II.4Отладка, тестирование и качество ПО

classifiedshadow/Trying — языковая модель для генерации текста и программного кода, опубликованная пользователем classifiedshadow. Она основана на Qwen2.5-Coder-3B-Instruct и предназначена для диалогового взаимодействия и решения задач, связанных с кодом.

constructai/VibeThinker-3B-GGUF — это квантизированная версия языковой модели VibeThinker-3B, разработанной WeiboAI и преобразованной в формат GGUF командой constructai. Модель предназначена для генерации текста и эффективного запуска на CPU и GPU с помощью llama.cpp, Ollama, LM Studio и других совместимых средств. Модель содержит около 3 миллиардов параметров и ориентирована на задачи рассуждения, математики, программирования, instruction-following и оценки уровня GPQA. Доступны варианты с разными уровнями квантизации и размером файлов примерно от 791 МБ до 6,18 ГБ, включая F16, Q8_0, Q6_K, Q5_K, Q4_K и другие форматы. README не указывает поддерживаемые языки, максимальную длину контекста и наличие мультимодальных возможностей, поэтому модель следует считать текстовой, а эти характеристики — неизвестными. К сильным сторонам относятся относительно небольшой размер, широкий выбор квантизаций и возможность локального запуска на доступном оборудовании. Более агрессивная квантизация уменьшает требования к памяти, но может снижать точность по сравнению с F16 или менее сжатыми вариантами. Модель распространяется по лицензии MIT; исходная модель также указана как лицензированная по MIT.

French Medium Whisper — дообученная модель распознавания речи из семейства Whisper, созданная на основе openai/whisper-medium и обученная на наборе данных Common Voice 11.0. Она преобразует французскую речь в текст и подходит для транскрибации аудио и оценки систем распознавания французской речи. В карточке приведены результаты на тестовой выборке: WER 15,8969 без нормализации и 11,1406 с нормализацией. Модель содержит 455,8 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате PyTorch. Лицензия — Apache-2.0. Результаты сравнения с Whisper Medium приведены для тестовых наборов разных версий Common Voice, поэтому они не гарантируют превосходство на других аудио и сценариях.

zephyr-7b-sft-math_code — дообученная модель для генерации текста и диалогов, созданная на базе Mistral-7B-v0.1. Она предназначена для ответов на вопросы по математике и помощи с программированием; обучение также включало диалоговый датасет UltraChat 200k. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель дообучена на UltraChat 200k, Glaive Code Assistant и форматированном наборе MetaMathQA. В карточке приведено значение loss 0,9659 на оценочном наборе, но подробности методики оценки отсутствуют. Лицензия — Apache-2.0. The model card provides little detail about intended uses and limitations.

Athene CodeGemma 2 7B v1.2 — дообученная EpistemeAI языковая модель для программирования, основанная на Athene-codegemma-2-7b-it-alpaca-v1.1 и архитектуре Gemma. Это плотная декодерная модель класса GemmaForCausalLM с 8,2 млрд параметров и контекстом 8192 токена; она принимает текстовые запросы и генерирует текст и код. Модель настроена следовать инструкциям и поддерживает диалоговый формат. Модель предназначена для генерации кода по описанию на естественном языке, ответов на вопросы о фрагментах кода и обсуждения задач программирования. При дообучении использовались датасеты с кодом на Python и Java. Карточка приводит пример генерации программы «Змейка» и указывает, что версия v1.1 создала её без ошибок по сравнению с исходной CodeGemma 7B IT; это не является гарантией качества версии v1.2. Поддержка указана для английского языка. Файлы доступны в форматах PyTorch и safetensors. Лицензия в метаданных — Apache-2.0; README также указывает, что на Gemma распространяются условия использования Google Gemma.

MaziyarPanahi/BASH-Coder-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp-GGUF — это GGUF-квантизованная версия объединённой модели BASH-Coder-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp, созданная и квантизованная MaziyarPanahi. В её основе лежит Mistral-7B-Instruct-v0.2; модель предназначена для генерации текста и, судя по названию и исходной модели BASH-Coder, может быть ориентирована в том числе на задачи программирования и работу с инструкциями. Модель имеет размер 7 миллиардов параметров и поставляется в формате GGUF, совместимом с llama.cpp и рядом локальных интерфейсов и библиотек, включая text-generation-webui, LM Studio, GPT4All и llama-cpp-python. Доступны варианты квантизации с разной точностью — от 2- и 3-битных до 4-, 5-, 6- и 8-битных, что позволяет выбирать компромисс между размером, скоростью и качеством. Конкретные сведения о поддерживаемых языках, длине контекста и мультимодальности в README не указаны; по представленным данным это текстовая, а не мультимодальная модель. К сильным сторонам относятся локальный запуск, широкий выбор уровней квантизации и совместимость с популярными инструментами инференса. Более агрессивная квантизация уменьшает требования к памяти, но может снижать качество генерации; README также не содержит независимых бенчмарков или подробной оценки возможностей модели. Модель распространяется по лицензии Apache-2.0.

CleverBoi-Nemo-12B-v2 — текстовая generative-модель, разработанная theprint. Она дообучена в течение одной эпохи на наборе CleverBoi-Data-20k, содержащем примеры, ориентированные на логику, рассуждения, математику и программирование. Модель предназначена для генерации текста и решения задач, требующих следования инструкциям, логического вывода, математического анализа и работы с кодом. Модель дообучена на базе unsloth/Mistral-Nemo-Instruct-2407-bnb-4bit и имеет размер 12B параметров согласно идентификатору модели. Доступная языковая метка — английский. Указана текстовая модальность; сведения о длине контекста в README отсутствуют. Для ускорения обучения использовались Unsloth и библиотека TRL от Hugging Face. В оценках Open LLM Leaderboard модель получила средний результат 17,57: 20,46 на IFEval, 31,65 на BBH, 8,61 на MATH Level 5, 8,50 на GPQA, 11,43 на MuSR и 24,76 на MMLU-PRO. Эти результаты указывают на специализацию в задачах рассуждения и математики, однако не подтверждают высокую точность во всех сценариях. Ограничениями являются отсутствие данных о контекстном окне, мультиязычной поддержке, требованиях к аппаратному обеспечению и практической производительности. Модель распространяется по лицензии Apache-2.0.

Карточка модели unsloth/codegemma-7b на Hugging Face совпадает с карточкой unsloth/codegemma-7b-it, поэтому описание составлено по ней. unsloth/codegemma-7b-it — разговорная версия CodeGemma от Google, представленная Unsloth в виде модели для генерации текста. Репозиторий содержит плотную авторегрессионную модель Gemma с 8,2 млрд параметров, рассчитанную на диалог и дополнение текста; максимальный контекст составляет 8192 токена. В метаданных указана поддержка английского языка и формат safetensors. Модель подходит для диалоговых приложений и генерации продолжений текста, в частности в сценариях, связанных с кодом, для которых предназначено семейство CodeGemma. Карточка Unsloth описывает ноутбуки для дообучения Gemma и форматы шаблонов ChatML и Vicuna, но не приводит результатов оценки качества именно этого чекпойнта. Модель распространяется по лицензии Apache-2.0.

CodeLlama-70b-Python-hf — разработанная Meta генеративная модель для синтеза и понимания кода, специализированная на Python. Это авторегрессионный трансформер семейства Llama с плотной архитектурой и 68,7 млрд параметров; репозиторий содержит веса в форматах PyTorch и safetensors. Модель принимает текст и генерирует текст, поддерживает контекст длиной 4096 токенов. Модель подходит для автодополнения кода, генерации фрагментов Python и помощи в разборе программного кода. Она не предназначена для диалогового режима или следования инструкциям; заявленная область использования — английский язык и языки программирования. Карточка указывает, что это неофициальный репозиторий Code Llama. Использование регулируется лицензией Meta Llama 2.

Salesforce CodeT5+ 220M — модель семейства CodeT5+ для понимания и генерации кода, разработанная Salesforce Research. Это плотная encoder-decoder-модель на архитектуре T5 с 123,7 млн параметров, доступная в формате PyTorch; она использует токенизатор оригинального CodeT5. Модель обучена на очищенном наборе кода GitHub с разрешительными лицензиями и рассчитана на работу с кодом на C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. Модель подходит для генерации кода по текстовому запросу, дополнения кода, поиска соответствий между текстом и кодом и других задач понимания кода. В README указано контекстное окно 512 токенов. Карточка описывает семейство как гибкое по режимам работы, но конкретный чекпойнт представлен классом T5ForConditionalGeneration. Лицензия — BSD-3-Clause. Разработчики отмечают, что модель не оценивалась для всех сценариев применения и рекомендуют проверять точность и безопасность перед внедрением.

Coding Monkey Gemma GGUF — модель, разработанная TheOneWhoWill на базе Gemma 4 12B. Это дообученная версия, ориентированная на генерацию кода и надёжное использование инструментов в агентских сценариях, включая вызовы функций, работу с базами данных, knowledge graph, shell-командами и терминальными действиями. Модель предназначена для локальной разработки и запуска на системах с ограниченным объёмом VRAM. Дообучение выполнено методом QLoRA на 5 211 примерах, преимущественно связанных с function calling и агентскими задачами. По данным README, на отложенном наборе из 102 запросов точность корректного вызова инструментов составила 70,6% против 26,5% у базовой модели, а валидность формата достигла 98%. Доступны варианты в формате GGUF с квантованием fp16, Q8_0, Q6_K, Q5_K_M и Q4_K_M; в примере использования указан контекст до 32 768 токенов. Сильная сторона модели — улучшенная генерация структурированных вызовов инструментов и пригодность для локальных coding-agent систем. Ограничения включают специализацию на tool calling и кодировании, возможное снижение качества при сильном квантовании, а также отсутствие в README подробных сведений о поддерживаемых языках, мультимодальности и комплексных результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

Dolphin 3.0 Qwen 2.5 0.5B — диалоговая языковая модель, дообученная Eric Hartford, Ben Gitter, BlouseJury и Cognitive Computations на базе Qwen/Qwen2.5-0.5B. Она предназначена для локального использования в качестве универсального помощника и может отвечать на вопросы, помогать с кодом и математикой, а также работать с вызовами функций и агентными сценариями. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Для общения применяется шаблон ChatML; системный промпт позволяет задавать тон и правила поведения. В обучении использовались наборы данных для инструкционного диалога, программирования, математики и вызова функций. Карточка модели описывает англоязычное назначение. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Это компактная модель, поэтому её ответы и сложные рассуждения могут уступать более крупным моделям; примеры выводов и результаты оценивания в карточке не представлены.

Это мультимодальная чат-модель DavidAU на архитектуре Gemma 3: исходную Gemma 3 27B IT-VL расширили до плотной модели на 40 млрд параметров, а затем дообучили с помощью Unsloth на наборе Gemini reasoning. По описанию автора, дообучение добавляет пошаговое рассуждение; модель также рассчитана на творческое письмо, ролевые сценарии, генерацию кода и работу с изображениями. Карточка заявляет контекст до 128K токенов и проверку обработки изображений и генерации кода. Модель принимает текст и изображения, отвечает текстом и ориентирована прежде всего на английский и китайский языки. Автор позиционирует её как модель с ослабленными ограничениями на генерируемый контент; ответы могут быть резкими, содержать ненормативную лексику или графические описания. В отдельных случаях модель может переключаться в режим инструкций; автор рекомендует явно просить её рассуждать, если это происходит. Распространяется по лицензии Apache-2.0.

GLM-4.6V-Flash-MXFP4-GGUF — квантованная до 4-битного формата MXFP4 мультимодальная модель Z.ai (Zhipu AI), основанная на zai-org/GLM-4.6V-Flash. Модель объединяет языковую часть на 9 млрд параметров с визуальным энкодером ViT и принимает текстовые запросы вместе с изображениями, чтобы вести диалог и описывать визуальное содержимое. Модель рассчитана на понимание изображений, документов и визуальных интерфейсов. Контекст составляет 128 тысяч токенов; режим рассуждений включён по умолчанию и может быть отключён параметром `enable_thinking=false`. Для работы с изображениями требуются основной файл GGUF и отдельный файл проектора mmproj в формате F16. Лицензия — MIT. Квантование уменьшает размер языковой части до 4,82 ГБ, однако MXFP4 нативно поддерживается видеокартами NVIDIA Blackwell (RTX 50); на других GPU и CPU выполняется программная деквантизация, которая может быть медленнее. Для запуска подходит совместимое ПО, например llama.cpp или LM Studio.

NiviG/hallucination-detector — модель классификации текста, созданная дообучением DeBERTa-v3-base от Microsoft. Она сопоставляет утверждение, сгенерированное ИИ, с предоставленным контекстом и определяет, подтверждается ли оно, опровергается ли или остаётся непроверяемым. Модель обучена на более чем 25 тысячах примеров FEVER для проверки фактов и выявления галлюцинаций в ответах языковых моделей. Архитектура — DeBERTa-v2 для классификации последовательностей, около 211,6 млн параметров; модель работает с текстом и имеет контекст до 512 токенов. Она выдаёт одну из трёх меток: FACTUAL, UNCERTAIN или HALLUCINATION. Веса опубликованы в формате safetensors; библиотека — Transformers. Карточка не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Hercules-phi-2 — языковая модель M4-ai, полученная дообучением Phi-2 на всех примерах датасета Locutusque/hercules-v4.5. Это плотная авторегрессионная модель семейства Phi с 3,5 млрд параметров и контекстом 2048 токенов; она работает с текстом на английском языке. Модель предназначена для диалогов с ассистентом, ответов на вопросы, математических задач, программирования, вызова функций и ролевых сценариев. Репозиторий содержит веса в формате Safetensors и рассчитан на использование с Transformers. Лицензия — Apache-2.0. В карточке нет результатов оценки качества.

Карточка модели sadii0101/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Macaron-V1-Coding-Venti-MLX-Q4i — квантизированная версия модели Macaron-V1-Coding-Venti для генерации текста и помощи в программировании. Согласно метаданным, модель связана дообучением с zai-org/GLM-5.2 и использует архитектуру GLM MoE DSA. Репозиторий рассчитан на библиотеку MLX; README сообщает о тестировании на M3 Ultra с 512 ГиБ памяти и скорости около 14,7 токена в секунду при генерации на 1000 токенов. Модель предназначена для диалогового использования и задач генерации кода. Объём параметров указан как 30,4 млрд, контекст — до 1 048 576 токенов. Метаданные указывают английский язык. Лицензия в предоставленных сведениях не указана. Ответы модели могут быть неточными или неуместными; результаты следует проверять перед использованием в важных решениях.

Phi-4-mini-reasoning-GGUF — это GGUF-квантизированная версия языковой модели Phi-4-mini-reasoning, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, решения математических задач и работы с кодом; поддерживает сценарии локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты от BF16 размером 7,68 ГБ до низкобитных квантов размером около 1,90 ГБ. Доступны форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, IQ и другие; варианты с более высокой разрядностью обычно обеспечивают лучшее качество, а низкоразрядные требуют меньше оперативной памяти. Указан английский язык. Архитектура исходной модели, число параметров, поддерживаемые модальности и размер контекста в README не описаны. Сильными сторонами являются локальный запуск, широкий выбор компромиссов между качеством и требованиями к памяти, а также специализация исходной модели на математическом рассуждении. Ограничения включают возможное снижение качества при использовании низкоразрядных квантов и отсутствие в README подробных результатов оценки. Модель распространяется по лицензии MIT.

MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking-heretic — небольшая языковая модель на базе openbmb/MiniCPM5-1B и производного дообучения GnLOLot/MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking. Модель создана автором saidutta69 с использованием Heretic 1.4.0 и метода directional ablation («abliteration»): целевые изменения весов подавляют поведение отказа без дополнительного дообучения. Модель предназначена для генерации текста, диалогов, следования инструкциям, программирования, tool calling и function calling, а также локальных агентов, ролевых сценариев и исследований механизмов отказов и выравнивания. Модель имеет размер около 1,1 млрд параметров, поддерживает режимы Think и No-Think, контекст до 128K токенов и языки английский и китайский. Для локального запуска доступны версии GGUF, включая F16 и различные варианты квантования; заявлена совместимость с llama.cpp, Ollama, LM Studio и Jan. Благодаря небольшому размеру она подходит для потребительских GPU, CPU и edge-устройств. В README также заявлены сохранение возможностей базовой модели, сильные стороны в tool calling, кодинге и рассуждениях, а также снижение числа отказов с 93 до 3 на 100 тестовых запросов; эти показатели приведены автором модели и не подтверждены независимой оценкой. Ограничения включают малый размер модели по сравнению с современными крупными LLM, возможное ухудшение качества при агрессивном квантовании и потенциальные риски, связанные с подавлением защитного поведения. Модель распространяется по лицензии Apache-2.0.

Kukedlc разработал экспериментальную модель для генерации текста и решения задач на логику, математику и программирование. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов, дообученная на основе Kukedlc/NeuralExperiment-7b-dare-ties. При обучении обновлялись слои начиная с последнего; использовались наборы задач по математике и программированию, включая Orca Math и Magicoder. Модель предназначена для генерации кода, решения математических текстовых задач и логических головоломок. Автор сообщает о предварительных обнадёживающих результатах, но количественная оценка возможностей ещё проводится. Файлы представлены в формате safetensors; лицензия — Apache-2.0.

NorMistral-7b-warm-instruct — инструкционно дообученная языковая модель, разработанная командой NorwAI/норвежского проекта NorMistral. Она предназначена для диалогового взаимодействия, генерации текста, ответов на вопросы, следования инструкциям и задач программирования преимущественно на норвежских языках. Модель основана на NorMistral-7b-warm и содержит около 7 миллиардов параметров. Это текстовая авторегрессионная модель семейства Mistral с поддержкой Bokmål и Nynorsk; в карточке также заявлен норвежский язык. Дообучение выполнено на открытых наборах данных Aya, OASST, OIG, No Robots, Dolly и Glaive code assistant. Контекстное окно при дообучении составляет 4096 токенов, что вдвое больше, чем у базовой модели. Для диалогов используется ChatML-подобный шаблон. Сильными сторонами модели являются специализация на норвежском языке, открытость для коммерческого применения и поддержка многоходовых диалогов. При этом выпущенные веса обозначены как рабочая версия, модель прошла только этап supervised fine-tuning без оптимизации предпочтений, а качество и поведение могут измениться в будущих версиях. Для использования рекомендуется корректно применять шаблон чата и параметры генерации, указанные авторами. Модель распространяется по лицензии Apache-2.0.

Phi-4 o1 — дообученная модель prithivMLmods на базе Microsoft Phi-4, предназначенная для генерации текста и решения задач, требующих рассуждений. По описанию автора, при дообучении использовались синтетические данные с примерами пошагового решения; модель ориентирована на математику, логику, научные вопросы и разбор сложных задач. В метаданных указаны 14,1 млрд параметров, плотная архитектура LlamaForCausalLM, контекст до 16 384 токенов и формат safetensors. Модель поддерживает диалог и задачи программирования; README также заявляет многоязычные сценарии, но метаданные подтверждают только английский язык. Модель подходит для образовательных объяснений, ответов на вопросы, создания текстов и вспомогательной работы с кодом. Возможны ошибки в неоднозначных задачах, предвзятость и устаревшие сведения; для чувствительных решений необходима проверка человеком. Для запуска требуются значительные вычислительные ресурсы. Лицензия — MIT.

PhoneLM-1.5B-Instruct — англоязычная авторегрессионная языковая модель на 1,6 млрд параметров, разработанная командой mllmTeam. Это дообученная для следования инструкциям версия PhoneLM-1.5B, предназначенная для генерации текста и диалоговых ответов. Модель использует декодерный трансформер с 19 слоями, скрытым размером 2560, 16 головами внимания и контекстом до 2048 токенов. Архитектура включает Rotary Position Embeddings для первой четверти размерности голов внимания, LayerNorm с обучаемыми смещениями и ReLU в полносвязных слоях; токенизатор основан на токенизаторе SmolLM с размером словаря 49 152. В обучении использовались наборы инструкций, диалогов, математических заданий и кода. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она рассчитана прежде всего на английский язык; сведений о поддержке других языков нет.

mlx-community/Qwen2.5-Coder-1.5B-8bit — 8-битная версия модели для генерации текста и кода, подготовленная сообществом mlx-community. README сообщает, что веса преобразованы в формат MLX из Qwen/Qwen2.5-Coder-1.5B с помощью mlx-lm версии 0.18.1; метаданные указывают архитектуру Qwen2, плотную авторегрессионную модель Qwen2ForCausalLM размером 1,5 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации и продолжения кода, а также диалоговой генерации текста. Метаданные отмечают возможности работы с кодом, чатом и интерфейсом вызова инструментов; карточка указывает английский язык. Лицензия — Apache-2.0. README описывает преобразование в MLX, тогда как метаданные указывают файлы Safetensors; особенности запуска и качество могут зависеть от используемой реализации и задачи.

Shaurya-saini дообучил модель unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit на архитектуре Qwen2.5 Coder. Это плотная авторегрессионная модель с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; базовая модель ориентирована на задачи программирования. Модель принимает текст и формирует текстовые ответы, поддерживает контекст до 32 768 токенов и английский язык. Модель подходит для диалоговых сценариев с запросами по коду и генерацией текста. В карточке не описаны обучающие данные и конкретная специализация дообучения, поэтому качество для отдельных задач и отличие от базовой модели оценить нельзя. Распространяется по лицензии Apache-2.0.

Qwen3.5-2B — мультимодальная языковая модель с визуальным энкодером, разработанная командой Qwen. Репозиторий содержит постобученные веса и конфигурацию в формате Transformers; модель дообучена на базе Qwen/Qwen3.5-2B-Base. Архитектура — плотная причинная модель с гибридными блоками Gated DeltaNet и Gated Attention, 2 млрд параметров и контекстом до 262 144 токенов. Модель предназначена для диалогов, рассуждений по тексту и изображениям, вызова инструментов, прототипирования и предметно-ориентированного дообучения. Она поддерживает 201 язык и диалект; по умолчанию работает в режиме без рассуждений, также доступен режим рассуждений. Среди сильных сторон — мультимодальный ввод и длинный контекст. Разработчик рекомендует учитывать масштаб модели при выборе сценария: прототипирование и разработка подходят лучше, чем ресурсоёмкие высокопроизводительные нагрузки. Лицензия — Apache-2.0.

Qwen3.5-9B-Unredacted-MAX — дообученная мультимодальная модель семейства Qwen от prithivMLmods, основанная на Qwen/Qwen3.5-9B. Она предназначена для диалогов и обработки изображений с текстом, а также для локального и облачного инференса, прототипирования, исследований следования инструкциям и тестирования устойчивости. Модель содержит 9 млрд параметров, использует плотную архитектуру Qwen3.5 и распространяется в формате safetensors для Transformers; заявлена совместимость с современными конвейерами Transformers. В карточке сообщается о модификации отказов и приводятся самоотчётные показатели поведения на 2000 тестовых запросах; это не независимый бенчмарк. Возможны неверные или непоследовательные ответы, особенно в сложных сценариях, а результаты зависят от промпта и настроек генерации. Для оптимальной производительности рекомендуется ускорение на GPU. Лицензия — Apache-2.0.

eme/Qwen3.6-35B-A3B-FP8-Q4_K_M-MTP-GUFF — это GGUF-конверсия модели Qwen3.6-35B-A3B от команды Qwen, подготовленная пользователем eme. Модель основана на варианте Qwen/Qwen3.6-35B-A3B-FP8 и предназначена для локального запуска и эффективного инференса через llama.cpp. В README также упоминаются возможности Qwen3.6 для агентного программирования, работы с фронтенд-разработкой и рассуждений на уровне репозитория, однако эти сведения приведены для другой конфигурации Qwen3.6 и не позволяют полностью подтвердить характеристики данного варианта. Финальные веса используют квантизацию Q4_K_M для формата GGUF; исходная модель экспортирована в FP8 с форматом F8_E4M3. Такое представление уменьшает объём памяти и нагрузку на пропускную способность по сравнению с BF16, сохраняя близкое к BF16 качество для большинства задач инференса. В модель интегрирован Multi-Token Prediction (MTP), который может ускорять декодирование за счёт спекулятивного предсказания нескольких токенов. Точные сведения о контекстном окне, поддерживаемых языках и мультимодальности для этого конкретного файла не указаны; тег image-text-to-text присутствует в метаданных, но не подтверждает фактическую поддержку изображений. Для работы рекомендуется свежая версия llama.cpp с поддержкой CUDA и MTP-aware decoding; требуется достаточно VRAM в зависимости от длины контекста и размера батча. Пример запуска из README показывает работу на RTX 4080 с 16 ГБ памяти, но это не является гарантией совместимости или производительности в других конфигурациях. Ограничения включают возможные потери качества из-за Q4_K_M и зависимость ускорения от поддержки MTP и оптимизированных ядер в используемом рантайме. Лицензия указана как Apache-2.0.

teknium/Replit-v1-CodeInstruct-3B — языковая модель для генерации кода и выполнения инструкций, разработанная Teknium на основе Replit Code v1. Это плотная авторегрессионная модель семейства MPT с архитектурой MPTForCausalLM, дообученная на наборах CodeAlpaca и GPTeacher Code-Instruct примерно на 25 тысячах пар «инструкция — ответ» в формате Alpaca. Модель принимает текстовые инструкции и выдаёт текст, в том числе код. Карточка описывает сценарии работы с инструкциями по программированию; сведения о поддерживаемых языках программирования и длине контекста не приведены. Модель подходит для генерации фрагментов кода по запросу и ответов на вопросы о программировании. Для загрузки README указывает необходимость trust_remote_code=True и предупреждает о проблемах с device="auto". Репозиторий содержит веса PyTorch. Лицензия — CC BY-SA 4.0.