II.4Отладка, тестирование и качество ПО

CodeFuse-Mixtral-8x7B — языковая модель для программирования, разработанная CodeFuse и дообученная методом QLoRA на базе Mixtral-8x7B-v0.1. В метаданных указаны архитектура Mixtral с механизмом смеси экспертов (MoE), 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации кода и решения связанных с программированием задач в формате текстового запроса и ответа. README приводит результат 56,1% pass@1 на HumanEval при жадном декодировании. Модель использует формат запросов с метками ролей; для подсказок по коду также применяются метки языка, например Python. В карточке указана лицензия «other», без уточнения конкретных условий. Результат HumanEval отражает один тестовый набор и сам по себе не гарантирует качество на других языках программирования и задачах.

MaziyarPanahi/codegemma-7b-it-GGUF — это набор файлов модели в формате GGUF для оригинальной модели google/codegemma-7b-it, разработанной Google и преобразованной в GGUF пользователем MaziyarPanahi. Модель предназначена для генерации текста и диалоговых сценариев, а также может применяться в локальных приложениях и инструментах, совместимых с GGUF, включая llama.cpp, LM Studio, GPT4All и llama-cpp-python. В репозитории представлены варианты квантизации с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между размером файла, требованиями к памяти и качеством генерации. Указан размер базовой модели — 7B параметров; формат GGUF ориентирован на эффективный запуск, в том числе с аппаратным ускорением. README не содержит сведений о поддерживаемых языках, длине контекста, точной архитектуре или специализированных возможностях CodeGemma, поэтому эти характеристики нельзя достоверно уточнить. Основные преимущества — наличие нескольких уровней квантизации и совместимость с широким набором локальных клиентов и библиотек. Ограничения связаны с потенциальной потерей качества при использовании более агрессивной квантизации, а также с отсутствием в карточке подробных оценок и характеристик. В метаданных указана лицензия Gemma.

GOOD-4x1b — языковая модель для генерации текста и диалогов, созданная Shaurya25 с помощью набора VortexMerge. Это MoE-модель семейства Mixtral, объединяющая экспертов на основе OEvortex/HelpingAI-unvelite, OEvortex/lite-hermes, OEvortex/HelpingAI-Lite и OEvortex/HelpingAI-Lite-1.5T. В конфигурации указаны базовая модель OEvortex/HelpingAI-Lite, тип данных float16 и маршрутизация cheap_embed; README связывает экспертов с ролями общего ассистента, помощника по коду и ассистента с менее ограниченным поведением. Модель предназначена для диалогового общения, ответов на запросы и генерации кода. Метаданные указывают 1 млрд параметров и контекст 2048 токенов. Репозиторий содержит веса safetensors, модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений; короткий контекст ограничивает работу с длинными входными текстами.

InternVL3-9B-Instruct — мультимодальная чат-модель OpenGVLab, дообученная методом supervised fine-tuning на базе OpenGVLab/InternVL3-9B-Pretrained. Она предназначена для диалога и рассуждений по тексту и изображениям, включая понимание нескольких изображений, видео, научных схем, интерфейсов GUI и 3D-сцен. Модель также обучалась работе с инструментами. Это вариант SFT без этапа MPO. Архитектура сочетает визуальный кодировщик InternViT, MLP-проектор и языковую модель; для обработки изображений используется разбиение на фрагменты 448×448 и динамическое разрешение. Поддерживаются мультимодальные входы и текстовые ответы; карточка указывает многоязычность, но конкретные языки и размер контекста для этого репозитория не приводит. Модель распространяется под лицензией MIT. К возможным ограничениям относятся ошибки в визуальном восприятии и рассуждениях; обработка нескольких изображений увеличивает число токенов и требования к контексту и вычислениям.

Kimi K2.75 Code — экспериментальный объединённый чекпойнт, созданный автором репозитория на основе moonshotai/Kimi-K2.7-Code и moonshotai/Kimi-K2.6. Веса объединены методом SLERP с разными коэффициентами для attention, MLP и прочих тензоров, затем чекпойнт был прорежен и упакован в safetensors. Модель предназначена для генерации текста в сценариях, связанных с программированием. Её архитектура обозначена как Kimi K2.5, класс — KimiK25ForConditionalGeneration; в метаданных указан формат safetensors и библиотека Transformers. Репозиторий помечен лицензией other, поэтому перед использованием следует проверить условия лицензии. Качество модели ещё не оценено полностью. Автор рекомендует проверять результаты перед практическим применением; конвертация в GGUF, квантизация и smoke-тестирование на момент публикации могли продолжаться.

kto5k2 — дообученная модель для генерации текста на базе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; формат весов — Safetensors. Модель предназначена для генерации и продолжения текста, в том числе кода, в пределах контекста до 16 384 токенов. В карточке указаны результаты оценки: loss 0,2594 и метрики rewards, log-probabilities и KL. Данные обучения обозначены как None, а подробности о назначении, обучающих данных и ограничениях не приведены. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

OpenAssistant/llama2-13b-megacode2-oasst — дообученная плотная языковая модель семейства Llama 2 с 12,9 млрд параметров, разработанная при участии andreaskoepf; для обучения использовался тренер epfLLM/Megatron-LLM. Модель предназначена для генерации текста, в том числе ответов в формате диалога ChatML, и задач, связанных с кодом: обучение включало набор LosslessMegaCodeTrainingV2_1m_Evol_Uncensored. Модель принимает текст и генерирует текст. В README приведён шаблон диалога с ролями user и assistant; нативный контекст составляет 2048 токенов. Доступен формат PyTorch. В метаданных указана лицензия other, поэтому условия использования следует сверять с карточкой модели и её лицензией. README не содержит оценок качества или подробных результатов тестирования.

Luth-2-2B — текстовая языковая модель на 1,88 млрд параметров от Kurakurai, дообученная на основе Qwen/Qwen3.5-2B. Она предназначена для генерации ответов на французском языке: решения математических задач, написания кода, ответов на вопросы, следования инструкциям и вызова инструментов. Модель прошла supervised fine-tuning на французской смеси объёмом 3 млрд токенов и последующую многодоменную дистилляцию на основе собственных ответов модели. Архитектура унаследована от мультимодальной Qwen3.5-2B, но Luth-2-2B обучалась только на текстовых данных и не рекомендуется для задач с изображениями. Компактный размер позволяет использовать модель локально и на устройствах с ограниченными ресурсами. Разработчик сообщает о высоких результатах на выбранных французских бенчмарках по математике, коду, следованию инструкциям, общим знаниям и вызову инструментов; эти оценки относятся к конкретным наборам и настройкам из карточки. Модель доступна в формате safetensors и поддерживается Transformers, vLLM и SGLang. Лицензия — Apache-2.0.

mrm8488/mamba-coder — языковая модель для генерации кода и ответов на инструкции, основанная на архитектуре Mamba, разработанной как альтернатива трансформерам на основе пространства состояний. Модель содержит 6 млрд параметров и распространяется в формате PyTorch; в метаданных указана библиотека Transformers. Модель дообучена на наборе CodeAlpaca_20K из 20 тысяч примеров инструкций для задач программирования. Она подходит для генерации фрагментов кода, помощи в написании и изменении программ, а также ответов на вопросы о коде. Карточка не приводит результатов оценки качества. Лицензия — WTFPL.

MiMo-VL-7B-RL-2508 — мультимодальная модель Xiaomi для понимания изображений и видео и ответов на вопросы по визуальному содержимому. Она основана на архитектуре Qwen2.5-VL и включает визуальный ViT-энкодер с обработкой исходного разрешения, MLP-проектор для связи изображения с языковой частью и языковую модель MiMo-7B. Размер модели — 7 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для визуального рассуждения, распознавания и описания содержания изображений, анализа видео, визуального grounding и понимания графических интерфейсов. Версия RL-2508 прошла постобучение с обучением с подкреплением и поддерживает режим управления рассуждением: по умолчанию рассуждение включено, а командой /no_think можно запросить прямой ответ. Модель работает через Transformers и выдаёт текст; в README приведены высокие результаты на MMMU и VideoMME. Модель распространяется по лицензии MIT. Практическое применение требует учитывать, что ответы могут быть ошибочными, а README описывает в основном результаты собственных оценок разработчика; для корректной подачи визуальных данных в запросе нужно размещать изображение или видео перед текстом.

my-first-moe-3b — объединённая языковая модель, созданная автором репозитория chubakur с помощью mergekit и метода SLERP на основе Qwen/Qwen2.5-1.5B-Instruct и Qwen/Qwen2.5-Coder-1.5B-Instruct. Несмотря на название, в метаданных архитектура указана как плотная Qwen2ForCausalLM с 1,5 млрд параметров, а не MoE. Модель предназначена для генерации текста и диалогов; объединение инструктивной и кодовой моделей может быть полезно для обычных запросов и задач с программным кодом. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Файлы представлены в формате safetensors и рассчитаны на использование с Transformers; в метаданных также отмечен интерфейс вызова инструментов. В карточке не приведены результаты оценки качества или подробные сведения о поддерживаемых языках. Лицензия в предоставленных данных не указана.

NoemaAI-labs выпустила Noema 1.5 2B MLX BF16 — конвертированную для MLX версию модели Noema 1.5 2B. Это плотная причинно-языковая модель семейства Qwen3.5 с 1,7 млрд параметров, предназначенная для генерации текста, диалогов, следования инструкциям, рассуждений и коротких фрагментов кода. Версия сохраняет веса в BF16 без квантизации и поддерживает контекст до 262 144 токенов; пакет подготовлен для запуска через MLX-LM на совместимом оборудовании Apple. Модель подходит для локального ассистента, ответов на инструкции, многоходового общения и генерации кода, например функций на Python. В метаданных указан английский язык. Репозиторий предоставляет веса для скачивания, но не предоставляет открытую лицензию, поэтому условия использования следует уточнить у разработчика перед применением.

Модель goodnessolayinka/oadson-cli-subagent-lora-v2 — дообученная разговорная модель генерации текста на базе unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit. Она предназначена для генерации ответов в диалоге и задач, связанных с кодом; метаданные также указывают интерфейс вызова инструментов. Архитектура — плотная Qwen2ForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Поддерживаемый язык карточки — английский. Модель обучена с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о специфических ограничениях качества или тестирования.

mlx-community/OpenCodeInterpreter-SC2-3B-4bit — конвертированная для MLX 4-битная версия модели m-a-p/OpenCodeInterpreter-SC2-3B, подготовленная сообществом mlx-community для запуска на устройствах Apple с MLX. Это причинная языковая модель семейства StarCoder2 с 4,2 млрд параметров и контекстом до 16 384 токенов; она предназначена для генерации текста и кода. Её можно использовать для написания и дополнения кода, а также для ответов на вопросы о программировании. Репозиторий содержит веса в формате safetensors. Модель ориентирована на английский язык; сведения об исходной модели доступны в её карточке. Лицензия — Apache-2.0.

PowerMoE-3B — разреженная языковая модель с архитектурой Mixture-of-Experts (sMoE), разработанная IBM Research. Несмотря на обозначение 3B, при обработке каждого токена она активирует около 800 млн параметров. Модель обучена с планировщиком скорости обучения Power на смеси открытых и проприетарных наборов данных; в метаданных указаны архитектура Granite MoE, 352,3 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста, включая ответы на вопросы с выбором варианта, генерацию кода и математические рассуждения. README сообщает об обнадёживающих результатах на бенчмарках по сравнению с плотными моделями, активирующими вдвое больше параметров, но не приводит конкретных метрик. Для запуска требуется версия Transformers из исходного кода. Модель распространяется по лицензии Apache-2.0.

Agnuxo публикует эту модель как локального помощника для генерации кода на основе Qwen2 7B Instruct. Это плотная языковая модель примерно с 7 млрд параметров, распространяемая в формате GGUF с точностью F16; метаданные указывают поддержку чата и генерации текста. Карточка заявляет работу с Python, JavaScript, TypeScript, Rust, Go и C++, а также с научными вычислениями и библиотеками машинного обучения. Модель предназначена для генерации и помощи при написании кода, включая научные вычисления и задачи машинного обучения; её можно запускать локально через Ollama или Transformers. В метаданных указаны английский и испанский языки, а лицензия — Apache-2.0. Заявления карточки о наградах и сравнительном качестве не подтверждают независимые результаты оценки; параметры контекстного окна и конкретные показатели качества не приводятся.

Agnuxo представляет локальную инструктивную модель для генерации кода на базе семейства Qwen2. Модель содержит 7 млрд параметров и опубликована в формате GGUF F32; карточка заявляет поддержку Python и навыки работы с научными вычислениями и машинным обучением. Метаданные указывают на диалоговый режим, а языковые теги — на английский и испанский языки. Модель предназначена для генерации и объяснения кода, в том числе для задач с NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Также заявлены возможности координации агентных задач и интеграции MCP и A2A. Лицензия репозитория — Apache-2.0. Результаты выполнения кода и заявленные навыки в карточке не подтверждены оценками; перед использованием код следует проверять.

Qwen3-4B-Kimi2.5-Reasoning-Distilled-GGUF — языковая модель для генерации текста и структурированного рассуждения, разработанная khazarai. Она создана на основе Qwen3-4B-Thinking-2507 и дообучена методом дистилляции на данных, сгенерированных моделью Kimi-2.5-Thinking, с использованием Unsloth и QLoRA. Объём обучающего набора составляет 250 примеров и около 1,11 млн токенов. Модель предназначена для задач, требующих пошагового анализа, разбиения сложных проблем на этапы, самопроверки и подготовки подробных аналитических ответов. Она ориентирована на сочетание небольшого размера и сравнительно развитых возможностей рассуждения, поэтому может использоваться в сценариях локального запуска и приложениях, где важны умеренные требования к ресурсам. В метаданных указаны текстовая генерация и английский язык; сведения о поддерживаемой длине контекста и дополнительных модальностях отсутствуют. Модель распространяется в формате GGUF с вариантами BF16, Q8_0, Q6_K и Q4_K_M, различающимися размером, скоростью и качеством. Для Q4_K_M заявлен размер около 2,5 ГБ, для Q6_K — 3,3 ГБ, для Q8_0 — 4,2 ГБ, для BF16 — 8 ГБ. В README приведён результат 76,09 из 100 на khazarai/Multi-Domain-Reasoning-Benchmark, однако независимые результаты и подробная методика оценки не указаны. Ограничениями являются небольшой объём модели по сравнению с крупными системами и отсутствие данных о длине контекста, мультиязычности и типичных ошибках. Лицензия — Apache-2.0.

Jackrong/Qwen3.5-0.8B-Claude-4.6-Opus-Reasoning-Distilled-GGUF — языковая модель для генерации текста и структурированного рассуждения, созданная Jackrong на основе Qwen/Qwen3.5-0.8B. Она дообучена методом Supervised Fine-Tuning с применением LoRA и Unsloth на отфильтрованных наборах данных с дистиллированными цепочками рассуждений, включая материалы, связанные с Claude Opus, а также специализированные датасеты Qwen. Модель предназначена для офлайн-аналитики, программирования, математики и задач, требующих пошагового логического анализа. Она обучена формировать рассуждение в тегах <think> и затем выдавать итоговый ответ. Заявлена поддержка английского, китайского и корейского языков, текстовый режим работы и контекстное окно до 16 384 токенов. Благодаря небольшому размеру 0,8 млрд параметров модель ориентирована на относительно эффективный локальный запуск, однако README не содержит сведений о конкретной GGUF-квантизации и требованиях к оборудованию. К сильным сторонам относятся структурированное пошаговое рассуждение, обработка многоэтапных задач и снижение избыточных повторов в рассуждениях. Ограничения включают обычный для авторегрессионных моделей риск галлюцинаций и необходимость проверки фактов; заявленные возможности не гарантируют точность решений. Модель обозначена как экспериментальная и предназначенная для обучения, академических исследований и технического изучения. Лицензия — Apache-2.0.

Qwen3.8-27B-ASCII-Condensed — текстовая GGUF-модель, созданная bsaleh03 на основе Qwen/Qwen3.8-27B и квантованной сборки unsloth/Qwen3.8-27B-GGUF. Это не дообучение, дистилляция или повторное квантование: из квантованной модели удалены строки словаря для не-ASCII-токенов, а токенизатор адаптирован к сокращённому словарю. Модель предназначена для генерации текста и работы с длинным контекстом через llama.cpp, прежде всего на одной видеокарте с 16 ГБ памяти. Словарь уменьшен с 248 320 до 129 006 строк, при этом остальные 864 из 866 тензоров побитово идентичны базовой квантованной модели. На RTX 5070 Ti с 16 ГБ заявлена поддержка до 135 168 токенов контекста при использовании q4_0 для KV-кэша; максимальная длина зависит от типов KV-кэша и доступной видеопамяти. Модель сохраняет MTP-голову для спекулятивного декодирования, а на ASCII-тексте токенизация совпадает с базовой моделью. Основное преимущество — экономия видеопамяти и увеличение доступного контекста без изменения большинства весов. Ограничение — ASCII-ориентированный словарь: английский язык, код и ASCII-пунктуация обрабатываются без дополнительных затрат, но символы с диакритикой, кириллица, CJK и другие не-ASCII-тексты требуют больше токенов; для работы преимущественно на неанглийских языках сборка не рекомендуется. Модель поддерживает только текстовый режим, файл mmproj отсутствует, а смешанные типы KV-кэша требуют пропатченной версии llama.cpp. Распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

Saba1.5-Coder — языковая модель Sakalti на архитектуре Qwen2, дообученная на основе Sakalti/Saba1.5-Pro. Модель содержит 1,5 млрд параметров и поддерживает контекст длиной до 256 000 токенов. Модель предназначена для генерации текста и диалогов; название и обучающий набор HachiML/alpaca_jp_python указывают на применение в задачах программирования на Python. В метаданных также отмечен интерфейс для вызова инструментов. Модель обучалась с использованием Unsloth и TRL и распространяется в формате Safetensors. Модель лицензирована по Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о языках программирования и точном наборе навыков, поэтому пригодность для конкретных задач разработки следует проверять на собственных примерах.

SynapseLLM — серия языковых моделей WebraftAI; этот репозиторий содержит предварительную версию модели, дообученной на базе Mistral 7B v0.1. Это плотный авторегрессионный трансформер с 7,1 млрд параметров и контекстом до 32 768 токенов, предназначенный для генерации текста, диалоговых ответов и выполнения инструкций по программированию. Модель принимает текст и генерирует текст; в карточке заявлена поддержка английского языка. Дообучение проводилось на пользовательском наборе данных с примерами кода и вопросов-ответов общего назначения. README сообщает, что адаптеры QLoRA были объединены с базовой моделью; веса доступны в формате Safetensors для Transformers. Модель выпущена как preview, а обучение описано как ограниченное по объёму, поэтому качество на широком круге задач может быть нестабильным. Лицензия — Apache 2.0.

Ternary Bonsai 2 27B Abliterated v2 — производная 27-миллиардная текстовая модель, представленная BoldingBuilds в формате GGUF PQ2_0 с дополнительным вариантом MTP для спекулятивного декодирования. В README описаны изменения относительно исходной модели: удаление отказов и корректировка одной строки выходного слоя, призванная помочь модели завершать рассуждение и выдавать ответ. По карточке, файлы рассчитаны на запуск через форк llama.cpp от PrismML; стандартные сборки llama.cpp, Ollama и LM Studio без поддержки PQ2_0 их не загрузят. Модель предназначена для локальной генерации текста и диалогов, включая сложные запросы, рассуждения, математические и программные задачи. В сравнительных тестах она близка к исходной Bonsai 2 на математике и HumanEval, но результаты зависят от бюджета токенов и параметра reasoning_effort; в README рекомендован уровень medium. Вариант MTP, по заявлению автора, ускоряет декодирование примерно на 40%. Модель лишена обычного поведения отказа и может отвечать на запросы, которые исходная модель отклонила бы. Автор указывает исследование устойчивости выравнивания и локальное использование без фильтрации как сценарии применения, а также предостерегает от пользовательского развертывания без собственного слоя безопасности. В README также отмечено статистически значимое снижение MMLU относительно исходной модели. Лицензия репозитория — Apache-2.0.

laion/tt-x16-entropy0p003-42-30B — экспериментальный чекпойнт шагa 42, созданный в ходе исследования TaskTrove X16. Это дообучение инструктивной MoE-модели Qwen3-Coder-30B-A3B-Instruct методом GRPO с бонусом энтропии 0,003; модель предназначена для генерации текста и диалогового взаимодействия, в том числе для программирования и агентных сценариев. Использует архитектуру Qwen3 MoE, содержит 2,6 млрд параметров и поддерживает контекст до 262 144 токенов. Чекпойнт выбран как лучший по скользящей EMA награды среди сохранённых шагов этого запуска. Эксперимент остановили на шаге 92 из 400 после снижения награды и энтропии; README характеризует результат как отрицательный контроль: бонус энтропии не удержал исследование на данном расписании обучения. Модель опубликована в формате safetensors под лицензией Apache-2.0.

xdg-llama-3-8B — языковая модель на архитектуре Llama 3, опубликованная xiaodongguaAIGC. Модель содержит около 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Она дообучена с использованием SFT, DPO и RLHF, включая обучение reward model и PPO, на смешанных инструкционных данных; среди датасетов указаны набор разработчика alpaca_en_zh_ruozhiba и наборы для безопасности PKU-SafeRLHF и CValues_DPO. Модель предназначена для генерации ответов на инструкции и вопросы, в том числе на китайском и английском языках; автор также заявляет возможности в программировании, рассуждениях и безопасном отказе. README приводит результаты MMLU, C-EVAL и C-MMLU, которые ниже указанных там результатов базовой Llama-3-8B и Llama-3-8B-Instruct. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

MexIvanov/zephyr-python-ru-merged — экспериментальная модель, разработанная C.B. Pronin, A.V. Volosova, A.V. Ostroukh, Yu.N. Strogov, V.V. Kurbatov и A.S. Umarova. Это дообученная версия Zephyr-7B-β на архитектуре Mistral: веса Zephyr объединены с LoRA-адаптером для задач программирования на Python и инструкций по программированию на русском языке. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации кода Python по инструкциям на русском и английском языках, а также для ответов на вопросы о Python. В обучении использовались открытые и синтетические наборы данных по программированию, включая материалы Stack Overflow на русском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Это экспериментальное дообучение; качество на конкретных задачах может различаться. У модели нет механизмов модерации, и она может выдавать небезопасные или проблематичные ответы.

Athena-codegemma-2-9b-v1-GGUF — это набор квантованных версий языковой модели Athena-codegemma-2-9b-v1, разработанной EpistemeAI. Квантование выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, включая сценарии локального запуска через совместимые приложения, например LM Studio. Модель относится к семейству codegemma2 и имеет размер около 9 миллиардов параметров. Она работает с текстом и, согласно карточке, ориентирована на английский язык. Доступны варианты от F16 до низкобитных Q2 и IQ2, различающиеся размером файлов, требованиями к памяти и качеством: версии Q5–Q6 отмечены как высококачественные, а Q3 и ниже экономят память ценой заметного снижения качества. Максимальная длина контекста и точный формат промпта в карточке не указаны. Преимущество набора — широкий выбор квантований для подбора баланса между качеством и ресурсами, а также возможность локального использования в формате GGUF. Ограничения связаны с потерями качества при низкой разрядности и отсутствием подробных сведений о результатах тестирования, поддерживаемых языках помимо английского и рекомендованном формате взаимодействия. Указана лицензия Apache-2.0.

CoDA-v0-Instruct — инструкциялық диалог пен код генерациясына арналған Salesforce AI Research әзірлеген 1,7 млрд параметрлі CoDA тобының диффузиялық тілдік моделі. Ол код жазу және толықтыру кезінде сол және оң жақтағы контексті бірдей ескеретін екібағытты дискретті диффузияны қолданады. Модель код генерациясы мен аяқтауына оңтайландырылған, сондай-ақ чат және құралдарды шақыру интерфейсін қолдайды. Карточкада HumanEval, MBPP және EvalPlus сияқты код тапсырмаларындағы нәтижелері келтірілген; сенімділікке негізделген іріктеу сапа мен жылдамдықты теңестіруге арналған. Модель өлшемі 1,7 млрд параметр, контекст ұзындығы 40 960 токен, Transformers кітапханасындағы safetensors пішімінде жарияланған. Негізгі қолданылуы — код жазуға көмекші ретінде жұмыс істеу: функциялар құру, берілген кодты толықтыру және бағдарламалау сұрақтарына жауап беру. Карточкада ағылшын тілі көрсетілген. Лицензиясы CC BY-NC 4.0, сондықтан коммерциялық қолдануға арналмаған; нақты өнімге енгізер алдында лицензия шарттарын тексеру қажет.

Карточка модели unsloth/codegemma-2b 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.

CodeSage Large — модель семейства открытых моделей эмбеддингов кода, представленная Dejiao Zhang, Wasi Uddin Ahmad, Ming Tan, Hantian Ding, Ramesh Nallapati, Dan Roth, Xiaofei Ma и Bing Xiang. Это encoder-модель на архитектуре CodeSage с 1,7 млрд параметров; она формирует векторы кода размерности 1024 для задач понимания исходного кода. Модель обучена на данных The Stack и рассчитана на код на C, C#, Go, Java, JavaScript, TypeScript, PHP, Python и Ruby. Её можно применять для поиска похожих фрагментов кода, семантического поиска по репозиториям, сравнения кода и извлечения признаков для классификации. Контекст составляет 2048 токенов. Доступны веса PyTorch для Transformers, лицензия Apache-2.0. Карточка также упоминает fill-mask и text-classification среди поддерживаемых задач.