II.4Отладка, тестирование и качество ПО

speechless-zephyr-code-functionary-7b — экспериментальная модель, разработанная uukuguy в рамках проекта Mixture-of-Multi-LoRAs. Она создана на основе Mistral-7B-v0.1 с объединением LoRA-модулей, извлечённых из HuggingFaceH4/zephyr-7b-beta, meetkai/functionary-small-v2.2 и uukuguy/speechless-code-mistral-7b-v1.0. Для автоматической сборки модулей используется router Mixture-of-Multi-LoRAs с безградиентным подбором коэффициентов, в том числе для ранее не встречавшихся задач. Модель предназначена для генерации текста, программирования, работы с функциями и плагинами, а также для универсальных задач, где требуется сочетание диалоговых, кодовых и инструментальных навыков. В README заявлена поддержка английского языка и использование через Transformers; также доступны варианты GGUF с 4-, 5- и 8-битным квантованием для CPU и GPU-инференса. Размер базовой модели — около 7 миллиардов параметров. Размер контекста и полный перечень поддерживаемых модальностей не указаны; по описанию модель относится к текстовым. К сильным сторонам относятся сочетание навыков генерации кода, вызова функций и общего диалога, а также возможность адаптивного комбинирования LoRA-модулей. В опубликованной оценке средний результат LM-Evaluation-Harness составляет 62,93; показатели включают 64,71 на MMLU, 43,82 на GSM8K и 83,88 на HellaSwag. Ограничения связаны с экспериментальным характером подхода, отсутствием подробных данных о контексте, поведении на других языках и практической надёжности вызова функций. Модель распространяется по лицензии Apache-2.0.

StarChat-β — диалоговая языковая модель и помощник по программированию, разработанный HuggingFaceH4. Это вторая модель серии StarChat, дообученная на базе bigcode/starcoderplus на варианте набора openassistant-guanaco без встроенного выравнивания. Модель построена на архитектуре GPTBigCode, содержит 16 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и помощи с задачами программирования, включая генерацию кода. Основной естественный язык — английский; обучение StarCoderPlus охватывало более 80 языков программирования, а диалоговый набор включал более 35 естественных языков, что не означает одинакового качества на всех из них. Отсутствие выравнивания и фильтрации может приводить к проблемным ответам. Сгенерированный код может быть ошибочным, небезопасным или не компилироваться, а URL могут быть вымышленными. Лицензия BigCode Open RAIL-M v1; авторы рекомендуют использовать модель в образовательных и исследовательских целях.

TechxGenus/starcoder2-15b-instruct — языковая модель для генерации кода, созданная дообучением StarCoder2-15B на 0,7 млрд дополнительных токенов с примерами, связанными с программированием; обучение проводилось в течение трёх эпох. Модель использует архитектуру StarCoder2 с плотной causal language model на 21,7 млрд параметров и принимает запросы в формате инструкций Alpaca без системного промпта. Для запуска предлагается Transformers; веса доступны в формате safetensors, контекст — до 16 384 токенов. Модель предназначена для генерации кода по инструкциям и другим задачам программирования. В README заявлен результат 77,4 pass@1 на HumanEval-Python, однако авторы отмечают, что модель прошла ограниченное тестирование и может ошибаться, выдавать вводящее в заблуждение содержимое и хуже справляться с задачами вне программирования. Лицензия — BigCode OpenRAIL-M.

SynapseLLM 7B Mistral v0.4 Preview3 — языковая модель WebraftAI, дообученная на Mistral-7B-v0.1. Это плотный декодерный трансформер с 7,1 млрд параметров и контекстом до 32 768 токенов; веса доступны в формате safetensors для Transformers. Модель принимает текст и генерирует текст, поддерживает диалоговый формат Mistral Instruct и ориентирована на английский язык. Модель предназначена для ответов на вопросы, математических инструкций и генерации кода, включая Python. Дообучение выполнено на ограниченном наборе данных из 770 тысяч примеров с помощью QLoRA; опубликованная модель объединена с обученными адаптерами. Разработчик предупреждает, что ответы могут содержать фактические ошибки, модель может не следовать системным инструкциям и иногда ошибочно представляться как GPT. Лицензия — Apache 2.0.

SynapseLLM-7B-Mistral-v0.5-preview2 — предварительная версия языковой модели WebraftAI, дообученной на базе Mistral-7B-v0.1. Это плотный декодерный трансформер с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors для библиотеки Transformers. При дообучении использовался QLoRA, затем адаптеры были объединены с основной моделью. Модель предназначена для диалоговых вопросов и ответов, математических инструкций и генерации кода, включая Python. В README указано, что обучение проводилось на англоязычных данных, а метаданные отмечают английский язык. Модель распространяется по лицензии Apache 2.0. Это preview-чекпойнт, обученный на ограниченном по охвату наборе данных. Разработчики предупреждают о возможных фактических ошибках, слабом следовании системным инструкциям и смещениях в ответах; у модели нет встроенной памяти.

Trinity-2-Codestral-22B — специализированная для программирования языковая модель из серии Trinity, созданной Migel Tissera; вычислительные ресурсы для модели предоставила KindoAI. Это дообученная версия Codestral-22B-v0.1 от Mistral AI с плотной архитектурой MistralForCausalLM и 22 млрд параметров. Модель предназначена для генерации кода и диалоговых запросов, поддерживает контекст до 32 768 токенов и использует формат промптов ChatML. В репозитории опубликованы веса safetensors. В README приведены результаты Open LLM Leaderboard: средний балл 21,82, IFEval — 42,02, BBH — 36,41; остальных строк таблицы недостаточно для оценки. Метаданные указывают лицензию other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория. Модель может ошибаться в коде и ответах; перед применением результаты стоит проверять.

ValidateAI-3-33B-Ties — объединённая модель для генерации программного кода и диалогов о нём. В README указано слияние DeepSeek Coder 33B Instruct, WizardCoder-33B-V1.1 и CodeFuse-DeepSeek-33B методом TIES с помощью LazyMergekit; метаданные описывают архитектуру как плотную LlamaForCausalLM с 33,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 16 384 токенов и рассчитана на диалоговое взаимодействие. Модель подходит для генерации и дополнения кода, ответов на вопросы по программированию и объяснения кода. В карточке указана лицензия Apache-2.0. README содержит несоответствие в названии: заголовок называет модель ValidateAI-2-33B-Ties, тогда как идентификатор репозитория — ValidateAI-3-33B-Ties.

Yi-Coder-1.5B-Chat-GGUF — квантизированная в формате GGUF версия чат-модели Yi Coder 1.5B-Chat, разработанной компанией 01-ai. Квантизацию выполнил bartowski на базе llama.cpp; модель предназначена для генерации текста и диалога по вопросам программирования. Модель имеет около 1,5 млрд параметров, поддерживает контекст длиной до 128 тыс. токенов и обучена работе с 52 языками и форматами, включая Python, JavaScript, TypeScript, C/C++, C#, Java, Go, Rust, SQL, HTML, CSS, JSON, YAML, Shell и другие. Большое контекстное окно подходит для анализа крупных исходных кодов и репозиториев. Для работы в LM Studio рекомендуется использовать шаблон ChatML. Сильными сторонами модели являются компактный размер, широкий охват языков программирования и возможность обрабатывать большие объёмы кода в одном запросе. Модель настроена именно для общения и ответов на вопросы о программировании, поэтому не оптимизирована для автодополнения кода. Как и другие языковые модели, она может генерировать неточные или неподходящие ответы, которые требуют проверки. Лицензия — Apache 2.0.

Camelidae-8x34B — языковая модель семейства Camelidae, разработанная авторами проекта Camelidae с применением метода Parameter-Efficient Sparsity Crafting. Это разреженная Mixture-of-Experts-модель с архитектурой на основе LLaMA; в репозитории указано 33,9 млрд параметров. Модель прошла инструкционное дообучение и предназначена для генерации текста и ответов на общие запросы. Модель ориентирована в том числе на задачи по математике и программированию. В описании проекта приведены результаты тестирования по общим знаниям, математике и генерации кода; модель загружается через Transformers как причинная языковая модель. Контекст составляет 4096 токенов, основной указанный язык — английский. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0. Результаты бенчмарков зависят от настройки и не гарантируют качество для конкретных запросов; карточка не описывает отдельные ограничения или защитные механизмы модели.

EVA-QwQ-32B-Coder-Preview — объединённая языковая модель, созданная автором win10 с помощью mergekit и метода TIES на базе EVA-Qwen2.5-32B-v0.2. В слияние также вошли Qwen/QwQ-32B-Preview и Qwen/Qwen2.5-Coder-32B-Instruct. Модель построена на архитектуре Qwen2, содержит 32 млрд параметров и предназначена для генерации текста в диалоговом формате. Каталог указывает контекст до 131 072 токенов. Вклад Qwen2.5-Coder предполагает пригодность для генерации и анализа кода, однако README не описывает отдельные результаты или проверенные сценарии для этой объединённой модели. Модель распространяется в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Everyone-Coder-33b-v2-Base — общественная модель для задач программирования из серии EveryoneLLM. Она создана на основе дообученных версий DeepSeek Coder 33B и объединена методом task arithmetic; карточка заявляет об улучшении результатов программирования по сравнению с первой версией серии. Это плотная авторегрессионная модель семейства Llama с 33,1 млрд параметров, рассчитанная на генерацию текста с контекстом до 16 384 токенов. В README указан шаблон запросов Alpaca. Модель подходит для генерации и дополнения кода, а также для ответов на инструкции, связанные с программированием. Метаданные указывают формат safetensors и лицензию other; конкретные условия лицензии в предоставленных данных не раскрыты. README не называет языки программирования, наборы данных или состав объединённых моделей, поэтому качество для конкретных языков и сценариев по этим сведениям оценить нельзя.

fuse-1 Lite — языковая модель для генерации текста с усиленными возможностями программирования, разработанная Akahsizrr. Она объединяет базовую модель LiquidAI/LFM2.5-2.6B с перенесёнными экспертами для кода из Qwen/Qwen3.6-35B-A3B и обучаемым маршрутизатором, который выбирает экспертов для токенов, связанных с программированием. В метаданных указано 2,6 млрд параметров, а в README — 5,72 млрд; README описывает архитектуру Fuse3 с экспертными дополнениями, тогда как в метаданных архитектура обозначена как dense. Контекст — до 131 072 токенов; модель доступна в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации кода, помощи при программировании и агентных сценариев. README сообщает, что базовые веса и эксперты заморожены, а обучались только маршрутизатор и масштабы экспертных слоёв на 55 примерах, поэтому качество маршрутизации может быть нестабильным на разнообразных задачах. Для загрузки требуется доверенное выполнение пользовательского кода модели (`trust_remote_code=True`); README также отмечает ограничения совместимости с vLLM и необходимость специальной поддержки для вариантов GGUF. Лицензия — Apache-2.0.

Модель mayank-mishra/granite-3b-code-glaive-20k — дообученная Mayank Mishra языковая модель для генерации текста в задачах программирования и помощи с кодом. Она основана на ibm-granite/granite-3b-code-base и обучена на подмножестве из 20 тысяч примеров набора Glaive Code Assistant v3. Модель имеет плотную архитектуру LlamaForCausalLM с 3,5 млрд параметров и контекстом 2048 токенов. Она принимает текст и генерирует текст; карточка не задаёт конкретные языки программирования или естественные языки. Распространяется в формате Safetensors под лицензией Apache-2.0.

InverseCoder-CL-13B — модель для генерации кода по инструкциям, созданная авторами проекта InverseCoder с помощью дообучения CodeLlama-13b-Python-hf на данных, сформированных методом Inverse-Instruct. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом до 16 384 токенов; она предназначена для запросов на естественном языке и генерации ответов и кода в формате text-generation. Модель подходит для написания и дополнения кода, выполнения инструкций по программированию и диалоговой помощи разработчику. В карточке указаны датасеты InverseCoder-CL-13B-Evol-Instruct-90K и Magicoder-Evol-Instruct-110K. README не приводит отдельные результаты бенчмарков или перечень поддерживаемых естественных языков. Репозиторий содержит веса Safetensors и использует лицензию llama2; условия применения следует сверять с лицензией и ограничениями исходной модели CodeLlama.

K2-Horizon-0.9B GGUF — набор общественных GGUF-квантизаций компактной плотной reasoning-модели класса 0,9 млрд параметров K2-Horizon-0.9B, разработанной IFM. Квантизации подготовлены сообществом; этот выпуск не является официальным релизом или одобрением IFM. Модель предназначена для локального запуска через llama.cpp. Модель рассчитана на англоязычные и китайскоязычные диалоги, рассуждения, программирование, научные задачи и сценарии с использованием инструментов. Она поддерживает контекст до 128K токенов и использует масштабирование RoPE методом YaRN. В выпуск входят варианты от Q8_0 до Q1_0 и IQ1_M/IQ2_XS; размер файлов составляет примерно от 0,21 до 1,07 ГиБ, что позволяет выбирать баланс между качеством, скоростью и требованиями к памяти. Высокобитные варианты обеспечивают более высокую точность, а Q4_K_M заявлен как рекомендуемый начальный вариант для общего применения. Агрессивные низкобитные варианты снижают требования к памяти, но могут заметно ухудшать рассуждения, следование инструкциям и надёжность вызова инструментов. Поддержка K2-Horizon в llama.cpp находится на стадии предварительного релиза: полнофункциональный шаблон для tool calling не разбирается используемой версией runtime, поэтому вызов инструментов этим выпуском не сертифицирован. Релиз распространяется по Apache License 2.0 с требованием сохранять атрибуцию и лицензию исходной модели при перераспределении.

llm-jp-4-kappa-32b-a3b-v0.1 — японско-английская диалоговая языковая модель Third-intelligence, созданная как исследовательский прототип на основе llm-jp/llm-jp-4-32b-a3b-thinking. Модель дообучили в два этапа: SFT для генерации рассуждений и обучение с подкреплением на математических и программных задачах. Она использует архитектуру Mixture-of-Experts: около 32 млрд параметров всего и примерно 3 млрд активных при генерации. Контекст — до 65 536 токенов. Модель предназначена для диалоговой генерации текста на японском и английском языках, включая задачи рассуждения, математики и программирования. В README приведены результаты сравнительных тестов на японских и английских заданиях; они показывают сильные результаты в ряде категорий, но не гарантируют точность для конкретного запроса. Для запуска указаны Transformers и vLLM с reasoning parser для формата LLM-jp-4; для рекомендуемой конфигурации требуются несколько GPU с 80 ГБ памяти, хотя возможен запуск на одной такой карте с уменьшением длины контекста. Опубликована по лицензии Apache 2.0; README также требует соблюдать лицензию и условия базовой модели. Разработчик позиционирует её как исследовательскую: точность, безопасность и этичность ответов не гарантируются, возможны галлюцинации и неподходящий контент, а коммерческое и критически важное применение не предполагается.

LongLLaMA-Code-7B — языковая модель для генерации кода, разработанная командой LongLLaMA во главе с Шимоном Творковским. Это плотная авторегрессионная модель LongLLaMAForCausalLM на 6,6 млрд параметров, построенная на основе Code Llama и дообученная методом Focused Transformer (FoT) для работы с длинным контекстом. Репозиторий содержит веса PyTorch; модель выпущена как исследовательский предварительный релиз. Модель предназначена для генерации и продолжения кода, а также для рассуждений над длинными текстовыми и программными входами. В README указано, что обучение FoT проводилось на контекстах до 32 тысяч токенов, а механизм памяти позволяет расширять эффективный контекст; для LongLLaMA-Code приведён пример извлечения данных из последовательностей до 256 тысяч токенов. Метаданные каталога указывают нативный контекст в 4096 токенов. Метод обрабатывает длинные входы окнами и использует кэш памяти в выбранных слоях. В README отмечено улучшение результата на GSM8K с 13% до 17,4% после продолжения предобучения без дообучения на данных этой задачи. Модель ориентирована на код, однако количественные характеристики контекстного извлечения не гарантируют такое же качество на всех задачах и длинах. Лицензия указана как Llama 2; перед использованием следует проверить её условия и применимость к конкретному сценарию.

EpistemeAI/Math-Code-Llama3.1-8B — дообученная EpistemeAI модель на архитектуре Llama 3.1, разработанная для генерации текста и помощи в задачах математики и программирования. Это плотная авторегрессионная трансформерная модель класса LlamaForCausalLM с 7,5 млрд параметров и контекстом до 131 072 токенов; веса доступны в форматах PyTorch и Safetensors. Модель подходит для генерации и объяснения кода, решения математических задач и диалоговой помощи по этим темам. В карточке указаны возможности базового семейства Llama 3.1: текстовый ввод и вывод, поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Специальные результаты или бенчмарки именно этой производной модели не приведены. Для репозитория указана лицензия Apache 2.0. Ограничения качества и безопасности генеративных ответов следует учитывать при использовании; карточка также предупреждает, что базовая модель статична и обучена на офлайн-данных.

Solshine/Meta-Llama-3.1-8B-Instruct-Python-Coder — дообученная Solshine языковая модель для генерации текста и помощи с кодом на Python. Она основана на unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit и создана с использованием Unsloth и библиотеки Hugging Face TRL. Модель относится к плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров; заявленная длина контекста — 131 072 токена. Модель рассчитана на диалоговое взаимодействие и сценарии написания кода. В карточке указаны английский язык и код; отдельно подтверждена возможность работы с кодом. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит подробных результатов оценки качества или перечня поддерживаемых языков программирования.

Minotaur 15B 8K — инструктивно дообученная модель OpenAccess AI Collective на базе StarCoderPlus. Она предназначена для диалоговых запросов в формате USER:/ASSISTANT:, генерации и объяснения кода, ответов на вопросы, решения задач по математике и естественным наукам, а также краткого пересказа текста. Модель имеет плотную архитектуру GPTBigCodeForCausalLM с 15 млрд параметров и контекстом до 8192 токенов; она принимает и генерирует текст, включая программный код. Обучение проводилось методом QLoRA на открытых наборах инструкций, кода, математики и научных задач. Модель рассчитана прежде всего на английский язык и программный код. Карточка указывает, что она не проходила RLHF и не использует фильтрацию ответов, поэтому может выдавать проблемный контент по запросу. Генерируемый код может содержать ошибки, быть неэффективным или уязвимым; также возможны предвзятость и дословное воспроизведение фрагментов обучающих данных с лицензионными условиями. Лицензия в предоставленных сведениях не указана.

Nondzu/Mistral-7B-Instruct-v0.2-code-ft — дообученная авторами репозитория языковая модель для помощи в программировании и работы в формате чат-ассистента. В основе лежит mistralai/Mistral-7B-Instruct-v0.2; модель дообучена методом QLoRA на диалоговом датасете ajibawa-2023/Code-74k-ShareGPT. Архитектура — плотная авторегрессионная MistralForCausalLM с 7,1 млрд параметров; метаданные указывают контекст до 32 768 токенов. Модель предназначена для генерации кода, ответов на вопросы по программированию и сценариев помощника-разработчика. Карточка приводит результат Eval Plus 0,421, но не уточняет методику и условия оценки. Для запуска доступны веса PyTorch и Safetensors; указан шаблон диалога ChatML. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов на условиях лицензии.

Это размещённая Featherless AI подборка GGUF-файлов с разными вариантами квантования модели Qwen2.5-Coder-32B-Instruct. Основа — инструкционная модель на 32 млрд параметров для генерации кода и ответов на запросы разработчиков; в репозитории перечислены варианты IQ4_XS, Q2_K и Q3_K_L, а также другие файлы квантования. Модель предназначена для диалоговой генерации кода: например, для написания фрагментов программ, объяснения кода и помощи разработчикам. Репозиторий помечен как GGUF и поддерживает сценарии чата. Лицензия и сведения о длине контекста в предоставленных данных отсутствуют.

Open-Instruct Code Alpaca 7B — модель Allen Institute for AI, полученная дообучением LLaMA на наборе инструкций Code Alpaca. Это плотная авторегрессионная языковая модель семейства LLaMA примерно на 6,6 млрд параметров, рассчитанная на генерацию текста по инструкциям, в том числе на помощь с задачами программирования. Карточка сообщает, что это diff-модель: для её использования требуется исходная модель LLaMA в формате Hugging Face. Контекст составляет 2048 токенов, основной язык — английский. Модель исследовалась в работе «How Far Can Camels Go? Exploring the State of Instruction Tuning on Open Resources». В приведённых результатах Codex-Eval Pass@1 составляет 16,5, а Pass@10 — 29,2; эти оценки относятся к указанным в статье условиям тестирования. Репозиторий распространяется по лицензии AI model license вместе с исходной лицензией LLaMA, поэтому при использовании необходимо учитывать обе лицензии.

Parm-2-CoT-14B-16k-o1-QwQ — языковая модель Pinkstack, дообученная на базе Microsoft Phi-4 для рассуждений и генерации текста. Она ориентирована на диалоги, решение математических задач, ответы на вопросы, требующие многошагового анализа, и программирование. В карточке указано, что модель обучалась на датасете amphora/QwQ-LongCoT-130K; архитектура репозитория обозначена как LlamaForCausalLM, веса доступны в формате safetensors. Размер модели — 14,1 млрд параметров, контекст — 16 384 токена. Модель поддерживает текстовый ввод и выдаёт текст. Автор отмечает высокие результаты на отдельных тестах рассуждений, математики и знаний, но приводит низкий результат IFEval и связывает его с постоянным пошаговым рассуждением. Для устойчивых результатов рекомендуется низкая температура; иногда модель может завершить рассуждение без итогового ответа. Лицензия — MIT.

Phi-3-mini-4k-instruct-4bit — это 4-битная версия модели Phi-3-mini-4k-instruct, преобразованная сообществом mlx-community в формат MLX из исходной модели Microsoft. Конвертацию выполнил Prince Canuma с использованием mlx-lm 0.10.0; модель предназначена для запуска и генерации текста через экосистему MLX. Модель решает задачи генерации текста и диалогового взаимодействия на английском языке, включая ответы на вопросы, составление текстов и помощь с кодом. Она содержит около 3,7 млрд параметров и поддерживает контекст длиной до 4096 токенов. 4-битное представление снижает требования к памяти по сравнению с полноразмерной версией, что удобно для локального запуска на совместимом оборудовании Apple Silicon и других средах MLX. Модель распространяется по лицензии MIT. Ограничения исходной Phi-3-mini-4k-instruct, включая возможные ошибки, галлюцинации, чувствительность к формулировкам запросов и риски при использовании с непроверенным кодом или фактическими сведениями, сохраняются; результаты требуют проверки человеком.

Модель PII_DETECTION_MODEL разработана Betterdata.ai для обнаружения и разметки персональных и конфиденциальных данных в тексте. Это дообученная версия декодерного трансформера Qwen2-0.5B с 494 млн параметров; модель принимает текст и выдаёт текст с метками классов для найденных данных. Заявлены 29 классов PII и поддержка английского, испанского, шведского, немецкого, итальянского, нидерландского и французского языков. Контекст модели составляет до 131 072 токенов. Модель предназначена для маскирования PII перед отправкой текста во внешние языковые сервисы, а также для защиты данных в документах и приложениях. Разработчик отмечает, что модель компактна и рассчитана на работу с длинными документами, в том числе на CPU. Лицензия — Apache-2.0. Точность не гарантируется: по данным карточки, модель лучше справляется с именами, адресами электронной почты и телефонами, а распознавание API-ключей, CVV и банковских счетов требует улучшения. Результаты следует проверять перед использованием в критичных сценариях.

google/pix2struct-ocrvqa-large — крупная модель семейства Pix2Struct от Google для ответов на вопросы по изображениям. Это архитектура «визуальный энкодер — текстовый декодер», обученная на парах изображение–текст и настроенная для задачи visual question answering. Модель принимает изображение и вопрос на естественном языке и генерирует текстовый ответ. Предварительное обучение Pix2Struct использует восстановление упрощённого HTML по скриншотам веб-страниц с замаскированными фрагментами. Такой подход охватывает визуальное понимание текста и элементов страниц и подходит для вопросов о содержимом изображений, включая документы, иллюстрации, интерфейсы и фотографии. В карточке модели указаны английский, французский, румынский и немецкий языки; README описывает семейство шире, но не уточняет языковую поддержку именно этого чекпойнта. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Для запуска нужны изображение и вопрос; конкретные требования к памяти и качество на отдельных языках или типах изображений в карточке не описаны.

Модель goofyk/qwen2.5-coder-1c-7b — дообученная разработчиком goofyk версия Qwen2.5-Coder-7B. Это плотная авторегрессионная языковая модель архитектуры Qwen2, предназначенная для генерации текста; базовая модель ориентирована на задачи программирования. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Дообучение выполнено с использованием Unsloth и библиотеки Hugging Face TRL. Модель можно применять для генерации кода и текстовых ответов в сценариях программирования. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-7B-Instruct-4bit — 4-битная версия модели для генерации кода из семейства Qwen2.5-Coder, подготовленная mlx-community. README указывает, что модель преобразована в формат MLX из Qwen/Qwen2.5-Coder-7B-Instruct с помощью mlx-lm 0.18.1; в метаданных базовой моделью указана Qwen/Qwen2.5-Coder-7B. Это плотная причинная языковая модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов. Модель предназначена для генерации кода в диалоговом формате и подходит для помощи при написании и анализе программ. Репозиторий распространяется по лицензии Apache-2.0. README описывает конвертацию в MLX, а метаданные указывают на дообучение базовой модели для кода; представленных сведений недостаточно, чтобы точно описать качество по языкам программирования или результаты оценок.

ShiningValiant3 — дообученная Valiant Labs модель Qwen3-1.7B для научных и общих рассуждений, проектирования систем ИИ, решения задач и диалогов. Она предназначена для исследователей и разработчиков, которым нужны ответы на научные вопросы, помощь в работе с современными технологиями ИИ, анализ и генерация идей, а также выполнение инструкций и написание кода. Модель имеет плотную архитектуру Qwen3ForCausalLM с 1,7 млрд параметров, принимает текст и генерирует текст. Контекст — до 40 960 токенов. В карточке заявлены дообучение на научных данных рассуждений, созданных с помощью DeepSeek R1 0528, и улучшения в общих и творческих рассуждениях. README рекомендует включать режим рассуждений для диалогов. Модель рассчитана на локальный запуск на настольных компьютерах и мобильных устройствах, а также на быстрый серверный инференс. Лицензия — Apache-2.0. Карточка указывает английский язык; многоязычные возможности базовой Qwen3 не означают, что для этой доработки подтверждён основной язык помимо английского. Качество отдельных ответов и фактическая точность могут зависеть от запроса; численные оценки в карточке не приведены.