II.4Отладка, тестирование и качество ПО

Chama29929/chamindu-ai-7b-16bit — дообученная языковая модель разработчика Chama29929 на базе unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit. Это плотная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; метаданные также указывают интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. Её можно применять для диалогов, генерации кода и задач с инструментами, унаследованных от базовой модели. Репозиторий содержит веса в формате Safetensors; заявлена лицензия Apache-2.0.

Code-33B — полноценно дообученная модель на базе Llama-1, созданная ajibawa-2023 для генерации кода с подробными объяснениями. Модель обучена на наборе Code-74k-ShareGPT, содержащем около 74 тысяч примеров диалогов с кодом. Она принимает запросы в формате Vicuna/ShareGPT и предназначена для ответов помощника на вопросы о программировании. Модель генерирует код на Python, Java, JavaScript, Go, C++, Rust и других языках программирования, сопровождая его объяснениями. Это плотная авторегрессионная Llama-модель с 32,3 млрд параметров и контекстом 2048 токенов. Репозиторий содержит веса PyTorch; автор также ссылается на отдельные квантованные версии. Лицензия — CC-BY-NC-ND-4.0, которая ограничивает коммерческое использование и распространение производных версий.

CodeLlama-34b-Python-hf — авторегрессионная плотная языковая модель семейства Code Llama, разработанная Meta и представленная в формате Transformers. Это Python-специализированный вариант с 33,5 млрд параметров и контекстом до 16 384 токенов; модель принимает текст и генерирует текст. Она предназначена для автодополнения, синтеза и понимания кода на Python, а также может применяться в общих задачах генерации кода. Модель не предназначена для диалогового следования инструкциям. Использование регулируется лицензией Meta Llama 2. Возможны неточные или нежелательные результаты, поэтому перед внедрением модель следует проверять и адаптировать к конкретному сценарию.

Codestral-22B-v0.1 — языковая модель для работы с кодом, разработанная Mistral AI. Это плотная авторегрессионная модель семейства Mistral с 22 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; в метаданных указана библиотека vLLM, а в README приведён пример генерации через инструменты Mistral. Модель предназначена для генерации и продолжения кода, а также для диалоговых запросов, связанных с программированием. Её можно использовать в помощниках разработчика и для ответов на вопросы о машинном обучении; карточка не уточняет поддерживаемые языки программирования или естественные языки. В README отмечено, что у модели нет встроенных механизмов модерации, поэтому её ответы могут требовать внешних защитных мер. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с лицензией репозитория.

Codestral-22B-v0.1-hf — конвертированная версия Codestral-22B-v0.1 от Mistral AI в формате Transformers. Это плотная авторегрессионная модель семейства Mistral с 22 млрд параметров и контекстом до 32 768 токенов, предназначенная для работы с кодом на более чем 80 языках программирования. Она отвечает на вопросы по фрагментам кода, объясняет и документирует их, помогает рефакторить код, генерирует код по инструкциям и поддерживает заполнение пропусков между префиксом и суффиксом (Fill in the Middle), что подходит для интеграции в редакторы кода. В README также указан пример на Rust; среди названных языков — Python, Java, C, C++, JavaScript и Bash. Модель принимает текстовые инструкции и фрагменты кода и генерирует текст, включая исходный код. Карточка предупреждает, что у модели нет механизмов модерации. В репозитории указаны веса safetensors и лицензия «other»; конкретные условия лицензии следует сверять с карточкой модели и условиями исходного репозитория Mistral AI.

CodeT5+ 2B — модель семейства CodeT5+, разработанная Salesforce Research для понимания и генерации кода. Это плотная модель с архитектурой encoder-decoder; семейство также поддерживает режимы encoder-only и decoder-only. Чекпойнт загружается как Seq2Seq-модель через Transformers и использует токенизатор CodeGen. Модель предназначена для генерации кода по текстовому описанию, автодополнения, поиска и сопоставления кода с текстом, а также других задач понимания кода. При предобучении использовались денойзинг фрагментов, причинное языковое моделирование, контрастивное обучение и сопоставление текста с кодом. Обучающие примеры кода взяты из разрешительной подвыборки GitHub Code; среди поддерживаемых языков программирования указаны C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. В репозитории опубликованы веса PyTorch. Лицензия — BSD 3-Clause. Авторы отмечают, что модель выпущена для исследовательских целей и не оценивалась для всех вариантов применения; перед использованием следует проверять точность и учитывать риски ошибок и смещений.

Crystal (ранее CrystalCoder) — языковая модель с 7 млрд параметров из серии Pebble, разработанной инициативой LLM360. Это плотная GPT-подобная модель на архитектуре, близкой к LLaMA-7B, с модификациями maximal update parameterization (muP). Модель обучена на SlimPajama и StarCoder; в последнем этапе использовались дополнительные данные Python и веб-кода. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. Модель предназначена для генерации текста и кода, включая дополнение программ и решение задач на программирование. Карточка сообщает о результатах на англоязычных и кодовых тестах MMLU, HumanEval и MBPP. Размер контекста и длина обучения последовательностей составляют 2048 токенов; основной язык — английский. Модель объединяет общие языковые и кодовые возможности, однако её контекст ограничен 2048 токенами, а заявление о превосходстве над LLaMA 2 относится лишь к отдельным задачам и приведённым в карточке оценкам.

DeepSeek Coder 1.3B Instruct — языковая модель для программирования, разработанная DeepSeek. Это плотная модель архитектуры Llama с 1,3 млрд параметров, дообученная на 2 млрд токенов инструкционных данных на основе deepseek-ai/deepseek-coder-1.3b-base. Репозиторий содержит веса в форматах PyTorch и Safetensors. Модель предназначена для генерации и дополнения кода, заполнения пропусков в коде и диалоговых запросов о программировании. Семейство DeepSeek Coder обучалось на корпусе из кода и естественного языка на английском и китайском языках; окно контекста модели составляет 16 384 токена. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.

unsloth/DeepSeek-R1-Distill-Qwen-1.5B — компактная языковая модель от Unsloth на архитектуре Qwen2, дообученная на примерах рассуждений, созданных DeepSeek-R1. Она предназначена для генерации текста и диалоговых сценариев, особенно для решения задач по математике, программированию и логическим рассуждениям. Модель содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель принимает текст и генерирует текст; в метаданных также отмечен интерфейс для вызова инструментов. В README описано семейство DeepSeek-R1-Distill, обученное на открытых моделях, включая Qwen, однако точная базовая модель этого репозитория указана в метаданных как deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Репозиторий распространяется по лицензии MIT. README рекомендует следовать настройкам запуска семейства для ожидаемого качества.

Карточка модели bbbbiia/DeepSeek-R1-Distill-Qwen-7B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Qwen-7B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Deplyze-Mini — компактная языковая модель, разработанная командой Deplyze Core ML Team для анализа зависимостей программного обеспечения и рисков цепочки поставок. Это причинная языковая модель на базе Qwen/Qwen2.5-0.5B-Instruct, дообученная с помощью адаптера LoRA; в репозитории указано 444,4 млн параметров. Модель принимает структурированные результаты детерминированных сканеров и формирует решения для CI/CD, объяснения уязвимостей и рекомендации по исправлению. Карточка указывает контекст 2048–4096 токенов и поддержку английского языка. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0. Модель предназначена для оценки риска зависимостей, сортировки находок уязвимостей, рассуждений о совместимости версий, проверки подозрительных признаков пакетов и анализа соответствия лицензий заданной политике. Её подход рассчитан на выводы, основанные на предоставленных фактах сканирования; модель не должна заменять источники данных об уязвимостях или объявлять пакет гарантированно безопасным. Качество выводов зависит от полноты и точности входных данных: нестандартные схемы версий требуют нормализации, а глубокие транзитивные цепочки — предварительного обхода графа сканером.

droplychee/droplychee-code-big — дообученная модель разработчика droplychee на базе Qwen/Qwen3-Coder-Next. Это языковая MoE-модель с архитектурой Qwen3-Next, предназначенная для генерации кода и работы в составе кодирующих агентов; поддерживает диалоговый режим и интерфейс вызова инструментов. Модель содержит 2,3 млрд параметров и поддерживает контекст до 262 144 токенов. README указывает, что обучение проводилось с использованием Unsloth и библиотеки TRL для ускорения процесса. Модель принимает текст и генерирует текст, в том числе код; в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Данных о специальных ограничениях качества или области применения в карточке нет.

EveryoneLLM-7b-Gemma-Base — созданная сообществом объединённая языковая модель на архитектуре Gemma, опубликованная rombodawg. Она предназначена для генерации ответов на инструкции и объединяет возможности нескольких дообученных сообществом моделей; особый акцент сделан на задачах программирования. В карточке указано использование шаблона Alpaca. Модель содержит 8,2 млрд параметров, принимает текст и генерирует текст, а её длина контекста составляет 8192 токена. Доступны веса в формате safetensors. README описывает объединение моделей, но не перечисляет исходные модели. Лицензия указана как other, поэтому условия использования следует сверять с файлами репозитория и условиями исходных моделей. Возможны ошибки и нестабильное качество, особенно вне сценариев, представленных в объединённых моделях.

Gallium-350M — компактная языковая модель для генерации кода и рассуждений о программировании, созданная на базе LiquidAI/LFM2.5-350M. Это плотная авторегрессионная модель семейства LFM2; метаданные указывают 443,4 млн параметров, формат safetensors и контекст до 128 000 токенов. Модель принимает текстовые запросы и выдаёт текстовые ответы в диалоговом формате. Модель дообучена на наборе Banaxi-Tech/Deepseek-V4-Reasoning-Code-2500 с помощью SFT, затем дополнительно обучена методом GRPO. Она предназначена для генерации фрагментов и длинных программ по описанию на естественном языке, выполнения инструкций, ответов на вопросы по программированию и рассуждений над кодом. Карточка заявляет поддержку основных языков программирования, но естественный язык в метаданных указан как английский. Разработчик характеризует модель как экспериментальную и предупреждает, что её следует использовать с учётом этого статуса. Заявления о повышении качества и снижении галлюцинаций исходят из карточки модели и не сопровождаются здесь независимыми оценками. Лицензия указана как other; конкретные условия использования следует сверить с лицензией репозитория.

google/gemma-2b-AWQ — AWQ-квантизированная версия базовой модели Gemma-2B, разработанной Google. Это компактная decoder-only большая языковая модель с открытыми весами, обученная на основе технологий, использованных при создании Gemini. Модель работает с текстом и ориентирована преимущественно на английский язык. Модель предназначена для генерации текста, ответов на вопросы, суммаризации, рассуждений, работы с программным кодом и математическими запросами. Она принимает текстовые строки, включая вопросы, инструкции и документы, а возвращает сгенерированный английский текст. Небольшой размер делает её подходящей для запуска на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре с ограниченными ресурсами; также предусмотрено последующее дообучение. При обучении использовалось около 6 триллионов токенов из веб-документов, кода и математических материалов с применением фильтрации вредоносного и чувствительного контента. README не указывает размер контекстного окна и конкретные характеристики архитектуры помимо класса decoder-only. Это базовая, а не instruction-tuned версия, поэтому для диалоговых сценариев и точного следования инструкциям могут потребоваться дополнительное дообучение или специальное форматирование запросов. Квантизация AWQ снижает требования к ресурсам, но её влияние на качество зависит от задачи и среды запуска. Использование регулируется лицензией Google Gemma Terms of Use; для доступа на Hugging Face требуется принять условия лицензии. Лицензия указана как gemma-terms-of-use.

Карточка модели imtoolonley/Gemma-4-12B-it-qat-JANG_4M-CRACK на Hugging Face совпадает с карточкой Ishowbackup/Gemma-4-12B-it-qat-JANG_4M-CRACK, поэтому описание составлено по ней. Gemma 4 12B JANG4M CRACK — мультимодальная модель на основе Google Gemma 4 12B IT, опубликованная dealignai. Это дообученная и квантизованная версия с плотной унифицированной архитектурой для обработки текста и изображений; в README также заявлена поддержка аудиовхода. Модель предназначена для диалогов, ответов на вопросы, многошаговых рассуждений, генерации кода и работы с визуальными входами. Квантизация JANG_4M использует 8-битные веса для attention и 4-битные для MLP. Авторы сообщают о сохранении возможностей базовой модели, включая vision и audio, и приводят результаты собственных проверок MMLU и HarmBench. Метаданные указывают библиотеку MLX и формат safetensors; для запуска README требует Apple Silicon и vMLX с поддержкой Gemma 4. Модель описана как abliterated: авторы заявляют об удалении отказов и высокой доле выполнения запросов из категорий HarmBench. Это важное ограничение для сценариев, где требуется безопасное ограничение ответов. Лицензия — Gemma; авторы указывают исследовательское назначение и возлагают на пользователей ответственность за соблюдение применимых законов.

GLM-4.6V — мультимодальная модель семейства GLM-V, разработанная Z.ai. Это базовая модель на 106 млрд параметров для облачных вычислений и высокопроизводительных кластеров; она использует архитектуру GLM4V-MoE и поддерживает чат с изображениями. Контекст при обучении составляет до 128 тыс. токенов. Модель рассчитана прежде всего на визуальное понимание и мультимодальные рассуждения: она анализирует изображения, снимки экранов и страницы документов, совместно учитывая текст, структуру, таблицы, диаграммы и иллюстрации. Модель подходит для вопросов по длинным и визуально насыщенным документам, понимания изображений и экранных интерфейсов, а также для построения агентов с вызовом инструментов на основе визуального контекста. Она также может создавать смешанный текстово-графический контент и генерировать HTML/CSS по снимкам интерфейсов. В README заявлены результаты уровня лучших моделей сопоставимого размера в задачах визуального понимания, однако чисто текстовые ответы слабее, чем визуальные возможности; на сложных запросах возможны избыточные или повторяющиеся рассуждения, а точность подсчёта объектов и распознавания конкретных людей ограничена. Репозиторий распространяется по лицензии MIT.

HelixLM — языковая модель из серии открытых моделей Helix, разработанная Helix Lab. Это плотная авторегрессионная модель семейства Llama для генерации текста; карточка описывает её как релиз-кандидат, дообученный с чередованием этапов рассуждения. Модель ориентирована на математические задачи, понимание кода и многошаговые логические задачи, а также поддерживает диалог и интерфейс вызова функций. HelixLM рассчитана на решение сложных задач с более продолжительным внутренним рассуждением перед ответом. Разработчик сообщает о конкурентных результатах на внутренних наборах проверки, но не приводит размер модели или длину контекста. Для запуска рекомендуется температура 0,6; модель также предлагается через игровую площадку и API. Модель распространяется по лицензии Apache-2.0. Это релиз-кандидат; заявленные показатели основаны на внутренних тестах и в README не приведены подробные сведения о методике оценки. Увеличенный бюджет рассуждений может повышать расход токенов и задержку ответа.

Infinity-Instruct-3M-0625-Yi-1.5-9B — языковая модель Beijing Academy of Artificial Intelligence (BAAI), дообученная следовать инструкциям. Это плотная авторегрессионная модель семейства Yi-1.5 с 8,6 млрд параметров, рассчитанная на генерацию текста и диалог в формате чата. Контекст составляет 4096 токенов; для работы используются веса SafeTensors. Модель дообучена на наборах Infinity-Instruct-3M и Infinity-Instruct-0625 без обучения с подкреплением на основе отзывов людей (RLHF). Она предназначена для ответов на вопросы и многошагового диалога, включая повседневные запросы, математику и код. Авторы сообщают о результатах на бенчмарках AlpacaEval 2.0 и MT-Bench. В карточке указана лицензия Apache-2.0, однако README ограничивает использование связанных ресурсов академическими исследованиями и запрещает коммерческое применение. Авторы также предупреждают, что точность ответов не гарантируется.

InstructYi-6BDolly15K — авторегрессионная языковая модель на 5,8 млрд параметров, дообученная HenryJJ на базе Yi-6B с помощью LoRA. В обучении использовались наборы Databricks Dolly 15K и CodeAlpaca 20K; модель обучалась следовать инструкциям и лучше справляться с задачами программирования. Для запросов применяется шаблон [INST] с инструкцией и, при необходимости, контекстом. Модель предназначена для генерации ответов на инструкции и помощи с кодом на английском языке. Репозиторий содержит веса Safetensors; контекст модели по метаданным составляет 4096 токенов. README сообщает о тренировке на окне 2048 токенов. Модель распространяется по лицензии Apache-2.0.

IFM/K2-Horizon-32B-GGUF — GGUF-версия модели K2-Horizon-32B-Stage1, разработанной IFM. Это открытая плотная decoder-only языковая модель с 32 млрд параметров, предназначенная для генерации текста, а также для задач, связанных с агентными сценариями, программированием и рассуждениями. Указан английский язык; модель относится к текстовой модальности. Модель поддерживает контекстное окно размером 524 288 токенов. Тензоры сохранены в исходной точности BF16, а файлы GGUF содержат метаданные токенизатора и шаблон чата, совместимый с llama.cpp. Для запуска требуется версия llama.cpp с поддержкой архитектуры K2 Horizon; на момент публикации такая поддержка находилась в разработке, а доступный checkpoint относится к первой стадии обучения. К сильным сторонам относятся большой контекст, полностью открытая модель, публикация обучающих данных, рецепта и кода обучения, а также наличие промежуточных checkpoint для изучения изменений возможностей в процессе обучения. Ограничения связаны с необходимостью специальной поддержки архитектуры в llama.cpp и с тем, что это Stage 1, тогда как финальный checkpoint ещё должен быть выпущен. Лицензия — Apache 2.0.

Liberalis Cogitator Llama 3.1 8B — разговорная текстовая модель Locutusque, дообученная на базе meta-llama/Llama-3.1-8B примерно на 450 тысячах диалогов, задач и историй. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста и диалогов; заявленная длина контекста — 131 072 токена. В карточке указана поддержка английского языка. Модель ориентирована на решение STEM- и логических задач, программирование, ролевые диалоги, рассказы и построение вымышленных миров. В обучающих данных также использовались синтетические диалоги пациента и психолога, однако карточка не подтверждает пригодность модели для профессиональной психологической помощи. Автор предупреждает, что ответы могут быть ошибочными, необычными или спорными и что модель не знает актуальных событий. Лицензия — Llama 3.1; её условия определяются лицензией Meta Llama 3.1.

Agnuxo/Mamba-Codestral-7B-v0.1-instruct-python_coding_assistant-GGUF_16bit — локальная модель генерации кода, опубликованная Франсиско Ангуло де ла Фуэнте под именем Agnuxo. Это плотная модель семейства Mistral с 7 млрд параметров в формате GGUF F16; карточка рекомендует запуск через Ollama и также описывает использование через Transformers. Модель предназначена для помощи в программировании: она генерирует код на Python, JavaScript, TypeScript, Rust, Go и C++, а также поддерживает сценарии научных вычислений и машинного обучения с NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. В карточке также заявлены возможности декомпозиции задач и взаимодействия с агентами через MCP и A2A. Метаданные указывают английский и испанский языки. Лицензия — Apache-2.0. Описание не приводит результатов независимых тестов качества или подробностей о контекстном окне, поэтому пригодность для конкретных задач стоит оценивать на собственных примерах.

Millie 35B-A3B 9GB — компактная версия модели для генерации кода и выполнения агентных задач, опубликованная llmsforall. Это MoE-модель с 35 млрд параметров и примерно 3 млрд активных параметров на токен, построенная на архитектуре Qwen3.5-35B-A3B и созданная на основе Agents-A1. По данным карточки, модель принимает изображения и поддерживает контекст до 262 тысяч токенов. Вариант сжат до файла GGUF объёмом около 9 ГБ: веса экспертов представлены в формате ternary mask-and-sign с точностью 1,69 бита на параметр. Для запуска требуется форк llama.cpp от llmsforall с соответствующими ядрами для Metal, Vulkan или CPU; обычный llama.cpp этот формат не загружает. Метаданные указывают задачу text-generation, чат-возможность и лицензию Apache-2.0. Известное ограничение — специальный формат весов привязывает запуск к совместимому форку.

Omega AI 450B — вариант модели, представленный под брендом Omega AI и основанный на Qwen3-Coder-480B-A35B-Instruct. Это языковая MoE-модель для генерации кода и диалогов; карточка указывает 480 млрд общих параметров и около 35 млрд активных параметров. Название «450B» обозначает уровень семейства Omega, а не фактическое число параметров. Модель предназначена для генерации кода и сценариев агентного программирования; в метаданных также заявлен интерфейс вызова инструментов. Контекст составляет до 262 144 токенов. Указано, что архитектура и исходные предобученные веса происходят от Qwen, а не были изначально обучены Omega AI. Сведения о лицензии и ограничениях качества в предоставленных источниках отсутствуют.

OpenHermes-2.5-Code-290k-13B — полноразмерная дообученная модель ajibawa-2023 на базе Llama 2 от Meta. Она обучена на смеси OpenHermes-2.5 и набора Code-290k-ShareGPT, включающей синтетические диалоги и инструкции; карточка сообщает примерно о 1,29 млн разговоров в объединённом наборе. Модель предназначена для генерации кода и ответов в формате диалога, а также для написания историй, блогов и ответов на вопросы. Модель использует плотную архитектуру Llama с 12,9 млрд параметров и контекстом 4096 токенов. В метаданных указан английский язык; заявленная лицензия — Apache-2.0. Карточка описывает её как улучшенную для программирования, но не приводит примеров выходов, а результаты оценки в README представлены лишь частично, поэтому качество для конкретных задач следует проверять отдельно.

QaptaanLM-0.75B — компактная текстовая причинно-языковая модель для генерации кода, технических рассуждений и анализа длинных фрагментов кода. Её разработали в проекте Kaptaan на основе Qwen/Qwen3.5-0.8B-Base: визуальную часть исходной архитектуры удалили, а модель дообучили на корпусе KapCode-1B. В README указано 752 млн параметров; метаданные каталога указывают 581,4 млн. Модель использует гибридное внимание с линейными рекуррентными слоями и плотным вниманием, поддерживает заполнение пропусков в коде (Fill-in-the-Middle) и контекст до 262 144 токенов. Она предназначена для локального дополнения и генерации кода, вставки кода в заданный контекст и работы с техническими документами и материалами по STEM. Данные обучения включают исходный код, документацию, веб-тексты и математические материалы; метаданные отмечают английский язык. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. Карточка также перечисляет отдельные варианты для инструкционного чата и GGUF, но это не форматы данного репозитория.

Qwen2-2B-RepleteCoder-DHM — объединённая языковая модель на архитектуре Qwen2, созданная сообществом mergekit-community методом Model Stock с помощью mergekit. В основу слияния вошла Qwen2-2B-RepleteCoder-Upscaled; также объединены варианты Dolphin, RepleteCoder и Hercules, а также Qwen2-Math-2B-Instruct. Модель содержит 1,9 млрд параметров и рассчитана на генерацию текста в диалоговом формате, помощь с программированием и математические запросы. Модель принимает текст и генерирует текст. Для запуска используются библиотека Transformers и файлы Safetensors; заявленная длина контекста — до 131 072 токенов. Карточка не уточняет языковую специализацию. Лицензия в предоставленных данных не указана. Качество и поведение объединённой модели могут зависеть от задачи; карточка не приводит результатов оценки.

Qwen2.5-CoderX-7B-v0.5-i1-GGUF — это набор квантованных файлов в формате GGUF для модели oscar128372/Qwen2.5-CoderX-7B-v0.5. Квантизацию выполнил mradermacher. Модель основана на семействе Qwen2.5 и имеет размер 7 миллиардов параметров. Модель предназначена для генерации текста и кода, следования инструкциям, проектирования алгоритмов и задач, связанных с Python и физическим моделированием. В описании указана поддержка английского языка. Доступны варианты квантизации от крайне компактных IQ1 до более качественного Q6_K размером примерно от 2,0 до 6,4 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. Сильной стороной являются разнообразные GGUF-варианты, включая imatrix-квантизации, совместимые с экосистемой локального запуска GGUF. Ограничения зависят от выбранного варианта: низкобитные версии могут заметно терять в качестве, а некоторые прямо помечены как имеющие очень низкое качество. Размер контекста, мультимодальность, результаты оценивания и подробности архитектуры в README не указаны. Лицензия модели — Apache-2.0.