II.4Отладка, тестирование и качество ПО

Fwizzer v3 Titan RU — русскоязычная чат-модель для генерации текста и рассуждений, созданная разработчиком Fwizzer на базе LiquidAI/LFM2.5-VL-3B. По карточке, модель использует гибридную архитектуру Liquid Neural Network с backbone LFM2 размером 2,69 млрд параметров и дообучена на приватном датасете fwizzer-v3-titan-agentic, включающем примеры цепочек рассуждений и игровые проекты. Заявленное контекстное окно — до 32 768 токенов. Модель предназначена для ответов на вопросы, пошагового решения задач и генерации кода, в том числе автономных HTML5/WebGL-игр, приложений, скриптов на GDScript и Python для Blender. Доступны веса Safetensors и квантизированные сборки GGUF для локального запуска через LM Studio и Ollama. Метаданные указывают русский и английский языки; мультимодальность базовой модели не подтверждена для этой дообученной версии. Лицензия указана как other, поэтому условия использования следует проверять в репозитории.

Gemma-4-12B-OBLITERATED-i1-GGUF — это квантизированная версия модели OBLITERATUS/Gemma-4-12B-OBLITERATED, подготовленная mradermacher в формате GGUF. Модель относится к семейству Gemma 4 и предназначена для генерации текста, а также для исследовательских задач, связанных с анализом отказов, red teaming, safety research и alignment research. В метаданных указан английский язык. Модель заявлена как vision model, поэтому для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Точное значение контекстного окна, архитектурные детали и перечень поддерживаемых модальностей в README не указаны. Доступны многочисленные варианты квантизации i1 от IQ1_S до Q6_K размером примерно от 3,1 до 9,9 ГБ; варианты различаются компромиссом между размером, скоростью и качеством. Для общего использования в README рекомендуются i1-Q4_K_M и i1-Q4_K_S, при этом низкобитные варианты могут заметно уступать по качеству. Название и теги указывают на модификацию OBLITERATED, ориентированную на исследование поведения отказов и ограничений выравнивания, однако количественные оценки качества и подробное описание изменений относительно базовой модели не приведены. Модель распространяется под лицензией Gemma. Для запуска требуются совместимые инструменты, поддерживающие формат GGUF; конкретные системные требования в README не указаны.

Granite-4.1-8B-TNG-Coder-V11-2800-Heretic-BF16 — объединённая модель на базе IBM Granite-4.1-8B и нескольких производных Granite-чекпойнтов. Автор карточки сообщает о дополнительном обучении на задачах серверной разработки с примерами на Haskell, Go и Python, а также о дистилляции ответов Qwen и Claude. Модель использует плотную архитектуру GraniteForCausalLM, содержит 8,4 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и кода в диалоговом режиме; режим рассуждений включён по умолчанию. Её можно применять для помощи при разработке серверной части, написания и объяснения кода и ответов на технические вопросы. В метаданных указаны библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Заявленная специализация на серверной разработке и приведённые в карточке результаты тестов не дают полной оценки качества на реальных задачах. В описании также нет подробных сведений о тестировании, рекомендуемых настройках генерации или поддерживаемых языках естественного общения.

Это конвертированная и квантизированная в формате GGUF сборка Qwen3-4B-Instruct, подготовленная командой Hugston как proof-of-concept. Модель предназначена для диалоговых и инструктивных задач, в том числе генерации и продолжения кода; карточка сообщает о проверках на общих и кодовых заданиях. В README описан запуск через HugstonOne и эксперимент с контекстом около 262 000 токенов и генерацией большого объёма кода. В этом опыте результат содержал ошибки, а для длинных задач требовалось несколько попыток, поэтому приведённые показатели не следует считать гарантией качества. Метаданные каталога относят модель к text-classification, тогда как README описывает генеративное применение. Лицензия в предоставленных данных не указана.

InternLM-XComposer2.5-Reward — мультимодальная модель оценки предпочтений, разработанная командой InternLM на базе internlm/internlm-xcomposer2d5-7b. Она обучена на примерах предпочтений для текста, изображений и видео и присваивает ответам оценки, отражающие человеческие предпочтения. Модель предназначена для оценки диалогов, сравнения ответов и ранжирования нескольких вариантов, в том числе при проверке качества общения, безопасности и рассуждений. Модель построена на архитектуре InternLM2, содержит 7,4 млрд параметров и использует формат PyTorch. Указана длина контекста 24 576 токенов; карточка называет английский и китайский языки. В README приведены результаты на VLRewardBench, RewardBench и RM-Bench, включая оценивание безопасности, рассуждений, математики и кода. Лицензия обозначена как other, поэтому условия использования следует сверять с файлами лицензии репозитория.

LateOn-Code-pretrain — модель LightOn из коллекции PyLate LateOn-Code, предназначенная для поиска по коду. Это предварительно обученная модель позднего взаимодействия ColBERT на архитектуре ModernBERT: она формирует многовекторные представления запросов и фрагментов кода для поиска релевантных результатов. В репозитории указаны веса размером 149 млн параметров, контекст до 8192 токенов и форматы Safetensors и ONNX. Модель обучена на данных CoRNStack для поиска кода и рассчитана на английский язык и программный код. Она подходит для поиска фрагментов кода по текстовому запросу и интеграции в системы извлечения информации; README приводит результаты бенчмарков MTEB Code. Это именно предварительно обученная версия: последующая настройка на наборах CoIR описана для модели LateOn-Code. Модель распространяется по лицензии Apache-2.0.

Falconsai/LightDec — модель архитектуры FalconDec, созданная Falconsai на основе дообучения jhu-clsp/ettin-encoder-150m. Это компактный неконверсационный классификатор для закрытого выбора: получает текст, код или JSON-состояние, типизированный вопрос и заданный набор вариантов, затем за один проход энкодера оценивает вероятности вариантов. Поддерживает вопросы с выбором ответа, да/нет и порядковой шкалой; генерировать текст за пределами предложенных вариантов не может. Модель предназначена для маршрутизации обращений, распознавания намерений, анализа кода, проверок в агентных системах и вспомогательных проверок защитных правил. В README указаны точность 0,725 и ECE 0,025 на тестовом наборе из 17 498 решений по 58 задачам; при пороге уверенности 0,70 модель отвечала на 56% решений с точностью 89,6%, а остальные предлагалось передавать человеку или более мощной модели. Репозиторий содержит веса safetensors и GGUF F16; лицензия — Apache-2.0. Основные ограничения — слабые результаты на арифметике, датах, сравнении таблиц и широких наборах вариантов, а также заметное падение качества на задачах, не представленных в обучающей смеси. Калибровка зависит от распределения данных, а проверки защитных правил недостаточно надёжны для использования в качестве единственного барьера; для важных решений требуется проверка на собственных данных и человеческий контроль.

Sharpaxis/Llama-2-7_Ethical_Guardian — дообученная с помощью QLoRA модель на базе NousResearch/Llama-2-7b-chat-hf, предназначенная для выявления конфиденциальных и чувствительных сведений в тексте. Она ищет персональные данные, API-ключи, финансовую информацию, учётные данные и конфиденциальные сведения компаний, а также может объяснять, почему фрагмент выглядит чувствительным. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов. Карточка описывает применение для модерации содержимого, предотвращения утечек данных, проверок соответствия требованиям и аудита текстовых коммуникаций. В метаданных указаны английский язык и лицензия Apache-2.0. Это вспомогательный инструмент для защиты данных; результаты выявления следует проверять, поскольку карточка не приводит оценок качества и не гарантирует обнаружение всех чувствительных сведений. Обучение проводилось на синтетическом наборе synapsecai/synthetic-sensitive-information.

Экспериментальная модель генерации текста и кода от команды kalo-team: предварительный результат дистилляции, в которой студент 4x8b обучался приближать распределение ответов учителя Llama 3 70B с помощью KL-дивергенции. Модель основана на архитектуре Mixtral с разреженной архитектурой MoE; в метаданных указано 7,5 млрд параметров и контекст до 8192 токенов. Доступны веса в формате safetensors, лицензия — Llama 3. Модель предназначена для генерации текста в диалоге и экспериментов с генерацией кода, а также для дальнейшей настройки и оценки поведения дистилляции. В README приведены результаты на MMLU, ARC, HellaSwag, GSM8K, TruthfulQA и HumanEval; автор отмечает, что полное дообучение привело к умеренному забыванию знаний вне областей дистилляции из-за ограниченного объёма данных. Это предварительный тестовый прогон, а не запланированная полномасштабная дистилляция.

Mellum-4b-sft-all — дообученная JetBrains языковая модель для задач, связанных с кодом. Она основана на плотной архитектуре LLaMA и содержит 3,7 млрд параметров; контекст — до 8192 токенов. Модель предназначена прежде всего для контекстного автодополнения кода, включая дополнение фрагментов с учётом контекста проекта, а также для генерации кода и создания помощников для разработки. Модель дообучена на коде на многих языках программирования, включая Python, Java, C++, JavaScript, TypeScript, Go, Rust, SQL и другие. Её можно применять в IDE, облачном или локальном инференсе, а также в образовательных и исследовательских проектах. Репозиторий содержит веса в формате safetensors; карточка также сообщает о сохранении bf16 точности. Модель распространяется по лицензии Apache-2.0. Представленные в карточке тесты оценивают заполнение кода и показывают результаты на RepoBench, SAFIM и HumanEval Infilling. Модель может воспроизводить особенности и предвзятости публичных кодовых баз, а предложенный код необходимо проверять: он может содержать уязвимости.

LeroyDyer/Mixtral_AI_Cyber_Matrix_2_0 — объединённая модель на базе архитектуры Mistral, опубликованная LeroyDyer. Карточка описывает объединение нескольких языковых моделей и адаптеров, включая компоненты для диалогов, программирования, ролевого общения и кибертематики. Метаданные указывают 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors; заявленный основной способ применения — генерация текста на английском языке. Модель предназначена для диалога, продолжения текста и помощи с кодом. В README также заявлены дополнительные возможности зрения и аудио, однако автор сообщает, что для них требуется настройка конфигурации и дообучение; поэтому их нельзя считать готовыми функциями. Указанная лицензия — MIT. Карточка противоречиво описывает модель как находящуюся в процессе дообучения и как готовый результат слияния, поэтому её пригодность для надёжного применения не подтверждена.

Это экспериментальная разговорная языковая модель Mythos-9B Unhinged от Richard Young, созданная на основе слияния SLERP модели Mythos-9B с braindao/Qwen3-8B-Uncensored и дополнительного снятия отказов методом abliteration Heretic v1.4.0. В метаданных указаны архитектура Qwen3 с плотной causal language model, 7,6 млрд параметров, контекст до 40 960 токенов и формат Safetensors. README описывает режим рассуждений Qwen3 и настройку /no_think. Модель предназначена для диалоговой генерации текста, агентных сценариев, использования инструментов, генерации кода и команд оболочки, а также многошаговых рассуждений. Автор заявляет о низкой частоте отказов и приводит внутреннее сравнение с исходной Mythos-9B-Unhinged; это не является независимой оценкой качества. Карточка описывает обучение на наборе FableForge Mix A и указывает английский язык. Модель явно позиционируется как не имеющая защитных фильтров; она может выдавать вредоносные или небезопасные инструкции и не должна считаться надёжным источником. Лицензия — Apache-2.0.

utahnlp/naturalquestionsShort_microsoft_deberta-v3-base_seed-1 — дообученная модель семейства Microsoft DeBERTa-v3-base, опубликованная NLP-группой Университета Юты. Она предназначена для извлечения коротких ответов на вопросы по контексту в задаче Natural Questions. Модель имеет около 211,6 млн параметров, использует архитектуру DeBERTa и поддерживает входной контекст длиной до 512 токенов. Это текстовая англоязычная модель для extractive question answering: она выбирает фрагмент ответа из предоставленного контекста, а не генерирует произвольный длинный ответ. Сильная сторона — специализированная настройка под короткие ответы Natural Questions; ограничения включают зависимость от качества и релевантности контекста, ограниченную длину входа и отсутствие подтвержденных сведений о поддержке других языков. Лицензия для этой производной модели в доступных источниках не указана.

nomic-embed-code-i1-GGUF — GGUF-квантизированная версия модели nomic-ai/nomic-embed-code, подготовленная пользователем mradermacher. Это модель эмбеддингов для работы с исходным кодом, предназначенная для преобразования программного кода в векторные представления и решения задач семантического поиска, сравнения фрагментов кода, извлечения признаков и sentence similarity. Модель обучалась на наборах данных для Python, JavaScript, Java, Go, PHP и Ruby; в карточке также указан английский язык. Она распространяется в формате GGUF с различными вариантами квантизации i1, объёмом примерно от 1,8 до 5,9 ГБ. Архитектура, размер исходной модели, размерность эмбеддингов, поддерживаемая длина контекста и точные характеристики модальностей в README не указаны. Квантизация позволяет выбирать компромисс между размером, скоростью и качеством, однако наиболее компактные варианты могут заметно уступать по качеству; для некоторых конфигураций отдельно отмечены низкое качество или предпочтительность других вариантов. Модель подходит для локального использования в системах поиска и анализа исходного кода, включая retrieval-пайплайны и сравнение программных фрагментов. Ограничения связаны с отсутствием подробных сведений о производительности, бенчмарках, контексте и точных языковых гарантиях, а также с возможными потерями качества из-за квантизации. Модель распространяется по лицензии Apache-2.0.

Password Model — модель классификации текста, разработанная SAP OSS для автоматической фильтрации ложных срабатываний при обнаружении паролей в Credential Digger. Она анализирует найденные сканером фрагменты и помогает определить, являются ли они вероятными паролями или ложными совпадениями. Модель основана на архитектуре RoBERTa и дообучена на CodeBERT-base-mlm на наборе данных для обнаружения утечек. Репозиторий содержит модель в формате TensorFlow; размер составляет 151,8 млн параметров, максимальный контекст — 514 токенов. Указан английский язык. Лицензия — MIT. Модель предназначена для этапа проверки результатов сканирования секретов в Credential Digger. В карточке не приведены метрики оценки, результаты тестирования и подробности предобработки, поэтому точность классификации по описанию оценить нельзя.

mrm8488/santacoder-finetuned-the-stack-bash-shell — модель генерации кода, дообученная на bash- и shell-скриптах на основе BigCode/SantaCoder. Базовая SantaCoder — плотная GPT-2-подобная модель на 1,1 млрд параметров с Multi Query Attention и обучением по Fill-in-the-Middle; в метаданных указаны библиотека Transformers и формат PyTorch. Контекст составляет 2048 токенов. Модель предназначена для генерации и продолжения фрагментов bash/shell-кода по текстовому или кодовому контексту. Предобучение SantaCoder использовало код на Python, Java и JavaScript, а дообучение этой версии — набор The Stack с bash/shell-скриптами; исходный код преимущественно на английском. На оценочном наборе указана функция потерь 1,2272. Сгенерированный код может содержать ошибки, быть неэффективным или небезопасным. Лицензия — OpenRAIL.

WorldPM-72B — модель предпочтений, разработанная авторами проекта World Preference Modeling на базе Qwen2.5-72B. Она обучена на 15 млн примеров предпочтений и предназначена для оценки ответов языковых моделей: выявления фактических ошибок, нерелевантных или неполных ответов и вычисления предпочтительности ответа по его скрытому представлению. Это плотная архитектура Qwen2 с 71,5 млрд параметров; модель принимает текст и выдаёт классификационную оценку. Контекст составляет 2048 токенов, основной указанный язык — английский. Модель демонстрирует масштабируемость на объективных задачах оценки, но результаты на субъективных оценках не показывают явной зависимости от масштаба и могут зависеть от стилевых предпочтений. Для оптимальной работы в конкретном сценарии авторы рекомендуют дообучение на целевых данных. Распространяется под лицензией Apache-2.0.

Yi-9B-Coder — языковая модель для генерации кода, созданная дообучением Yi-9B командой TechxGenus. Модель содержит 8,6 млрд параметров, использует плотную архитектуру семейства Llama и доступна в формате safetensors для Transformers. Контекст составляет 4096 токенов. Модель обучали на дополнительных 0,5 млрд токенов, связанных с программированием, в течение трёх эпох. Она принимает текстовые инструкции в формате Alpaca без системного промпта и генерирует текст, прежде всего код. В README приведён результат 69,5 pass@1 на HumanEval-Python. Подходит для генерации кода по инструкциям и решения задач программирования. По заявлению авторов, модель может ошибаться и выдавать вводящую в заблуждение информацию, слабо справляется с задачами вне программирования и прошла ограниченное тестирование. Лицензия — Apache-2.0.

unsloth/codegemma-2b-bnb-4bit — 4-битная версия модели CodeGemma с примерно 2 млрд параметров, опубликованная в экосистеме Unsloth для использования с библиотекой Transformers. В README также упоминается поддержка Unsloth для дообучения моделей Gemma, однако конкретные сведения о разработчике исходной модели CodeGemma в предоставленных данных отсутствуют. Модель предназначена прежде всего для задач, связанных с программным кодом, включая генерацию и продолжение текста кода, а также эксперименты с дообучением. Указан английский язык. Архитектура и размер контекста в README не описаны; по идентификатору модели можно определить только вариант с 2 млрд параметров и 4-битным квантованием BNB. Ключевое преимущество версии — сниженные требования к памяти по сравнению с полноразмерными вариантами, что может упростить локальный запуск и дообучение. Ограничения связаны с малым размером модели, возможным снижением качества по сравнению с более крупными версиями и отсутствием в предоставленных данных подробных результатов оценки. Лицензия указана как Apache-2.0.

CodeSage Small V2 — открытая модель для работы с исходным кодом, разработанная авторами семейства CodeSage. Это энкодер, дообученный контрастивным обучением на парах описаний и фрагментов кода из The Stack V2; для отбора обучающих данных применялась фильтрация согласованности. Модель предназначена для семантического поиска по коду и задач понимания кода, включая поиск фрагментов по текстовому запросу и поиск похожего кода. Модель содержит 151 млн параметров по метаданным, использует архитектуру CodeSage и принимает последовательности длиной до 2048 токенов. README указывает, что энкодер извлекает векторы кода размерности 1024 и поддерживает гибкую размерность эмбеддингов благодаря Matryoshka Representation Learning. В обучающих данных представлены C, C#, Go, Java, JavaScript, TypeScript, PHP, Python и Ruby. Репозиторий использует формат PyTorch и библиотеку Transformers. Модель ориентирована на получение эмбеддингов и семантический поиск, а не на генерацию кода. Лицензия Apache-2.0 разрешает использование на её условиях. Размер энкодера в README указан как 130 млн параметров, тогда как метаданные репозитория приводят 151 млн; фактическое число зависит от того, какие компоненты учитываются. Контекст ограничен 2048 токенами.

Карточка модели opencompass/CompassJudger-1-14B-Instruct на Hugging Face совпадает с карточкой opencompass/CompassJudger-1-7B-Instruct, поэтому описание составлено по ней. CompassJudger-1-7B-Instruct — разработанная OpenCompass модель-судья на базе Qwen2.5-7B-Instruct с 7,1 млрд параметров. Это плотная авторегрессионная языковая модель семейства Qwen2, предназначенная для оценки ответов и моделей по инструкциям пользователя. Модель поддерживает выставление оценок, попарное сравнение, подробную критику и отзывы в заданном формате. Её можно применять для автоматической оценки ответов на субъективных наборах данных и как универсальную инструктивную модель для диалогов и повседневных задач. Контекст — до 32 768 токенов; README также отмечает возможность ускоренного инференса через vLLM и LMDeploy. Модель принимает и генерирует текст. Языки в карточке не перечислены. Лицензия — Apache-2.0. Оценки модели-судьи могут зависеть от формулировки критериев и смещений при автоматической оценке; README не приводит конкретных ограничений качества.

CoREB-Reranker — модель-реранкер для поиска по коду, разработанная командой HQ-Bench и дообученная с помощью LoRA на базе Qwen/Qwen3-Reranker-4B. Она предназначена для повторной сортировки результатов первого этапа поиска по соответствию запросу и коду; поддерживает сценарии «текст → код», «код → текст» и «код → код». Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает контекст длиной до 40 960 токенов. В README заявлено обучение на 3,1 млн примеров смешанного корпуса и положительное улучшение ранжирования на трёх задачах поиска по коду при оценке на CoREB v202603. Модель ориентирована на английский язык и код. Распространяется по лицензии Apache-2.0. Это реранкер, поэтому для поиска ему нужны запрос и кандидаты, полученные на первом этапе; заявленные результаты относятся к указанному бенчмарку и настройке поиска.

Карточка модели mercury063/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».

Dragon-1.5-0.5B — компактная модель для диалогов и генерации текста, разработанная автором репозитория на базе Qwen2-0.5B-Instruct. Она предназначена для рассуждений, выполнения инструкций, ответов на вопросы общего характера и задач по программированию. Модель содержит 493,7 млн параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель дообучена на трассах рассуждений и кода с помощью SFT, а затем обучена методом GRPO. Автор заявляет о возможности быстрого запуска на ноутбуках и коммерческих GPU, однако качество ответов и устойчивость к галлюцинациям не подтверждены приведёнными данными. Карточка обозначает модель как экспериментальную. Лицензия — Apache-2.0.

FactCC — модель для оценки фактической согласованности краткого пересказа с исходным текстом. Это современная реализация модели из исследования «Evaluating the Factual Consistency of Abstractive Text Summarization»; автор репозитория — manueldeprada. Модель принимает исходный текст и соответствующее ему резюме как пару и классифицирует резюме как CORRECT или INCORRECT. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification и содержит 136,7 млн параметров. Она предназначена для проверки фактов в автоматически созданных резюме, в том числе текстов из набора CNN/DailyMail. Контекст ограничен 512 токенами; для парного ввода в Transformers pipeline требуется специальная упаковка входных данных. Модель ориентирована на английский язык. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия — BSD-3-Clause-Clear.

FalCoder — модель генерации кода на основе Falcon-7B, дообученная mrm8488 методом QLoRA с библиотекой PEFT на наборе CodeAlpaca_20K из 20 тысяч примеров инструкций по программированию. Она предназначена для генерации кода и ответов на инструкции о разработке программ. Модель относится к плотной авторегрессионной архитектуре RefinedWebModel и содержит около 10,9 млрд параметров; опубликована в формате PyTorch под лицензией Apache-2.0. FalCoder подходит для генерации фрагментов кода и помощи в решении задач программирования по текстовому запросу. Карточка не приводит результаты оценки качества и не описывает поддержку конкретных языков программирования или длину контекста; обучение на ограниченном наборе инструкций может сказываться на охвате задач и надёжности ответов.

MAISAAI/gemma-2b-coder — языковая модель для генерации кода, созданная дообучением Gemma 2B на 20 тысячах инструкций из набора CodeAlpaca с помощью QLoRA и PEFT. Модель использует плотную decoder-only архитектуру Gemma, содержит 2,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации кода по запросам на естественном языке и ответов на вопросы о программировании. Компактный размер позволяет запускать её на персональном компьютере или собственной облачной инфраструктуре. README указывает английский как язык исходного семейства Gemma; качество именно этой версии отдельно не оценено, а результаты проверки обозначены как находящиеся в работе. Лицензия в предоставленных данных не указана.

GLM-4.5-Base — базовая языковая модель семейства GLM-4.5, разработанная Zhipu AI для создания интеллектуальных агентов. Это исходная версия модели, предназначенная для дальнейшей адаптации и генерации текста; README отдельно отмечает, что она не предназначена для чата в готовом виде. Модель построена на архитектуре GLM-4 MoE. В метаданных указаны 23,4 млрд параметров, формат safetensors и контекст до 131 072 токенов; карточка описывает серию GLM-4.5 в целом как ориентированную на рассуждения, программирование и агентные сценарии. Поддерживаются английский и китайский языки. Модель выпущена под лицензией MIT, допускающей коммерческое использование и разработку производных моделей. Для интерактивного диалога потребуется подходящая настройка или дообучение; README не приводит отдельных результатов оценки именно базовой версии.

pipenetwork/Kimi-K3-REAPgraded-MLX-mxfp4-q8 — это версия модели Kimi-K3 от Moonshot AI, подвергнутая агрессивному экспертному pruning методом REAP и конвертированная в формат MLX для запуска на компьютерах Apple Silicon. Модель относится к мультимодальным MoE-моделям, но README не уточняет полный перечень поддерживаемых модальностей и языков. Базовая Kimi-K3 имеет 2,78 трлн параметров, из которых 104 млрд активируются на токен, использует Kimi Delta Attention, Attention Residuals и контекст до 1 млн токенов. В данной версии сохранено 326 из 896 экспертов в каждом из 92 MoE-слоёв; заявленный объём составляет около 1,048 трлн параметров и 451 ГБ. Основное назначение модели — локальная генерация текста и кода через mlx-lm на Apple Silicon с unified memory объёмом около 512 ГБ. Благодаря сохранению наиболее значимых экспертов и наличию двух общих экспертов модель лучше сохраняет структурную корректность генерации кода, чем обычное удаление экспертов. Квантизация сохранённых наиболее важных весов в MXFP4 является побитово точной копией исходных весов Moonshot; менее значимые эксперты используют 2-битное представление. Заявлена скорость около 2,68 токена в секунду на M3 Ultra с 512 ГБ памяти. Это компромиссная сборка для размещения большой модели на одной машине, а не вариант с максимальным качеством. Из-за pruning ожидается заметное ухудшение языковых способностей по сравнению с полной Kimi-K3: возможны уход в спискообразные или похожие на исходный файл продолжения, дрейф ответа и циклы повторения, особенно при агрессивных сценариях. Уменьшение числа сохранённых экспертов сокращает требования к памяти, но не обязательно ускоряет генерацию, поскольку на каждый токен приходится считывать общие тензоры и выбранные эксперты. Лицензия указана как other с названием kimi-k3; дополнительные условия использования в README не приведены.

Mellum-4b-dpo-all — языковая модель для генерации программного кода, разработанная JetBrains. Это третий этап обучения модели Mellum: после предварительного обучения и SFT применена direct preference optimization, чтобы повысить читаемость и полезность генерируемого кода. Модель построена на плотной архитектуре в стиле LLaMA и содержит 3,7 млрд параметров. Она предназначена прежде всего для контекстного автодополнения, генерации кода и заполнения пропусков с учётом дополнительного контекста. Контекстное окно составляет 8192 токена. Обучение охватывало широкий набор языков программирования, включая Python, Java, JavaScript, C++, Go, Rust, SQL и другие. Модель рассчитана на интеграцию в IDE и помощники программиста, а также на локальный или облачный запуск. Предпочтения при обучении нацелены на более читаемый код, но генерации могут наследовать стили и предубеждения открытых репозиториев; предложенный код необходимо проверять на ошибки и уязвимости. Весы доступны в формате bf16, лицензия — Apache-2.0.