II.4Отладка, тестирование и качество ПО

Это модель классификации текстовых пар на основе RoBERTa Large, опубликованная организацией garak-llm. Она обучена на SNLI, MultiNLI, ANLI и FEVER для вывода по двум текстам: следуют ли они друг из друга, нейтральны ли по отношению друг к другу или противоречат. В garak её используют как детектор для проверки того, опровергает ли ответ модели заданное утверждение. Модель имеет около 454 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текстовые пары с контекстом до 512 токенов. Выдаёт одну из трёх меток: entailment, neutral или contradiction. Лицензия — MIT. Языковые данные в метаданных не указаны, поэтому поддерживаемые языки нельзя надёжно перечислить.

Это экспериментальный чекпойнт Grug 67B, дообученный командой Marin на корпусе Nemotron Terminal и опубликованный в формате BF16 для Hugging Face и vLLM. Модель создана для диалогового взаимодействия и выполнения задач в терминале; метаданные также указывают интерфейс вызова инструментов. Это причинная языковая модель семейства Grug MoE с архитектурой mixture-of-experts и 2,8 млрд параметров. Контекстное окно — 32 768 токенов. Обучение началось с Grug 67B stage-2 thinking checkpoint на шаге 630 и продолжалось 1 888 шагов на данных Nemotron Terminal Corpus. Модель оценивали в кампании воспроизведения OpenThoughts-TBLite с помощью Terminus-2, однако результаты оценки хранятся отдельно, поэтому качество выполнения конкретных задач из карточки установить нельзя. Лицензия — Apache-2.0.

Kukedlc/Smart-LLama-3-8b-Python-v5 — разработанная Kukedlc дообученная языковая модель семейства Llama для генерации текста и диалогов. Она основана на Kukedlc/Smart-LLama-3-8b-Python-v2-16bit и рассчитана на сценарии, связанные с Python, согласно описанию базовой модели в каталоге. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык, а контекст составляет до 8192 токенов. Обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Модель распространяется в формате safetensors по лицензии Apache 2.0. Карточка не приводит оценок качества или подробностей ограничений; применимость ответов по Python следует проверять на целевых задачах.

zzzmahesh/starcoder2-3b-instruct — дообученная модель генерации кода на архитектуре StarCoder2, опубликованная пользователем zzzmahesh. Модель обучали на дополнительных 0,7 млрд токенов, связанных с кодом, в течение трёх эпох. Она принимает инструкции в формате Alpaca без системного промпта и предназначена для генерации и дополнения программного кода по запросу. В README указан результат 65,9 pass@1 на HumanEval-Python. Модель содержит 4,2 млрд параметров, работает с контекстом до 16 384 токенов и доступна в формате safetensors для Transformers. Лицензия — BigCode OpenRAIL-M. Карточка предупреждает, что модель может ошибаться и выдавать вводящий в заблуждение результат, слабо справляться с задачами вне программирования и прошла ограниченное тестирование; перед реальным применением рекомендуется дополнительная проверка безопасности.

abacaj/starcoderbase-1b-sft — дообученная модель семейства GPTBigCode для генерации текста и кода. В карточке указано, что при обучении использован набор данных theblackcat102/evol-codealpaca-v1; модель работает в формате PyTorch и поддерживает контекст до 8192 токенов. Её можно применять для генерации фрагментов кода и текстовых ответов на инструкции, связанных с кодом. Карточка не содержит сведений о размере модели, результатах оценки качества или условиях лицензии, поэтому эти характеристики нельзя подтвердить. README также не описывает ограничения и конкретные языки программирования, на которых модель работает лучше всего.

Hikari07jp/Ternary-Bonsai-27B-Abliterated-LowDeg-GGUF — производная текстовая языковая модель, созданная на основе Prism Ternary Bonsai 27B от PrismML. Это прямое редактирование GGUF-весов с применением abliteration и низкодеградационного отката отдельных параметров. Модель предназначена для локальных и офлайн-ассистентов, особенно в сценариях, где требуется уменьшить избыточные отказы от выполнения запросов. При этом она может генерировать небезопасный контент и не является доказанно безопасной. Модель поставляется в формате GGUF Q2_0 g128 размером около 7,2 ГБ и рассчитана на работу через специальный fork PrismML llama.cpp с гибридными kernels для Q2_0. Архитектурная линия связана с Qwen3.5/Qwen3.6-27B и hybrid attention. Указан текстовый режим без встроенного vision mmproj; поддерживаемые языки и точный размер контекстного окна в README не определены, хотя в примерах запуска используется контекст 8192, а с опциональным DSpark упоминается до 16K. По заявленным измерениям, модель выполнила 38 из 40 переходов от отказа к прямому ответу на вредоносном пилоте, сохранила показатели родительской модели в coding-пилоте на уровне 19/20 и показала близкие результаты на GSM8K, MMLU, HumanEval и MBPP. Ограничения включают необходимость использования Prism llama.cpp, возможные проблемы с DSpark при нехватке памяти и отсутствие визуального модуля. Лицензия — Apache-2.0, унаследованная от базового релиза.

OliviaRossi/UltiMerge-Q5_K_M-GGUF — это квантованная версия модели OliviaRossi/UltiMerge в формате GGUF, подготовленная разработчиком OliviaRossi с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для генерации текста и может применяться в задачах программирования, рассуждений, создания агентных сценариев и локального запуска через llama.cpp или совместимые инструменты, включая vLLM. В карточке указаны поддерживаемые языки English и Chinese, а также код. Модель относится к text-generation и отмечена как MoE; также заявлены связи с семействами и методами Qwen3.5, Qwen3.6, model merge, DARE, STAR и DeltaNet. Используется квантование Q5_K_M, однако точный размер модели, архитектурные параметры и исходные характеристики UltiMerge в README не приведены. Для запуска приведён контекст 2048 токенов. К сильным сторонам относятся компактный GGUF-формат, возможность локального инференса и поддержка сценариев, ориентированных на код и рассуждения. Ограничения — отсутствие подробных результатов оценки, точных сведений о размере, производительности, мультимодальности и дополнительных языках. Лицензия указана как Apache-2.0; подробные условия и характеристики следует уточнять в карточке исходной модели OliviaRossi/UltiMerge.

Winter Garden 7B Alpha — экспериментальная чат-модель на архитектуре Mistral, собранная автором карточки путём слияния девяти моделей и вариантов весов. Она предназначена для диалоговой генерации текста, ответов на инструкции, помощи с программированием, научными и математическими вопросами, а также творческих сценариев и ролевых диалогов. В README описано слияние слоёв Mistral-7B-v0.1 с чередованием моделей по девяти случайным группам; конфигурация в основном сохраняет порядок базовой Mistral. Модель содержит 7,1 млрд параметров, принимает контекст до 32 768 токенов и распространяется в формате safetensors. Карточка предлагает использовать разговорный шаблон с описанием сцены и карточкой персонажа; также упоминает несколько вариантов формата инструкций. Автор характеризует модель как способную работать с наукой, математикой и творческими задачами, однако это экспериментальное слияние, и приведённые в README оценки не гарантируют качества в конкретных сценариях. Указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.

Wrench-9B-Q4_K_M-GGUF — модель ClankLabs, созданная на базе плотной Qwen3.5-9B методом LoRA дообучения. Она предназначена для агентских сценариев, включая вызов инструментов и функций, выполнение многошаговых задач, восстановление после ошибок, соблюдение системных инструкций, планирование и безопасное взаимодействие с инструментами. Модель ориентирована на запуск локально через Ollama, llama.cpp или Clank Gateway и может работать примерно на 8 ГБ видеопамяти. Модель поставляется в формате GGUF с квантизацией Q4_K_M и занимает около 5 ГБ. Использованы LoRA rank 32 и alpha 64; контекстное окно составляет 8192 токена. Заявленный язык — английский. Внутреннее обучение проводилось на 1356 примерах из 15 категорий, а опубликованный Clank Agentic Benchmark показывает результат 114 из 120 баллов, включая 15 из 15 за базовое использование инструментов, многошаговые задачи, следование системным инструкциям, планирование, корректность формата вызовов и соблюдение ограничений; за восстановление после ошибок и качество ответов получено по 14 из 15. Ограничениями являются поддержка только заявленного контекста, особенности качества, связанные с квантизацией, и специализация прежде всего на англоязычных агентских задачах. Модель распространяется по лицензии Apache 2.0.

AlchemistCoder-DS-6.7B-GGUF — набор GGUF-квантизаций модели AlchemistCoder-DS-6.7B, первоначально разработанной командой InternLM. Квантизации подготовлены пользователем bartowski с помощью llama.cpp релиза b3024 и метода imatrix. Модель предназначена прежде всего для генерации и обработки программного кода, включая сценарии локального запуска через llama.cpp и совместимые инструменты. README не содержит сведений о поддерживаемых языках программирования и естественных языках. В набор входят варианты с разной точностью и размером: от Q8_0 объёмом 7,16 ГБ до IQ2_XS объёмом 2,03 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, тогда как низкие требуют меньше RAM или VRAM, но сильнее теряют в качестве; в README рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Архитектура, размер контекста, модальности и другие параметры исходной модели не указаны. Распространение заявлено по лицензии Apache-2.0. Для работы необходимо учитывать формат промпта, приведённый в README, и выбирать файл с учётом доступной памяти. Ограничения включают зависимость качества от уровня квантизации и отсутствие в доступных данных подробных характеристик, результатов оценки и описания исходного обучения.

BagOClownCoders-ties-7B — объединённая языковая модель на архитектуре Mistral, созданная автором репозитория методом TIES с помощью mergekit. В качестве базовой использована beowolx/MistralHermes-CodePro-7B-v1; в объединение также вошли beowolx/CodeNinja-1.0-OpenChat-7B и teknium/OpenHermes-2.5-Mistral-7B. Модель предназначена для генерации текста в диалоговом формате и задач программирования, включая написание и дополнение кода. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. В метаданных указана возможность чата. Языки в предоставленных данных не перечислены. Качество и ограничения модели отдельно не описаны. Лицензия в предоставленных данных не указана.

ChimpGPT-Coder-Elite — дообученная модель aaravriyer193 для генерации программного кода на основе GLM-4.7-Flash от Z.ai. Она предназначена для запросов по программированию, написания кода и рефакторинга нескольких файлов; README особо выделяет Python, Rust, TypeScript и C++. Модель использует архитектуру GLM-4 MoE Lite и доступна в формате safetensors; метаданные указывают 4,1 млрд параметров и контекст до 202 752 токенов. README описывает обучение LoRA на наборе из 12 000 примеров и последующее слияние весов, тогда как метаданные классифицируют модель как дообучение базовой модели. Для запуска README указывает минимум 20 ГБ видеопамяти при 4-битной загрузке и предупреждает, что загрузка в float32 может привести к нехватке памяти. Модель распространяется по лицензии MIT. Указанные в README характеристики контекста и размера базовой модели расходятся с метаданными, поэтому приведены значения из метаданных каталога.

claude-yolo-vibes-v4 — промежуточный чекпойнт supervised fine-tuning модели Qwen2.5-Coder-7B-Instruct, разработанный davidnichols-ops. Модель предназначена для генерации кода в диалоговом формате и добавляет к базовой модели индивидуальный стиль общения. Это этап до DPO-выравнивания; автор указывает, что итоговая DPO-версия предназначена для использования в производстве. Модель имеет плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и выдаёт текст. Контекстное окно — 32 768 токенов; в метаданных указан английский язык. Автор сообщает результат 88,4% pass@1 на HumanEval как для базовой модели, так и для этого SFT-чекпойнта, однако это значение приведено в README и не сопровождается описанием методики оценки. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Code-13B — полноценно дообученная модель Ajibawa на базе Llama 2 для генерации кода и подробных объяснений к нему. Модель содержит 12,9 млрд параметров, использует плотную архитектуру Llama и принимает запросы в текстовом формате Vicuna/ShareGPT; родной контекст — 4096 токенов. Модель обучена на наборе Code-74k-ShareGPT, включающем примерно 74 тысячи примеров с кодом и диалогами. В карточке названы Python, Java, JavaScript, Go, C++, Rust и другие языки программирования. Модель подходит для создания фрагментов кода с пояснениями и ответов на вопросы по программированию. Модель распространяется под лицензией CC BY-NC-ND 4.0, которая запрещает коммерческое использование и распространение производных версий. Генерация кода может содержать ошибки, поэтому результаты следует проверять; обучение и оценка не гарантируют корректность кода для конкретной задачи.

Карточка модели xingyaoww/CodeActAgent-Llama-2-7b на Hugging Face совпадает с карточкой xingyaoww/CodeActAgent-Mistral-7b-v0.1, поэтому описание составлено по ней. CodeActAgent-Mistral-7b-v0.1 — языковая модель-агент, разработанная авторами CodeAct на базе Mistral-7b-v0.1. Это плотная авторегрессионная модель класса MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; она обучена на CodeActInstruct и обычных диалогах. Модель формирует ответы и исполняемые действия на Python, которые агент может передавать интерпретатору, получать результаты выполнения и учитывать их в следующих ходах. Модель предназначена для многошаговых агентных задач, особенно для работы с API и инструментами, где действия можно выражать кодом и корректировать после наблюдений. Авторы сообщают об улучшении успешности относительно действий в формате обычного текста или JSON на своих оценках, а также о сохранении общих диалоговых возможностей. Это исследовательская разработка, представленная как готовая модель для применения; в репозитории указана лицензия Apache-2.0.

DeepSeek V4 Flash REAP K128 (Uniform) — производная версия DeepSeek V4 Flash от sleepyeldrazi. В модели удалена половина маршрутизируемых экспертов MoE с помощью метода REAP; механизм внимания, эмбеддинги, общие эксперты, маршрутизатор и компоненты MTP сохранены. Тонкая настройка не выполнялась: оставшиеся веса взяты без изменений из исходной модели. Репозиторий содержит GGUF с равномерной квантизацией экспертов IQ2_XXS/Q2_K; заявленный размер файла — 46,98 ГиБ. Модель предназначена для генерации текста и диалогового использования, в том числе для задач программирования, вызова инструментов и поиска знаний. Совместима со средой ds4-engine; для запуска требуется ds4-for-reaped с поддержкой компактного GGUF. Калибровка при отборе экспертов проводилась на контексте 4096 токенов, но это не подтверждает максимальную длину контекста модели. Лицензия — MIT. Удаление половины экспертов и низкая точность квантизации могут повлиять на качество ответов; README не приводит количественных результатов оценки. Вызов инструментов обозначен как сценарий калибровки и использования, но сам по себе не подтверждает наличие отдельного интерфейса tool calling.

OS-Software/Gemma-4-12B-it-QAT-Q4_0-Unquantized-Heretic-JA — производная разговорная мультимодальная модель на основе Google Gemma 4 12B IT, опубликованная OS-Software. Модель предназначена для экспериментов с диалогом, рассуждениями, агентными сценариями, программированием и пониманием изображений; заявлены также OCR, разбор документов и анализ видео для семейства Gemma 4. Архитектура — плотная Gemma4 Unified с чередованием локального и глобального внимания. Метаданные указывают формат safetensors, библиотеку Transformers, поддержку чата и изображений, а также тег задачи image-text-to-text. README семейства указывает контекст до 256K токенов для 12B и поддержку более 35 языков, но эти характеристики относятся к семейству, а не подтверждены отдельно для этой производной модели. README позиционирует модель для исследований безопасности, выравнивания и red teaming и просит не развёртывать её в публичных или пользовательских сервисах. В карточке также приведены общие ограничения Gemma: возможны фактические ошибки, смещения данных и трудности с неоднозначными формулировками и сложными задачами. Лицензия — Apache-2.0. В названии присутствуют «QAT», «Q4_0» и «unquantized», однако метаданные сообщают только о safetensors, поэтому фактический формат весов в описании не уточняется.

gpt-oss-20b-Code-xCloud-GGUF — модель для генерации кода, созданная 云碩科技 (xCloudinfo) на базе openai/gpt-oss-20b. Это дообученная методом LoRA модель семейства GPT-OSS с архитектурой MoE: в README указаны 21 млрд параметров всего и 3,6 млрд активных. Репозиторий распространяет веса в формате GGUF с квантизацией MXFP4; заявленный размер файла — около 14 ГБ. Модель предназначена для понимания требований и генерации исполняемых решений, в частности на Python, с сохранением пошагового рассуждения. По заявлению разработчика, обучение включало дистилляцию и отбор примеров по результатам выполнения скрытых тестов; для HumanEval указан результат pass@1 87,2% на 164 заданиях. Это заявление README, а не независимая проверка качества. Модель можно запускать локально через llama.cpp и использовать для автономной разработки и генерации кода. Указанная лицензия — Apache-2.0, коммерческое использование допускается на её условиях. В README нет сведений о длине контекста; оценка на HumanEval ограничена указанным набором и не гарантирует аналогичного качества на других задачах.

Huginn-0125 — экспериментальная языковая модель исследовательской группы TomG Group при University of Maryland. Это плотная decoder-only модель на 3,5 млрд параметров, обученная с нуля на 800 млрд токенов и реализованная как рекуррентная модель с латентной глубиной: при генерации можно задавать число итераций вычислений num_steps, увеличивая глубину обработки без фиксированного числа слоёв. Модель работает с текстом, поддерживает диалоговый шаблон и ориентирована на генерацию текста, рассуждения, математические задачи и код. Модель обучалась 47 000 шагов на открытых данных и не проходила дообучение или постобучение, хотя в предварительное обучение включались инструкции. Авторы характеризуют её как proof of concept; увеличение num_steps улучшает результаты на бенчмарках примерно до 64 шагов, а при числе меньше четырёх ответы становятся грубыми. Для инференса рекомендуется bfloat16; для кэширования KV требуется специальная реализация HuginnDynamicCache, которая может быть чувствительна к обновлениям Transformers. Доступна по лицензии Apache-2.0.

Huihui-OmniCoder-9B-abliterated — версия Tesslate/OmniCoder-9B от huihui-ai с ослабленным отказом от ответов с помощью метода abliteration. Это экспериментальная модель на архитектуре Qwen3.5 с 9 млрд параметров, предназначенная для генерации кода и многошаговых задач разработки ПО; также поддерживает диалог и обработку изображений вместе с текстом. В карточке указано использование через Ollama и Transformers. Ослабление фильтров безопасности может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Автор характеризует реализацию как грубую проверку концепции. Модель распространяется по лицензии Apache-2.0.

ISOM-R1-Coder-16B-MoE — экспериментальная модель для генерации кода и работы с большими контекстами репозиториев, разработанная Prannessh K.V.A. на основе DeepSeek-Coder-V2-Lite-Instruct. Автор заявляет архитектуру Mixture-of-Experts с 64 маршрутизируемыми и 2 общими экспертами, активацией TopK=6 и Multi-Head Latent Attention. Метаданные указывают 2,5 млрд параметров, тогда как README приводит 15,71 млрд параметров всего и 2,36 млрд активных на токен. Модель предназначена для генерации и дополнения кода, диалоговой помощи по программированию и анализа репозиториев в контексте до 163 840 токенов. В README описан механизм ISOM с проекцией состояний внимания на изометрическое многообразие для ограничения роста памяти; приведённые характеристики расхода памяти являются теоретическими оценками, а эмпирическая проверка на последовательностях длиной 160K не заявлена. Поддерживаемые языки по метаданным — английский и китайский. Модель опубликована в формате safetensors и доступна по лицензии CC-BY-NC-ND-4.0 согласно метаданным; README также ссылается на лицензию DeepSeek Model License для исходных весов. Модель не аффилирована с DeepSeek AI. Перед использованием следует учитывать ограничения лицензий и проверять применимость условий к производной модели.

bartowski/Jackrong_Qwen3.5-9B-Neo-GGUF — это набор GGUF-квантизаций модели Jackrong/Qwen3.5-9B-Neo, подготовленный bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на задачи генерации текста и рассуждений, включая решение задач по программированию; при этом в карточке указан pipeline image-text-to-text, однако подробности поддержки изображений не приведены. Модель имеет размер порядка 9 миллиардов параметров, обучалась с использованием наборов данных Jackrong/Competitive-Programming-python-blend и stepfun-ai/Step-3.5-Flash-SFT. Заявлены английский и китайский языки, а также поддержка reasoning и chain-of-thought. Доступны варианты от BF16 и Q8_0 до компактных Q2_K_L, Q3 и IQ-квантизаций; версии с более высокой точностью обеспечивают лучшее качество, а младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Размер контекста и точная архитектура в README не указаны. Файлы предназначены для локального запуска через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые приложения. Для корректной работы следует использовать указанный шаблон prompt format с секцией <think>. Модель распространяется по лицензии Apache-2.0. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие в карточке подробных сведений о точности, производительности, контекстном окне и фактических возможностях мультимодальной обработки.

Kraken — модель и архитектура для генерации текста, созданная совместно Cognitive Computations, VAGO Solutions и Hyperspace.ai. В разработке участвовали Fernando Fernandes Neto, David Golchinfar, Lucas Atkins и Eric Hartford. Она использует Transformers и маршрутизацию запросов между несколькими причинными языковыми моделями, выбирая эксперта по содержанию входного текста. В набор экспертов входят модели для рассуждений, вызова функций, Python, SQL и немецкого языка. Конфигурация Kraken позволяет подключать модели, токенизаторы и шаблоны форматирования. Архитектура описана как расширяемая и рассчитана на сценарии, где специализированная модель может дать более подходящий ответ. Репозиторий содержит веса в формате safetensors; метаданные указывают английский язык. Лицензия и размер модели в предоставленных данных не приведены.

erayyapagci/lfm2.5-pii-en-hi-hinglish-q8 — дообученная модель на основе LiquidAI/LFM2.5-Encoder-350M-PII-Detector для обнаружения персональных данных в тексте на английском, хинди и хинглише. Это плотная двунаправленная архитектура LFM2 для классификации токенов; репозиторий содержит веса PyTorch FP32 и экспорт ONNX с динамической квантизацией INT8. Модель насчитывает 444,6 млн параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для поиска и разметки фрагментов с персональными данными, включая имена, адреса, даты, электронную почту, телефоны и URL. В описанной проверке на синтетической выборке дообученная версия показала более высокий отзыв, чем исходная базовая модель; INT8-вариант ориентирован на запуск на CPU и уменьшает потребление памяти. Для восстановления текстовых фрагментов нужны BIOES-декодирование и смещения токенизатора. Автор характеризует модель как экспериментальный детектор, который не следует считать полноценной защитной границей. Она слабее работает с гибко форматируемыми группами номеров счетов и ранее не встречавшимися произвольными секретами; квантизация может менять пограничные предсказания. Перед применением нужны проверка на вручную размеченных данных своего домена и дополнительные детерминированные распознаватели для структурированных идентификаторов. Лицензия указана как other; конкретные условия следует проверить на странице репозитория.

Shining Valiant 2 — чат-модель Valiant Labs, дообученная на базе Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов; она принимает текст и генерирует текст, используя формат инструкций Llama 3.1 Instruct. Модель рассчитана на диалог, ответы на технические вопросы и структурированные рассуждения, особенно в естественных науках, инженерии и информатике. Для обучения использованы наборы sequelbox/Celestia для технических знаний, sequelbox/Spurline для сложных рассуждений и sequelbox/Supernova для общего диалога. В README заявлены улучшения в логике и структурированном рассуждении, а также в физике, химии, биологии, астрономии, науках о Земле, информатике и теории информации. Метаданные указывают английский язык. Модель распространяется в формате safetensors по лицензии llama3.1; применение требует соблюдения условий лицензии Llama 3.1.

bunnycore/Llama-3.2-3B-CodeReactor — слитая mergekit модель на базе huihui-ai/Llama-3.2-3B-Instruct-abliterated и bunnycore/Llama-3.2-3B-Code-lora_model. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, предназначенная для генерации текста в чате и задач, связанных с кодом; карточка описывает слияние методом passthrough. Модель использует формат safetensors, работает через Transformers и имеет заявленное контекстное окно 131072 токена. Модель может подойти для диалогового помощника по программированию и генерации кода. В состав также входит instruct-модель с ослабленными отказами. README и метаданные не описывают лицензию и не приводят результатов оценки качества, поэтому условия использования и практическую надёжность следует сверять с карточками базовых моделей и условиями распространения репозитория.

LLaMAntino-3-ANITA-8B-Inst-DPO-ITA — диалоговая модель семейства LLaMAntino, разработанная Марко Полиньяно и исследовательской группой SWAP Университета Бари Альдо Моро. Это дообученная по инструкциям версия Meta-Llama-3-8B-Instruct: модель прошла supervised fine-tuning с QLoRA и выравнивание предпочтений методом DPO. Модель предназначена для ответов на запросы и генерации текста, в том числе кода, с акцентом на итальянский язык; также поддерживает английский. Её можно применять как италоязычного ассистента и как основу для дальнейшей настройки под специализированные задачи на итальянском. Архитектура — плотная Llama 3 с 7,5 млрд параметров, контекст — 8192 токена; для работы предусмотрена библиотека Transformers. Модель принимает текст и генерирует текст. Карточка указывает лицензию llama3; применение должно соответствовать её условиям и ограничениям лицензии Meta Llama 3. Качество ответов может зависеть от языка и конкретной задачи; специализированные сценарии могут потребовать дополнительной настройки.

Magicdeep_7b_ultimite_chatbot — объединённая модель генерации кода, созданная с помощью mergekit на основе DeepSeek Coder 6.7B Instruct и Magicoder-DS-6.7B. Она использует плотную архитектуру LlamaForCausalLM и содержит около 6,6 млрд параметров. Модель предназначена для диалоговой генерации и дополнения программного кода, а также для ответов на вопросы и объяснения кода. Контекст составляет 16 384 токена. Веса представлены в формате safetensors; модель распространяется по лицензии Apache-2.0. Карточка не сообщает результаты оценки качества или конкретный перечень поддерживаемых языков программирования. Практическое качество может зависеть от задачи и формулировки запроса.

LeroyDyer/Mixtral_AI_Cyber_4.0 — объединённая автором LeroyDyer языковая модель для генерации текста и диалогов. В слияние вошли пять моделей серии Mixtral_AI_Cyber, включая версии 3.m1 и 3.1_SFT; автор описывает исходные модели как интенсивно обученные на задачах программирования. Архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель рассчитана на текстовый ввод и текстовый вывод; в метаданных указан английский язык и поддержка чата. Репозиторий опубликован в формате safetensors, библиотека для работы — Transformers. Лицензия — MIT. Модель можно использовать для генерации и продолжения кода, помощи в программировании и диалоговых запросов на английском языке. Метаданные также отмечают теги biology, chemistry и medical, но README не приводит проверок качества или подробностей специализации в этих областях. Характеристики и ограничения унаследованных моделей, кроме описания их как моделей для программирования, не раскрыты; качество ответов и корректность кода следует проверять отдельно.

Карточка модели OpenMOSS-Team/moss-moon-003-sft-plugin на Hugging Face совпадает с карточкой OpenMOSS-Team/moss-moon-003-sft, поэтому описание составлено по ней. MOSS-moon-003-sft — языковая модель с 16 млрд параметров, разработанная командой OpenMOSS-Team. Она основана на CodeGen и предварительно обучена на китайских, английских и программных токенах, после чего дообучена с учителем на примерно 1,1 млн многоходовых диалогов. Модель предназначена для диалогов с пользователем, следования инструкциям в нескольких репликах и отказа на неподходящие запросы. Модель принимает текст и генерирует текст; карточка указывает поддержку английского и китайского языков и контекст до 2048 токенов. Её можно применять для ответов на вопросы, простых математических задач, помощи с кодом и китайскоязычных диалогов. Описанные требования к запуску составляют 31 ГБ видеопамяти для загрузки в FP16 и больше при генерации; доступны варианты MOSS в INT8 и INT4, но этот репозиторий содержит веса PyTorch. Модель может выдавать неверную, вводящую в заблуждение или предвзятую информацию, поэтому ответы следует проверять. Лицензия — AGPL-3.0.