II.4Отладка, тестирование и качество ПО

CodePhi-3-mini-4k-instruct-python — дообученная модель на архитектуре Phi-3, основанная на microsoft/Phi-3-mini-4k-instruct. Она содержит 3,7 млрд параметров, принимает текст и генерирует текст в контексте до 4096 токенов; модель опубликована в формате safetensors под лицензией MIT. Модель предназначена для диалоговой генерации текста и задач программирования на Python. Базовая Phi-3 mini поддерживает также рассуждения и другие задачи программирования, однако карточка этой версии не описывает обучающий набор, оценки качества или конкретные ограничения дообучения, поэтому её специализацию и надёжность в этих сценариях следует оценивать отдельно.

Карточка модели TechxGenus/CursorCore-Yi-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-Yi-1.5B-SR 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.

Mapika разработала decider-12b — дообученную версию Google Gemma-4-12B-it, которая выдаёт вероятности по вариантам ответа для нескольких типизированных вопросов за один проход модели. Она принимает состояние и вопросы с явным списком вариантов, а результат получает непосредственно из логитов модели без генерации текста и последующего разбора ответа. Модель предназначена для классификации решений, ответов «да/нет», выбора из вариантов и оценки по заданным критериям, в том числе при анализе журналов событий и отслеживании состояния объектов. Текущая версия v2 обучена методом LoRA на задачах отслеживания состояния и на ранее собранных примерах решений; изменены 328 матриц внимания и MLP относительно исходных весов. Используются архитектура Gemma 4 и формат safetensors. Версия v1 без обучения доступна отдельно под тегом v1. Для инференса требуется библиотека decider-ai версии 1.7.0 или новее. Модель рассчитана на англоязычные входы; лицензия — Apache-2.0. В опубликованных измерениях v2 улучшила результаты на некоторых тестах «да/нет» и сгенерированных журналах состояния относительно v1, однако на сложном уровне JevBench она дала меньше правильных ответов, а калибровка была хуже. Вероятности существенно зависят от температуры: значение Noul 0.05 из конфигурации делает ответы почти бинарными и плохо подходит для ранжирования или калибровки; для калиброванных вероятностей README рекомендует Noul 1.0. Ограничения и ошибки базовой Gemma сохраняются.

zimplex выпустила DreamReasoner-8B FineCode approximate-CF-v6 CPT — контрольную точку после дополнительного предобучения DreamReasoner-8B на наборе FineCode B64 с графом зависимостей approximate-CF-v6. Это плотная модель семейства Dream для генерации текста, представленная в формате safetensors; она содержит 7,6 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена прежде всего для генерации кода и диалогового взаимодействия при решении задач программирования. В карточке приведены результаты greedy-декодирования на HumanEval, MBPP sanitized и LiveCodeBench Pro; они отражают конкретный режим оценки и не гарантируют аналогичного качества на других задачах. Для загрузки требуется custom DreamReasoner modeling code и параметр trust_remote_code=True. Это исследовательский чекпойнт без отдельной оценки безопасности и готовности к развёртыванию. Лицензия — Apache-2.0.

FuseO1-DeepSeekR1-Qwen2.5-Coder-32B-Preview-GGUF — GGUF-квантизированная версия текстовой генеративной модели FuseO1-DeepSeekR1-Qwen2.5-Coder-32B-Preview. Квантизацию выполнил bartowski с использованием llama.cpp версии b4514 и метода imatrix. Модель предназначена для генерации текста, включая сценарии программирования и работы с кодом; запуск возможен, в частности, через LM Studio и совместимые инструменты llama.cpp. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Размер полной BF16-версии составляет около 65,54 ГБ, а варианты квантизации занимают примерно от 17,69 ГБ и выше. Для корректного общения README рекомендует специальный формат промпта с маркерами начала последовательности, пользователя и ассистента. Модель имеет сильные стороны в виде большого размера 32B, нескольких вариантов квантизации и поддержки локального запуска. При этом README не содержит точных сведений о контекстном окне, языках, мультимодальности, результатах оценки или ограничениях исходной модели. Репозиторий сохраняет старую версию весов; обновлённые веса опубликованы отдельно. Лицензия в предоставленных данных не указана.

mondk/GGUF.chatgpt-gpt-codex-V2 — языковая модель для генерации текста, ориентированная прежде всего на диалоговые сценарии и работу с программным кодом. Модель разработана пользователем или организацией mondk; в качестве базовой модели указана mondk/Safetensors.chatgpt-gpt-gpt5.1-thinking. Заявлены более чистая генерация кода и более быстрые ответы, однако отмечается небольшое снижение точности кода. Модель обучалась с использованием наборов данных mondk/chatgpt-gpt-chat-jsonl, mondk/joke-redteam-safety-dataset, TeichAI/gpt-5.1-codex-max-1000x и TeichAI/glm-4.7-350x. README не содержит сведений об архитектуре, размере, поддерживаемых языках, модальностях и длине контекста, поэтому эти характеристики оценить нельзя. Указана лицензия Apache-2.0; модель распространяется в формате GGUF, а связанная реализация использует библиотеку PEFT.

fastino/GLiNER2-Guardrails-PII-Multi — дообученная Fastino модель семейства GLiNER2, объединяющая извлечение персональных данных и модерацию безопасности текста. Это плотный двунаправленный экстрактор с классификацией и выделением фрагментов по заданной схеме; модель работает локально, ориентирована на CPU и позволяет выполнять обе задачи одним проходом. Модель извлекает и размечает фрагменты по 42 типам PII, а также классифицирует безопасность и токсичность запросов и ответов, выявляет jailbreak-атаки и отказы. Поддерживаются английский, французский, испанский, немецкий, итальянский, португальский и нидерландский языки. Схему меток и набор проверок можно задавать при инференсе. Лицензия — Apache-2.0. По данным карточки, модель сопоставима с отдельными GLiGuard и GLiNER2-PII на соответствующих тестах. Она предназначена для фильтрации ввода и вывода LLM, обнаружения PII и подготовки текста к редактированию или маскированию. Это классификатор и экстрактор, а не полноценная система политик безопасности; качество на неевропейских языках и письменностях не измерялось.

Модель laion/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning_global-batch-size_64_Qwen3-32B — дообученная командой LAION плотная языковая модель семейства Qwen3 на базе Qwen/Qwen3-32B. Она предназначена для генерации текста в диалоговом формате; название и датасет обучения указывают на настройку для задач Stack Exchange и Stack Overflow, включая ответы на вопросы и рассуждения о коде. Модель содержит 29,7 млрд параметров, использует архитектуру Qwen3ForCausalLM, файлы весов представлены в safetensors, а нативный контекст составляет 40 960 токенов. Модель может применяться для ответов на технические вопросы, объяснения решений и помощи с программированием. Карточка не приводит результаты оценки, подробное описание поведения или условия лицензии; в метаданных указана лицензия other, поэтому перед использованием следует проверить её условия. Также README не раскрывает возможные ограничения набора данных и качество на задачах вне Stack Exchange и Stack Overflow.

K2-Horizon-0.9B-NVFP4-GGUF — квантизированная версия компактной плотной языковой модели семейства K2-Horizon; автор репозитория WhiskyAKM. Модель с архитектурой decoder-only и 0,9 млрд параметров предназначена для диалоговой генерации текста и рассуждений, включая задачи по математике, программированию, науке и STEM. В README указано окно контекста до 128K токенов (131 072) с масштабированием RoPE YaRN; модель оценивалась на бенчмарках математики, кода, науки и использования инструментов. Репозиторий содержит веса GGUF в формате NVFP4, рассчитанные на запуск в llama.cpp и совместимых движках; заявлена оптимизация для NVIDIA Blackwell. Базовая модель IFM/K2-Horizon-0.9B обучалась с дистилляцией знаний от нескольких специализированных моделей-преподавателей. Репозиторий распространяется по лицензии Apache-2.0. Квантизация до 4 бит может влиять на качество ответов; результаты бенчмарков относятся к исходному описанию семейства и сами по себе не гарантируют аналогичное качество этой сборки.

KAT-Coder-V2.5-Dev-OptiQ-4bit-REAP-18B — это квантованная модель для генерации текста и кода, опубликованная сообществом mlx-community и предназначенная для локального запуска на устройствах Apple Silicon с использованием MLX. Она создана на основе mlx-community/KAT-Coder-V2.5-Dev-OptiQ-4bit с применением toolkit mlx-optiq и метода REAP, разработанного Cerebras Research. Модель ориентирована на программирование, генерацию текста и другие задачи, поддерживаемые исходной MoE-моделью, однако конкретный набор языков и специализированных сценариев в README не указан. Модель использует архитектуру Mixture-of-Experts: сохранено 128 из 256 экспертов в каждом слое, при этом для каждого токена по-прежнему активируются 8 экспертов. Объём модели составляет 18,3 млрд параметров, размер на диске — 11,4 ГБ против 34,7 млрд параметров и 20,4 ГБ у родительской версии. Эксперты были отобраны равномерно по слоям на основе условного среднего произведения веса маршрутизатора и нормы выхода эксперта. Удалённые эксперты не переобучались, а сохранённые были скопированы без изменений в квантованном виде. Главное преимущество модели — заметное снижение требований к дисковому пространству и памяти при сохранении исходного числа активных экспертов на токен, поэтому уменьшение размера не должно приводить к замедлению генерации. При этом данная версия отдельно не benchmark-илась, а опубликована по рецепту, проверенному на другой модели той же архитектуры. Для протестированного варианта сообщалось снижение общего Capability Score при сохранении процедурных способностей; качество конкретно этой модели может отличаться. Контекстное окно, поддерживаемые языки и MTP sidecar не указаны, причём MTP sidecar отсутствует. Модель распространяется по лицензии Apache-2.0.

FineEnvs выпустила полноразмерное дообучение LiquidAI/LFM2.5-2.6B для агентных задач анализа данных и работы с инструментами. Это плотная авторегрессионная модель семейства LFM2 с 2,6 млрд параметров, контекстом до 131 072 токенов и чатом. Модель обучена методом supervised fine-tuning на примерах для OpenCode, Claude Code, Codex и Mini-SWE-Agent; доступны полные веса, токенизатор и шаблон чата в формате safetensors. Модель предназначена для выполнения задач в агентных средах: анализа данных, работы с кодом и инструментами в рамках заданий этих harness-систем. На фиксированном наборе из 250 тестовых задач она показала 43,1% pass@1 в среднем по четырём harness-системам. Для воспроизведения результатов нужны соответствующие агентная среда и инструменты; обычный чатовый запрос не равнозначен оцениванию в harness. Карточка указывает лицензию `other`, поэтому условия использования следует сверить с лицензией репозитория.

Карточка модели SakanaAI/Llama-3-8B-Instruct-DB-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 Rqwannn/locate-anything 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 Ank0X0/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 nimo1234/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.

Это экспериментальная версия MiniMax M3 от Spark Arena: веса модели представлены в формате NVFP4 с калибровкой, которая пока дорабатывается, а REAP сокращает модель на 25%, чтобы разместить её на двух узлах DGX Spark вместо четырёх. Базовая MiniMax M3 — мультимодальная модель примерно с 428 млрд параметров, из которых активируется около 23 млрд; она использует разреженное внимание MiniMax Sparse Attention и заявленный контекст до 1 млн токенов. Модель предназначена для диалогов с изображениями и видео, программирования и агентных сценариев с вызовом инструментов. В README отмечены возможности анализа длинного контекста и ускорения обработки, однако качество этой экспериментальной сборки и влияние REAP на него проверены не полностью. Для правильного применения калибровки NVFP4 требуется совместимая поддержка в среде запуска. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

NightJar-CodeSearch-Embedding — модель плотных векторных представлений, разработанная Shuu12121 на базе Shuu12121/NightJar и дообученная для поиска кода по запросу на естественном языке и поиска фрагментов кода по описанию требуемого изменения. Она использует архитектуру ModernBERT в конфигурации Sentence Transformer, содержит 109,5 млн параметров и строит 768-мерные эмбеддинги. Для поиска запросы и документы кодируются в одном векторном пространстве; префиксы не нужны, а сходство можно оценивать по косинусной близости. Модель принимает текстовые запросы и код, выдаёт векторы и подходит для семантического поиска, формирования кандидатов для переранжирования или RAG, кластеризации и поиска дубликатов. Обучение проводилось на 4 073 472 примерах с трудными и внутрипакетными негативными примерами. В обучающую смесь вошли Bash, C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Swift и TypeScript. Карточка сообщает о контексте модели в 8192 токена, однако входы длиннее 1024 токенов обрезаются. Модель не генерирует код и не проверяет его корректность или безопасность; качество для языков, не представленных в обучении, систематически не оценивалось. Лицензия — Apache-2.0.

Это GGUF-квантование MXFP4 модели llmfan46/Ornith-1.0-35B-uncensored-heretic, опубликованное noctrex. Базовая модель предназначена для генерации кода, агентной работы с репозиториями и вызова инструментов; эта версия сохраняет возможность диалогового взаимодействия и генерации текста. Квантование MXFP4 уменьшает точность представления весов. В карточке нет сведений о поддерживаемых языках, длине контекста и лицензии, поэтому эти характеристики нельзя уточнить. Модель помечена как uncensored и heretic; такие метки указывают на снижение отказов, но README не описывает конкретные ограничения или гарантии поведения.

Это квантизированная GGUF-версия языковой модели Ornith-1.5-9B, подготовленная wepiqx методом ASHQ1 с учётом Multi-Token Prediction (MTP). В основе — дообученная Ornith-1.5-9B на архитектуре Qwen3.5-9B: 32 слоя, GQA, SSM и контекст до 262 тыс. токенов. Голова MTP сохранена в Q8_0, а основные слои распределены по уровням квантования для заданного размера; для варианта ASHQ1-6500 README указывает размер около 6,4 ГБ и потребность примерно в 7,5 ГБ VRAM при контексте 8192. Модель предназначена для генерации текста в чат-сценариях, включая программирование и агентные задачи. Репозиторий описывает также компактный вариант ASHQ1-4500, но отмечает для него ухудшение метрик относительно 6500. В приведённом сравнении качество по KLD уступает Remix Quality-36pc; результаты основаны на ограниченной проверке с контекстом 512×64, поэтому они не гарантируют качество на других задачах. Метаданные указывают лицензию Apache-2.0, тогда как README заявляет MIT; лицензионные сведения расходятся, их следует сверить с файлами репозитория перед использованием.

Parable-Qwen3-4B-Claude-Fable-5 — локальная языковая модель для программирования и агентных задач, разработанная AnkitAI на основе Qwen/Qwen3-4B. Это плотная архитектура Qwen3ForCausalLM примерно на 3,7 млрд параметров с контекстом до 40 960 токенов; модель принимает и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. В README описано дообучение QLoRA на многошаговых сессиях агентов и терминальных трассах с добавлением примеров общих инструкций; веса объединены с базовой моделью. Репозиторий содержит веса safetensors, а также README упоминает сборку GGUF для локального запуска. Модель предназначена для локальной генерации кода, планирования действий агента и работы с терминальными сценариями. Автор сообщает об улучшении подстройки к агентным трассам и более стабильной выдаче ответов по сравнению с базовой моделью; при этом в приведённом HumanEval-164 результат ниже, чем у Qwen3-4B. Для задач максимальной точности вызова функций автор рекомендует базовую модель. Лицензия модели — Apache-2.0; README также указывает, что условия лицензий исходных обучающих данных и поставщиков сторонних трасс могут влиять на коммерческое использование производных систем.

Thrillcrazyer/Phi4_LoopUS — разговорная языковая модель для генерации текста, построенная на базе Microsoft Phi-4 с применением посттренировочного фреймворка LoopUS. Разработка LoopUS описана исследователями BAELAB Пусанского национального университета и DOLAB Университета Чангвон; карточка модели указывает дообучение Phi-4 и формат safetensors. LoopUS преобразует предобученный трансформер в архитектуру с энкодером, рекурсивным блоком уточнения скрытых представлений и декодером. Модель предназначена для диалога и задач рассуждения; выборочное управление передачей скрытых состояний призвано снижать дрейф, а голова уверенности позволяет досрочно завершать вычисления. Базовая Phi-4 ориентирована прежде всего на английский язык и поддерживает генерацию текста, рассуждения, математику и программирование. Модель распространяется по лицензии Apache-2.0. Карточка не приводит отдельные измерения качества или подробные ограничения именно этой версии, поэтому её преимущества для конкретных задач следует оценивать по результатам тестирования.

Qwen2.5-Coder-0.5B-Instruct-GGUF — это набор GGUF-квантизированных версий инструкционной модели Qwen2.5-Coder-0.5B-Instruct. Исходную модель разработала команда Qwen, а квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и кода, диалогового взаимодействия и работы в локальных приложениях, поддерживающих llama.cpp, включая LM Studio. Модель содержит 0,5 млрд параметров и доступна в вариантах от F16 до низкобитных квантов Q8_0, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 0,34 до 0,99 ГБ. Указан английский язык; мультимодальность не заявлена. В README не указаны архитектура исходной модели, размер контекстного окна и полный перечень поддерживаемых языков. К сильным сторонам относятся небольшой размер, возможность локального запуска на устройствах с ограниченными ресурсами и несколько вариантов компромисса между качеством, скоростью и потреблением памяти. Более высокое качество ожидается у F16, Q8_0 и Q6, а низкобитные варианты подходят для систем с небольшим объёмом оперативной памяти, но могут заметнее терять качество. Версии Q4_0_8_8, Q4_0_4_8 и Q4_0_4_4 оптимизированы для ARM и требуют соответствующих аппаратных возможностей; некоторые из них не рекомендуются для Mac и Windows. Модель распространяется под лицензией Apache-2.0.

Qwen2.5-Coder-32B-Instruct-NP-Abliterated-i1-GGUF — квантованная в формате GGUF версия модели Nabbers1999/Qwen2.5-Coder-32B-Instruct-NP-Abliterated, подготовленная mradermacher. Это инструкционная conversational-модель семейства Qwen2.5-Coder с 32 млрд параметров, предназначенная для генерации текста, диалога и задач, связанных с программированием. В репозитории представлены варианты квантования i1, включая IQ- и QK-форматы, с размером файлов примерно от 7,4 до 22,7 ГБ; для баланса скорости и качества рекомендуются i1-Q4_K_M и i1-Q4_K_S. Модель ориентирована преимущественно на англоязычные сценарии, однако README не содержит полного перечня поддерживаемых языков, сведений об архитектуре на уровне компонентов или размера контекстного окна. Квантование позволяет запускать модель с меньшими требованиями к памяти, но более агрессивные варианты могут заметно снижать качество; качество также зависит от выбранного формата. Модель распространяется по лицензии Apache-2.0. README не приводит отдельных результатов тестирования, поэтому делать выводы о фактической точности и преимуществах в конкретных задачах нельзя.

Qwen3-0.6B-Code-Expert — языковая модель на базе Qwen3-0.6B, дообученная разработчиком карточки полным fine-tuning на датасете nvidia/OpenCodeReasoning. Модель предназначена для генерации кода и рассуждений о коде; её можно использовать в диалоговых сценариях и для получения решений программных задач с промежуточными шагами рассуждения. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 507,9 млн параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. В карточке указан английский язык. Весы опубликованы в формате safetensors и оптимизированы при обучении в bf16. Лицензия — Apache-2.0. Специализация на одном датасете может ограничивать обобщение на другие типы кода и задачи; качество и корректность сгенерированных решений требуют проверки. Модель сохраняет ограничения компактной базовой модели, а промежуточные рассуждения не гарантируют правильность ответа.

Dzluck опубликовал GGUF-сборку Qwen3.5 Claude Coder — дообученной модели для автономной работы в Claude Code в роли агента-программиста и системного администратора. Репозиторий содержит варианты на 4 и 9 млрд параметров; карточка указывает базовую модель Qwen/Qwen3.5-9B. Модель рассчитана на контекст до 64 тыс. токенов, диалог и вызов инструментов через совместимый с Anthropic API. Она предназначена для локальных задач с кодом, файлами, диском и сетью: README подчёркивает выполнение действий через инструменты и опору на их фактический вывод. Указана лицензия Apache-2.0. Заявления о качестве и скорости основаны на тестировании автора на компьютерах Apple Silicon через Ollama; приведённые результаты не являются независимой оценкой.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — это многоэтапная дообученная и объединённая версия модели Qwen3.8-27B, опубликованная в репозитории trinityomnis и основанная на модели DavidAU. Модель распространяется в формате GGUF, включая обычные и MTP-квантизации, и ориентирована на запуск на потребительском оборудовании. В README заявлены поддержка английского и китайского языков, размер около 27 млрд параметров, режимы рассуждения, а также специализация на программировании, творческом письме, художественной прозе и ролевых сценариях. Ключевая цель разработки — повысить способность к решению задач и детализации ответов, одновременно сократив объём токенов, затрачиваемых на рассуждение, по сравнению с базовой Qwen3.8. По заявлению автора, модель обучалась с использованием методов COLD FUSION и Fable Fusion 711 и показывает более высокие результаты на ряде внутренних или указанных в README бенчмарков, включая ARC-C и ARC-E. Эти результаты не подтверждены независимыми данными в представленном описании. Сильными сторонами модели заявлены скорость генерации, сокращённое рассуждение, кодинг, подробное творчество и широкий спектр сценариев применения. Ограничения включают отсутствие сведений о размере контекстного окна, точной архитектуре, поддерживаемых мультимодальных входах и системных требованиях. Модель обозначена как uncensored и abliterated, поэтому её ответы могут требовать дополнительной фильтрации и контроля. Лицензия — Apache-2.0.

Redmond-Hermes-Coder 15B — языковая модель Nous Research, дообученная Teknium и Karan4D на базе WizardCoder, использующей StarCoder. Это плотная авторегрессионная модель GPTBigCode для генерации текста и кода; она была обучена на более чем 300 тысячах инструкций, преимущественно на синтетических ответах GPT-4. Модель принимает текстовые инструкции в формате Alpaca и генерирует текстовые ответы. В метаданных указан контекст 8192 токена и поддержка английского языка. Модель предназначена для генерации и объяснения кода, выполнения инструкций, а также творческого письма и других общих текстовых задач. README сообщает о HumanEval 39%: результат ниже WizardCoder, хотя авторы отмечают, что в разнообразных некодовых задачах модель выглядит лучше WizardCoder. Это предварительный эксперимент, поэтому её результаты на задачах программирования могут уступать профильным моделям. Лицензия — GPL.

SDRM-Qwen3-30B-A3B-mask70 — попарная генеративная reward-модель и LLM-судья, дообученная на базе Qwen/Qwen3-30B-A3B-Instruct-2507 методом самодистилляции с маскированием выбранных позиций токенов. Она принимает контекст задачи и два ответа-кандидата, определяет подходящие критерии оценки, сравнивает ответы по этим критериям и выносит вердикт A или B. Модель предназначена для попарного ранжирования ответов и оценки качества диалоговых систем. Архитектура — Qwen3 MoE; в репозитории указано 2,6 млрд параметров, формат весов — safetensors, библиотека — Transformers. Поддерживает английский язык и контекст до 262 144 токенов. Лицензия — Apache-2.0. Для корректной работы требуется подавать контекст и ответы в ожидаемых тегах и соблюдать формат диалога.

SynapseLLM-7B-Mistral-v0.5-preview — предварительная дообученная WebraftAI языковая модель на архитектуре Mistral, представленная в виде полной модели со слитыми адаптерами. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в диалогах, ответы на вопросы и выполнение инструкций по программированию; заявленный контекст — до 32 768 токенов. Обучение выполнено на английском языке на выборке с математическими и общими вопросами и ответами, а также примерами кода, включая Python. Модель может использоваться для англоязычных ответов на вопросы, помощи с кодом и разговорных сценариев. В README указана ограниченная область дообучения и предварительный характер версии. Среди известных ограничений — фактические ошибки, слабое следование системным инструкциям и отсутствие долговременной памяти. Лицензия — Apache 2.0.