II.4Отладка, тестирование и качество ПО

mlx-community/Qwen3.5-0.8B-OptiQ-4bit — квантованная MLX-версия базовой модели Qwen/Qwen3.5-0.8B, разработанная сообществом mlx-community с использованием инструментария mlx-optiq. Модель предназначена для локальной генерации текста на устройствах Apple Silicon, включая задачи рассуждений, программирования, следования инструкциям, вызова инструментов и агентских сценариев. README не содержит сведений о поддерживаемых языках, размере контекста и исходной мультимодальности базовой модели. Это преимущественно 4-битная смешанно-точная квантовка: 56 чувствительных слоёв имеют точность 8 бит, а 130 устойчивых — 4 бита; общий размер на диске составляет около 0,6 ГБ, размер группы — 64. В комплект входит MTP-голова для speculative decoding, заявленное ускорение декодирования — около 1,4 раза. По сравнению с равномерной 4-битной квантовкой модель показывает более высокие результаты на MMLU, GSM8K, IFEval, BFCL и HumanEval, однако уступает ей в тесте длинноконтекстного извлечения HashHop. Результаты зависят от настроек и аппаратного обеспечения, а небольшие размеры модели ограничивают её общие возможности. Для использования требуется MLX и, согласно README, пакет mlx-lm; дополнительные функции, включая серверную подачу, LoRA и MTP-декодирование, доступны через mlx-optiq. Модель распространяется по лицензии Apache 2.0 и наследует лицензионные условия базовой модели.

Qwen3.8-Flash-Next REAP-384 (bf16) — полноточный чекпойнт, опубликованный sh0wie на основе Qwen/Qwen3.8-Flash-Next. Это разрежённая MoE-модель семейства Qwen: в 48 слоях чередуются Gated DeltaNet и разрежённое внимание Qwen, а в каждом MoE-блоке из исходных 512 экспертов оставлены 384 с маршрутизацией top-10. Модель относится к классу 180 млрд параметров: 125 млрд в основной модели и таблица n-грамм на 51 млрд параметров. Веса хранятся в bf16 без предварительной квантизации; репозиторий занимает около 294 ГБ. Чекпойнт предназначен прежде всего для генерации текста и диалогового использования, а также как источник для дальнейшей квантизации, дообучения или высококачественного инференса при наличии подходящей инфраструктуры. Отбор экспертов REAP калибровали примерно на 686 тысячах токенов агентного программирования; автор приводит для родственной 4-битной сборки результат 92,1% на HumanEval, но это не оценка bf16-версии. Данные о контексте и языках в предоставленных источниках не приведены. Метаданные указывают интерфейс вызова инструментов и мультимодальную базовую модель с анализом изображений, однако README предупреждает, что зрительный ввод после pruning не тестировался. Для непосредственного запуска нужны значительные ресурсы: чекпойнт размером 294 ГБ не помещается в память одного Mac и требует механизма подкачки, например pmlx, либо другой инфраструктуры для крупных моделей; скорость ниже, чем у 4-битной версии. Калибровка выполнена на данных агентного программирования, поэтому качество в других областях может снижаться. Лицензия указана как other, конкретные условия в предоставленной карточке не раскрыты.

agustindxm/qwen-coder-jailbreak — локальная GGUF-версия Qwen2.5-Coder-7B-Instruct, разработанная на основе модели Qwen от Alibaba Cloud. Модель обработана методом abliteration с использованием Heretic: из residual stream удалено направление, связанное с отказами, без применения LoRA или полноценного дообучения. Пакет подготовлен agusisa/agustindxm и предназначен прежде всего для исследовательских и образовательных задач. Модель ориентирована на генерацию кода, технические вопросы, исследования alignment и отказоустойчивости, red-team-тестирование с разрешения владельца системы, а также разработку детекторов и контрмер. Заявлены английский и испанский языки. Доступны файлы в формате GGUF: квантизация Q4_K_M размером 4,4 ГБ и вариант F16 размером 14,2 ГБ. Базовая модель поддерживает контекст до 32 000 токенов, однако в приведённой конфигурации Ollama установлено ограничение 8192 токена. Для работы используются llama.cpp, LM Studio или Ollama с шаблоном чата Qwen2. Среди заявленных характеристик — 96% успешных срабатываний jailbreak в тесте Heretic и небольшое расхождение с базовой моделью по KL divergence, равное 0,0339, что указывает на преимущественно сохранённое качество исходной модели. Основные ограничения — отсутствие встроенных защитных ограничений в прежнем объёме и повышенный риск небезопасных ответов; модель не рекомендуется для публичных чат-ботов без собственных фильтров, незаконной деятельности или неконтролируемого применения. Распространяется по лицензии Apache 2.0, как и базовая модель.

RegesCore-1.0-35B — языковая модель на 35 млрд параметров с архитектурой mixture-of-experts, созданная Like A King Inc. на основе Ornith-1.0-35B команды DeepReinforce. Это дообучение ориентировано на системную инженерию, работу с безопасностью, реверс-инжиниринг, Lua и агентное программирование. Модель рассчитана на диалог с системным промптом, который предлагает разделять утверждения на факты, выводы и неизвестное. Репозиторий содержит веса GGUF для локального запуска через llama.cpp, LM Studio, Ollama и совместимые с OpenAI серверы. Указаны квантизации от низкобитных IQ до Q8, а также варианты BF16, F16 и F32. Предусмотрены сценарии локального развёртывания, работы с Linux и инфраструктурой, анализа логов и инцидентов, разработки средств обнаружения угроз и редактирования кода в нескольких файлах. В метаданных основной задачей указана генерация текста; README сообщает о наследуемых от базовой архитектуры возможностях зрения, но их работа для всех сборок GGUF не подтверждена. Карточка рекомендует модель для авторизованных задач безопасности и инженерной работы, с проверкой результатов человеком. Специальных бенчмарков RegesCore не опубликовано; ответы и сгенерированный код могут быть ошибочными, а низкие квантизации снижают качество. Проверен только английский язык. Лицензия модели — MIT.

SFR-Embedding-Code-2B_R — плотная модель эмбеддингов от Salesforce Research для многоязычного поиска по коду и тексту. Она предназначена для получения векторных представлений, которые можно использовать для поиска и сопоставления запросов с фрагментами кода или текстами. Модель содержит 2,7 млрд параметров, принимает последовательности длиной до 8192 токенов и распространяется в формате safetensors. В README сообщается о результатах на нескольких задачах поиска по коду и о среднем показателе CoIR 67,4 NDCG@10; модель показала более высокие результаты, чем приведённые в сравнительной таблице открытые модели для эмбеддингов кода. Карточка описывает семейство как многоязычное и многозадачное, но конкретные естественные языки не перечисляет. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; разработчики также рекомендуют оценивать точность, безопасность и справедливость перед применением, особенно в сценариях высокого риска.

kevinpro/Vicuna-13B-CoT — языковая модель, полученная дополнительным обучением Vicuna методом SFT для усиления способности к рассуждениям с промежуточными шагами (Chain of Thought, CoT). Это плотная авторегрессионная модель семейства Llama с примерно 12,9 млрд параметров, реализованная для Transformers и опубликованная в формате PyTorch. Контекст модели — до 2048 токенов. Модель предназначена для генерации текста с пошаговыми рассуждениями и может применяться для ответов на вопросы, решения задач и работы с кодом на английском языке. В карточке указано обучение на датасете QingyiSi/Alpaca-CoT; отдельные сведения о разработчике, лицензии и оценке качества не заполнены. Следует учитывать ограниченную длину контекста и типичные для языковых моделей риски неточных ответов.

vudang449/chunkformer-large-vie — зеркало модели ASR для вьетнамской речи, основанной на ChunkFormer. Исходную модель разработал Khanh Le (khanhld); репозиторий сохраняет те же веса и предназначен, в частности, для voice-bench. Это CTC-модель с chunk-based encoder примерно на 110 млн параметров, принимающая аудио и выдающая распознанный текст. ChunkFormer поддерживает распознавание длинных записей без фиксированного ограничения на длительность декодирования. Модель предназначена для транскрибации коротких аудиоклипов и длинных записей на вьетнамском языке. В README приведены результаты на VIVOS и VietMed, а также замеры скорости на Mac Mini M4; автор отмечает, что обучающие данные включают VIVOS и размеченную часть VietMed, поэтому результаты на этих наборах не подтверждают качество на независимых данных. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства и ограничивает коммерческое применение.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, разработанный agurung и обученный с помощью OpenRLHF и алгоритма GRPO. Обучение с подкреплением применялось напрямую к базовой инструкционной модели без отдельного SFT-этапа; указанный чекпойнт сохранён на глобальном шаге 4 и выбран как лучший в этом запуске по pass@8. Модель предназначена для генерации кода и решения задач программирования. Её обучали на задачах из набора cobalt-train, отобранных по низкой успешности базовой модели; вознаграждение зависело от прохождения тестов сгенерированной программой. Используются архитектура Qwen3 с 3,7 млрд параметров, библиотека Transformers и контекст до 262 144 токенов; максимальная длина новой генерации в описанном обучении составляла 4096 токенов. В карточке нет доступных метрик оценки на этом чекпойнте, поэтому преимущество по pass@8 относится только к сравнению внутри данного запуска. Модель поставляется в формате safetensors; условия лицензии в предоставленных данных не приведены.

DevOps-Model-7B-Chat — чат-модель CodeFuse AI для ответов на вопросы на протяжении жизненного цикла DevOps. Она основана на семействе Qwen: модель дополнительно обучали на китайском DevOps-корпусе, а затем согласовали на данных «вопрос–ответ» по DevOps. Размер модели — 7 млрд параметров; архитектура плотная, QWenLMHeadModel, контекст — 6144 токена. Модель предназначена для помощи инженерам с вопросами по DevOps, включая темы компьютерных наук и безопасности. В опубликованной оценке на 574 тестовых вопросах DevOps она получила 62,20 балла в режиме Zero-shot и 64,11 в режиме Five-shot; эти результаты относятся к указанному набору тестов. Карточка описывает китайскую специализацию модели. Модель доступна в форматах PyTorch и safetensors. Указана лицензия other, поэтому условия её использования следует проверять в материалах проекта. Разработчики предупреждают о возможных галлюцинациях и дискриминационных высказываниях; перед применением ответы следует проверять.

pestova/deepseek-coder-1.3b-function-calling-v1 — компактная языковая модель для генерации текста и кода, опубликованная пользователем pestova на Hugging Face. По названию модели она ориентирована на сценарии function calling, то есть формирование структурированных вызовов функций или инструментов.

Gemma2-2b-it-codealpaca — дообученная модель ehristoforu для генерации текста в формате диалога и работы с запросами, связанными с кодом. Она основана на unsloth/gemma-2-2b-it-bnb-4bit, имеет плотную архитектуру Gemma 2 с 2,7 млрд параметров и контекст до 8192 токенов. В карточке указано обучение с использованием Unsloth и библиотеки TRL. Модель подходит для ответов на вопросы о программировании, генерации фрагментов кода и диалогового помощника по коду на английском языке. Репозиторий содержит веса PyTorch; лицензия — Apache 2.0. Карточка не приводит результатов оценки качества или подробностей о наборе данных и конкретных языках программирования, поэтому качество ответов для отдельных задач не подтверждено.

HelpingAI-Lite-2x1B — англоязычная диалоговая модель генерации текста, разработанная OEvortex как дообучение HelpingAI-Lite. Она использует архитектуру Mixtral с механизмом смеси экспертов (MoE), содержит 1 млрд параметров и поддерживает контекст длиной до 2048 токенов. Модель предназначена для диалогов и генерации текста; в карточке также заявлено превосходство по точности над HelpingAI-Lite при немного более низкой скорости. Модель распространяется в формате Safetensors для библиотеки Transformers. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

dispatchAI выпустила GGUF-версию Llama 3.2 3B, настроенную для вызова функций и работы на мобильных устройствах. Модель содержит 3,2 млрд параметров; заявленный размер файла — около 2,15 ГБ. В карточке указана скорость около 15 токенов/с на CPU смартфона Samsung Galaxy S20 FE. Модель предназначена для диалоговых сценариев с инструментами: многошаговых агентских рабочих процессов, оркестрации API, интеграции с CRM и ERP, помощи в средах разработки и автоматизации конвейеров данных. Указан английский язык. Формат GGUF рассчитан на локальный запуск в совместимом программном обеспечении. Репозиторий распространяется по лицензии Llama 3.2. Карточка не сообщает результаты сравнительных оценок или ограничения точности; фактическая скорость зависит от устройства и среды запуска.

Mtrini-SVL-1.1-Merged — открытая модель Compiwer AI примерно на 8 млрд параметров, дообученная на базе Qwen3-VL-8B-Instruct. Это мультимодальная архитектура Qwen3-VL, рассчитанная на диалог и задачи рассуждения; в карточке также заявлены кодирование, математика, марокканская дариджа и многоязычные сценарии. Модель принимает текст и изображения и генерирует текстовые ответы. Обучение проводилось с LoRA / PEFT на 58 574 примерах: данных для вопросов и рассуждений на марокканской даридже, OpenCodeReasoning-2 и OpenMathInstruct-2. Концепция Self-Verifying Loop направлена на проверку и улучшение ответов, но в README она описана как продолжающееся исследовательское направление, а не как подтверждённая гарантия качества. Указаны точность BF16 и контекст обучения 4096 токенов. Модель подходит для диалога, помощи с кодом и математическими задачами, особенно в сценариях с марокканской дариджей. Она экспериментальная: может галлюцинировать, ошибаться в коде и математике или неверно понимать запросы, поэтому важные результаты нужно проверять. Лицензия — Apache-2.0.

mrm8488/phi-2-coder — языковая модель Phi-2, дообученная разработчиком mrm8488 на 20 тысячах инструкций из набора CodeAlpaca_20K с использованием QLoRA и PEFT. Это плотный Transformer с архитектурой PhiForCausalLM и 2,7 млрд параметров; модель предназначена для генерации кода и ответов на инструкции по программированию. Она принимает текстовые запросы и генерирует текст, включая код. В метаданных указано окно контекста 2048 токенов и поддержка библиотеки Transformers. Модель подходит для генерации фрагментов кода, помощи с программированием и выполнения простых инструкций по коду. README не содержит завершённых результатов HumanEval, поэтому подтверждённых показателей качества для задач программирования нет. Репозиторий содержит веса в формате Safetensors. Лицензия обозначена как other, а конкретные условия использования в карточке не описаны.

Qodo-Embed-1-1.5B — модель эмбеддингов кода от Qodo, дообученная на базе Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска по коду и сопоставления естественно-языковых запросов с фрагментами кода, а также для поиска похожих фрагментов кода. Такие эмбеддинги можно использовать в поисковых системах и RAG-сценариях для разработки ПО. Архитектура — плотная Qwen2, размер — 1,5 млрд параметров; модель выдаёт векторы размерности 1536. По данным метаданных, нативный контекст составляет 131 072 токена; README указывает максимум входа 32 тыс. токенов. README сообщает о поддержке Python, C++, C#, Go, Java, JavaScript, PHP, Ruby и TypeScript. Метаданные указывают библиотеку Sentence Transformers и формат safetensors. Разработчики заявляют о высоких результатах на COIR и MTEB, однако это заявление карточки модели и не гарантирует качества на конкретном наборе данных. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

AetherPrior/Qwen3-8B-Implementation-level PRM — модель оценки предпочтений для рекомендаций по безопасной реализации кода, созданная на базе Qwen3-8B и дообученная как модель классификации последовательностей с одним скалярным выходом. Она сравнивает рекомендации по реализации: при обучении использовались предпочтения между улучшенными, исходными и ухудшенными рекомендациями, отфильтрованные по функциональной корректности и безопасности. Модель предназначена для ранжирования трасс рекомендаций для задачи программирования и оценки того, какая из них лучше соответствует требованиям безопасности реализации. В README указаны 6 933 парных примера и точность 0,968 на 741 паре валидации. Контекст составляет 40 960 токенов; веса доступны в формате safetensors, лицензия Apache-2.0. Для подачи запросов README предлагает использовать vLLM в режиме pooling/classify через POST /classify.

buelfhood/SOCO-Java-codeberta-cmnrl-triplets-ep1-bs16-lr2e-05-split0.1 — модель Sentence Transformers, дообученная разработчиком на датасете SOCO_TRAIN_java на базе huggingface/CodeBERTa-small-v1. Она преобразует текстовые фрагменты, в том числе описания и предложения, в плотные векторы размерности 768 для оценки семантического сходства и поиска по смыслу. Модель построена на архитектуре RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на задачи поиска и сопоставления текстов, включая поиск похожих фрагментов кода, кластеризацию и выявление перефразировок. Максимальная длина последовательности — 514 токенов по метаданным (в карточке указано 512). Базовая CodeBERTa-small-v1 обучалась на исходном коде шести языков программирования; дообучение этой модели проводилось на Java-данных. Лицензия в предоставленных сведениях не указана.

laion/tt-x5_gradnorm-gn0p9 — дообученная методом обучения с подкреплением модель на базе Qwen/Qwen3-Coder-30B-A3B-Instruct. Обучение проводилось с RLOO и FSDP2 для агентных задач из набора terminal-bench exp_rpt_multifile с использованием среды terminus-2 Harbor. Модель предназначена для генерации текста в агентных сценариях, связанных с работой в терминале и обработкой нескольких файлов. Это MoE-модель семейства Qwen3 с архитектурой Qwen3MoeForCausalLM, 2,6 млрд параметров и контекстом до 262 144 токенов. Метаданные указывают английский язык и поддержку чата. Лицензия в предоставленных данных не указана.

Qwen/WorldPM-72B-RLHFLow — модель предпочтений, разработанная авторами WorldPM и дообученная на 800 тысячах примеров RLHFLow. Она оценивает ответы языковых моделей по человеческим предпочтениям и предназначена для сравнения вариантов ответа, отбора кандидатов и использования в контурах обучения с обратной связью от человека. Модель основана на плотной архитектуре Qwen2, содержит 71,5 млрд параметров, принимает текст и выдаёт оценку предпочтения; максимальная длина контекста — 2048 токенов. В описанных авторами экспериментах модели WorldPM лучше выявляли намеренные ошибки, нерелевантные и неполные ответы в объективных задачах. Для субъективных оценок устойчивого улучшения при масштабировании не наблюдалось, а предпочтения стиля могут влиять на результат. Авторы рекомендуют дообучать модель под конкретную задачу для оптимального качества. Модель распространяется по лицензии Apache-2.0.

AIArchiveInfo/academic-ds-9B — неизменённая архивная копия модели ByteDance-Seed/academic-ds-9B, сохранённая AIArchive. По README, оригинальная модель разработана ByteDance-Seed и обучена с нуля на более чем 350 млрд токенов из полностью открытых англоязычных наборов данных; копия не обучалась и не изменялась. Архитектура — плотная DeepSeek V3 для генерации текста, в том числе диалогового. Модель содержит 1,6 млрд параметров по метаданным каталога и поддерживает контекст длиной 8192 токена. Модель предназначена для разработки и отладки в сообществе открытого исходного кода. Метаданные указывают на чат-возможности и интерфейс вызова инструментов; практическое качество этих возможностей отдельно не описано. README характеризует модель как англоязычную. Использование регулируется лицензией Apache-2.0, указанной для копии и оригинала.

BoghdadyJR/al-MiniLM-L6-v2 — модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, дообученная разработчиком на датасете code-search-net/code_search_net. Архитектура MPNet кодирует текст в плотные векторы размерности 768; для представления используются усреднение токенов и нормализация, а сходство измеряется косинусом. Модель насчитывает 136,7 млн параметров и рассчитана на последовательности до 384 токенов по README; метаданные указывают контекст до 514 токенов. Модель предназначена для семантического поиска по коду, сопоставления названий функций с их реализациями, сравнения предложений и абзацев, поиска перефразировок, кластеризации и классификации текстов. README приводит оценку Spearman 0,881 на sts-dev, однако эти результаты сами по себе не гарантируют аналогичное качество на других данных. Карточка указывает язык обучения как code; естественные языки, для которых модель специально рассчитана, не заявлены. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

BLEURT-20 — модель семейства BLEURT от lucadiliello для оценки качества текста с помощью классификации последовательностей. Она принимает текстовые входы и выдаёт оценку, которую можно использовать для автоматической оценки сходства или качества кандидата относительно эталонного текста. Модель построена на Transformer, содержит около 967,8 млн параметров, работает с контекстом до 512 токенов и доступна в формате PyTorch. Модель предназначена для автоматической оценки текстов, в частности для сравнения с эталонными формулировками. README указывает на реализацию BLEURT для PyTorch, но не описывает обучение, языковой охват или лицензию; этих сведений здесь недостаточно для точных выводов.

Denash/codebert-vuln-classifier — дообученный классификатор кода, созданный как Stage-2 компонент конвейера CEVuD. Он принимает фрагмент Python-кода длиной до 512 токенов и оценивает вероятность того, что фрагмент содержит уязвимость, относя его к одному из двух классов: «уязвимый» или «безопасный». Модель построена на базе microsoft/codebert-base с архитектурой RoBERTaForSequenceClassification; размер составляет 151,8 млн параметров. Модель предназначена для локальной предварительной оценки фрагментов кода в CI/CD и объединения нейросетевой оценки с серьёзностью находки Semgrep, чтобы решать, какие случаи передавать более дорогому LLM-анализатору. Для обработки функции её следует разбивать на окна по 64 строки с перекрытием 8 строк и агрегировать оценки. Модель обучена на Python-фрагментах из набора CEVuD, основанного на CVEfixes. Классификатор консервативен: при пороге 0,5 полнота на тесте CVEfixes составляет 20,7%, поэтому он пропускает многие уязвимости и не подходит как единственный источник вердикта. Производительность для других языков и устойчивость к специально сформированному коду не проверены. Лицензия — MIT.

Карточка модели faceNony/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

Карточка модели Iarp/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

electricpipelines/deepseek — репозиторий Hugging Face с GGUF-квантованными версиями моделей семейства DeepSeek, опубликованный пользователем electricpipelines. По найденным данным, в нём представлен файл DeepSeek-R1-Distill-Qwen-1.5B-Q8_0.gguf размером около 1,89 ГБ, а также другие варианты и связанные модели семейства DeepSeek-R1-Distill. DeepSeek-R1-Distill-Qwen-1.5B разработана DeepSeek-AI и предназначена для генерации текста и решения задач, требующих рассуждений, включая математику, программирование и общий анализ. Это плотная языковая модель примерно на 1,5 млрд параметров, основанная на Qwen2.5-Math-1.5B и дообученная на 800 тысячах примеров, созданных DeepSeek-R1. Репозиторий использует формат GGUF, ориентированный на локальный запуск через llama.cpp и совместимые приложения. Модель поддерживает текстовую модальность; точный набор языков и размер контекстного окна для опубликованного GGUF-файла в доступных данных не указан. Сильная сторона модели — компактность и возможность локального использования при ограниченных ресурсах, однако по качеству рассуждений она уступает более крупным вариантам DeepSeek-R1-Distill. Для репозитория указана лицензия Apache-2.0; исходная серия DeepSeek-R1 также допускает коммерческое использование, модификацию и создание производных работ с учетом лицензий базовых моделей.

DF Arena 500M V1 — универсальная модель для выявления поддельной или синтезированной речи и аудио, разработанная командой Speech Arena. Она классифицирует аудио как spoof или bonafide и возвращает оценки классов. Модель обучалась на наборах данных с речью, пением и экологическими аудиоподделками, включая ASVspoof, Codecfake, LibriSeVoc, DFADD, MLAAD и EnvSDD. Модель предназначена для проверки подлинности аудиозаписей и оценки систем генерации речи. В README приведены результаты на нескольких наборах: качество различается между тестами, поэтому опубликованные показатели не гарантируют такой же точности на новых источниках и типах подделок. Для обработки требуется аудиовход; пример использует аудио с частотой 16 кГц и PyTorch. Лицензия указана как other, без уточнения условий в предоставленных данных.

Dwarf-15M-Instruct — компактная языковая модель ThingAI на 20,3 млн параметров для преобразования запросов на естественном языке в команды Linux и Bash. Она предназначена для роли помощника командной строки, который предлагает команды для проверки пользователем; это не универсальный чат-бот. Модель подходит для простых и средних задач администрирования Linux, коротких Bash-команд и функций, а также объяснения команд. По карточке, она ориентирована на английский язык и обучена преимущественно на командах Ubuntu и Debian. Модель использует архитектуру DwarfForCausalLM, распространяется в формате Safetensors и работает через Transformers. Для инференса заявлена возможность запуска на CPU; в карточке указан размер модели около 30 МБ. Из-за небольшого размера модель может ошибаться на необычных запросах и плохо справляться со сложными многошаговыми рассуждениями. Сгенерированные команды следует проверять до запуска. Лицензия — Apache-2.0.

Fara1.5-4B-GGUF — это GGUF-квантизированная версия мультимодальной модели Fara1.5-4B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для computer use, управления браузером, автоматизации веб-задач и работы веб-агентов, включая сценарии с визуальным анализом интерфейсов и взаимодействием с ними. Модель имеет размер 4B параметров, поддерживает обработку текста и изображений и ориентирована на английский язык. Доступны варианты от BF16 до низкобитных форматов Q2 и IQ2, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Для запуска подходят llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые приложения. README не содержит сведений о размере контекстного окна, конкретной архитектуре, результатах тестирования или подробных ограничениях мультимодального ввода. Сильными сторонами являются компактный размер, поддержка локального запуска и широкий выбор квантизаций; варианты Q5–Q6 характеризуются как высококачественные, а Q4_K_M рекомендован как сбалансированный вариант. Качество снижается у более компактных форматов, особенно Q2–Q3. Лицензия модели — MIT, однако для работы может потребоваться версия программного обеспечения с поддержкой Fara1.5.