует веса ModelOpt NVFP4 W4A16 и рассчитана на контекст до 4 миллионов токенов в составе собственного пакета и локального окружения. Поставка включает tokenizer hook, локальный runtime, read-only verifier, long-context overlay и OpenAI-совместимый сервер. Для однозначных операций чтения и подготовки изменений может применяться механический маршрут без вызова модели, а неоднозначные запросы передаются модели. К сильным сторонам относятся специализация на developer-tools, поддержка длинного контекста, компактный размер и встроенная проверка предлагаемых операций. Ограничения связаны с экспериментальным статусом: README не подтверждает прохождение полной оценки на 220 случаях, достижение целевых показателей качества поиска, сопоставимости с MiniMax или производительности в production. Языки и точные архитектурные характеристики, помимо производного происхождения и параметров квантования, не указаны. Модель распространяется по лицензии Apache-2.0.