II.4Отладка, тестирование и качество ПО

DBRX Base — базовая большая языковая модель Databricks, обученная с нуля для продолжения текста. Это декодерный Transformer с архитектурой смеси экспертов: всего 132 млрд параметров, из которых для каждого входа активируются 36 млрд; модель выбирает 4 из 16 экспертов. Она обучена предсказанию следующего токена на 12 трлн токенов текста и кода, использует RoPE, GLU, grouped-query attention и токенизатор GPT-4 из tiktoken. Максимальная длина контекста — 32 768 токенов; модель принимает и выдаёт только текст. Модель предназначена для генерации продолжений на английском языке и коде, а также для дальнейшей тонкой настройки под специализированные задачи. Это базовая completion-модель, не обученная для интерактивного чата и не имеющая встроенных мультимодальных возможностей или вызова функций. Большая часть обучающих данных — на английском; Databricks не проверяла качество для других языков. Знания модели ограничены данными с отсечкой по декабрь 2023 года; ответы могут быть неточными, неполными, предвзятыми или оскорбительными. Лицензия — Databricks Open Model License с отдельной Acceptable Use Policy; модель заявлена для коммерческого и исследовательского применения с учётом этих условий.

deepseek-ai/deepseek-coder-33b-base — базовая языковая модель для кода, разработанная DeepSeek и обученная с нуля. Она содержит 33,1 млрд параметров, использует плотную архитектуру Llama с Grouped-Query Attention и принимает контекст длиной до 16 384 токенов. Модель обучена на 2 трлн токенов: 87% корпуса составляют программный код, а 13% — естественный язык на английском и китайском. Предназначена для генерации и продолжения кода, заполнения пропусков и дополнения кода на уровне проекта. README сообщает о результатах на HumanEval, MultiPL-E, MBPP, DS-1000 и APPS, но эти результаты не гарантируют качество для конкретного языка программирования или сценария. Модель распространяется в форматах PyTorch и Safetensors. В метаданных лицензия указана как «other»; условия использования следует сверить с лицензией в репозитории DeepSeek-Coder.

DeepSeek-V4-Pro-Qwen3.5-9B — компактная языковая модель для генерации текста и рассуждений, разработанная Jackrong на базе Qwen3.5-9B. Она создана методом дистилляции ответов DeepSeek-V4-Pro в режиме Max Effect и ориентирована прежде всего на математические и STEM-задачи, многошаговое решение проблем, структурированное рассуждение, программирование, использование инструментов и function calling. Модель содержит около 9 миллиардов параметров и обучалась примерно на 250 000 примерах по математике и научному рассуждению. Указана поддержка английского, китайского, корейского, японского, испанского и русского языков. Модель относится к текстовым генеративным системам; сведения о точной архитектуре и размере контекстного окна не приведены. Отдельно заявлены оценка MTP и варианты развертывания через vLLM с NVFP4 и llama.cpp с MTP-Q8_0. Сильными сторонами являются компактный размер, ориентация на математическое и научное рассуждение, перенос улучшений на программирование и использование инструментов без специализированного SFT по коду, а также пригодность для практического локального развертывания. Ограничения включают узкую специализацию обучающих данных и отсутствие подробных количественных результатов оценки; качество в других доменах не подтверждено. Модель распространяется по лицензии Apache-2.0.

evol-codealpaca-v1-sft-4e-5 — дообученная Aleksey Korshuk модель генерации текста на архитектуре Phi-2 от Microsoft. Модель содержит 3,5 млрд параметров, использует PyTorch и формат safetensors, а её контекст ограничен 2048 токенами. Модель предназначена для генерации текста в диалоговом формате и может применяться для запросов, связанных с кодом. Карточка называет её дообученной на наборе данных, название которого не приведено; отдельные сведения о качестве, методике оценки и ограничениях отсутствуют. Лицензия — MIT.

nightmedia/granite-4.1-8B-TNG-Coder-V11-3000-Heretic-BF16 — диалоговая языковая модель на архитектуре Granite, созданная nightmedia на основе Granite-4.1-8B и производных чекпойнтов. По карточке модель дообучалась на задачах серверной разработки; автор также сообщает об использовании синтетических трасс Qwen3.6-35B-A3B и Claude и о режиме рассуждений, включённом по умолчанию. Модель предназначена для генерации кода и помощи в backend-разработке, а также для диалоговых запросов. Она содержит 8,4 млрд параметров, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors. В метаданных указаны текстовая генерация и чат-возможности; базовая Granite-4.1-8B описана как многоязычная модель для текста, кода и вызова инструментов. Лицензия — Apache-2.0. Карточка приводит результаты нескольких бенчмарков, но не описывает подробно методику обучения или пределы качества; специализация модели на backend-разработке не гарантирует корректность сгенерированного кода.

Hercules-6.0-Llama-3.1-8B — дообученная Locutusque языковая модель на основе Llama-3.1-8B с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она предназначена для диалогов и выполнения инструкций, включая многошаговые запросы и вызовы функций, в научных и технических областях: биологии, химии, физике, математике, медицине и информатике. Модель поддерживает контекст до 131 072 токенов и рассчитана на английский и китайский языки. Её можно использовать для научно-технических чат-ботов, учебных помощников и генерации кода с вызовом функций. Карточка указывает лицензию Llama 3.1. Среди ограничений — токсичные примеры в обучающих данных, риск галлюцинаций и фактических ошибок, а также возможность злоупотребления функциями вызова инструментов.

InternVL3.5-8B-Pretrained — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Она сочетает визуальный энкодер InternViT и языковую модель Qwen3-8B и предназначена для диалога по изображениям и тексту, визуальных рассуждений и генерации ответов. В метаданных указана архитектура InternVLChatModel и формат safetensors; модель работает через библиотеку Transformers. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов. Модели семейства также поддерживают взаимодействие с графическим интерфейсом и сценарии embodied agency. Карточка не приводит точное число параметров именно этой версии и длину контекста. Модель подходит для анализа изображений, визуальных вопросов и ответов, распознавания текста на изображениях и мультимодальных диалогов. В карточке перечислены оценки семейства на мультимодальных и рассуждательных бенчмарках, но отдельные результаты этой версии не приведены. Репозиторий распространяется по лицензии Apache-2.0.

jina-embeddings-v2-base-code — модель эмбеддингов от Jina AI для представления текста и исходного кода в виде векторов. Она предназначена для семантического поиска по коду и техническим материалам, сопоставления запросов с фрагментами кода и извлечения контекста для технических вопросов и ответов. Модель использует архитектуру JinaBert на основе BERT с двунаправленным вариантом ALiBi и содержит около 160 млн параметров. Она принимает последовательности длиной до 8192 токенов; обучение эмбеддингов проводилось на длине 512 токенов с экстраполяцией на более длинный контекст. Основа модели предварительно обучена на наборе GitHub Code, а затем модель обучалась на парах вопросов, ответов, docstring и исходного кода. Поддерживаются английский и 30 языков программирования. Для получения эмбеддингов предложено использовать mean pooling. Доступны форматы PyTorch, Safetensors и ONNX. Модель рассчитана на эффективный поиск по коду и длинным техническим фрагментам; README также называет технический вопросно-ответный поиск одним из сценариев применения. Для других языков естественного языка и произвольных задач качество не заявлено. Лицензия — Apache-2.0.

light-coder — компактная инструктивная модель для программирования, созданная Миладом Асгари дообучением Qwen/Qwen2.5-0.5B-Instruct на примерно 122 тысячах пар «инструкция — ответ» по программированию. Это плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров; веса LoRA объединены с базовой моделью. Репозиторий содержит веса safetensors, размер модели по карточке — около 988 МБ, длина контекста — 32 768 токенов. Модель предназначена для генерации и рефакторинга кода, а также выполнения инструкций по программированию на английском языке. Компактный размер позволяет запускать её на потребительских GPU и CPU; заявлена совместимость с Transformers, vLLM и Ollama. Лицензия — Apache-2.0. Карточка не приводит результатов сравнительной оценки качества; как модель на 494 млн параметров, она может уступать более крупным кодовым моделям в сложных задачах и работе с длинным контекстом. Указанная языковая поддержка — английский и несколько языков программирования.

Llama-3-Patronus-Lynx-70B-Instruct-GGUF — это набор квантизированных GGUF-версий инструкционной языковой модели Llama-3-Patronus-Lynx-70B-Instruct, разработанной Patronus AI и преобразованной в GGUF пользователем mradermacher. Модель предназначена для генерации текста и задач оценки качества ответов, включая обнаружение галлюцинаций. Указан английский язык, однако другие языки README не описывает. Модель имеет размер 70B параметров и поставляется в нескольких вариантах квантования от Q2_K до Q8_0, включая IQ-кванты. Размер файлов составляет примерно от 26,5 до 75,1 ГБ; варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди перечисленных. Более сильное сжатие уменьшает требования к памяти, но может снижать качество. Архитектура, размер контекстного окна, поддерживаемые модальности и дополнительные языки в README не указаны. Файлы предназначены для локального запуска в совместимом программном обеспечении, поддерживающем формат GGUF; некоторые варианты разделены на две части и требуют объединения. Модель распространяется по лицензии CC BY-NC 4.0, то есть использование ограничено некоммерческими условиями лицензии.

LMUnit-Qwen2.5-72B — языковая модель Contextual AI для оценки ответов по критериям на естественном языке. Она получает запрос, ответ и проверочный критерий и возвращает непрерывную оценку от 1 до 5: чем выше балл, тем лучше ответ соответствует критерию. Модель основана на Qwen2.5-72B-Instruct и дообучена для оценки качества текста. Она поддерживает диалоговый формат и интерфейс вызова инструментов; число параметров — 71,5 млрд, контекст — до 32 768 токенов. В карточке указана поддержка английского языка. Обучение объединяет сигналы сравнений ответов, прямых оценок и оценок по отдельным критериям. Разработчик приводит результаты на FLASK, BiGGen Bench, LFQA, RewardBench и RewardBench2. Модель подходит для автоматической проверки ответов по пользовательским критериям, ранжирования вариантов и оценки качества развернутых текстов. Лицензия в предоставленных данных не указана.

OpenCodeReasoning-Nemotron-1.1-32B — языковая модель NVIDIA для рассуждений при решении задач программирования. Это дообученная на наборе OpenCodeReasoning модель Qwen2.5-32B-Instruct с плотной архитектурой decoder-only Transformer и 32 млрд параметров. Набор обучения содержит 1,165 млн примеров по соревновательному программированию с ответами, сгенерированными DeepSeek-R1-0528. Модель принимает текст и генерирует текст; длина контекста — до 65 536 токенов. Она предназначена для генерации кода и пошагового решения задач программирования, а также для разработки и исследования LLM. В карточке приведены результаты оценки на LiveCodeBench v5, но они сами по себе не гарантируют качество на иных задачах. Модель ориентирована на запуск на GPU NVIDIA; заявлена готовность к коммерческому и некоммерческому использованию.

OpenLLaMA Code Instruct — языковая модель mwitiderrick, дообученная на один проход по датасету AlpacaCode из 122 тысяч примеров. Она построена на архитектуре LLaMA и предназначена для генерации текста в формате инструкций, в частности для ответов на запросы, связанные с кодом. Для взаимодействия используется шаблон с секциями Instruction и Response. Модель содержит 3,3 млрд параметров, принимает и генерирует текст и имеет контекст длиной 2048 токенов. В метаданных указан английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0; оценки в README приведены для нескольких бенчмарков, но не описывают качество решения конкретных задач программирования.

SC117/Ornith-1.0-9B-heretic-MTP — текстовая генеративная модель для агентного программирования, созданная на основе Ornith-1.0-9B от DeepReinforce AI. В README описана как дообученная с помощью обучения с подкреплением модель семейства Qwen3.5 с 9 млрд параметров; репозиторий содержит веса BF16 в Safetensors, добавленные MTP-слои и проектор зрения mmproj-F16. Модель предназначена для генерации кода, выполнения задач разработки с агентными сценариями и взаимодействия через чат. MTP (Multi-Token Prediction) позволяет предсказывать несколько будущих токенов одновременно. В README также указана абляция поведения отказа методом heretic ARA-LoRA. Метаданные указывают поддержку чата и задачу text-generation; несмотря на упоминание зрения в README, возможности мультимодального ввода не подтверждены метаданными. Лицензия — MIT. README приводит результаты на Terminal-Bench 2.1, SWE-Bench Verified, NL2Repo и OpenClaw, но числовые таблицы результатов в доступном тексте пропущены. Для запуска в llama.cpp указаны шаблон chatml и контекст 8192 токена; это рекомендация из README, а не значение native-контекста в метаданных.

geoffmunn/Qwen3-1.7B-f16 — общественная конверсия языковой модели Qwen3-1.7B от Geoff Munn для локального запуска. Репозиторий содержит GGUF-вариант в формате F16 и ориентирован на использование с llama.cpp и совместимыми приложениями. Модель насчитывает 1,7 млрд параметров и предназначена для генерации текста, диалогов, рассуждений, следования инструкциям и написания кода. Компактный размер модели подходит для локальных помощников, лёгких агентных систем, учебных проектов и прототипирования, когда важны скорость и работа без подключения к облаку. README также описывает варианты квантования семейства и сравнивает их качество, размер и скорость; эти показатели относятся к указанным вариантам квантования, а не обязательно к файлу F16 в этом репозитории. В метаданных указан английский язык, а базовая модель описана как многоязычная. Это конверсия базовой модели, а не самостоятельная разработка автора репозитория. Лицензия — Apache-2.0. Небольшой размер ограничивает возможности по сравнению с более крупными моделями; результаты квантованных вариантов могут зависеть от разрядности и использования imatrix.

Это квантованный GGUF-чекпойнт модели Qwen3.5-35B-A3B, подготовленный mtrpires для локального запуска на Raspberry Pi 5 с 16 ГБ памяти. Базовая модель Alibaba — архитектура Mixture of Experts с 35 млрд параметров всего и примерно 3,3 млрд активных на токен. Для инференса используется ik_llama.cpp; смешанная схема IQK сохраняет повышенную точность для слоёв внимания и общих экспертов, сильнее сжимая маршрутизируемые эксперты. Размер файла — около 11,38 ГиБ, заявленный расход памяти — около 12,5 ГБ. Модель предназначена для генерации текста и диалога в локальном помощнике: она может помогать с кодом, обработкой документов и вызовами инструментов. Автор приводит результаты тестирования на Raspberry Pi 5: около 30,85 токена/с при обработке промпта и 4,53 токена/с при генерации. Карточка указывает контексты калибровки, связанные с чатом, кодом и вызовами инструментов, но не перечисляет отдельные поддерживаемые языки сверх меток en и pt. Для практического запуска на Raspberry Pi 5 рекомендуется окно контекста 16 тыс. токенов и активное охлаждение при длительной нагрузке; устройство с 8 ГБ памяти не подходит. Форматы IQ4_KS и IQ2_KS специфичны для ik_llama.cpp, поэтому модель не будет корректно работать в стандартных llama.cpp и Ollama. Репозиторий распространяется по лицензии Apache-2.0.

DavidAU/Qwen3-Zero-Coder-Reasoning-V2-0.8B — объединённая модель для генерации кода и рассуждений на основе семейства Qwen3. В README автор описывает её как универсального помощника по программированию: она создаёт черновики кода, помогает обсуждать идеи и решать сложные многошаговые задачи. Метаданные указывают архитектуру Qwen3ForCausalLM, около 684 млн параметров, контекст до 40 960 токенов и поддержку диалогового режима и интерфейса вызова инструментов. Модель принимает текстовые запросы и генерирует текст, включая код и поясняющие рассуждения. Карточка указывает английский язык; специальная область применения — программирование. В репозитории представлены веса Safetensors, а README также описывает варианты GGUF с разными уровнями квантования и обработкой imatrix. По словам автора, скорость и качество зависят от формата и квантизации; иногда модель повторяет блоки кода или рассуждений и может отвлекаться от задачи. Лицензия — Apache-2.0.

Qwen-Distilled-Scout-1.5B-Instruct-Gen2 — разработанная Yiqiao Yin (eagle0504) инструктивная языковая модель, дообученная для пошаговых рассуждений и генерации ответов в математике, text-to-SQL, медицинских задачах и программировании на Python. Это декодерная причинная модель семейства Qwen2 с 1,5 млрд параметров, доступная в формате Safetensors и предназначенная для запуска через Transformers. Метаданные указывают контекст до 131 072 токенов, тогда как README сообщает об ограничении входа в 1 024 токена с усечением более длинного текста. Модель подходит для учебных помощников по математике и программированию, генерации SQL-запросов, структурированных ответов и рассуждений по медицинским вопросам. Она ориентирована на английский язык и обучалась на наборах для text-to-SQL, математики, кода и медицинских рассуждений. Указанная лицензия — MIT.

buelfhood/SOCO-Java-CodeBERT-ST — модель Sentence Transformer, созданная дообучением microsoft/codebert-base. Она преобразует текстовые фрагменты в плотные векторы размерности 768 для сравнения семантической близости с помощью косинусного сходства. Архитектура состоит из RoBERTa-трансформера и mean pooling; модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов по метаданным (в README указан предел 512 токенов). Модель предназначена для семантического поиска и сопоставления фрагментов кода и текста. Среди возможных применений также поиск парафразов, кластеризация и классификация на основе эмбеддингов. При обучении использовались 33 411 примеров и BatchAllTripletLoss. Карточка не сообщает лицензию, поэтому условия использования по доступным данным описать нельзя.

XAgentLlama-7B-preview — экспериментальная генеративная модель текста, разработанная XAgentTeam на основе Code Llama 7B и дообученная для работы с XAgent. Авторы сообщают, что использовали около 300 тысяч примеров и 48 ускорителей A100; модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 16 384 токенов. Модель предназначена для генерации и дополнения кода, выполнения инструкций и вызова функций в формате XAgentGen. Для наилучшей работы её следует использовать с XAgentGen и специальным форматом вызова функций. Она принимает и выдаёт текст; заявленная языковая область — английский и языки программирования. Это предварительная версия, и авторы предупреждают, что её качество не является финальным. Как и другие языковые модели, она может генерировать неточные или нежелательные ответы, поэтому перед применением в продукте требуется проверка под конкретный сценарий. Условия использования регулируются лицензией Meta для Llama 2.

BenevolenceMessiah/Yi-Coder-9B-Chat-Instruct-TIES-MoE-v1.0 — экспериментальная MoE-модель генерации текста, созданная сообществом BenevolenceMessiah с помощью mergekit. В README описано объединение моделей Yi-Coder-9B, Yi-Coder-9B-Chat и производных от них; карточка и метаданные указывают архитектуру MixtralForCausalLM, 8,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена прежде всего для генерации кода на разных языках программирования и диалоговой помощи при разработке: например, для создания фрагментов кода и решений по подробным техническим запросам. Метаданные указывают задачу text-generation, библиотеку Transformers и формат Safetensors. Естественные языки, специально поддерживаемые моделью, не перечислены. Автор README характеризует проект как экспериментальный и предполагаемые преимущества объединения — сочетание навыков генерации кода и диалога — как гипотетические. Поэтому качество, безопасность и готовность сгенерированного кода к эксплуатации следует проверять. Лицензия — Apache-2.0.

BoostedV1 — авторская дообученная языковая модель auryn-macmillan для рассуждений и генерации кода. Она основана на DeepSeek-R1-Distill-Qwen-1.5B: модель прошла продолженное обучение с LoRA, после чего адаптер был объединён с базовыми весами. В репозитории опубликованы веса safetensors для запуска через Transformers; архитектура — Qwen2ForCausalLM, размер — 1,5 млрд параметров, заявленная длина контекста — 131 072 токена. Модель предназначена для диалоговых запросов, решения математических задач и помощи с кодом. В карточке приведены результаты GSM8K 46,0% и HumanEval pass@1 7,3%; они характеризуют только эти тесты и не гарантируют качество на других задачах. README сообщает об обучении на OpenCodeInstruct, OpenThoughts и OpenR1-Math; среди языков в метаданных указан английский. Модель распространяется по лицензии MIT.

Code Llama 13B — базовая авторегрессионная языковая модель Meta для генерации и понимания кода. Это модель с 13 млрд параметров на оптимизированной архитектуре Transformer, представленная в формате Transformers; она принимает текст и генерирует текст. Модель поддерживает автодополнение кода и заполнение пропусков в коде, но не предназначена для следования инструкциям или диалогового использования. Модель подходит для генерации фрагментов кода и помощи при редактировании программ. Она рассчитана на английский язык и языки программирования; README не приводит отдельный перечень поддерживаемых языков программирования. Модель обучена на статическом офлайн-наборе данных, а её ответы могут быть неточными или нежелательными, поэтому перед внедрением в приложение требуется проверка и настройка под конкретный сценарий. Модель разработала Meta. Использование регулируется лицензией Meta Llama 2; README указывает, что доступна специальная коммерческая лицензия, поэтому условия следует сверять с лицензионным соглашением.

Codestral-22B-v0.1-GGUF — это квантованная версия модели Codestral-22B-v0.1 в формате GGUF. Исходную модель разработал bullerwins, а файлы GGUF подготовил MaziyarPanahi. Модель предназначена для генерации текста и может использоваться локально через совместимые инструменты и библиотеки, включая llama.cpp, llama-cpp-python, LM Studio, text-generation-webui и другие решения экосистемы GGUF. В репозитории представлены варианты квантования с разной разрядностью: 2, 3, 4, 5, 6 и 8 бит. Это позволяет выбирать баланс между требованиями к ресурсам и качеством работы, однако конкретные характеристики производительности и качества в README не приведены. Также не указаны поддерживаемые языки, размер контекста, модальности, точная архитектура, результаты тестирования и лицензия, поэтому эти параметры нельзя достоверно оценить по имеющимся данным.

DeepMagiCoder-6.7B-DS-Base — языковая модель для генерации кода, созданная слиянием DeepSeek Coder 6.7B Instruct и Magicoder-DS-6.7B с помощью LazyMergekit. В README указано слияние методом SLERP; модель построена на плотной архитектуре семейства Llama и содержит около 6,6 млрд параметров. Модель предназначена для генерации и дополнения программного кода в диалоговом формате. Она принимает текстовые запросы и выдаёт текст, а нативный контекст составляет 16 384 токена. В метаданных указан формат Safetensors. В README и метаданных не указана лицензия, поэтому условия использования по этим источникам определить нельзя. Оценки качества и сведения о поддерживаемых языках программирования не приведены.

DevPearl-2x7B — языковая модель с архитектурой Mixture of Experts, собранная louisbrulenaudet из DeepSeek Coder 6.7B Instruct и SQLCoder 7B 2. Она предназначена для диалоговой разработки: генерации и объяснения кода, а также составления SQL-запросов. В конфигурации эксперты связаны с запросами на Python, JavaScript, Java и SQL. Модель имеет архитектуру MixtralForCausalLM, около 6,6 млрд параметров и контекст до 16 384 токенов. Доступна в формате safetensors для Transformers. Лицензия — CC BY-SA 4.0. Карточка описывает модель как MoE для разработки, однако не приводит результатов оценивания; поэтому качество на конкретных языках и задачах может различаться.

DevPearl-7B-dare-ties — объединённая модель на основе DeepSeek Coder 6.7B Instruct и SQLCoder 7B 2, опубликованная louisbrulenaudet. Для слияния применён метод DARE-TIES; конфигурация также указывает CodeLlama 7B Instruct как базовую модель, тип данных bfloat16 и маску int8. Модель предназначена для генерации текста, в том числе кода и SQL-запросов, а также для ответов на инструкции, связанные с этими задачами. Модель имеет плотную архитектуру семейства Llama с 6,6 млрд параметров и контекстом до 16 384 токенов. В метаданных указаны английский язык, формат safetensors и библиотека diffusers; лицензия — Apache 2.0. Карточка сообщает о слиянии моделей, но не приводит оценок качества или подробных результатов тестирования именно этого чекпойнта.

E1-Code-14B — языковая модель Salesforce, дообученная на DeepSeek-R1-Distill-Qwen-14B для эластичного рассуждения. Обучение с помощью стратегии rollout при ограниченном бюджете, встроенной в GRPO, помогает модели адаптировать ход рассуждения к ограничениям на объём вычислений и обобщать на новые ограничения без дополнительного обучения. Модель с архитектурой Qwen2 содержит 14 млрд параметров, принимает текст и генерирует текст; нативный контекст — 131 072 токена. Карточка указывает датасет DeepCoder-Preview-Dataset и диалоговые возможности. Модель предназначена для экспериментов с рассуждением и генерацией кода, однако README не приводит конкретных результатов оценки качества. Лицензия CC-BY-NC-4.0 допускает использование на условиях указанных ограничений, включая некоммерческий характер. Разработчик позиционирует выпуск как исследовательский и рекомендует проверять точность, безопасность и справедливость перед применением, особенно в сценариях высокого риска.

Esper 70B — квантованная версия модели ValiantLabs/Esper-70b в формате GGUF, подготовленная brooketh для библиотеки Backyard AI. Это ассистент на базе CodeLlama с ориентацией на задачи DevOps и генерацию кода. Модель предназначена для работы со скриптовыми языками, файлами Terraform, Dockerfile, YAML и другими сценариями разработки и автоматизации инфраструктуры. Указан английский язык, текстовая модальность и контекст до 4096 токенов. Формат GGUF совместим с приложениями на базе llama.cpp и позволяет распределять вычисления между CPU и GPU, что упрощает локальный запуск на различном оборудовании. К сильным сторонам относятся специализация на DevOps и коде, а также возможность локального использования с меньшими требованиями к ресурсам благодаря квантованию. При этом README не указывает точный размер файлов, варианты квантования и их влияние на качество; для низких уровней квантования возможна потеря связности. Модель не рекомендуется для ролевых сценариев. Лицензия — Apache-2.0.

Everyone-Coder-4x7b-Base — специализированная на программировании модель серии EveryoneLLM от Rombodawg. Она создана как Mixtral-подобная модель с экспертами, дообученными участниками сообщества и объединёнными в общую модель. Автор описывает её как альтернативу Mixtral-8x7b, которую можно дополнительно настраивать под конкретные задачи. Модель предназначена для генерации текста, прежде всего кода. Архитектура — Mixtral MoE с классом MixtralForCausalLM; объём параметров — 7,1 млрд, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Карточка не сообщает, какие языки программирования и естественные языки поддерживаются. Модель может быть полезна для генерации и дополнения кода, а также для помощи в программировании в текстовом формате. В README перечислены модели, участвовавшие в слиянии, но их названия отсутствуют, поэтому исходные компоненты установить нельзя. Лицензия — CC BY 4.0.