II.4Отладка, тестирование и качество ПО

Это объединённая модель семейства Gemma 4 Unified, созданная автором репозитория tepirale с помощью mergekit. В качестве основы использована google/gemma-4-12B-it; методом DARE TIES объединены также модели tepirale/gemma-4-12B-coder-fable5-composer2.5-v1-safetensors-yuxinlu1 и tepirale/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-safetensors-yuxinlu1. Веса сохранены в формате safetensors, тип данных — bfloat16. Модель предназначена для генерации текста по текстовым и визуальным входам, включая сценарии, сочетающие агентные возможности и генерацию кода. Метаданные указывают поддержку image-text-to-text и vision; базовая Gemma 4 поддерживает диалог, анализ изображений, видео и аудио, однако README этой объединённой модели не подтверждает отдельно все эти возможности. Для модели не приведены результаты оценки качества или подробные инструкции по применению. Лицензия в предоставленных данных не указана.

GLM-4.5-Air-Base — базовая языковая модель семейства GLM-4.5 от Zhipu AI, предназначенная для разработки интеллектуальных агентов. Серия GLM-4.5 объединяет возможности рассуждения, программирования и работы с инструментами; эта версия является базовой, а не готовой чат-моделью. В README для GLM-4.5-Air указаны 106 млрд параметров всего и 12 млрд активных параметров, однако метаданные именно этого репозитория указывают 8,5 млрд параметров. Модель генерирует текст; метаданные относят её к архитектурному семейству GLM4-MoE и указывают контекстное окно 131 072 токена. В карточке заявлены английский и китайский языки. Возможные сценарии включают дальнейшее обучение и создание агентных систем, которым нужны генерация текста, рассуждение, программирование или взаимодействие с инструментами. Лицензия MIT допускает коммерческое использование и вторичную разработку. README отдельно уточняет, что это base-модель, не предназначенная для чата без дополнительной настройки.

minosu/godot_dodo_4x_60k_llama_7b — модель генерации текста, дообученная по инструкциям на основе LLaMA. Она разработана для выполнения пользовательских инструкций; в карточке отдельно упоминается оценка на запросах по программированию. Модель обучена в апреле 2023 года на наборе из 60 тысяч строк с инструкциями. Это плотная авторегрессионная архитектура LlamaForCausalLM объёмом 6,6 млрд параметров с контекстом 2048 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

HelpingAI-Lite-4x1b — языковая модель семейства Mixtral, созданная Abhaykoul как MoE-объединение четырёх моделей с помощью VortexMerge kit. Эксперты включают OEvortex/HelpingAI-unvelite, OEvortex/lite-hermes, OEvortex/HelpingAI-Lite и OEvortex/HelpingAI-Lite-1.5T; в конфигурации указаны базовая модель OEvortex/HelpingAI-Lite, режим маршрутизации cheap_embed и точность float16. Модель предназначена для диалогового общения, общих запросов и помощи с кодом. В метаданных указаны 1 млрд параметров, контекст до 2048 токенов и формат safetensors. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Распространяется по лицензии Apache-2.0. README описывает объединение моделей, но не приводит сравнительных оценок качества или подробностей о поведении маршрутизатора.

Huihui-gemma-4-12B-agentic-fable5-abliterated-GGUF — локальная GGUF-версия модели, разработанная huihui-ai на основе yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF. Модель создана методом abliteration с использованием llama.cpp и предназначена для text generation, reasoning, coding, agentic-сценариев, работы с терминалом и tool use. Модель содержит около 12 млрд параметров и распространяется в формате GGUF для запуска через llama.cpp. В README приведён пример контекста 8192 токена; конкретные модальности, языки и архитектурные детали не указаны. Доступен вариант квантования Q8_0. Сильной стороной является ориентация на локальное выполнение и агентские задачи, однако степень абляции защитных механизмов означает повышенный риск чувствительных, спорных или небезопасных ответов. Модель рекомендуется использовать в исследовательских и контролируемых средах с мониторингом и ручной проверкой результатов. Модель распространяется по лицензии Apache-2.0. README предупреждает, что она не имеет стандартных гарантий безопасности и может быть неподходящей для публичных, коммерческих или высокорисковых применений; ответственность за соблюдение законодательства, этических норм и последствия использования несёт пользователь.

Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated — версия Qwen3-Coder-30B-A3B-Instruct, созданная huihui-ai методом abliteration для снижения числа отказов модели. Это инструктивная языковая модель с архитектурой Qwen3 MoE; в метаданных указано 2,4 млрд параметров и контекст до 262 144 токенов. Модель рассчитана на генерацию текста в диалоговом формате, в том числе для задач программирования и агентных сценариев, характерных для базовой модели. Модель принимает текст и выдаёт текст. В карточке указан английский язык; более подробные языковые характеристики не заявлены. README описывает abliteration как грубую реализацию для проверки концепции и предупреждает о существенно ослабленной фильтрации безопасности, из-за которой возможны чувствительные, спорные или неподходящие ответы. Репозиторий распространяется по лицензии Apache-2.0.

ISOM-R1-Coder-16B-MoE-Beta — экспериментальная модель для генерации кода и диалоговой помощи в программировании, разработанная Prannessh K.V.A. на основе DeepSeek-Coder-V2-Lite-Instruct. В README заявлена архитектура MoE с 64 маршрутизируемыми и 2 общими экспертами, из которых активируются 6 на токен, а также Multi-Head Latent Attention. Метаданные указывают 2,5 млрд параметров и контекст 163 840 токенов; README приводит иные оценки размера — 15,71 млрд параметров всего и 2,36 млрд активных на токен. Модель предназначена для генерации и дополнения кода, работы с контекстом репозитория и ответов на вопросы по программированию. README описывает механизм ограниченного кэша для длинных контекстов и заявляет поддержку до 1 048 576 токенов, однако теоретические характеристики не подтверждены аудитом: автор прямо указывает, что эмпирическая проверка на последовательностях длиной 160 тыс. токенов не заявлена. В метаданных отмечены английский и китайский языки. Модель распространяется в формате safetensors по лицензии CC-BY-NC-ND-4.0; README также упоминает лицензию DeepSeek для базовых весов. Условия использования производной модели следует оценивать с учётом обеих лицензий.

Kwai-Coder-DS-V2-Lite-Base — базовая языковая модель для кода, разработанная Kwai и построенная на DeepSeek-V2-Lite-Base. Модель прошла дополнительное предобучение на 800 млрд токенов: 70% обучающих данных составлял код, 20% — математика и 10% — текст, включая материалы о программировании. Архитектура DeepSeek-V2 имеет 16 млрд параметров и 2,4 млрд активируемых параметров по README; метаданные репозитория указывают 2,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает английский и китайский языки. Метаданные указывают контекстное окно 163 840 токенов и совместимость с Transformers и PyTorch; веса доступны в формате Safetensors. Модель предназначена для генерации и дополнения кода, вставки фрагментов кода, а также задач по математике и программированию. В README приведены результаты на HumanEval, HumanEval+, MBPP, MBPP+, BigCodeBench, MATH и GSM8K, но они не гарантируют аналогичное качество на пользовательских задачах. Это базовая модель, поэтому готовое поведение чат-ассистента или следование инструкциям не следует считать подтверждённым. Лицензия — MIT.

Llama 3.1 Future Code Ja — языковая модель примерно на 7,5 млрд параметров, разработанная на основе Meta Llama 3.1. Она предназначена прежде всего для генерации и дополнения кода: модель прошла продолжительное предобучение на данных с кодом и преимущественно японским текстом, затем была объединена с instruct-вариантом Llama 3.1 и дообучена на инструкциях по программированию с помощью SFT и DPO. Модель поддерживает японский и английский языки, более 40 языков программирования, а также заполнение пропусков в коде с учётом контекста до и после пропуска (Fill-in-the-Middle). Контекст составляет до 131 072 токенов. Модель также справляется с общими инструкциями и задачами на японском и английском языках. В карточке приведены результаты тестирования генерации кода и языковых задач; они показывают сильные результаты в ряде сценариев, но не гарантируют качество для конкретного проекта. Модель не обучалась на специфичных данных организаций и нестандартных задачах разработки; её ответы могут содержать ошибки и требуют проверки. Для таких задач авторы рекомендуют дополнительное дообучение. Лицензия — Llama 3.1.

Llama-3-Alpha-Centauri-v0.1 — экспериментальная чат-модель семейства Llama 3, созданная автором серии Centaurus на основе дообучения и слияния моделей. Она предназначена для генерации ответов, рассуждений и анализа, в том числе по темам STEM, компьютерных наук, программирования и социальных наук. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст длиной до 8192 токенов. В карточке указана цель создать менее цензурированную модель; среди упомянутых возможностей — логическая дедукция, критическое мышление и анализ. В метаданных отмечен набор NobodyExistsOnTheInternet/ToxicQAFinal. README сообщает о настройках LoRA и 4-битного обучения, но не уточняет базовый репозиторий, а поля базовой модели в метаданных нет. Автор описывает модель как экспериментальную и предупреждает, что эффективность может меняться. Модель может выдавать токсичные или нежелательные ответы; пользователь отвечает за их интерпретацию и применение. Лицензия — llama3.

Mamba-Codestral-7B-v0.1-python_coding_assistant_16bit — локально запускаемый генератор кода, опубликованный Agnuxo (Francisco Angulo de Lafuente) и связанный в карточке с экосистемой P2PCLAW. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает текстовый ввод, выдавая текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель предназначена прежде всего для помощи в написании и генерации кода, включая Python, JavaScript, TypeScript, Rust, Go и C++, а также примеры задач научных вычислений и машинного обучения с NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. README также заявляет навыки координации агентов и интеграции MCP и A2A. Языки карточки — английский и испанский; качество генерации кода на перечисленных языках программирования в материалах не подтверждено независимыми оценками.

MiniCPM-2B-dpo-fp16 — текстовая авторегрессионная модель семейства MiniCPM, разработанная ModelBest совместно с лабораторией обработки естественного языка Университета Цинхуа. Это версия MiniCPM-2B, оптимизированная методом DPO по человеческим предпочтениям; репозиторий содержит веса PyTorch в формате FP16. В метаданных указаны 2,7 млрд параметров и контекст до 4096 токенов. Модель предназначена для диалогов и генерации текста, включая ответы на вопросы, рассуждения, математические задачи и программирование. Она поддерживает китайский и английский языки и рассчитана на запуск в сценариях с ограниченными ресурсами по сравнению с более крупными языковыми моделями. Разработчики сообщают о сильных результатах DPO-версии на MTBench, однако это не гарантирует точности в конкретных задачах. Модель может галлюцинировать, особенно при длинных ответах, чувствительна к формулировке запроса и может давать разные результаты при повторных запусках; точность запомненных знаний ограничена. README разрешает научное использование и ограниченное коммерческое использование; перед применением следует проверить условия лицензии репозитория.

jigs97022/minicpm5-2b-distilled-reasoning-gguf — квантованная версия MiniCPM5-2B с дистиллированными рассуждениями, разработанная пользователем jigs97022 на базе модели MiniCPM5-2B от OpenBMB. Модель обучена на 10 тысячах высококачественных трасс рассуждений, полученных от Qwen3.8-Max, GLM-5.2 и Kimi K3, и предназначена для генерации текста, структурированного решения математических задач, написания кода, логических головоломок и сценариев с использованием инструментов. Доступна в формате GGUF для локального запуска через llama.cpp, Ollama, LM Studio и vLLM. Модель имеет размер 2B параметров и поддерживает контекст до 4096 токенов. Предлагаются варианты квантования Q4_K_M, Q6_K и Q8_0 объёмом примерно от 1,56 до 2,68 ГБ; они ориентированы соответственно на сбалансированную работу на ноутбуках, более высокое качество на настольных системах и минимальные потери качества. Сильными сторонами являются компактность, возможность локального CPU/GPU-инференса и специализация на пошаговом рассуждении. Ограничения включают меньший объём обучающих данных по сравнению с полноразмерными вариантами, возможное снижение качества на редких случаях, ограниченное контекстное окно, базу знаний примерно до 2024 года и склонность к подробным внутренним рассуждениям. Модель распространяется по лицензии Apache-2.0, однако для коммерческого использования рекомендуется отдельно проверить лицензию набора данных для дистилляции.

Ornith-1.5-27B-A3B-Coder — языково-модельный чекпойнт для генерации кода, созданный ManniX-ITA на основе Ornith-1.5-35B-A3B. Это разрежённая MoE-модель семейства Qwen3.5, полученная сокращением числа экспертов с 256 до 184 в каждом из 40 слоёв; активируются 3B параметров, а общий размер составляет около 26,7B. Маршрутизатор, механизм внимания, нормализации и голова MTP для спекулятивного декодирования сохранены без изменений. Веса представлены в BF16 и формате safetensors. Модель предназначена прежде всего для генерации и дополнения кода. В описанных разработчиком тестах она показала улучшение относительно исходной модели на ряде кодовых бенчмарков, но снижение результата на GPQA; README рекомендует для выбора между этой моделью и родственной CoderX начать с CoderX. Также заявлены возможности чата и интерфейс вызова инструментов, однако точность параметров при формировании структурированных вызовов инструментов отмечена как слабое место. Контекстная длина и конкретный набор поддерживаемых языков программирования в предоставленных данных не приведены. Лицензия — Apache-2.0. README называет модель исследовательским чекпойнтом и отмечает ограничения измерений: большинство результатов получены в одном прогоне, а для некоторых сравнений использовалась разная измерительная база.

Phi-tiny-MoE-instruct — компактная языковая модель Microsoft для диалогов и следования инструкциям. Это декодерный Transformer с архитектурой смеси экспертов (MoE): в README указаны 3,8 млрд параметров и 1,1 млрд активных, тогда как метаданные каталога приводят 1,6 млрд параметров. Модель создана методом SlimMoE на основе модели, общей для Phi-3.5-MoE и GRIN-MoE, а затем дообучена на инструкциях и предпочтениях пользователей. Для этого варианта точный идентификатор базовой модели в метаданных не указан. Модель предназначена для англоязычных универсальных ассистентов, а также сценариев с ограничениями по памяти, вычислениям или задержке. Принимает текстовые запросы в формате чата и генерирует текст; контекст — до 4096 токенов. Данные включают синтетические учебные материалы, отфильтрованные открытые документы, код и диалоговые примеры; сведения в README указывают на преимущественное обучение на английском. Модель может помогать с ответами на вопросы, объяснениями, рассуждениями и генерацией кода. Возможны неточности и выдуманные утверждения, предвзятые или оскорбительные ответы; качество для языков, отличных от английского, ниже. Для важных и чувствительных сценариев ответы следует проверять. Лицензия — MIT, допускающая коммерческое использование.

Agnuxo/Qwen2-1.5B-Instruct_MOE_CODE_assistant-GGUF_16bit — локальная чат-модель для генерации и помощи с программным кодом, опубликованная независимым исследователем Francisco Angulo de Lafuente. Это конверсия Qwen2-1.5B-Instruct в формат GGUF с точностью F16; в карточке заявлено 1,5 млрд параметров. Модель предназначена для работы через Ollama или Transformers и ориентирована на написание кода на Python, JavaScript, TypeScript, Rust, Go и C++, а также на задачи научных вычислений и машинного обучения. Модель принимает текст и генерирует текст; метаданные указывают архитектуру Qwen2, чат-возможности и английский и испанский языки карточки. README также заявляет навыки координации агентов и интеграции MCP и A2A. Репозиторий распространяется под лицензией Apache-2.0. Заявления README о наградах и результатах связанных проектов не подтверждают качество этой модели и не использованы как гарантии её возможностей.

Qwen2-57B-A14B — базовая большая языковая модель серии Qwen2, разработанной командой Qwen. Это декодерная модель на архитектуре Transformer с разреженной смесью экспертов (MoE): всего 57 млрд параметров, из которых 14 млрд активируются при одном проходе. Модель предназначена для дальнейшего обучения и оценки возможностей в генерации и понимании текста, ответах на вопросы, рассуждениях, математике, программировании и многоязычных задачах. Модель принимает текст и генерирует текст; карточка указывает контекст до 131 072 токенов и адаптивный к разным естественным языкам и кодам токенизатор. В README не советуют использовать базовую версию для прямой генерации и рекомендуют сначала провести дополнительное обучение, например SFT, RLHF или продолжение предобучения. Для загрузки архитектуры Qwen2MoE требуется Transformers версии 4.40.0 или новее. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0.

ApolloRaines/Qwen2.5-Coder-3B-Instruct-Jbliterated — дообученная инструктивная языковая модель на архитектуре Qwen2 с 3,1 млрд параметров, созданная на основе Qwen/Qwen2.5-Coder-3B-Instruct. Она предназначена для генерации текста и кода по запросам, а также для диалогового взаимодействия. Модель принимает текст и поддерживает контекст до 32 768 токенов; в карточке указаны английский и китайский языки. Автор сообщает, что изменены все слои трансформера, базовый формат весов — bfloat16, а выпуск является демонстрационной версией с намеренно ограниченной силой возможностей. Карточка также описывает запуск на маломощной видеокарте с переносом слоёв между GPU, оперативной памятью и диском; это характеристика заявленного способа запуска, а не отдельная возможность самой модели. Репозиторий распространяется по лицензии Apache-2.0.

Это готовая к использованию модель Qwen3 с 1,7 млрд параметров, созданная в проекте RL-Forgetting-Experiments-3 на основе Qwen/Qwen3-1.7B-Base. Она дообучена методом supervised fine-tuning на данных для программирования; указаны упорядоченная последовательность обучения и шаг оптимизатора 102. Модель построена на плотной архитектуре Qwen3ForCausalLM и предназначена для генерации текста, в том числе кода и ответов в диалоговом формате. Она принимает текст и выдаёт текст, а максимальный контекст составляет 32 768 токенов. Модель подходит для генерации фрагментов кода, решения задач программирования и диалоговой помощи при разработке. Карточка не приводит оценок качества или подробностей о языках программирования и лицензии, поэтому выводы о точности и условиях коммерческого использования сделать нельзя.

6block/Qwen3-4B-GGUF — набор GGUF-квантизированных версий модели Qwen3-4B, разработанной Qwen и подготовленной 6block с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio, Ollama и совместимые проекты. Доступны варианты квантования от Q8_0 до Q2_K размером примерно от 4,28 до 1,67 ГБ. Квантизация выполнена с imatrix на калибровочном наборе данных, содержащем английский и китайский языки, а также большое количество программного кода, что должно помогать сохранять качество китайского языка и задач программирования в низкобитных версиях. Для большинства сценариев рекомендуются Q6_K, Q5_K_M и Q4_K_M; варианты IQ ориентированы на уменьшение размера с компромиссом по скорости или качеству. Модель подходит для локальных чат-приложений, генерации текста и программирования при ограниченных ресурсах. Основные ограничения связаны с потерями качества, зависящими от выбранного уровня квантования, а также с отсутствием в README сведений об архитектурных деталях и размере контекста. Лицензия — Apache 2.0.

Qwen3.5-4B-Safety-Thinking — языковая модель для генерации текста, разработанная Merlin Research на основе Qwen/Qwen3.5-4B. Она предназначена для безопасных ассистентов и чат-ботов, задач со строгим соблюдением инструкций, исследований в области AI alignment и безопасности, тестирования устойчивости, а также агентских сценариев, где важны предсказуемость и контролируемость поведения. Модель содержит около 4 млрд параметров и обучена методом LoRA-based supervised fine-tuning (SFT) с последующим объединением в BF16-чекпойнт. Она поддерживает формат рассуждений <think>...</think>, предназначенный для отделения процесса рассуждения от финального ответа. Заявлена возможность работы с контекстом до 1 млн токенов, однако подробности реализации этого режима не приведены. Указан английский язык. Обучение проводилось на закрытых наборах данных Merlin Research с применением подходов для повышения надёжности рассуждений, следования инструкциям, безопасности и снижения misalignment, включая framework Bloom&Petri. К сильным сторонам относятся структурированное рассуждение, следование ограничениям, безопасность, устойчивость к распространённым adversarial inputs и согласованность ответов. Ограничения включают отсутствие опубликованных подробных результатов оценки, неполную информацию о поддерживаемых языках и активную разработку и валидацию GGUF-артефактов; для стабильной работы рекомендуется BF16 Transformers checkpoint. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Flash-Coder Selective INT8 — сжатая версия модели Qwen3.8-Flash-Next, опубликованная Jab1718 и предназначенная для генерации кода и диалогового использования. Это языковая MoE-модель с 48 слоями, 128 экспертами на слой и выбором восьми активных экспертов. По README, матрицы маршрутизации и внимания сохранены в BF16, а параметры FFN-экспертов сжаты до INT8; файлы Safetensors занимают около 19,7 ГБ. Метаданные указывают 5,1 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации и дополнения кода, в том числе на Python и Rust, а также для программных диалогов. README заявляет прохождение всех четырёх проверок на стандартных тестах Python и Rust; это ограниченный набор оценок и не гарантирует качество на других языках программирования и задачах. Указанная лицензия — Apache 2.0.

Qwen3-Swallow-30B-A3B-CPT-v0.2 — языковая модель Swallow LLM, созданная на базе Qwen3-30B-A3B-Base методом продолжающегося предобучения. Это разреженная MoE-модель для генерации текста и диалогов; в метаданных указано 2,6 млрд параметров и контекстное окно 40 960 токенов. Модель ориентирована на японский и английский языки, включая японско-английский перевод, и сохраняет навыки решения математических задач и программирования. Модель подходит для генерации и продолжения текста, диалогов, перевода между японским и английским, а также задач по математике и коду. Разработчики сообщают об улучшенных языковых навыках японского и сохранении STEM-показателей после обучения на профильных корпусах. Для запуска авторы рекомендуют vLLM и ограничение контекста до 32 768 токенов. Модель не проходила специальное обучение для вызова инструментов и не поддерживает переключатель режима рассуждений. В README указано, что модель находится на ранней стадии исследований и разработки и не настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Qwimi3.5-9B-Kimik2.6-Opus-Distill-MTP-GGUF — экспериментальная модель, разработанная trjxter на базе unsloth/Qwen3.5-9B. Это каузальная языковая модель с GGUF-квантизацией, дообученная методом supervised fine-tuning с использованием LoRA и RS-LoRA через Unsloth и Hugging Face TRL. Обучение проводилось на смеси наборов данных с рассуждениями в стилях Kimi K2.6, Qwen и Claude Opus TraceInversion; в итоговый набор вошло 12 366 примеров, из которых 12 000 использовались для обучения. Модель ориентирована на английский язык и сохраняет формат чата Qwen, включая трассы рассуждений в формате <think>...</think>. Модель предназначена для локального запуска в llama.cpp-совместимых средах, экспериментов с рассуждениями, математикой, решением задач, программированием, техническим анализом и длинным контекстом. Заявленная длина последовательности при обучении составляет 16 384 токена. Доступны варианты Q3_K_L, Q4_K_M, Q5_K_M, Q6_K и Q8_0; Q4_K_M рекомендован как сбалансированный вариант по размеру, скорости и качеству, а более высокие уровни квантизации обеспечивают лучшее сохранение качества при увеличенных требованиях к памяти. Сильными сторонами модели являются специализация на структурированных рассуждениях, поддержка локального инференса и несколько вариантов GGUF-квантизации для разных ограничений по памяти. При этом это экспериментальный fine-tune без заявленных гарантий качества, поэтому модель следует тщательно проверять перед использованием в производственных или критически важных сценариях. Лицензия — Apache 2.0.

Rune 26B-A4B v3 — разработанная Surogate модель принятия решений на основе Gemma 4 26B-A4B-it. Она принимает текст, структурированные данные или изображение вместе с вопросом и вариантами ответа и за один проход выбирает вариант, оценивая вероятности всех вариантов. Поддерживает задачи выбора одного из N вариантов, оценки истинности утверждения и выставления балла по порядковой шкале. Для обработки изображений сервер нужно запускать с поддержкой vision. Модель предназначена для классификации и ранжирования вариантов в тестах, извлечения решений из документов и скриншотов, автоматизации выбора и выставления оценок. По README, контекст составляет 262 тысячи токенов. Режим рассуждения включается отдельно, доступен только для текстовых запросов и может добавлять до 512 токенов рассуждения; по данным README, он повышает результаты на части тестов, но снижает качество вероятностных прогнозов в ForecastBench. Вероятности текстовых ответов при стандартной температуре описаны как избыточно уверенные; температура решения 2 улучшает их калибровку, не меняя выбранный вариант. Для изображений доступно сокращение числа визуальных токенов ценой точности. Это дообученная мультимодальная модель с архитектурой Gemma 4, публикуемая в формате safetensors и использующая библиотеку Transformers. Лицензия — Apache 2.0. Заявленные результаты бенчмарков являются результатами авторского запуска; часть тестовых данных и оценок основана на собственных выборках и не является закрытой оценкой лидерборда.

RuvLTRA Claude Code — языковая модель для генерации текста и программного кода, разработанная проектом ruv. Она предназначена для интеграции с Claude Code и сценариев ассистированной разработки: генерации, дополнения, объяснения и рефакторинга кода. Модель также ориентирована на многоагентные рабочие процессы через claude-flow, где несколько экземпляров могут совместно выполнять задачи и использовать общую память. Модель построена на архитектуре Transformer и содержит около 0,5 млрд параметров. Она поставляется в формате GGUF с 4-битной квантизацией Q4_K_M, имеет контекст длиной 4096 токенов и размер файла около 398 МБ. Заявлены механизмы SONA для адаптации к стилю и предпочтениям пользователя, включая MicroLoRA, EWC++ и обучение на траекториях взаимодействия. Поддерживается англоязычный текст; другие языки в README не указаны. К сильным сторонам относятся небольшой размер, возможность локального и edge-развертывания, совместимость с llama.cpp, поддержка CPU, CUDA, ROCm и WebGPU, а также заявленная адаптация в реальном времени и ориентация на координацию нескольких агентов. Ограничения включают относительно небольшой объём контекста и размер модели, что может снижать качество сложного программирования по сравнению с крупными моделями; приведённые показатели производительности и возможности самообучения заявлены авторами README и не сопровождаются результатами бенчмарков. Лицензия — Apache 2.0.

Shark-Coder-9b — слитая модель на архитектуре Mistral, созданная powermove72 с помощью LazyMergekit из powermove72/Shark-1 и S-miguel/The-Trinity-Coder-7B. Она предназначена для генерации и дополнения кода, а также ответов на запросы по программированию в формате текстового диалога. Модель содержит 8,9 млрд параметров и поддерживает контекст длиной до 32 768 токенов; веса опубликованы в формате safetensors. Слияние выполнено методом passthrough с объединённым токенизатором; в конфигурации указана точность float16. В доступных материалах не описаны результаты оценки качества, конкретные языки программирования или поддержка вызова инструментов. Лицензия не указана в предоставленных данных.

SynapseLLM-7B-Mistral-v0.2 — языковая модель WebraftAI на архитектуре Mistral с 7,1 млрд параметров. Это предварительно дообученная версия Mistral 7B v0.1: README описывает обучение на выборке из 140 тысяч примеров, включавшей инструкции по программированию и общие вопросы с ответами. Модель предназначена для диалоговых ответов и генерации кода по текстовым запросам; её можно загрузить через Transformers. Контекст модели составляет 32 768 токенов. Модель принимает текст и генерирует текст. В README заявлена поддержка только английского языка. По карточке обучение было ограниченным: один этап обучения на небольшой по охвату пользовательской выборке, поэтому качество в иных задачах может быть нестабильным. Лицензия — Apache 2.0.

Tals-coder-flash-01 — квантизированная версия Qwen/Qwen3.8-27B от talxcc, предназначенная для генерации кода и диалоговой работы с задачами программирования. Модель распространяется в формате GGUF с асимметричной динамической квантизацией; README заявляет размер 11,86 ГБ и плотность 3,73 бит на вес. Для ускорения генерации заявлена поддержка speculative decoding с MTP. Модель подходит для написания и рефакторинга кода, генерации кода в нескольких файлах и рассуждений над задачами программирования. В README приведены заявленные результаты тестирования на RTX 4060 Ti 16 ГБ: до 34 токенов в секунду в устойчивом режиме и до 40 токенов в секунду на пике с MTP. Также заявлена работа с контекстом до 200 тысяч токенов при настройке KV-кэша, однако эти характеристики приведены авторами и зависят от оборудования и конфигурации запуска. Модель основана на Qwen/Qwen3.8-27B; в метаданных указаны поддержка чата и кода, английский и многоязычный охват. README описывает её преимущественно как модель для программирования, но не приводит точный перечень поддерживаемых языков программирования или языков общения. Лицензия — Apache 2.0. Качество, скорость и длинный контекст представлены как заявления авторов; сгенерированный код и рассуждения требуют проверки перед использованием.

TAQ Qwen3-Coder-Next outlier_4bit — исследовательский чекпойнт на основе Qwen/Qwen3-Coder-Next, созданный в рамках Tail-Aware Quantization. Архитектура — MoE-декодер для генерации текста; в метаданных указано 2,3 млрд параметров и контекст до 262 144 токенов. Модель ориентирована на задачи кодирования и работу в диалоговом режиме с интерфейсом вызова инструментов. Несмотря на обозначение 4-bit, репозиторий содержит деквантизированные тензоры BF16/FP16 для оценки, а не упакованный 4-битный формат: README не заявляет снижения занимаемого места на диске или VRAM. Для чекпойнта приведено значение PPL 12,38 на WikiText-2; сопоставимые оценки на HumanEval+ и MBPP+ ещё ожидаются. Лицензия — Apache-2.0.