II.4Отладка, тестирование и качество ПО

OneSQL-v0.2-Qwen-3B — дообученная языковая модель от onekq-ai для генерации SQL-запросов по описанию схемы базы данных и запросу на естественном языке. Она основана на unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit и использует архитектуру Qwen2 с плотной моделью Qwen2ForCausalLM; число параметров — 3,1 млрд, контекст — до 32 768 токенов. Для работы в промпте сначала задают схему базы данных в формате CREATE TABLE, затем запрос на естественном языке с префиксом --, а в конце оставляют SELECT, после которого модель продолжает запрос. Репозиторий содержит полные веса версии OneSQL-v0.1-Qwen-3B. Модель представлена как text-generation и поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Лицензия в доступных данных не указана.

Epistates/OpenCodeReasoning-Nemotron-1.1-32B-AWQ — 4-битная квантизированная версия модели NVIDIA OpenCodeReasoning-Nemotron-1.1-32B в формате MLX AWQ. Базовая модель — плотный авторегрессионный трансформер Qwen2, дообученный на рассуждениях и генерации кода. В карточке указано 32 млрд параметров и контекст до 65 536 токенов; модель принимает текст и генерирует текст. Модель предназначена для решения задач программирования: она может разбирать условие, рассуждать о подходе и генерировать код, в том числе для задач соревновательного программирования. Обучение проводилось на наборе OpenCodeReasoning, включающем задачи по программированию и синтетические ответы. В карточке заявлена готовность к коммерческому и некоммерческому использованию, однако конкретный идентификатор лицензии в предоставленных данных не приведён. Репозиторий представляет собой квантизированную сборку и указывает на использование MLX; совместимость и производительность зависят от соответствующего программного окружения и оборудования.

OpenCodeReasoning-Nemotron-7B — языковая модель NVIDIA для рассуждений при решении задач программирования. Это дообученная версия Qwen2.5-7B-Instruct на наборе OpenCodeReasoning, включающем соревновательные задачи по программированию и ответы, сгенерированные DeepSeek-R1. Модель представляет собой плотный decoder-only Transformer семейства Qwen2 с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Она предназначена прежде всего для генерации кода и пошагового решения задач, в том числе соревновательного программирования; также может применяться в диалогах о коде и при построении систем для разработчиков. В метаданных указан английский язык. Модель распространяется по лицензии Apache 2.0 и заявлена как пригодная для коммерческого и некоммерческого использования. NVIDIA оптимизирует её работу для систем с GPU NVIDIA; README рекомендует Linux и указывает поддержку архитектур Ampere и Hopper.

Qwen2.5-R1-Minny-1.5B-v1 — компактная языковая модель на 1,5 млрд параметров для генерации текста, рассуждений, математики и программирования. По карточке модели, она создана слиянием DeepSeek-R1-Distill-Qwen-1.5B с математическими, кодовыми и reasoning-моделями; метаданные указывают DeepSeek-R1-Distill-Qwen-1.5B как базовую модель и тип происхождения finetune. Архитектура — плотная Qwen2, формат весов — safetensors, максимальный контекст — 131 072 токена. Модель рассчитана как основа для дальнейшего обучения и выравнивания, включая SFT и DPO, а также может применяться для генерации текста и ответов в диалоговом режиме. В README заявлены способности к математическим рассуждениям и написанию кода. Карточка сообщает о сравнении слияния по прямому проходу на наборах FineWeb, OpenMath и CodeAlpaca, но результаты не подтверждают качество ответов в практических сценариях. README предупреждает о нестабильном следовании шаблонам запросов без дополнительного instruct-тюнинга и об ограничениях небольших языковых моделей, включая галлюцинации и слабое извлечение фактов. Лицензия — Apache-2.0.

Qwen3.5-0.8B-Claude-4.6-Opus-Reasoning-Distilled — компактная текстовая модель для генерации ответов с пошаговыми рассуждениями. Разработчик дообучил Qwen/Qwen3.5-0.8B методом supervised fine-tuning на структурированных примерах рассуждений в стиле Claude-4.6 Opus. Модель имеет плотную архитектуру Qwen3.5ForCausalLM и 581,4 млн параметров. Модель предназначена для логических и математических задач, объяснений кода, пошагового анализа и выполнения инструкций в диалоговом формате. Она принимает текст и генерирует текст; в метаданных указаны английский и китайский языки. Родительская модель описана как мультимодальная, но эта версия использует текстовую архитектуру. Контекстное окно составляет 262 144 токена. Модель может галлюцинировать факты, а её качество ограничено компактным размером; карточка рекомендует её для лёгких задач рассуждения, экспериментов и исследований. Лицензия — Apache-2.0.

ReflectionCoder-CL-7B — языковая модель для генерации кода, разработанная SenseLLM. Подход ReflectionCoder использует последовательности рефлексии, построенные с учётом обратной связи компилятора, чтобы улучшать генерацию кода за один запрос. В карточке для этой версии приведены результаты HumanEval 75,0 (68,9) и MBPP 72,2 (61,4). Модель основана на плотной архитектуре Llama и содержит 6,6 млрд параметров. Она принимает текст и выдаёт текст; заявленный контекст составляет 16 384 токена. В метаданных указан английский язык. Доступна в формате safetensors и использует шаблон диалога для общения через Transformers. Лицензия в метаданных — Apache-2.0. README отдельно обозначает лицензию модели как Llama2, поэтому условия распространения и использования следует сверить с лицензиями базовой модели и проекта.

TrorYongASR-small — модель распознавания речи на архитектуре Encoder-Decoder, разработанная KHUN Kimang и опубликованная KrorngAI. Вариант Small содержит 135 млн параметров: аудиоэнкодер состоит из 12 слоёв с 12 головами внимания, текстовый декодер — из одного Transformer-блока с 24 головами. Аудио преобразуется в логарифмические мел-спектрограммы с 80 мел-полосами. Модель предназначена для транскрибации речи на кхмерском и английском языках. По тестам из карточки, английская речь распознаётся заметно лучше кхмерской: WER составляет соответственно 21,75% и 50,46%. Также модель обучалась для перевода между аудио на кхмерском и английском текстом, но эта возможность не оценена из-за малого объёма данных. Модель не выдаёт временные метки и не выполняет обнаружение речи; качество может снижаться при шуме, реверберации, разных акцентах и стилях речи. Лицензия указана как other; конкретные условия в карточке не приведены.

Atomight-V2.1-0.5B-Inference-i1-GGUF — GGUF-квантизированная версия языковой модели Atomight-V2.1-0.5B-Inference, разработанной NovatasticRoScript и квантизированной mradermacher. Это компактная causal language model для генерации текста и задач рассуждения, включая решение математических задач, программирование и ответы на вопросы. В обучении или оценке указаны наборы GSM8K, HumanEval, MMLU, AI2 ARC и Bespoke-Stratos-17k, а также методы GRPO и reinforcement learning. Модель имеет около 0,5 млрд параметров, работает с текстом и предназначена для англоязычных сценариев. Предоставляется в формате GGUF с большим набором вариантов квантизации i1, размером примерно от 0,4 до 0,6 ГБ. Доступны, в частности, IQ-, Q2-, Q3-, Q4-, Q5- и Q6-варианты; Q4_K_M отмечен как рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Контекстное окно в README не указано. К сильным сторонам относятся очень небольшой размер, возможность локального запуска и специализация на рассуждении при ограниченных вычислительных ресурсах. Ограничения включают малое число параметров, англоязычную направленность и возможное заметное снижение качества у низкобитных вариантов квантизации; мультимодальность не заявлена. Модель распространяется по лицензии MIT.

C2LLM-7B — модель CodeFuse для получения векторных представлений исходного кода и запросов к нему. Она дообучена на базе Qwen/Qwen2.5-Coder-7B-Instruct и использует архитектуру C2LLM с плотной сетью и pooling by multi-head attention (PMA), который помогает выделять значимые части кода при формировании эмбеддинга. Веса представлены в формате safetensors; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для поиска кода по текстовому запросу, поиска похожих фрагментов кода и задач Code2Text, а также для использования в RAG-системах по программным репозиториям. В README указано обучение на 3 млн пар «запрос—документ». Поддерживаются китайский и английский языки. Лицензия — Apache-2.0.

Это исследовательский чекпойнт языковой модели Qwen3-4B, созданный командой agurung с помощью обучения с подкреплением OpenRLHF по алгоритму GRPO. Он основан на Qwen/Qwen3-4B-Instruct-2507 и предназначен для генерации кода, в частности программ для задач, проверяемых автоматическими тестами. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 262 144 токенов. Чекпойнт сохранён на шаге 80 обучения и показал лучший в данном запуске результат pass@8: 21,3434 на отложенном наборе сложных задач по программированию; pass@1 составил 16,7068. Обучение оптимизировало бинарную корректность кода, а при оценке генерировалось до восьми вариантов решения на задачу. Это промежуточный результат конкретного эксперимента, а метрики не гарантируют качество на других задачах и условиях. Использовать веса можно через Transformers; файлы представлены в формате safetensors. Лицензия в доступных данных не указана.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO в OpenRLHF с подкреплением за корректность сгенерированного кода. Обучение проводилось непосредственно от базовой instruct-модели без отдельного SFT-этапа; этот вариант сохранён на шаге 56 и показал лучший в данном запуске результат pass@8 на отложенной выборке задач программирования. Модель предназначена для генерации программ в ответ на задачи с проверкой результата тестами. Она использует плотную архитектуру Qwen3ForCausalLM и содержит 3,7 млрд параметров; заявленная длина контекста — до 262 144 токенов. Чекпойнт рассчитан на исследование и оценку обучения с подкреплением для кодогенерации; показатели в README относятся к конкретной выборке и протоколу оценки, поэтому не гарантируют аналогичного качества на других задачах. Файлы представлены в safetensors, библиотека загрузки — Transformers. Лицензия в предоставленных данных не указана.

Salesforce CodeGen-Mono 2B — авторегрессионная языковая модель для генерации программного кода. Это плотная модель семейства CodeGen с примерно 2 млрд обучаемых параметров; репозиторий содержит веса PyTorch. Вариант Mono сначала инициализирован из CodeGen-Multi 2B, а затем дополнительно предобучен на наборе BigPython, содержащем 71,7 млрд токенов Python. Модель принимает текстовые подсказки на естественном языке и фрагменты кода, продолжает незавершённый код и вычисляет правдоподобие текстовых последовательностей. Основное назначение — синтез исполняемого кода по англоязычным подсказкам, обычно оформленным как комментарии; модель оценивали на HumanEval и MTPB. Контекст составляет 2048 токенов. Лицензия — BSD 3-Clause. Модель выпущена для исследовательского использования; качество, безопасность и справедливость для конкретных сценариев требуют отдельной оценки.

Карточка модели opencompass/CompassJudger-1-32B-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.

GLM-5.3-Flash-CYBERSECURITY-W4A16 — модификация модели GLM-5.3-Flash, разработанная dealignai на базе zai-org/GLM-5.3-Flash. Это текстовая и vision-language модель для генерации ответов, работы с изображениями и видео, рассуждений, многошаговых агентных сценариев и вызова инструментов. Название указывает на ориентацию на задачи кибербезопасности, однако подробная специализация и результаты тестирования в README не приведены. Модель использует архитектуру MoE и квантование W4A16, сохраняет vision tower и Multi-Token Prediction (MTP), а также поддерживает режимы рассуждений. В связке с vLLM заявлена совместимость с OpenAI-совместимыми tool calls, prefix caching и спекулятивным декодированием MTP, что может повысить производительность в агентных нагрузках. Размер модели, длина контекста и список поддерживаемых языков не указаны. К сильным сторонам относятся сохранённые возможности рассуждений и мультимодальности, поддержка инструментов и сниженная точность весов для более эффективного размещения. Ограничения связаны с требованиями к настройке сервинга: для корректной обработки рассуждений нужен соответствующий reasoning parser, режимы reasoning_effort ограничены значениями low и high, а глубокий режим требует большого бюджета токенов. Параметры обработки изображений и видео зависят от версии vLLM; ошибочная настройка fps может привести к сбою движка. Модель распространяется по лицензии MIT.

Jina Code Embeddings 1.5B MLX — порт модели эмбеддингов кода Jina AI для устройств Apple Silicon с ускорением Metal. Модель построена на архитектуре Qwen2.5-Coder-1.5B и содержит около 1,5 млрд параметров; максимальная длина последовательности — 32 768 токенов, размер эмбеддинга — 1536 измерений. Поддерживается усечение эмбеддингов до 128, 256, 512, 1024 или 1536 измерений. Модель предназначена для поиска по коду и техническим материалам: сопоставляет запросы с фрагментами кода или ответами, находит эквивалентные фрагменты и преобразует текст и код в векторы для семантического поиска. В README заявлена поддержка более 15 языков программирования. Для задач используются специальные префиксы запросов и документов. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

LateOn-Code — модель LightOn из семейства PyLate для поиска и ранжирования фрагментов кода. Это многовекторная модель позднего взаимодействия на архитектуре ModernBERT, размером 149 млн параметров. Она предварительно обучена по методике CoRNStack и дообучена на наборах CoIR с подбором сложных негативных примеров; заявленная базовая модель — внутренняя версия LateOn, построенная на ModernBERT-base. Модель предназначена для семантического поиска по коду: она сопоставляет запросы с фрагментами кода, помогает искать реализации функций и может ранжировать результаты первичного поиска. README приводит оценки на CodeSearchNet для Python, JavaScript, Go, Ruby, Java и PHP. Метаданные указывают контекст до 8192 токенов, библиотеку PyLate и форматы ONNX и safetensors. Модель ориентирована на кодовый поиск и не описана как генеративная. Для работы с ней используются PyLate и, при построении индекса, FastPLAID. Распространяется по лицензии Apache-2.0.

OASIS-code-embedding-1.5B — модель эмбеддингов кода, разработанная Kwaipilot для семантического поиска и извлечения фрагментов кода. Она предназначена для разработчиков и исследователей, создающих системы поиска по репозиториям и коду с учётом контекста программирования. Модель использует плотную архитектуру Qwen2 с 1,5 млрд параметров и обрабатывает последовательности длиной до 32 768 токенов. По описанию авторов, при обучении применялись анализ программ на уровне репозитория, синтез данных OASIS-instruct и специализированная функция потерь; заявлена высокая точность на тестах поиска кода. Модель принимает текст и выдаёт векторные представления для сравнения семантической близости. В README перечислены тесты для Python, Java, JavaScript, PHP, Go и Ruby. Для загрузки доступны веса в формате safetensors; указаны библиотека Sentence Transformers и лицензия MIT. В README отмечена проблема совместимости PyTorch 2.5.0 при загрузке с bfloat16: авторы рекомендуют версии 2.4.1 или ниже либо 2.5.1 и выше. Заявления о качестве приведены авторами; подробные значения таблицы бенчмарков в доступной карточке представлены не полностью.

Qwen3.8-27B-Uncensored-Cyber — GGUF — это квантизированная версия модели philbert440/Qwen3.8-27B-Uncensored-Cyber, опубликованная cyjin-yl. Репозиторий содержит только GGUF-квантизацию и калибровочную importance matrix, построенную на реальном трафике агентного программирования; дообучение, слияние моделей и изменения поведения не выполнялись. Лицензия — Apache-2.0. Модель предназначена прежде всего для агентного кодинга и задач кибербезопасности, включая сценарии с вызовами инструментов, JSON, командными строками, путями к файлам и точным воспроизведением идентификаторов. Это de-refusal («abliterated») модель, специализированная на offensive security. Доступны текстовые IQ4_XS-веса размером около 14,96 GiB и вариант около 15,38 GiB с совместимыми MTP-тензорами для speculative decoding; обычным GGUF-загрузчикам рекомендуется файл без MTP, если поддержка MTP не проверена. Сохраняются vision tower и MTP-head исходной модели, поэтому заявлена мультимодальная возможность image-text-to-text и поддержка MTP в совместимых средах. Указан контекст до 262K токенов для исходной модели, однако калибровка выполнялась с контекстом 512. Калибровочная матрица оптимизирована для агентных данных, включая tool-call токены, специальные chat-template токены и смешанные китайско-английские материалы, что может улучшать точность вызовов инструментов и копирования длинных литералов после квантизации. Ограничения включают зависимость от совместимости конкретного runtime с GGUF, MTP и мультимодальными компонентами, а также возможную потерю качества из-за двойной квантизации: исходные веса были получены из Q8_0, а не BF16. Модель унаследовала отсутствие отказов и кибернетическую специализацию базовой модели, поэтому требует осторожного применения.

Qwopus3.5-9B-Coder-MTP-MoQ — набор квантованных GGUF-версий модели на основе Qwen/Qwen3.5-9B, опубликованный Waleed Ahmad. Репозиторий предназначен для генерации текста и диалога; в названии заявлена специализация на программировании, но README не приводит отдельных оценок или сведений о настройке под код. Также указана поддержка MTP speculative decoding для ускорения генерации. Метод MoQ (Mixture of Quants) распределяет точность квантования по слоям модели, сохраняя более высокую точность для важных частей и сильнее сжимая остальные. В README приведены варианты примерно от 3,3 до 3,9 бит на вес, а также заявление автора о сравнительных оценках относительно других квантований. Файлы доступны в формате GGUF; для запуска README показывает llama.cpp. Модель унаследовала мультимодальные возможности базовой Qwen3.5-9B, однако карточка этого репозитория описывает прежде всего текстовую генерацию и не подтверждает работу с изображениями в данных GGUF. Указанная лицензия — MIT. Качество конкретных квантованных вариантов может различаться; заявления о превосходстве в README принадлежат автору и не сопровождаются подробностями методики оценки.

QWQ R1 Reasoning Distill 1.5B CoT — языковая модель на архитектуре Qwen2, дообученная prithivMLmods на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель содержит 1,5 млрд параметров и предназначена для генерации текста с пошаговыми рассуждениями, следования инструкциям и решения многоэтапных задач. В карточке указаны математические и логические задачи, объяснение решений и учебные сценарии; для диалога предусмотрен chat-интерфейс. Модель принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена. В обучении использованы наборы данных с примерами математических решений и длинных рассуждений. Лицензия — Apache-2.0. Модель может ошибаться в вычислениях и фактах, испытывать трудности с неоднозначными задачами и очень длинными цепочками рассуждений. Её знания могут быть неполными или устаревшими, а результаты — зависеть от смещений и пробелов в обучающих данных.

SecGPT — специализированная диалоговая языковая модель компании 云起无垠 для задач кибербезопасности. Репозиторий содержит дообученную на базе Qwen2.5-14B-Instruct модель с плотной архитектурой Qwen2, 14 млрд параметров и контекстом до 32 768 токенов. Она принимает текстовые запросы и генерирует текстовые ответы; в карточке заявлена поддержка китайского и английского языков. Модель предназначена для анализа уязвимостей и кода, разбора команд и скриптов, ответов на вопросы по безопасности, анализа журналов и сетевого трафика, извлечения IOC и помощи при расследовании инцидентов. Также карточка описывает сценарии поддержки красных и синих команд, включая анализ атак и подготовку рекомендаций. Указаны обучение на наборах задач безопасности и возможность развертывания через vLLM. Карточка заявляет об обучении на сочетании данных по кибербезопасности и инструкционном дообучении с последующим обучением с подкреплением, однако подробности этого репозитория и заявленные результаты оценки описаны неполно. Ответы модели могут содержать ошибки и требуют проверки специалистом, особенно при анализе угроз и рекомендациях по устранению уязвимостей. Лицензия — Apache-2.0.

Axiom Python 1.5B — авторегрессионная языковая модель для генерации текста, дообученная разработчиком coderian на Qwen/Qwen2.5-1.5B с помощью LoRA и SFT. Модель основана на архитектуре Qwen2ForCausalLM, содержит около 1,5 млрд параметров и рассчитана прежде всего на генерацию кода на Python и ответы в формате диалога. Она распространяется в формате safetensors и использует библиотеку Transformers; заявленное окно контекста — 131072 токена. Модель обучалась на наборах CodeAlpaca_20K и PythonCodeInstruct_18K. Лучше всего она подходит для отдельных строк и функций средней сложности; для устойчивого результата README рекомендует формат Instruction/Answer и невысокую температуру генерации. Лицензия — Apache-2.0. Из-за небольшого размера модель может ошибаться в сложных и длинных задачах, а качество на языках программирования, отличных от Python, ограничено. Обучающие последовательности имели длину до 256 токенов, поэтому согласованность при длинном контексте может ухудшаться, несмотря на заявленное контекстное окно. Сгенерированный код следует проверять перед запуском; возможны унаследованные от данных смещения и вредоносный контент.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO с помощью OpenRLHF. Обучение с подкреплением применялось напрямую к базовой модели без предварительной SFT-инициализации; чекпойнт сохранён на глобальном шаге 4 и выбран как лучший по pass@8 в рамках этого запуска. Модель предназначена для генерации кода и решения задач программирования: по условию она создаёт программу, оцениваемую по прохождению тестов. Обучение охватывало сложные задачи из набора cobalt-train, а сигнал вознаграждения был бинарным — за корректное прохождение тестов. Архитектура — плотная Qwen3ForCausalLM на 3,7 млрд параметров; используется Transformers, веса сохранены в safetensors. Контекст составляет до 262 144 токенов. Это ранний экспериментальный чекпойнт: в README указано, что метрики оценки на этом шаге отсутствуют, поэтому преимущество по pass@8 относится только к сравнению чекпойнтов данного запуска и не подтверждает общее качество. Для обучения применялись штрафы за усечение генерации и чрезмерную длину ответа. Лицензия в предоставленных данных не указана.

Это контрольная точка обучения с подкреплением для генерации кода, созданная исследовательской командой agurung на основе Qwen3-4B-Instruct-2507. Модель дообучали алгоритмом GRPO непосредственно от базовой модели, без этапа SFT; использовалась награда за прохождение тестов сгенерированной программой. Веса сохранены на шаге 72 обучения, контрольная точка показала лучший в этом запуске результат по pass@8. Модель предназначена для генерации программ в ответ на задачи, особенно для задач из набора cobalt-train, отобранных как сложные для исходной модели. Она принимает текстовые запросы и генерирует текст с кодом; максимальная длина контекста составляет 262 144 токена, а для генерации в обучении задавался предел 4096 новых токенов. Это экспериментальный чекпойнт конкретного запуска, поэтому метрики на указанном наборе задач не гарантируют качество на других задачах. Лицензия в предоставленных данных не описана.

CODE_VERONICA — дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-large, представленная автором репозитория CODE_VERONICA. Она кодирует предложения и абзацы на русском и английском языках в плотные текстовые векторы размерности 1024 для семантического поиска и извлечения релевантных фрагментов. Архитектура включает XLM-RoBERTa, усредняющий pooling и нормализацию векторов; сходство можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель обучена на 778 парах предложений с использованием MultipleNegativesRankingLoss. Примеры связывают русские формулировки, включая сленг и текст в неверной раскладке, с англоязычными фрагментами кода, поэтому она может быть полезна для поиска кода по русским запросам и сопоставления таких запросов с описаниями или фрагментами кода. Лицензия в предоставленных данных не указана.

CVE Backport Code Generation — Qwen2.5-Coder-32B v5 — модель, дообученная openSUSE на базе Qwen/Qwen2.5-Coder-32B-Instruct для переноса исправлений безопасности на другие версии кода. Она получает уязвимый фрагмент и описание исправления, а затем генерирует исправленный код; итоговый diff формируется программно. Такой подход предназначен для автоматизации подготовки патчей в рабочих процессах сопровождения пакетов и устранения CVE. Модель использует плотную 32-миллиардную архитектуру Qwen2.5-Coder и поддерживает диалоговый режим. В карточке приведены результаты оценки на 100 отложенных примерах: полнота 93,1%, точность 94,4%, точное совпадение — 83 из 100. Доступны веса safetensors и GGUF Q8_0; указана лицензия Apache-2.0. В README рекомендуется проверять сгенерированные патчи перед применением в производственных системах.

Это сильно сжатая GGUF-квантизация языковой модели DeepSeek-R1-Distill-Qwen-1.5B, подготовленная для запуска с llama.cpp на устройствах с ограниченной видеопамятью. Файл использует формат IQ2_XXS с эффективной точностью около 2,06 бита на вес и занимает примерно 0,56 ГБ. Исходная модель была дообучена DeepSeek на примерах рассуждений; эта версия получена из весов F16 с помощью llama.cpp и калибровочной матрицы важности. Модель предназначена для генерации текста, ответов на вопросы и задач, требующих пошагового рассуждения, включая математику и программирование. В README заявлен контекст до 32 768 токенов и сохранение формата рассуждений DeepSeek-R1. Репозиторий распространяется по лицензии MIT. Квантизация IQ2_XXS позволяет запускать модель на малоресурсном оборудовании, однако агрессивное сжатие снижает беглость и точность по сравнению с F16 или Q4_K_M. Описание заявляет поддержку английского и многоязычного использования, но не перечисляет конкретные языки помимо английского.

DGPL Linux Assistant 0.8B — компактный диалоговый помощник для Linux и DevSecOps, разработанный командой DevSecOps and AI Systems компании Durbhasi Gurukulam Private Limited. Это дообученная модель Qwen3.5-0.8B с плотной архитектурой Qwen3_5ForConditionalGeneration; репозиторий содержит версии GGUF в нескольких вариантах квантизации и веса safetensors. Модель предназначена для генерации команд bash, диагностики Linux без интерактивного взаимодействия и первичного разбора системных журналов. Она также поддерживает анализ снимков экрана терминала и OCR диагностику логов. В карточке заявлена работа на CPU и обычном оборудовании, включая быстрый режим выдачи команд; отдельно описан сценарий использования через Ollama. Лицензия — GPL-3.0. Это небольшая модель, поэтому сложные многоэтапные диагностики и команды, затрагивающие систему, требуют проверки человеком. README не приводит тестовых результатов, подтверждающих скорость или точность заявленных возможностей.

microsoft/DialogRPT-human-vs-rand — модель классификации диалоговых ответов от Microsoft Research NLP Group, созданная в рамках семейства DialogRPT. Она оценивает, насколько ответ соответствует контексту диалога, а не является случайным; оценку можно использовать для ранжирования кандидатов, сгенерированных, например, DialoGPT. Модель основана на GPT-2 и реализована как GPT2ForSequenceClassification; максимальная длина контекста составляет 1024 токена. DialogRPT обучался на более чем 100 миллионах примеров человеческой обратной связи. Карточка описывает вариант human_vs_rand, который выдаёт оценку соответствия ответа контексту. Лицензия в предоставленных данных не указана.

Granite 3.1 8B Instruct - Intrinsics LoRA v0.1 — адаптер LoRA от IBM Research для языковой модели ibm-granite/granite-3.1-8b-instruct. Он сохраняет её возможности и добавляет три режима: оценку уверенности в ответе, проверку поддержки ответа документами и бинарное выявление небезопасных запросов. Режимы вызываются через специальные роли в шаблоне чата и возвращают короткую оценку: целое число от 0 до 9, Y или N. Модель относится к семейству Granite, имеет плотную архитектуру GraniteForCausalLM и содержит 8,2 млрд параметров; базовая модель поддерживает контекст до 131 072 токенов. Адаптер предназначен для сценариев с текстовыми вопросами, ответами и документами, включая проверку ответов в RAG-системах. Карточка указывает английский язык. Лицензия — Apache 2.0. Это экспериментальная версия для тестирования новых возможностей Granite; разработчик не рекомендует использовать её в реальных развертываниях. Оценка уверенности не гарантирует точность для конкретного ответа, а выявление галлюцинаций и небезопасных запросов основано на бинарной классификации и может ошибаться.