II.4Отладка, тестирование и качество ПО

Jebadiah/Tess-coder-ruby-p4 — объединённая модель для генерации текста и кода, созданная с помощью mergekit. В качестве базовой использована Jebadiah/Tess-Qwen-ruby-p3, в слияние также включена rombodawg/Llama-3-8B-Instruct-Coder; применён метод DARE linear. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для диалоговой генерации и помощи с программированием, включая создание и дополнение кода. Она доступна в формате safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.

Time-RCD — модель исследовательской лаборатории thu-sail-lab для обнаружения аномалий во временных рядах без дообучения на данных пользователя. Она принимает одномерный или многомерный временной ряд и вычисляет оценку аномальности для каждого момента времени. В репозитории опубликована модель архитектуры Time_RCD на 29,4 млн параметров в формате safetensors с реализацией, совместимой с Transformers; для инференса авторы рекомендуют API TimeRCDDetector. Модель использует синтетические данные и относительное расхождение контекста для zero-shot-детектирования. В карточке приведены результаты на бенчмарке TSB-AD: VUS-PR 0,52 для одномерного и 0,32 для многомерного сценария. Модель предназначена для поиска аномальных участков во временных рядах, в том числе когда для конкретного ряда нет размеченных примеров и отдельное обучение нежелательно. Она подходит для мониторинга датчиков, метрик и других последовательных измерений, если их можно представить как одномерный или многомерный ряд. Языковой ввод не описан; задача относится к временным рядам. Модель распространяется по лицензии Apache-2.0. README не сообщает длину контекста и не описывает ограничения качества за пределами результатов на указанном бенчмарке.

toffee-3b-beta-i1-GGUF — это набор квантизированных GGUF-версий языковой модели toffee-3b-beta, разработанной zait-ai и подготовленной квантизатором mradermacher. Модель предназначена для генерации текста, диалогов и выполнения инструкций, включая задачи программирования и математического рассуждения. Обучение проводилось с использованием наборов данных HuggingFaceH4/ultrachat_200k, nvidia/OpenMathInstruct-2 и m-a-p/CodeFeedback-Filtered-Instruction. Модель относится к семейству Mistral/Ministral и имеет размер около 3 миллиардов параметров. Заявлен английский язык; поддержка других языков, мультимодальность и размер контекстного окна в README не указаны. Репозиторий содержит варианты квантования от IQ1_S до Q6_K с размером файлов примерно от 1,2 до 3,3 ГБ. Более лёгкие варианты требуют меньше памяти, но могут заметно уступать по качеству; среди доступных вариантов Q4_K_M отмечен как быстрый и рекомендуемый, а Q4_K_S — как удачный компромисс размера, скорости и качества. Сильными сторонами модели являются компактный размер, возможность локального запуска в формате GGUF и специализация на чатах, инструкциях, математике и коде. Ограничения включают снижение качества при низких уровнях квантования и отсутствие в предоставленных данных подробных характеристик архитектуры, контекстного окна, производительности и результатов сравнительных тестов. Модель распространяется по лицензии MIT.

AReaL-boba-2-8B-Open — открытая текстовая модель для генерации кода и решения задач программирования, представленная проектом AReaL от RL Lab, Ant Research. Это версия Qwen3-8B, обученная с помощью асинхронного обучения с подкреплением; в карточке указано 7,6 млрд параметров и контекст до 40 960 токенов. Модель поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для генерации программного кода и рассуждений при решении задач программирования. В README приведены результаты на LiveCodeBench v5, Codeforces и CodeContests. Указанный для 8B версии результат LiveCodeBench v5 — 62,0, а CodeContests — 41,4. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Данные карточки не описывают поддерживаемые естественные языки и конкретные ограничения качества; результаты бенчмарков сами по себе не гарантируют точность в пользовательских проектах.

Jebadiah/Aria-ruby-v4-e — созданная с помощью mergekit слитая языковая модель на архитектуре Mistral с 7,1 млрд параметров. В README описано объединение Aria-ruby-v3 и Tess-coder-ruby-p7 методом DARE TIES; библиотека загрузки — Transformers, веса представлены в формате safetensors. Модель предназначена для генерации текста и кода, в том числе Ruby, и может использоваться в диалоговых сценариях. Заявленная длина контекста составляет 32 768 токенов. Лицензия в предоставленных данных не указана.

mchochlov/codebert-base-cd-ft — модель на базе RoBERTa, представленная в формате Sentence-Transformers и дообученная с помощью контрастивного обучения на фрагментах кода из BigCloneBench. Она преобразует код в плотные векторы размерности 768 и предназначена прежде всего для обнаружения похожих или скопированных фрагментов кода. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Её можно применять для поиска клонов в репозиториях, сравнения фрагментов кода и построения поиска по сходству в пространстве эмбеддингов. Для использования доступны веса PyTorch и safetensors; README описывает запуск через Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

CodeGemma 2B — компактная языковая модель для генерации и обработки исходного кода, представленная Google и распространяемая в GGUF-квантизации пользователем bartowski. Данная версия предназначена для локального запуска через llama.cpp и поставляется в нескольких вариантах квантизации с разным соотношением качества, размера файла и требований к памяти. Модель ориентирована на задачи программирования и генерации текста; исходная модель codegemma-2b доступна на Hugging Face. В README не указаны точная архитектура, длина контекста, поддерживаемые языки программирования или естественные языки, а также мультимодальные возможности. Формат GGUF и отсутствие специального формата промпта упрощают использование в совместимых локальных инструментах. Размер файлов варьируется примерно от 0,77 до 2,66 ГБ; наиболее качественными и рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M. Сильная сторона модели — возможность локального запуска на устройствах с ограниченными ресурсами благодаря широкому выбору квантизаций; при этом низкие уровни квантизации заметно уступают по качеству и некоторые из них не рекомендуются. Квантизация выполнена с использованием llama.cpp и imatrix. Для доступа к исходной модели на Hugging Face требуется принять лицензию Google Gemma; применимая лицензия — Gemma.

MaziyarPanahi/codegemma-2b-GGUF — это набор файлов модели в формате GGUF, созданный MaziyarPanahi на основе модели google/codegemma-2b, разработанной Google. Модель предназначена для генерации текста и может использоваться в сценариях, связанных с обработкой и генерацией кода, а также для локального запуска через совместимые инструменты и библиотеки. Модель имеет размер 2 миллиарда параметров и распространяется в нескольких вариантах квантования: от 2-битного до 8-битного, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K. GGUF поддерживается, в частности, llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python, что позволяет запускать модель локально с использованием CPU или GPU в зависимости от выбранного окружения. Сведения о языках, размере контекста и поддержке мультимодальности в README не указаны. К сильным сторонам относятся компактный размер, широкий выбор уровней квантования и совместимость с популярными средствами локального инференса. К ограничениям относятся возможная потеря качества при более агрессивном квантовании и отсутствие в предоставленных данных подробных характеристик качества, языковой поддержки и контекстного окна. Модель распространяется с лицензией Gemma; точные условия следует уточнять в лицензии исходной модели Google.

davanstrien выпустил текстовую Sentence Transformer-модель, дообученную на базе microsoft/mpnet-base для сравнения сходства предложений и фрагментов кода. Она преобразует текст в плотные векторы размерностью 768 и оценивает сходство по косинусной мере. Максимальная длина входной последовательности — 512 токенов; модель рассчитана на английский язык и распространяется по лицензии Apache-2.0. Модель предназначена для поиска семантически похожего кода и текста, поиска перефразировок, кластеризации, классификации и семантического поиска. В README приведена оценка cosine_accuracy 0,934 на наборе code-similarity-dev. Это результат конкретной оценки, а не гарантия качества на других данных.

SirSahOl подготовил конверсию DeepSeek-R1-Distill-Qwen-1.5B в формат MLX для запуска на компьютерах Apple Silicon. Это плотная причинно-языковая модель семейства Qwen2 с 1,5 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Исходная модель дообучена DeepSeek на примерах рассуждений; её сильные стороны включают решение задач на рассуждение, математику и программирование. Заявленная длина контекста — 131 072 токена. Репозиторий содержит веса safetensors в 16-битном представлении и использует библиотеку MLX. Версия 16-bit рассчитана на устройства Apple Silicon с большим объёмом памяти; для компактных систем автор README рекомендует варианты с меньшей разрядностью. В README приведены замеры на Apple M1 с 8 ГБ памяти, но эти результаты относятся к указанной конфигурации. Модель распространяется по лицензии MIT.

rrainn публикует побайтную копию официального предобученного чекпойнта PARSeq из docTR; модель не обучалась и не изменялась rrainn. Она распознаёт текст на изображениях уже выделенных слов и предназначена для этапа распознавания в OCR-конвейере. Архитектура сочетает Vision Transformer для кодирования изображения и авторегрессионный декодер последовательностей с перестановками; модель работает на PyTorch через python-doctr и ожидает RGB-вход размером 3 × 32 × 128. Максимальная длина последовательности — 32 символа. Модель подходит для транскрибации документов, оценки OCR и как начальная точка для дообучения под конкретный домен. Это не детектор текста на полной странице: для такого сценария её нужно сочетать с детектором или подавать на вход обрезанные изображения слов. Поддерживается настроенный латинский/французский набор символов; качество может снижаться на рукописном, размытом, изогнутом или вертикальном тексте и на данных, отличающихся от обучающих. Состав обучающей выборки раскрыт не полностью, а уверенность последовательности не гарантированно откалибрована. Лицензия — Apache-2.0.

Godot-Dodo 4x 60k LLaMA 13B — модель генерации текста с инструктивной настройкой на основе LLaMA. По карточке модели, она обучена в апреле 2023 года на наборе из 60 тысяч примеров следования инструкциям; оценка проводилась на запросах с инструкциями по программированию. Архитектура — плотная LLaMA с 12,9 млрд параметров, контекст — 2048 токенов. Модель предназначена для генерации ответов на инструкции и помощи с задачами программирования. Доступны веса PyTorch. Карточка отсылает за подробностями к GitHub, поэтому конкретные результаты оценки и условия лицензии здесь установить нельзя.

Карточка модели ashpika13/LocateAnything-3B-cascade 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.

EpistemeAI/MathCoder-Llama3.1-8B-cot — дообученная EpistemeAI модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Она создана для генерации текста с цепочкой рассуждений и ориентирована на решение математических задач и помощь с кодом. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В основе модели — плотный авторегрессионный трансформер Llama, дообученный методом supervised fine-tuning с использованием chain of thought. Карточка описывает Llama 3.1 как многоязычное семейство, однако именно для этой модели подтверждён английский язык. Лицензия в метаданных — Apache 2.0. Качество ответов и корректность рассуждений могут варьироваться, поэтому результаты вычислений и сгенерированный код требуют проверки.

motherlode-code-small-en-v0.1 — англоязычная модель эмбеддингов, разработанная RiverRider для поиска и сопоставления кода и текста. Она предназначена, в частности, для ранжирования файлов репозитория, связанных с описанием задачи, поиска кода по запросу и семантического поиска. По README, модель получена усреднением весов двух дообученных вариантов BAAI/bge-small-en-v1.5: один обучали находить файлы для изменения по GitHub issue, другой — воспроизводить геометрию эмбеддингов gte-modernbert-base. В метаданных указано 40 млн параметров; README указывает 33,4 млн. Архитектура — плотная BERT, выход CLS размерности 384; контекст — до 512 токенов. Поддерживаются sentence-transformers, ONNX и GGUF F16. Для применения в поисковом индексе README приводит пример нормализации эмбеддингов и сравнения косинусной близости. README сообщает о лучших результатах ранжирования файлов на SWE-bench Verified по сравнению с BGE-small в описанных авторами настройках, а также приводит результаты поиска кода на CoIR; часть оценок помечена как probe из-за возможного пересечения обучающих данных. Лицензия в метаданных обозначена как other, поэтому условия использования следует сверить с карточкой репозитория. Модель рассчитана на английский язык; входные длинные тексты обрезаются до лимита токенов. Для сопоставления величин косинусных оценок README рекомендует центрирование эмбеддингов, но отмечает, что в приведённых экспериментах оно не улучшило ранжирование.

Nemotron-Terminal-8B — модель NVIDIA для автономного взаимодействия с терминалом. Она дообучена на базе Qwen3 и специализирована на задачах, где нужно анализировать состояние терминала, планировать действия и выдавать команды в структурированном JSON-формате для оболочки Terminus 2. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; заявленная длина контекста — 40 960 токенов. В README приведён результат 13,0% на Terminal-Bench 2.0 для варианта 8B, выше указанного результата базовой Qwen3 8B в 2,47%. Модель ориентирована на англоязычные терминальные сценарии; метаданные указывают поддержку чата и библиотеку Transformers. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

lmstudio-community/Phi-4-mini-reasoning-MLX-4bit — это 4-битная версия модели Phi-4-mini-reasoning, разработанной Microsoft и преобразованной сообществом lmstudio-community в формат MLX с использованием mlx-lm 0.24.0. Модель предназначена для генерации текста, включая задачи обработки естественного языка, математики и программного кода. В README приведён пример решения квадратного уравнения, что указывает на сценарии, связанные с рассуждениями и решением математических задач. Модель поддерживает текстовую модальность; в метаданных указан английский язык. Точные сведения об архитектуре, количестве параметров и размере контекста в README отсутствуют. Для использования требуется библиотека mlx-lm и совместимое с MLX окружение, а загрузка выполняется через интерфейс mlx_lm. 4-битное представление снижает требования к памяти, но может влиять на точность по сравнению с исходной моделью. Лицензия — MIT.

bappi/Qwen2.5-Coder-3B-Uncensored — текстовая генеративная модель, опубликованная пользователем bappi на Hugging Face. Репозиторий содержит модель примерно на 3 млрд параметров в формате Safetensors и предназначен для запуска через Transformers, vLLM и совместимые инструменты. По идентификатору и тегам это вариант семейства Qwen2.5-Coder, ориентированный прежде всего на генерацию и обработку программного кода, однако точное описание дообучения и сведения о разработчике в карточке модели отсутствуют. Надёжно подтверждены возможности text generation и conversational inference. Для базовой модели Qwen2.5-Coder-3B официально указаны архитектура Qwen2ForCausalLM, 3,09 млрд параметров, 36 слоёв, механизм GQA и контекст до 32 768 токенов; семейство предназначено для задач кодогенерации, завершения кода и работы с математическими и общими текстовыми запросами. Мультимодальность не заявлена. Языки и фактическое качество именно этой производной модели не описаны в её карточке, поэтому их нельзя достоверно установить. Карточка модели автоматически сгенерирована и не содержит данных о тестах, обучающих данных, ограничениях, рисках или лицензии. Условия лицензирования данной производной модели не указаны; лицензию базовой модели нельзя автоматически считать лицензией этого репозитория. Из-за отсутствия сведений о методе модификации, оценках и ограничениях следует ожидать возможных ошибок и проверять результаты, особенно в программном коде.

Qwen3.5-4B SWE-OPD tmax500 baseline step 105 — текстовый чекпойнт Qwen3.5-4B, дообученный методом on-policy distillation на наборе Harbor SWE. Его разработчик — StephYang; модель предназначена для генерации текста и диалоговых сценариев, в частности для задач, связанных с программной инженерией. Чекпойнт обучался 3 эпохи, до 105-го шага, на выборке из 423 обучающих и 30 валидационных примеров. Архитектура — плотная причинная языковая модель Qwen3_5ForCausalLM; размер — 3,4 млрд параметров, формат весов — bfloat16 Safetensors, библиотека — Transformers. Контекстное окно — 262 144 токена. Это текстовый вариант базовой модели, экспортированный из FSDP-актора в объединённый файл весов. Для загрузки README указывает Transformers версии 5.6.0 или новее. Лицензия — Apache-2.0. Карточка описывает специализированное обучение на SWE-данных, но не приводит результаты оценки качества; заявленные характеристики базовой модели, включая понимание изображений, к этому текстовому чекпойнту не следует автоматически относить.

SmallThinker-4BA0.6B-Instruct — языковая модель с открытыми весами, разработанная IPADS и Школой искусственного интеллекта Шанхайского университета Цзяо Тун совместно с Zenergize AI. Модель предназначена для локального запуска на устройствах с ограниченными ресурсами и генерации ответов в диалоговом формате. Это плотная по типу каталожной архитектуры модель семейства SmallThinker с архитектурой Mixture-of-Experts: всего 4 млрд параметров, из которых активируются 0,6 млрд; в метаданных указано 1,3 млрд параметров. Модель принимает текст, поддерживает контекст до 32 768 токенов и обучена преимущественно на английском языке. Разработчики сообщают о механизмах разреженной маршрутизации и внимания, рассчитанных на снижение вычислительных затрат, памяти и задержек при локальном инференсе. Модель подходит для диалоговых помощников, ответов на вопросы, рассуждений и генерации кода; в README приведены результаты тестов по математике, знаниям и программированию. Показатели тестов не гарантируют точность в практических сценариях. Ответы могут содержать ошибки, предвзятость или устаревшие сведения, поэтому их следует проверять. Лицензия — Apache-2.0.

Trinity-33B-v1.0 — языковая модель общего назначения для генерации кода от WhiteRabbitNeo. В карточке заявлен результат 70 баллов на HumanEval. По метаданным это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM и 33,1 млрд параметров; она принимает текст и генерирует текст. Нативная длина контекста — 16 384 токена. Модель предназначена прежде всего для генерации кода и помощи в задачах программирования. Лицензия в метаданных обозначена как other; README содержит условия использования, отказ от гарантий и требование к пользователю нести ответственность за результаты применения модели. Карточка не уточняет поддерживаемые языки программирования и ограничения качества за пределами заявленного результата HumanEval.

baichuan-vicuna-7b — диалоговая модель, созданная командой fireballoon путём полного дообучения базовой Baichuan-7B на данных ShareGPT в формате Vicuna. Модель основана на плотной архитектуре LLaMA и содержит 6,7 млрд параметров; для обучения использовался FastChat. Нативная длина контекста — 4096 токенов. Модель предназначена для диалогов и генерации ответов на китайском и английском языках. В обучающую смесь также включены данные Chain-of-Thought и решения задач LeetCode на Python, чтобы улучшить рассуждения и программирование. Репозиторий содержит веса PyTorch и поддерживает загрузку через Transformers. Карточка указывает, что базовая Baichuan-7B допускает коммерческое использование, но отдельные условия лицензии этой производной модели здесь не приведены. Качество ответов, рассуждений и кода не гарантируется; длина контекста ограничена 4096 токенами.

Карточка модели psikosen/canopy-258m-r3-v5 на Hugging Face совпадает с карточкой psikosen/canopy-258m-r3-v4, поэтому описание составлено по ней. psikosen/canopy-258m-r3-v4 — компактная генеративная модель семейства Canopy, представленная как модель для рассуждений на периферийных устройствах и автоматизации браузера. В README описана архитектура рекуррентной смеси экспертов (MoE), однако метаданные указывают класс CanopyForCausalLM и 136,8 млн параметров; поэтому размер и точные архитектурные детали в источниках расходятся. Согласно README, модель ориентирована на генерацию текста, многошаговые рассуждения и выполнение действий в браузере, включая заполнение форм и цепочки действий. В карточке заявлены ограничение памяти KV-кэша при длинных последовательностях и ускорение генерации и браузерных операций; эти показатели приведены самим автором и независимая проверка в предоставленных данных отсутствует. Метаданные указывают английский язык и поддержку чата и кода. Модель распространяется под лицензией Apache-2.0.

Code Llama 7B — базовая авторегрессионная языковая модель Meta с оптимизированной архитектурой Transformer, предназначенная для генерации и понимания кода. Это версия на 7 млрд параметров в формате для Hugging Face Transformers; модель принимает текст и генерирует текст. Модель подходит для автодополнения кода и заполнения пропусков в коде. Она рассчитана на английский язык и языки программирования; режим следования инструкциям и чат для этой базовой версии не предусмотрены. Для специализированной работы с Python и диалогового помощника существуют отдельные варианты семейства. Модель выпущена под лицензией Meta Llama 2. Возможны неточные или нежелательные результаты, поэтому перед внедрением требуется проверка поведения в целевом сценарии.

deepseek-ai/deepseek-coder-6.7b-base — базовая языковая модель для программирования, разработанная DeepSeek. Это плотная авторегрессионная модель семейства Llama с архитектурой Multi-Head Attention и 6,6 млрд параметров, обученная с нуля на 2 трлн токенов: 87% обучающих данных составлял код, 13% — естественный язык на английском и китайском. Модель работает с контекстом до 16 384 токенов. Она предназначена для генерации и дополнения кода, заполнения пропусков внутри кода и завершения фрагментов с учётом проекта или репозитория. Обучение на коде нескольких языков программирования и задача fill-in-the-blank поддерживают редактирование кода в заданном контексте. Модель является базовой, а не настроенной для диалога, поэтому для интерактивного помощника может потребоваться дополнительная настройка. Модель опубликована в форматах PyTorch и Safetensors. В README заявлены результаты уровня ведущих открытых моделей на бенчмарках HumanEval, MultiPL-E, MBPP, DS-1000 и APPS. Лицензия указана как «other»; перед использованием следует проверить условия в карточке модели Hugging Face.

DeepSeek-V4.1-Flash-UNCENSORED-DwarfStar-Q2 — независимая общественная конверсия модели DeepSeek-V4.1-Flash, разработанной DeepSeek AI, и производного abliterated-чекпойнта dealignAI. Конверсию, упаковку и локальное тестирование выполнил pyrodog; обучение, дообучение, слияние моделей и дополнительная abliteration не проводились. Модель предназначена для генерации текста и программного кода, а также для сценариев с вызовом инструментов, что было проверено через OpenCode. Это текстовая модель с вводом и выводом в виде текста, представленная в специальном формате Q2 GGUF для inference engine DwarfStar. Файл занимает около 340,6 GiB; используются различные схемы квантования, включая IQ2_XXS, Q2_K, Q8_0, F16 и F32. Визионные веса и веса для speculative decoding DSpark удалены, поэтому данная сборка не поддерживает соответствующие возможности исходного чекпойнта. Языки, точный размер архитектуры и полный перечень параметров в карточке не указаны. В примерах запуска задан контекст до 262 144 токенов. Главные особенности — существенно меньший размер по сравнению с исходным чекпойнтом, возможность работы на Apple Silicon с SSD-streaming и поддержка инструментов через DwarfStar. Ограничения включают нестандартную раскладку тензоров: файл не предназначен для llama.cpp, Ollama, LM Studio и других обычных GGUF-рантаймов. Для работы требуются DwarfStar с поддержкой DeepSeek V4.1, быстрый локальный SSD и значительный объём дискового пространства; на тестовой системе Apple M5 Max с 128 GB unified memory основные веса превышали доступную оперативную память и загружались потоково. Качество не гарантируется эквивалентным опубликованной activation-calibrated Q2-сборке. Распространение указано под лицензией MIT.

EttinX Cross-Encoder NLI — компактная англоязычная модель Дэниела Миллера для определения логической связи между парой текстов. Она классифицирует пару как противоречие, нейтральное отношение или следование; основана на энкодере Ettin-17m семейства ModernBERT и содержит 16,8 млн параметров. Модель дообучена на наборе all-nli-distill с логитами учителя ModernCE-large-nli, чтобы улучшить качество относительно обычного обучения. Модель рассчитана на лёгкий инференс, в том числе на CPU, и может применяться для проверки гипотез, оценки ответов LLM и сравнения предложений с учётом их смысловой связи. README сообщает результаты micro-F1 80,47% на MNLI mismatched и 86,95% на SNLI. Длина контекста составляет до 7999 токенов по метаданным; README указывает 8192 токена. Лицензия в предоставленных данных не указана.

Карточка модели txchmechanicus/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.

aryyanthakrr/mergekit-linear-hvabxqs — объединённая языковая модель, созданная методом линейного слияния mergekit на основе Qwen2.5-Coder-0.5B-Instruct с добавлением Qwen2.5-0.5B-Instruct. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и распространяется в формате safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для генерации текста и диалогов, а также может применяться для задач программирования благодаря включению кодовой модели. Метаданные указывают контекст до 32 768 токенов и интерфейс вызова инструментов. В README описано равное линейное слияние двух моделей в формате float16. Качество и поведение конкретного слияния отдельно не оценены в предоставленной карточке. Лицензия в доступных данных не указана.

orca_mini_v2_13b — языковая модель Pankaj Mathur, созданная в сотрудничестве с Eric Hartford на основе LLaMA-13B. Это плотная авторегрессионная модель с 12,9 млрд параметров, предназначенная для генерации текста и выполнения инструкций. Для обучения использованы наборы WizardLM, Alpaca и Dolly-V2, подготовленные с подходами из исследовательской работы Orca; в README также отмечено улучшение генерации кода по сравнению с предыдущей версией orca_mini_13b. Модель рассчитана на текстовые запросы и ответы на английском языке; максимальная длина контекста составляет 2048 токенов. Автор публикует результаты оценивания на наборах задач ARC и HellaSwag и указывает на uncensored-настройку. Модель распространяется в форматах PyTorch и safetensors по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.