II.4Отладка, тестирование и качество ПО

DrishtiSharma/wav2vec2-large-xls-r-300m-hi-CV7 — модель распознавания речи, разработанная Drishti Sharma и дообученная на базе facebook/wav2vec2-xls-r-300m на наборе Common Voice 7.0 для языка хинди. Она использует архитектуру Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст на хинди. Модель подходит для транскрибирования записей речи и оценки систем распознавания хинди. В README указаны значения loss 0,6588 и WER 0,2987 на оценочном наборе. Модель распространяется по лицензии Apache-2.0.

WhiteRabbitNeo-33B-v1 — плотная авторегрессионная языковая модель семейства Llama с 33,1 млрд параметров, разработанная командой WhiteRabbitNeo. Она предназначена для генерации текста и задач кибербезопасности, включая обсуждение атакующих и защитных сценариев, анализ уязвимостей и помощь с кодом. Карточка представляет модель как публичное предварительное испытание возможностей серии; в README приведены примеры запросов по разработке серверов, тестированию IoT и Wi-Fi, reverse shell и Scapy. Модель принимает текст и генерирует текст. Заявленная длина контекста — 16 384 токена. Метаданные указывают PyTorch; README ссылается на более новую версию 33B-v1.1 для веб-приложения, поэтому возможности этой версии могут отличаться от опубликованного чекпойнта. Лицензия обозначена как other, а README приводит условия использования с отказом от гарантий и ответственностью пользователя; точные права на распространение и коммерческое применение из этих данных неясны.

Это исследовательский контрольный чекпойнт плотной языковой модели Qwen3-4B, созданный командой agurung методом обучения с подкреплением GRPO на базе Qwen/Qwen3-4B-Instruct-2507. Обучение проводилось непосредственно от базовой instruct-модели без отдельного SFT-старта; чекпойнт сохранён на шаге 40 и показал лучший в данном запуске результат по pass@8. Модель предназначена для генерации кода и решения задач программирования: награда при обучении зависела от того, проходила ли сгенерированная программа тесты. Обучающий набор включал сложные задачи, которые исходная модель решала не более чем в 2 из 64 попыток. Использованы два эпизода обучения, до 4096 новых токенов на генерацию и штрафы за усечение ответа. Архитектура — Qwen3ForCausalLM, около 3,7 млрд параметров; контекст — до 262 144 токенов. Модель принимает текст и выдаёт текст. Чекпойнт ориентирован на программирование, однако метрики оценки в карточке отсутствуют, а лучший pass@8 указан только относительно этого запуска. Языки программирования и поддерживаемые естественные языки отдельно не перечислены. Лицензия в предоставленных данных не указана.

TechxGenus/CodeGemma-7b — модель генерации кода, созданная дообучением Gemma-7b на 0,7 млрд дополнительных высококачественных токенов, связанных с программированием, в течение трёх эпох. Модель использует плотную архитектуру GemmaForCausalLM, содержит 8,2 млрд параметров и рассчитана на контекст до 8192 токенов. Для запросов применяется формат инструкций Alpaca без системного сообщения. Модель предназначена для генерации и дополнения кода по текстовым инструкциям. В README указана оценка 67,7 pass@1 на HumanEval-Python. Она работает через библиотеку Transformers и хранится в формате safetensors. Карточка отмечает ограниченную проверку: ответы могут содержать ошибки и вводить в заблуждение, а качество на задачах вне программирования может быть слабым. Лицензия указана как other; конкретные условия использования следует сверить с лицензией базовой модели и карточкой репозитория.

CodeSage V2 — открытая модель для представления исходного кода в виде эмбеддингов, разработанная авторами семейства CodeSage. Это энкодер на 453 млн параметров с контекстом до 2048 токенов; карточка описывает извлечение 1024-мерных эмбеддингов. Модель дообучена контрастивным обучением на парах описаний и фрагментов кода из The Stack V2 с фильтрацией данных, а её предварительно обученная основа использовала masked language modeling и деобфускацию. Модель предназначена для семантического поиска по коду и поиска кода по текстовому запросу, а также для других задач понимания исходного кода. Поддерживаются C, C#, Go, Java, JavaScript, TypeScript, PHP, Python и Ruby. Код доступен как текстовый вход, результат — векторные представления; используется через Transformers или SentenceTransformer. Модель распространяется по лицензии Apache-2.0. Карточка приводит отдельный размер энкодера 356 млн параметров, тогда как метаданные репозитория указывают 453 млн параметров.

english_code_retriever — модель Sentence Transformers, разработанная fyaronskiy на основе answerdotai/ModernBERT-base и дообученная на наборе code_search_net с функцией потерь MultipleNegativesRankingLoss. Она предназначена для поиска фрагментов кода по текстовому запросу и для ранжирования найденных результатов. Модель строит плотные векторы размерности 768 с mean pooling; релевантность можно оценивать косинусным сходством. Максимальная длина входной последовательности — 8192 токена, размер модели — 149 млн параметров. Модель ориентирована на английский язык и поиск по коду; в карточке перечислены Python, Java, Go и PHP. README приводит результаты на бенчмарках RTEB и COIR, но они не гарантируют такого же качества на других данных. Модель распространяется по лицензии MIT.

Это объединённый чекпойнт jakeroxs на основе KAT-Coder V2.5 Dev 35B-A3B: к варианту Philadelphia Class с изменённым поведением отказов добавлены совместимые веса слоя Multi-Token Prediction (MTP). Базовая модель разработана KwaiPilot; вариант Philadelphia Class подготовил KridgeDookie, а MTP-голову — Myric. Модель предназначена для генерации кода и локальных сценариев программирования и работы coding-агентов. Архитектура — Qwen3.5 MoE, около 35,51 млрд параметров при примерно 3 млрд активных; репозиторий содержит веса safetensors. Добавленный MTP-слой предназначен для экспериментов со спекулятивным декодированием. Карточка также указывает разговорное применение и английский и китайский языки. Abliteration направлена на снижение склонности к отказам, но не гарантирует определённого поведения. Чекпойнт предлагается для дальнейшей конвертации или квантизации, а для прямого использования с llama.cpp автор рекомендует связанный GGUF-репозиторий. Лицензия — Apache-2.0.

Это общественная производная KAT-Coder V2.5 Dev, созданная AceTheUnfazed объединением GGUF-сборки KAT-Coder V2.5 Dev APEX I-Compact с блоком MTP/NextN из Qwen3.6-35B-A3B APEX MTP. Основная часть сохраняет исходную квантизацию APEX I-Compact, а добавленный блок использует представления Q8_0, F32 и BF16. Модель поддерживает диалог и работу с изображениями; в метаданных указаны английский и китайский языки. Для запуска автор рекомендует совместимую сборку llama.cpp с поддержкой Qwen3.6/NextN и speculative decoding через draft-mtp. Модель предназначена для локального диалогового использования, включая сценарии с изображениями, с ускоренным декодированием за счёт MTP. В README приведены замеры на одной конфигурации оборудования; они показывают более высокую скорость относительно исходной сборки KAT-Coder APEX, но не гарантируют таких результатов на других системах. Указанная в примере конфигурации длина контекста — 98 304 токена, однако README не подтверждает стабильность на всём этом диапазоне. Это неофициальная сборка сообщества и не новое обучение модели. Лицензия репозитория — Apache-2.0; права на исходные модели и файлы сохраняются за их авторами.

Kiwen-27B — дообученная мультимодальная модель Qwen, созданная на основе Qwen/Qwen3.8-27B с использованием длинных трасс рассуждений Kimi K3. Её дообучение направлено на то, чтобы модель завершала рассуждение и выдавала ответ до исчерпания лимита генерации; автор не заявляет, что она в целом сильнее базовой модели. Модель предназначена для диалогов и задач с изображениями, а также для многошаговых задач на рассуждение, включая математику и программирование. В README приведены результаты GSM8K: улучшение точности составило 10,31 процентного пункта при гибком извлечении ответа и 6,07 пункта при строгом. Это указывает, что часть выигрыша связана с более надёжным завершением ответа, а не обязательно с улучшением математических способностей. Проверка на вьетнамских корпоративных документах показала небольшое ухудшение NLL относительно базовой модели. Kiwen-27B — плотная модель семейства Qwen с 27 млрд параметров, архитектура Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и выдаёт текст. В метаданных указаны вьетнамский, английский и китайский языки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Lux-V2-Pro — плотная языковая модель на 31 млрд параметров, разработанная PoSTMEDIA AI Lab полным дообучением Gemma-4-31B-it. Она предназначена для диалогов и генерации текста, с особым акцентом на корейский язык, рассуждения и следование инструкциям. Модель обучали на синтетических корейских данных для общих диалогов, программирования, права, культурного наследия, туризма и математики; README сообщает о проверке данных исполнением кода, символическими вычислениями, правилами и источниками. Модель ориентирована на сложные корейскоязычные задачи, включая ответы на вопросы по предметным областям и математические рассуждения. В карточке приведены внутренние результаты тестов и заявлено улучшение относительно Lux-V1-Pro по большинству из 18 бенчмарков. Для высокорисковых решений ответы следует проверять: сведения могут быть неверными или устаревшими, особенно в правовой тематике. Модель наследует ограничения Gemma-4. Распространяется по лицензии Apache-2.0.

OPF Russian PII 66K — дообученная модель OpenAI Privacy Filter, разработанная для выявления и разметки персональных данных в русском тексте. Это модель token classification семейства privacy_filter с архитектурой MoE, около 145,4 млн параметров; она выдаёт OPF-совместимые предсказания фрагментов и поддерживает локальную фильтрацию перед обработкой текста LLM или RAG-системами. Модель предназначена для текстов финансовых сервисов, поддержки клиентов и колл-центров. Она распознаёт имена, телефоны, адреса, даты, номера счетов и документов, налоговые номера, имена пользователей и секреты, помогая строить конвейеры маскирования и анонимизации. Карточка приводит высокие метрики на валидационной выборке обучающего датасета, но предупреждает, что они не гарантируют качество на реальных данных вне этого распределения. Модель дообучена на bbeglerov/russian-pi-66k-opf на базе openai/privacy-filter и опубликована в формате safetensors. Лицензия указана как other. Не рекомендуется использовать её как единственную меру защиты персональных данных без дополнительной проверки; возможны ошибки на шумных транскрипциях, казахском и смешанном тексте, новых форматах, намеренно скрытых данных и текстах из других областей.

Ouro-1.4B-Thinking — языковая модель ByteDance для генерации текста и диалогов с акцентом на рассуждения. Это плотная причинно-языковая архитектура OuroForCausalLM примерно на 1,3 млрд параметров; модель дообучена методом supervised fine-tuning на данных для рассуждений. Поддерживает контекст до 65 536 токенов и принимает текст, выдавая текст с подробными шагами рассуждения. Модель предназначена прежде всего для математических, научных и связанных с кодом задач, а также для диалогов. В архитектуре используются четыре рекуррентных шага с настраиваемым адаптивным выходом; промежуточные выходы могут служить оценками финального ответа. README сообщает о результатах, сопоставимых с некоторыми моделями на 4 млрд параметров, но не приводит конкретных оценок. Для запуска рекомендуется Transformers 4.56.0; vLLM не поддерживает адаптивный выход. Лицензия — Apache-2.0. Разработчики обозначают модель как исследовательскую и предоставляют её без гарантий пригодности для промышленного применения.

Карточка модели Sakalti/Saba1.5-Abkhaz на Hugging Face совпадает с карточкой Sakalti/saba1.5-coder, поэтому описание составлено по ней. Saba1.5-Coder — языковая модель Sakalti на архитектуре Qwen2, дообученная на основе Sakalti/Saba1.5-Pro. Модель содержит 1,5 млрд параметров и поддерживает контекст длиной до 256 000 токенов. Модель предназначена для генерации текста и диалогов; название и обучающий набор HachiML/alpaca_jp_python указывают на применение в задачах программирования на Python. В метаданных также отмечен интерфейс для вызова инструментов. Модель обучалась с использованием Unsloth и TRL и распространяется в формате Safetensors. Модель лицензирована по Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о языках программирования и точном наборе навыков, поэтому пригодность для конкретных задач разработки следует проверять на собственных примерах.

buelfhood/SOCO-Java-CodeBERTa-MNRL-Triplets-100 — Sentence Transformer, дообученный разработчиком buelfhood на наборе soco_train_java на базе huggingface/CodeBERTa-small-v1. Модель использует архитектуру RoBERTa с усреднением токенных представлений и преобразует текст в плотные векторы размерностью 768; сходство оценивается косинусной мерой. Максимальная длина входа — 512 токенов (514 токенов контекстного окна по метаданным). Модель предназначена для сравнения семантической близости текстов, семантического поиска, поиска перефразировок, классификации и кластеризации. Обучение на данных Java ориентирует её на тексты и фрагменты, связанные с Java-кодом; выходные векторы можно использовать в системах поиска и ранжирования. Это не генеративная модель: она выдаёт эмбеддинги, а не готовые ответы или код. Лицензия в предоставленных данных не указана.

SOCO-Java-CODEBERTA-MNRL-TRIPLETS-E1-B16 — модель Sentence Transformers, созданная дообучением huggingface/CodeBERTa-small-v1 на наборе soco_train_java. Она кодирует текст в плотные векторы размерностью 768 для вычисления семантического сходства и поиска по смыслу, в том числе в задачах с исходным кодом Java. Архитектура основана на RoBERTa: модель усредняет представления токенов, максимальная длина последовательности — 512 токенов (метаданные указывают 514 токенов контекста), функция сходства — cosine similarity. Обучение использовало MultipleNegativesRankingLoss. Модель подходит для семантического поиска, поиска похожих фрагментов кода и кластеризации текстов или кода. Она выдаёт эмбеддинги, а не готовые ответы или метки; качество зависит от соответствия входных данных обучающему набору Java. Лицензия в предоставленных данных не указана.

laion/tt-x4_temperature-t1p0-45-30B — исследовательский контрольный снимок, опубликованный LAION как шаг 45 эксперимента TaskTrove X4 с температурой генерации 1,0. Это дообучение Qwen/Qwen3-Coder-30B-A3B-Instruct методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; обучение было ориентировано на многофайловые задачи программирования, а контрольный снимок выбран по скользящему среднему награды. Архитектура — MoE на базе Qwen3; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Модель принимает текст и генерирует текст в диалоговом режиме. Карточка описывает завершённый двухэпоховый эксперимент и сообщает метрики выбранного снимка: среднюю награду 0,2305 и pass@8 0,375. Эти результаты относятся к конкретной экспериментальной настройке и не гарантируют аналогичного качества на других задачах. Модель распространяется по лицензии Apache-2.0.

ZiRA-Researcher — дообученная модель проекта 0xvoid на базе Qwen/Qwen3.5-4B, предназначенная для исследовательских ответов, многошаговых рассуждений и сложных вопросов. Это плотная текстовая причинная модель примерно на 3,4 млрд параметров с контекстом до 262 144 токенов; репозиторий содержит веса в формате Safetensors. Карточка описывает архитектуру Qwen3.5 как гибрид Gated Delta Network и разреженной смеси экспертов. Модель обучена синтезировать сведения, строить последовательные аргументы, отмечать неопределённость и пересматривать ошибки в ходе генерации. Она подходит для анализа длинных документов, многоэтапных логических задач и технических разборов; карточка рекомендует её для локального запуска и сценариев с ограниченным бюджетом. Встроенного доступа к вебу или поиска по источникам нет, поэтому для RAG нужно передавать извлечённые материалы в запросе. Дообучение преимущественно ориентировано на английский, хотя базовая архитектура поддерживает 201 язык. На узкоспециализированных темах модель может выдумывать сведения, а подробные рассуждения могут быть медленными и многословными. Лицензия — Apache-2.0.

DCAgent/a1-crosscodeeval_typescript — дообученная DCAgent модель на основе Qwen/Qwen3-8B, созданная на наборе обучающих примеров CrossCodeEval для TypeScript. Это плотная языковая модель с 7,6 млрд параметров, предназначенная для генерации текста и диалоговых сценариев; каталог указывает поддержку чата. Модель принимает текст и генерирует текст, а базовое семейство Qwen3 рассчитано на работу с кодом и инструкциями. В карточке указано дообучение на подготовленных примерах CrossCodeEval, однако подробности поведения, оценки качества и конкретные ограничения не приведены. Контекстное окно составляет 40 960 токенов. Модель опубликована в формате safetensors; лицензия обозначена как other, поэтому условия использования следует уточнить на странице репозитория.

unsloth/codellama-7b-bnb-4bit — это 4-битная версия модели CodeLlama 7B, опубликованная командой Unsloth и предназначенная для использования с библиотекой Transformers. По доступным данным, модель рассчитана прежде всего на эксперименты и дообучение: README описывает применение Unsloth для ускоренного fine-tuning моделей семейства CodeLlama, а также экспорт дообученных моделей в форматы GGUF и vLLM или загрузку на Hugging Face. Модель имеет около 7 миллиардов параметров и использует 4-битное квантование BNB, что снижает требования к памяти и делает её более подходящей для запуска и дообучения на ограниченных GPU-ресурсах. Указан английский язык, однако сведения о поддерживаемых модальностях, максимальной длине контекста и точной архитектуре в README отсутствуют. Основной сценарий — работа с задачами генерации и обработки кода на базе CodeLlama, включая дообучение на собственных наборах данных. К сильным сторонам относятся компактное 4-битное представление и совместимость с экосистемой Transformers и инструментами Unsloth для ускоренного fine-tuning. Конкретные показатели качества, ограничения модели, требования к аппаратному обеспечению и результаты тестирования не приведены. Лицензия — Apache-2.0.

Bud Code Millenials 13B — языковая модель для генерации кода, разработанная Bud Ecosystem и дообученная для задач программирования. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, рассчитанная на контекст до 16 384 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель предназначена для генерации фрагментов кода по текстовому описанию и помощи в программировании. В README заявлен результат 76,21 pass@1 на HumanEval; это показатель из карточки разработчика, приведённый без независимой проверки. Модель может ошибаться и хуже справляться с задачами вне программирования. Лицензия — Llama 2.

Это объединённая линейным слиянием модель языковых моделей deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B и Qwen/Qwen2.5-Math-1.5B, созданная автором репозитория с помощью mergekit. Она предназначена для генерации текста в диалоговом формате и может применяться для решения математических задач и задач программирования благодаря возможностям исходных моделей.

Llama-3-Patronus-Lynx-70B-Instruct-i1-GGUF — это набор квантизированных моделей в формате GGUF, созданный на основе PatronusAI/Llama-3-Patronus-Lynx-70B-Instruct. Исходную модель разработала Patronus AI, а квантизацию выполнил mradermacher. Модель относится к семейству Llama 3 и предназначена для генерации текста в режиме следования инструкциям. По данным карточки, модель ориентирована на задачи оценки качества ответов и обнаружения галлюцинаций. Указан английский язык, текстовая модальность и архитектура на 70 миллиардов параметров; сведения о размере контекста и дополнительных языках отсутствуют. Репозиторий содержит варианты квантизации с разным соотношением размера, скорости и качества, включая IQ-кванты и варианты Q2–Q6. Главное преимущество — возможность запускать крупную модель в более компактном виде, выбирая подходящий вариант квантизации. Ограничения связаны с возможной потерей качества на низких уровнях квантизации, значительными требованиями к памяти и отсутствием в карточке подробных результатов оценки. Модель распространяется по лицензии CC BY-NC 4.0, которая предусматривает некоммерческое использование.

Nex-N2.5-mini-Uncensored-GGUF — это набор GGUF-квантизаций модели Nex-N2.5-mini, опубликованный OrcaRouter на основе модели Nex-AGI. Версия является abliterated-сборкой с существенно удалённым механизмом отказов и предназначена прежде всего для исследований интерпретируемости, безопасности ИИ, изучения механизмов отказа, red teaming, оценки устойчивости и контролируемых экспериментов. Модель представляет собой мультимодальную agentic Mixture-of-Experts-систему на архитектуре Qwen3.5-MoE: 35 млрд параметров, около 3,5 млрд активных на токен, 256 маршрутизируемых экспертов с выбором top-8 и одним общим экспертом. Используется гибридное соотношение 3:1 между gated delta-net linear attention и full attention, встроенная vision-башня Qwen3-VL и контекст до 262 тысяч токенов. Поддерживаются английский и китайский языки, работа с текстом и изображениями, а также сценарии computer use и function calling. Файлы рассчитаны на запуск в llama.cpp на CPU, CUDA, Metal и ROCm; доступны квантизации от 2 до 8 бит с importance matrix, а для vision требуется отдельный файл mmproj. К сильным сторонам относятся большой контекст, мультимодальность, MoE-архитектура с низким числом активных параметров и широкий выбор квантизаций, включая рекомендуемую 4-битную IQ4_XS. Ограничения включают заметное падение качества на наиболее агрессивных квантизациях, необходимость свежей версии llama.cpp с поддержкой архитектуры qwen35moe и отсутствие MTP-головы, поэтому speculative decoding через MTP недоступен. Из-за удаления защитных механизмов модель может выполнять вредоносные, незаконные и опасные запросы и не имеет значимых встроенных ограничений безопасности; её не следует использовать в production или напрямую предоставлять конечным пользователям без собственных систем модерации и защиты от злоупотреблений. Лицензия — Apache 2.0, унаследованная от базовой модели.

Deepchecks parrot_fluency_model_onnx — ONNX-оптимизированная модель классификации текста, разработанная Deepchecks на основе оригинальной parrot_fluency_model. Она предназначена для оценки беглости и естественности англоязычных предложений и текстовых фрагментов с использованием pipeline text-classification. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и поддерживает входной контекст длиной до 512 токенов. Модель ориентирована на запуск на GPU через ONNX Runtime и может применяться для автоматической фильтрации, проверки качества и ранжирования англоязычных текстов по их fluency. ONNX-формат и интеграция с Optimum упрощают пакетный инференс; в README приведён пример обработки нескольких предложений с размером батча 64. Лицензия — Apache-2.0. Производительность и результаты могут отличаться при запуске на CPU по сравнению с GPU. Модель предназначена для оценки беглости текста, поэтому её выводы не следует автоматически трактовать как полноценную проверку фактической корректности, стиля или содержания.

Карточка модели Josephgflowers/Phi-3-mini-4k-instruct-Cinder-llamafied-with-16bit-GGUF на Hugging Face совпадает с карточкой Josephgflowers/Phi-3-mini-4k-instruct-Cinder-with-16bit-GGUF, поэтому описание составлено по ней. Josephgflowers/Phi-3-mini-4k-instruct-Cinder-with-16bit-GGUF — англоязычный чат-бот Cinder на основе Phi-3 Mini, доработанный для научных и образовательных бесед, общения и творческого исследования. В карточке указано, что дообучение включает данные о персонаже Cinder, вопросы и ответы по знаниям о мире и STEM, а также сокращённый набор данных Samantha, отредактированный для Cinder. Метаданные описывают плотную архитектуру Phi-3 с 3,7 млрд параметров и контекстом 4096 токенов; репозиторий содержит GGUF в формате F16 и safetensors, а модель поддерживает генерацию текста и код. Модель предназначена для диалогов и следования инструкциям, а компактный размер подходит для сценариев с ограничениями по памяти и задержке. В README также отмечены STEM-темы, математика, логика и программирование. Лицензия — MIT. Основное заявленное применение — английский язык. Качество на других языках может быть ниже; ответы могут содержать ошибки, выдуманные сведения, предвзятость или оскорбительный контент. Код и ответы в чувствительных областях требуют проверки; для высокорисковых сценариев нужны дополнительные меры оценки и защиты.

Josephgflowers/Phi-3-mini-4k-instruct-Cinder-with-16bit-GGUF — англоязычный чат-бот Cinder на основе Phi-3 Mini, доработанный для научных и образовательных бесед, общения и творческого исследования. В карточке указано, что дообучение включает данные о персонаже Cinder, вопросы и ответы по знаниям о мире и STEM, а также сокращённый набор данных Samantha, отредактированный для Cinder. Метаданные описывают плотную архитектуру Phi-3 с 3,7 млрд параметров и контекстом 4096 токенов; репозиторий содержит GGUF в формате F16 и safetensors, а модель поддерживает генерацию текста и код. Модель предназначена для диалогов и следования инструкциям, а компактный размер подходит для сценариев с ограничениями по памяти и задержке. В README также отмечены STEM-темы, математика, логика и программирование. Лицензия — MIT. Основное заявленное применение — английский язык. Качество на других языках может быть ниже; ответы могут содержать ошибки, выдуманные сведения, предвзятость или оскорбительный контент. Код и ответы в чувствительных областях требуют проверки; для высокорисковых сценариев нужны дополнительные меры оценки и защиты.

raporto/pycoder-3b — дообученная методом QLoRA модель Qwen/Qwen2.5-3B-Instruct для помощи в программировании на Python. Разработчик настроил её на формат ответа: модель стремится выдавать полный исполняемый код вместо фрагментов, соблюдать единый стиль и отвечать на португальском, сохраняя возможности английского языка. Адаптер LoRA объединён с базовыми весами; модель содержит около 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации и объяснения кода Python в диалоговом формате. Её обучали на наборе из примерно 18 тысяч инструкций по коду, а при обучении учитывались только токены ответов ассистента. Для ожидаемого формата общения следует использовать шаблон ChatML Qwen2.5. Португальский и английский поддерживаются целенаправленно; испанский унаследован от базовой модели, но формат ответов на нём не гарантируется. Модель компактна и подходит для повседневных задач программирования, однако может выдумывать API и менее надёжна при масштабных рефакторингах и длинных рассуждениях. Сгенерированный код нужно проверять, особенно перед запуском с доступом к файлам, сети или недоверенным вводом. Лицензия — Apache 2.0; перед распространением производных следует также проверить условия лицензии набора данных.

Это дообученная версия Qwen2.5-Coder-0.5B-Instruct, опубликованная пользователем matildtahoo в рамках Gensyn Swarm. Модель относится к семейству Qwen2 и использует плотную авторегрессионную архитектуру для генерации текста; исходная модель разработана командой Qwen. В репозитории указаны 494 млн параметров, формат safetensors и контекст до 32 768 токенов. Модель предназначена для генерации кода и диалоговых ответов по инструкциям, включая написание и дополнение фрагментов кода. Карточка производной версии автоматически сгенерирована и не описывает обучение Swarm, оценку качества или отдельные ограничения. Исходная модель распространяется по лицензии Apache-2.0; применимость этой лицензии к дообученной версии следует проверять по её репозиторию.

Qwen2.5-Coder-1.5B-Q8_0-GGUF — это квантизированная версия модели Qwen2.5-Coder-1.5B, преобразованная в формат GGUF. Конвертацию выполнила организация ggml-org с использованием llama.cpp и сервиса GGUF-my-repo; исходная модель разработана командой Qwen. Модель предназначена для генерации текста и прежде всего для задач, связанных с программным кодированием, включая работу с кодом через llama.cpp. Модель содержит 1,5 миллиарда параметров и использует квантизацию Q8_0. Доступна в формате GGUF для локального запуска с помощью llama.cpp, включая CLI и серверный режим. В карточке указаны английский язык и текстовая модальность; размер контекста для рекомендуемого серверного запуска составляет 2048 токенов. Архитектура и перечень поддерживаемых языков программирования в README не уточняются. К сильным сторонам относятся компактный размер, возможность локального развертывания и совместимость с llama.cpp. Ограничения связаны с небольшим размером модели, ограниченным контекстом в приведенном сценарии запуска и отсутствием подробных данных о качестве, тестах и возможностях работы с отдельными языками программирования. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B-MegaR3ASONER-v1 — плотная языковая модель с 3,7 млрд параметров, созданная RexTRO111 слиянием LoRA-адаптера MegaR3ASONER с Qwen/Qwen3-4B-Thinking-2507. Это полная модель в формате Transformers и BF16, которую можно загружать без отдельного PEFT-адаптера; заявленная длина контекста — 262 144 токена. Модель предназначена для генерации текста с рассуждениями, в частности для решения математических задач, а также задач по программированию и естественным наукам. В ограниченной предварительной проверке на 100 примерах GSM8K автор сообщает 88% точного совпадения при гибком извлечении ответа и 83% при строгом; это не полный результат GSM8K и не сравнение с базовой моделью. Модель может ошибаться в промежуточных рассуждениях, чрезмерно подробно отвечать на простые запросы, а длинные цепочки рассуждений увеличивают задержку и стоимость использования. Ответы следует проверять, особенно в задачах с высокой ценой ошибки. Лицензия указана как other; при распространении или коммерческом использовании необходимо учитывать отдельные лицензии базовой модели и обучающих наборов данных.